CN113447273B - 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 - Google Patents
基于交叉验证的燃气轮机传感器及执行机构故障检测方法 Download PDFInfo
- Publication number
- CN113447273B CN113447273B CN202110719907.3A CN202110719907A CN113447273B CN 113447273 B CN113447273 B CN 113447273B CN 202110719907 A CN202110719907 A CN 202110719907A CN 113447273 B CN113447273 B CN 113447273B
- Authority
- CN
- China
- Prior art keywords
- fault
- actuator
- sensor
- fault detection
- gas turbine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Abstract
基于交叉验证的燃气轮机传感器及执行机构故障检测方法,属于燃气轮机技术领域。为解决对燃气轮机的状态监测过程中,如何实现对执行机构和传感器故障的灵敏检测与隔离的问题。本发明方法包括如下步骤:S1、故障发生后,通过传感器故障检测系统和执行机构故障检测系统,进行第一次故障检测,确定故障传感器的数量和执行机构的故障偏差量;S2、去除所有故障传感器,将未发生故障的传感器的实际测量值送至执行机构故障检测系统;同时,通过步骤S1所获得的执行机构的故障偏差量对控制系统输出至执行机构的控制量进行修复,并将其送至传感器故障检测系统;进行第二次故障检测,实现对引起燃气轮机发生故障原因的判定。主要用于对故障检测。
Description
技术领域
本发明属于燃气轮机技术领域。
背景技术
燃气轮机是由压气机、燃烧室、涡轮以及一系列辅助系统组成的旋转机械,是重要的原动力装置。其在电力系统、航空航天、舰船等诸多领域得到了广泛应用,是21世纪乃至更长时期内能源高效转化与洁净利用的核心动力装备。燃气轮机被誉为“工业皇冠上的明珠”,其工作原理与内部结构十分复杂,工作环境又十分恶劣,通常需要对其运行状态进行实时监测,并利用监测数据进行系统的状态监测。状态的监测需要利用燃气轮机上遍布的众多传感器,实时采集机组运行数据,送至监测系统进行状态分析和进行系统的故障检测。除系统部件的常见故障外,燃气轮机的执行机构也存在发生故障的情况,且执行机构出现的故障往往会导致燃机诸多监测数据的变化。比如,燃油调节阀的故障会导致进入燃烧室的燃料量异常,进而导致排气温度、压力、转子转速等一系列可测参数的变化,这会影响监测系统对燃机的状态监测。因此,在对燃机进行故障检测前还应确定其执行机构是否出现故障。与燃机状态监测一样,执行机构的故障检测同样依赖于传感器测量的数据。如果传感器出现了故障,其监测到的数据就会发生变化,如果利用错误的数据进行执行机构或燃气轮机的故障检测,就会导致错误的分析、检测结果,甚至影响机组安全、正常的运行。因此,进行燃气轮机的状态监测,必须建立在执行机构和传感器都正常工作的基础上。所以,有必要对执行机构和传感器的状态进行监测,检查它们是否出现故障。
现有的执行机构或传感器的故障诊断方法可分为基于模型的方法和数据驱动的方法。首先,在基于模型的方法中,需要利用所建模型与燃气轮机系统直接进行对比以实现执行机构或传感器的故障检测与隔离;但建模误差、模型不确定性、传感器噪声等干扰因素都会对检测结果产生负面影响从而降低检测灵敏度;因此,为了抑制上述因素的影响,一类基于卡尔曼滤波的方法被设计来提高检测的灵敏性;其次,对于以数据驱动为代表的故障诊断技术,主要有以支持向量机、神经网络、模糊逻辑等为主的基于分类的故障诊断方法和以K-Means聚类、基于密度的聚类方法(DBSCAN)等为主的基于聚类的故障诊断方法。
然而,目前执行机构故障检测系统与传感器的故障检测系统是相对独立的,两个系统能够正确检测出故障的前提条件是,已知故障发生的位置(传感器或执行机构)。但在实际检测过程中,这些是未知的。因此需要一个交叉验证系统来确定故障是发生在传感器还是执行机构。因此,有必要研究用于执行机构和传感器故障的检测方法,实现执行机构和传感器故障的灵敏检测与隔离,为燃气轮机状态监测系统的正常运行提供保障。
发明内容
本发明目的是为了解决对燃气轮机的状态监测过程中,如何实现对执行机构和传感器故障的灵敏检测与隔离的问题,本发明提供了一种基于交叉验证的燃气轮机传感器及执行机构故障检测方法。
基于交叉验证的燃气轮机传感器及执行机构故障检测方法,该方法包括如下步骤:
S1、故障发生后,通过传感器故障检测系统和执行机构故障检测系统,对燃气轮机进行第一次故障检测,确定故障传感器的数量和执行机构的故障偏差量;
S2、去除所有故障传感器,将未发生故障的传感器的实际测量值送至执行机构故障检测系统;同时,通过步骤S1所获得的执行机构的故障偏差量对控制系统输出至执行机构的控制量进行修复,并将修复后控制量送至传感器故障检测系统;
通过传感器故障检测系统和执行机构故障检测系统,对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的,完成对燃气轮机故障原因的检测。
优选的是,步骤S1中、对燃气轮机进行第一次故障检测,确定故障传感器的数量的实现方式为:
S111、将发生故障的燃气轮机的所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至传感器故障检测系统;
S112、传感器故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测后所获得的故障传感器的数量。
优选的是,S112、传感器故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测后所获得的故障传感器的数量的实现方式包括如下步骤:
S1121、传感器故障检测系统对任意一个传感器进行故障检测时,该传感器所对应的离散形式的动态系统为:
其中,xk为k时刻任意一个传感器所对应的燃气轮机系统状态变量,xk∈Rn,Rn为一个n维向量空间,n和k均为整数;
uk为k时刻控制系统输出至执行机构的控制量,uk∈R1,R1为一个一维向量空间;
xk-1为k-1时刻任意一个传感器所对应的燃气轮机系统状态变量,xk-1∈Rn;
uk-1为k-1时刻控制系统输出至执行机构的控制量,uk-1∈R1;
yk为k时刻任意一个传感器的实际测量值,yk∈R1;
f(xk-1,uk-1)为xk-1和uk-1对xk的非线性映射;
g(xk,uk)为xk和uk对yk的非线性映射;
ωk-1为k-1时刻燃气轮机系统噪声;
vk为k时刻测量噪声;
S1122、将传感器故障检测系统接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量代入到公式1中,采用平方根容积卡尔曼滤波对每个传感器所对应的离散形式的动态系统进行系统状态xk估计,从而获得该传感器所对应的系统状态估计值
优选的是,步骤S1中、对燃气轮机进行第一次故障检测,确定执行机构的故障偏差量的实现方式包括如下步骤:
S121、将发生故障的燃气轮机的所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至执行机构故障检测系统;
S122、执行机构故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测过程中所获得的执行机构的故障偏差量。
优选的是,步骤S122、执行机构故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测过程中所获得的执行机构的故障偏差量的实现方式包括如下过程:
S1221、获得执行机构故障检测系统的连续形式的动态系统:
u为连续状态下控制系统输出至执行机构的控制量;
uf为连续状态下引入至执行机构的偏差量;
g(x,(u+uf))为x和(u+uf)对y的非线性映射;
x为连续状态下燃气轮机系统状态变量;;
y为连续状态传感器的输出值;
S1222、对执行机构故障检测系统的连续形式的动态系统进行离散化,获得执行机构故障检测系统的离散形式的动态系统为:
其中,xk为k时刻任意一个传感器所对应的燃气轮机系统状态变量,xk∈Rn,Rn为一个n维向量空间,n和k均为整数;
xk-1为k-1时刻任意一个传感器所对应的燃气轮机系统状态变量,xk-1∈Rn;
uk为k时刻控制系统输出至执行机构的控制量,uk∈R1,R1为一个一维向量空间;
yk为k时刻任意一个传感器的实际测量值,yk∈Rm,Rm为一个m维向量空间;m为整数;
f(xk-1,(uk+uf,k))为xk-1和uk+uf,k对xk的非线性映射;
g(xk,(uk+uf,k))为xk和uk+uf,k对yk的非线性映射;
uf,k为对uf离散后,k时刻引入至执行机构的故障偏差量;
uf,k-1为对uf离散后,k-1时刻引入至执行机构的故障偏差量;
S1223、将执行机构故障检测系统接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量代入到公式3中,采用平方根容积卡尔曼滤波对执行机构故障检测系统的离散形式的动态系统的偏差量uf,k进行估计,从而确定第一次故障检测后所获得的执行机构的故障偏差量uf,k。
优选的是,S2中、通过步骤S1所获得的执行机构的故障偏差量对控制系统输出至执行机构的控制量进行修复的实现方式为:
将执行机构的故障偏差量与控制系统输出至执行机构的控制量叠加求和,求和结果作为修复后控制量。
优选的是,S2中、通过执行机构故障检测系统,对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的实现方式包括如下步骤:
S211、将未发生故障的传感器的实际测量值和控制系统输出至执行机构的控制量送至执行机构故障检测系统后,代入到公式3中,采用平方根容积卡尔曼滤波对执行机构故障检测系统的离散形式的动态系统的偏差量uf,k进行估计,从而确定第二次故障检测后所获得的该执行机构的故障偏差量uf,k;
S212、判断第二次故障检测后所获得的该执行机构的故障偏差量uf,k是否为0,结果为是,则判定引起燃气轮机发生故障的原因是由传感器故障引起的,结果为否,则判定引起燃气轮机发生故障的原因是由执行机构故障引起的。
优选的是,S2中、通过传感器故障检测系统对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的实现方式包括如下步骤:
S221、将修复后控制量和所有传感器的实际测量值送至感器故障检测系统后,代入到公式1中,采用平方根容积卡尔曼滤波对每个传感器所对应的离散形式的动态系统进行系统状态xk估计,从而获得该传感器所对应的系统状态估计值
S223、判断第二次故障检测后所获得的故障传感器的数量是否为0,结果为是,则判定引起燃气轮机发生故障的原因是由执行机构故障引起的,结果为否,则判定引起燃气轮机发生故障的原因是由传感器故障引起的。
优选的是,ωk-1和vk为不相关的白噪声。
优选的是,密度聚类算法基于最小邻域数MinPts和阈值半径ε实现数据聚类。
本发明带来的有益效果是:在建立的多传感器故障检测与隔离系统和执行机构故障检测系统的基础上,利用两个系统交叉验证的方法,实现传感器和执行机构的故障检测与隔离,可明确引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的,实现对故障原因的精确诊断检测。在确定传感器及执行机构的健康状态后再进行后续的维护或燃机状态监测,以保障测得数据的可用性,保证燃气轮机及其状态监测系统的正常运行。
附图说明
图1是本发明所述燃气轮机系统的原理示意图;
图2是基于交叉验证的燃气轮机传感器及执行机构故障检测方法的原理逻辑框图;
图3是某个传感器出现漂移故障时,将故障数据输入到传感器故障检测系统后的第一次检测结果示意图;其中,其中,横坐标表示时间,单位为秒,纵坐标表示聚类的类别;其中,纵坐标中的0至3均为类别的序号,且分别表示0类、1类、2类和3类;
图4是某个传感器出现漂移故障时,将故障数据输入到执行机构故障检测系统后的第一次检测结果示意图;其中,横坐标表示时间,单位为秒,纵坐标表示连续状态下引入至执行机构的偏差量uf;
图5是某个传感器出现漂移故障时,将故障数据输入到执行机构故障检测系统后的第二次检测结果示意图;其中,横坐标表示时间,单位为秒,纵坐标表示引入至执行机构的偏差量uf;
图6是某个传感器出现漂移故障时,将故障数据输入到传感器故障检测系统后的第二次检测结果示意图;其中,横坐标表示时间,单位为秒,纵坐标表示聚类的类别;其中,纵坐标中的0至3均为类别的序号,且分别表示0类、1类、2类和3类;
图7是燃油控制阀执行机构故障时,将故障数据输入到传感器故障检测系统后的第一次检测结果示意图;其中,横坐标表示时间,单位为秒,纵坐标表示聚类的类别;其中,纵坐标中的0至3均为类别的序号,且分别表示0类、1类、2类和3类;
图8是燃油控制阀执行机构故障时,将故障数据输入到执行机构故障检测系统后的第一次检测结果示意图;其中,横坐标表示时间,单位为秒,纵坐标表示引入至执行机构的偏差量uf;
图9是燃油控制阀执行机构故障时,将故障数据输入到执行机构故障检测系统后的第二次检测结果示意图;其中,横坐标表示时间,单位为秒,纵坐标表示引入至执行机构的偏差量uf;
图10是燃油控制阀执行机构故障时,将故障数据输入到传感器故障检测系统后的第二次检测结果示意图;其中,横坐标表示时间,单位为秒,纵坐标表示聚类的类别;其中,纵坐标中的0至3均为类别的序号,且分别表示0类、1类、2类和3类。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
参见图1和图2,说明本实施方式,本实施方式所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,该方法包括如下步骤:
S1、故障发生后,通过传感器故障检测系统和执行机构故障检测系统,对燃气轮机进行第一次故障检测,确定故障传感器的数量和执行机构的故障偏差量;
S2、去除所有故障传感器,将未发生故障的传感器的实际测量值送至执行机构故障检测系统;同时,通过步骤S1所获得的执行机构的故障偏差量对控制系统输出至执行机构的控制量进行修复,并将修复后控制量送至传感器故障检测系统;
通过传感器故障检测系统和执行机构故障检测系统,对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的,完成对燃气轮机故障原因的检测。
本实施方式中,分别建立了传感器和执行机构的故障检测系统,两个检测系统均能达到较高的灵敏度。然后提出交叉验证方法,用于在实际情况下,传感器和执行机构故障位置未知时这两个部分的故障检测与隔离。解决了现有检测系统独立运行,且需知道故障部位的缺陷。为后续燃气轮机的维护与状态监测提供支撑。
其中,交叉验证指的是确定故障传感器的数量后,将未发生故障的传感器的实际测量值送至执行机构故障检测系统,而确定执行机构的故障偏差量后,将该信息送至传感器故障检测系统,实心交叉验证。
进一步的,步骤S1中、对燃气轮机进行第一次故障检测,确定故障传感器的数量的实现方式为:
S111、将发生故障的燃气轮机的所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至传感器故障检测系统;
S112、传感器故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测后所获得的故障传感器的数量。
本实施方式中,给出了第一次故障检测时,确定故障传感器的数量的实现方式的主要构思,将所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至传感器故障检测系统,从而确定故障传感器的数量。
更进一步的,具体参见图2,S112、传感器故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测后所获得的故障传感器的数量的实现方式包括如下步骤:
S1121、传感器故障检测系统对任意一个传感器进行故障检测时,该传感器所对应的离散形式的动态系统为:
其中,xk为k时刻任意一个传感器所对应的燃气轮机系统状态变量,xk∈Rn,Rn为一个n维向量空间,n和k均为整数;
uk为k时刻控制系统输出至执行机构的控制量,uk∈R1,R1为一个一维向量空间;
xk-1为k-1时刻任意一个传感器所对应的燃气轮机系统状态变量,xk-1∈Rn;
uk-1为k-1时刻控制系统输出至执行机构的控制量,uk-1∈R1;
yk为k时刻任意一个传感器的实际测量值,yk∈R1;
f(xk-1,uk-1)为xk-1和uk-1对xk的非线性映射;
g(xk,uk)为xk和uk对yk的非线性映射;
ωk-1为k-1时刻燃气轮机系统噪声;
vk为k时刻测量噪声;
S1122、将传感器故障检测系统接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量代入到公式1中,采用平方根容积卡尔曼滤波对每个传感器所对应的离散形式的动态系统进行系统状态xk估计,从而获得该传感器所对应的系统状态估计值
本优选的实施方式,传感器故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测后所获得的故障传感器的数量的实现方式,采用平方根容积卡尔曼滤波(SRCKF)通过结合数学模型与实际测量结果实现对状态的最优估计,为xk的估计值。
上述公式1为通用的离散形式的动态系统模型,假设燃气轮机有M个待检测的传感器(包括转速、压力和温度传感器等),采用平方根容积卡尔曼滤波(SRCKF)利用每个传感器与模型相结合并对燃气轮机系统状态进行最优估计,实现对每个传感器所对应的系统状态进行估计。在系统能观且传感器无故障的前提下,可以确定M个SRCKF的最优估计结果应该是一致的。换言之,如果某个传感器或者某几个传感器出现了故障,那么由于它们提供了错误的信息,这势必将导致对应的SRCKF的估计结果与其他利用健康传感器的SRCKF估计结果不一致。因此,在本发明中燃气轮机的状态变量的估计值被定义为传感器故障的检测因子,这样可以使不同类型的传感器具有统一的判断标准,从而利用解析的形式实现物理冗余的效果。在利用SRCKF进行状态估计后,得到了检测因子其可以使不同类型传感器之间形成冗余关系。尽管故障传感器的数量和故障的严重程度未知,但已知的重要信息是,与健康传感器相对应的检测因子的变化是一致的,并且多个传感器同时出现故障的概率较小,所以健康传感器的数量比故障传感器的数量多。因此,在已知信息的基础上,本发明在多传感器故障诊断与隔离中提出基于密度的聚类算法(DBSCAN)的传感器故障检测与隔离方案,基于该多传感器故障检测系统即可实现燃气轮机多传感器故障检测、隔离与估计,并将检测结果用于后续的维护与监测系统中。
更进一步的,步骤S1中、对燃气轮机进行第一次故障检测,确定执行机构的故障偏差量的实现方式包括如下步骤:
S121、将发生故障的燃气轮机的所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至执行机构故障检测系统;
S122、执行机构故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测过程中所获得的执行机构的故障偏差量。
本实施方式中,给出了第一次故障检测时,确定执行机构的故障偏差量的实现方式的主要构思,将所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至执行机构故障检测系统,从而确定故障传感器的数量。
更进一步的,步骤S122、执行机构故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测过程中所获得的执行机构的故障偏差量的实现方式包括如下过程:
S1221、获得执行机构故障检测系统的连续形式的动态系统:
u为连续状态下控制系统输出至执行机构的控制量;
uf为连续状态下引入至执行机构的偏差量;
g(x,(u+uf))为x和(u+uf)对y的非线性映射;
x为连续状态下燃气轮机系统状态变量;
y为连续状态传感器的输出值;
S1222、对执行机构故障检测系统的连续形式的动态系统进行离散化,获得执行机构故障检测系统的离散形式的动态系统为:
其中,xk为k时刻任意一个传感器所对应的燃气轮机系统状态变量,xk∈Rn,Rn为一个n维向量空间,n和k均为整数;
xk-1为k-1时刻任意一个传感器所对应的燃气轮机系统状态变量,xk-1∈Rn;
uk为k时刻控制系统输出至执行机构的控制量,uk∈R1,R1为一个一维向量空间;
yk为k时刻任意一个传感器的实际测量值,yk∈Rm,Rm为一个m维向量空间;m为整数;
f(xk-1,(uk+uf,k))为xk-1和uk+uf,k对xk的非线性映射;
g(xk,(uk+uf,k))为xk和uk+uf,k对yk的非线性映射;
uf,k为对uf离散后,k时刻引入至执行机构的故障偏差量;
uf,k-1为对uf离散后,k-1时刻引入至执行机构的故障偏差量;
S1223、将执行机构故障检测系统接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量代入到公式3中,采用平方根容积卡尔曼滤波对执行机构故障检测系统的离散形式的动态系统的偏差量uf,k进行估计,从而确定第一次故障检测后所获得的执行机构的故障偏差量uf,k。
本优选的实施方式中,偏差量uf,k所对应的结果,即为第一次故障检测后所获得的离散形式下执行机构的故障偏差量;具体应用时k-1=0时,uf,0的初始值为0,执行机构故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测过程中所获得的执行机构的故障偏差量的实现方式,同样利用卡尔曼滤波进行状态估计,采用平方根容积卡尔曼滤波(SRCKF)。传感器、燃气轮机、执行机构与控制系统的关系如图1所示。控制系统根据系统指令和接收到的传感器数据输出控制指令u,执行机构接收到控制指令后开始动作,以达到控制燃气轮机运行的目的。此过程的状态方程和观测方程可以表示为:
其中,各变量的含义与前述相似。如果执行机构出现故障,输入到燃机的控制变量就不再是u,而是存在一个偏差项uf。因此,可以将上一个状态系统方程公式4进行如下变换:
将控制变量扩展为控制系统的输出量u与偏差量uf之和,利用卡尔曼滤波结合测量到的数据,实现对偏差量uf的估计。理想无故障的情况下,uf应始终为0,如果估计出的uf出现变化,则证明执行机构出现了故障,令其离散系统的形式为:
基于该执行机构故障检测系统,即可实现燃气轮机执行机构的故障检测,并将检测结果用于后续的维护与监测系统中。
更进一步的,S2中、通过步骤S1所获得的执行机构的故障偏差量对控制系统输出至执行机构的控制量进行修复的实现方式为:
将执行机构的故障偏差量与控制系统输出至执行机构的控制量叠加求和,求和结果作为修复后控制量。
更进一步的,参见图2,S2中、通过执行机构故障检测系统,对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的实现方式包括如下步骤:
S211、将未发生故障的传感器的实际测量值和控制系统输出至执行机构的控制量送至执行机构故障检测系统后,代入到公式3中,采用平方根容积卡尔曼滤波对执行机构故障检测系统的离散形式的动态系统的偏差量uf,k进行估计,从而确定第二次故障检测后所获得的该执行机构的故障偏差量uf,k;
S212、判断第二次故障检测后所获得的该执行机构的故障偏差量uf,k是否为0,结果为是,则判定引起燃气轮机发生故障的原因是由传感器故障引起的,结果为否,则判定引起燃气轮机发生故障的原因是由执行机构故障引起的。
更进一步的,参见图2,S2中、通过传感器故障检测系统对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的实现方式包括如下步骤:
S221、将修复后控制量和所有传感器的实际测量值送至感器故障检测系统后,代入到公式1中,采用平方根容积卡尔曼滤波对每个传感器所对应的离散形式的动态系统进行系统状态xk估计,从而获得该传感器所对应的系统状态估计值
S223、判断第二次故障检测后所获得的故障传感器的数量是否为0,结果为是,则判定引起燃气轮机发生故障的原因是由执行机构故障引起的,结果为否,则判定引起燃气轮机发生故障的原因是由传感器故障引起的。
更进一步的,ωk-1和vk为不相关的白噪声。
更进一步的,密度聚类算法基于最小邻域数MinPts和阈值半径ε实现数据聚类。
本优选的实施方式中,DBSCAN采用最小密度水平估计,基于最小邻域数MinPts和阈值半径ε实现数据聚类。
原理分析:由于传感器故障检测系统和执行机构故障检测系统这两个系统都是相对独立的,只能在已知故障部位的情况下才能用于相应部件的故障检测,在故障位置未知时无法使用。因此,本发明提出一种交叉验证方法,基于上述两个系统,用交叉验证的方法进行燃气轮机传感器及执行机构的故障检测,从而实现对燃气轮机故障原因的检测,确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的。
交叉验证系统的逻辑是:首先将发生故障的燃机数据分别输入到传感器故障检测系统和执行机构故障检测系统中,这时传感器故障检测系统能够隔离出故障传感器,执行机构故障检测系统能够给出执行机构的故障偏差量uf,也即执行机构的故障幅值;
然后将去掉故障传感器的燃机数据输入到执行机构故障检测系统中,将执行机构对应的输入量u与故障偏差量uf叠加后的燃机数据输入到传感器故障检测系统中;
最后通过二次检测的结果确定燃气轮机发生的故障;如果去掉故障传感器的数据后,将其余数据输入到执行机构故障检测系统进行二次检测,如果输出的故障偏差量uf为0,则证明是传感器故障,反之则为执行机构故障;
在修复执行机构幅值后,即把uf叠加到传感器故障检测系统的控制输入中,如果传感器故障检测系统检测结果显示传感器故障数量为0,则证明是执行机构故障,反之则为传感器故障。相应的检测逻辑如图2所示。
本发明提出了多传感器故障检测系统和执行机构故障检测系统,并在此两个系统的基础上提出了一种基于交叉验证的燃气轮机传感器及执行机构故障检测方法。然后通过两个系统的交叉验证对这两个部分进行故障检测,再将检测结果用于后续的维护与监测中。
验证试验:
情景一:某个传感器出现漂移故障的检测。
首先,将故障数据分别输入到两个检测系统中,传感器故障检测系统和执行机构故障检测系统的第一次检测结果分别如图3、图4所示,其中;图3中给出了12个传感器,从上至下的序号分别为1至12,且每个传感所对应的类别见图3中每个传感器所对应的条形图,只有序号为12的传感器的类别与其余的传感器类别不同,也即该传感器故障;图4中可以看出,故障偏差量未发生故障时,其值在0附近,并趋近于0,而当故障发生后,故障偏差量变大,也即故障发生。
图4和图5的绘图过程为,通过采用平方根容积卡尔曼滤波得到离散状态下不同时刻的执行机构的偏差量uf,k,连接各离散的点,得到引入至执行机构的偏差量uf;
从图3和图4中可以看出,两个检测系统均检测出故障,此时无法确定引起故障发生的具体原因。
然后根据传感器故障检测系统第一次的检测结果,将故障的传感器数据去掉,再输入到执行机构故障检测系统中进行第二次检测,检测结果如图5所示;从图5中可看出故障偏差量在0附近波动,其波动由噪声引起的;
同时根据执行机构故障检测系统第一次的检测结果,将检测出的故障偏差量uf(也即:故障幅值uf),用以修复执行机构幅值,再将(u+uf)作为控制变量输入到传感器故障检测系统中进行第二次检测,检测结果如图6所示。
图5中,从第二次检测结果可以看出,执行机构故障检测系统输出的故障幅值为0,根据判断逻辑可以确定此故障为传感器故障。
同时,图6中,从聚类的类别可看出,传感器故障检测系统输出的故障传感器数量非0,根据判断逻辑也可以确定此故障为传感器故障。
可见,根据交叉验证系统进行的故障检测结果与实际情况符合,证明此系统能用于故障位置未知时的传感器故障检测与隔离。
情景二:燃油控制阀执行机构故障的检测。
首先将故障数据分别输入到两个检测系统中,传感器故障检测系统和执行机构故障检测系统的第一次检测结果分别如图7、图8所示。其中;图7中给出了12个传感器,从上至下的序号分别为1至12,且每个传感所对应的类别见图7中每个传感器所对应的条形图,除传感器1以外(也即:图7中最上方的条形图),每个传感器分类的类别都出现了波动,但可以看出12个传感器被分为了不同的类,即认为发生了故障;图8中可以看出,故障偏差量未发生故障时,其值在0附近,并趋近于0,而当故障发生后,故障偏差量变大,也即故障发生。
从图7和图8中可以看出,两个检测系统均检测出故障,此时无法确定故障发生的位置。然后根据传感器故障检测系统第一次的检测结果,将故障的传感器数据去掉,再输入到执行机构故障检测系统中进行第二次检测,检测结果如图9所示。同时根据执行机构故障检测系统第一次的检测结果,将检测出的故障偏差量uf(也即:故障幅值uf)用以修复执行机构幅值,再将(u+uf)作为控制变量输入到传感器故障检测系统中进行第二次检测,检测结果如图10所示。
图8和图9的绘图过程为,通过采用平方根容积卡尔曼滤波得到离散状态下不同时刻的执行机构的偏差量uf,k,连接各离散的点,得到引入至执行机构的偏差量uf。
从第二次检测结果可以看出,执行机构故障检测系统输出的故障幅值非0,根据判断逻辑可以确定此故障为执行机构故障。同时,传感器故障检测系统输出的故障传感器数量为0,根据判断逻辑也可以确定此故障为执行机构故障。可见,根据交叉验证系统进行的故障检测结果与实际情况符合,证明此系统能用于故障位置未知时的执行机构故障检测与隔离。
从以上结果可以看出,本发明提出基于交叉验证的燃气轮机传感器及执行机构故障检测方法能实现这两个部分故障位置未知时的故障发生原因的检测与隔离。由此验证了本发明所提的基于交叉验证的燃气轮机传感器及执行机构故障检测方法的有效性。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (9)
1.基于交叉验证的燃气轮机传感器及执行机构故障检测方法,该方法包括如下步骤:
S1、故障发生后,通过传感器故障检测系统和执行机构故障检测系统,对燃气轮机进行第一次故障检测,确定故障传感器的数量和执行机构的故障偏差量;
S2、去除所有故障传感器,将未发生故障的传感器的实际测量值送至执行机构故障检测系统;同时,通过步骤S1所获得的执行机构的故障偏差量对控制系统输出至执行机构的控制量进行修复,并将修复后控制量送至传感器故障检测系统;
通过传感器故障检测系统和执行机构故障检测系统,对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的,完成对燃气轮机故障原因的检测;
其特征在于,步骤S1中、对燃气轮机进行第一次故障检测,确定故障传感器的数量的实现方式为:
S111、将发生故障的燃气轮机的所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至传感器故障检测系统;
S112、传感器故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测后所获得的故障传感器的数量。
2.根据权利要求1所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,S112、传感器故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测后所获得的故障传感器的数量的实现方式包括如下步骤:
S1121、传感器故障检测系统对任意一个传感器进行故障检测时,该传感器所对应的离散形式的动态系统为:
其中,xk为k时刻任意一个传感器所对应的燃气轮机系统状态变量,xk∈Rn,Rn为一个n维向量空间,n和k均为整数;
uk为k时刻控制系统输出至执行机构的控制量,uk∈R1,R1为一个一维向量空间;
xk-1为k-1时刻任意一个传感器所对应的燃气轮机系统状态变量,xk-1∈Rn;
uk-1为k-1时刻控制系统输出至执行机构的控制量,uk-1∈R1;
yk为k时刻任意一个传感器的实际测量值,yk∈R1;
f(xk-1,uk-1)为xk-1和uk-1对xk的非线性映射;
g(xk,uk)为xk和uk对yk的非线性映射;
ωk-1为k-1时刻燃气轮机系统噪声;
vk为k时刻测量噪声;
S1122、将传感器故障检测系统接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量代入到公式(1)中,采用平方根容积卡尔曼滤波对每个传感器所对应的离散形式的动态系统进行系统状态变量xk估计,从而获得该传感器所对应的系统状态估计值
3.根据权利要求1所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,步骤S1中、对燃气轮机进行第一次故障检测,确定执行机构的故障偏差量的实现方式包括如下步骤:
S121、将发生故障的燃气轮机的所有传感器的实际测量值和控制系统输出至执行机构的控制量均发送至执行机构故障检测系统;
S122、执行机构故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测过程中所获得的执行机构的故障偏差量。
4.根据权利要求3所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,步骤S122、执行机构故障检测系统根据接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量确定第一次故障检测过程中所获得的执行机构的故障偏差量的实现方式包括如下过程:
S1221、获得执行机构故障检测系统的连续形式的动态系统:
u为连续状态下控制系统输出至执行机构的控制量;
uf为连续状态下引入至执行机构的偏差量;
g(x,(u+uf))为x和(u+uf)对y的非线性映射;
x为连续状态下燃气轮机系统状态变量;;
y为连续状态传感器的输出值;
S1222、对执行机构故障检测系统的连续形式的动态系统进行离散化,获得执行机构故障检测系统的离散形式的动态系统为:
其中,xk为k时刻任意一个传感器所对应的燃气轮机系统状态变量,xk∈Rn,Rn为一个n维向量空间,n和k均为整数;
xk-1为k-1时刻任意一个传感器所对应的燃气轮机系统状态变量,xk-1∈Rn;
uk为k时刻控制系统输出至执行机构的控制量,uk∈R1,R1为一个一维向量空间;
yk为k时刻任意一个传感器的实际测量值,yk∈Rm,Rm为一个m维向量空间;m为整数;
f(xk-1,(uk+uf,k))为xk-1和uk+uf,k对xk的非线性映射;
g(xk,(uk+uf,k))为xk和uk+uf,k对yk的非线性映射;
uf,k为对uf离散后,k时刻引入至执行机构的故障偏差量;
uf,k-1为对uf离散后,k-1时刻引入至执行机构的故障偏差量;
S1223、将执行机构故障检测系统接收的所有传感器的实际测量值和控制系统输出至执行机构的控制量代入到公式(3)中,采用平方根容积卡尔曼滤波对执行机构故障检测系统的离散形式的动态系统的偏差量uf,k进行估计,从而确定第一次故障检测后所获得的执行机构的故障偏差量uf,k。
5.根据权利要求1所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,S2中、通过步骤S1所获得的执行机构的故障偏差量对控制系统输出至执行机构的控制量进行修复的实现方式为:
将执行机构的故障偏差量与控制系统输出至执行机构的控制量叠加求和,求和结果作为修复后控制量。
6.根据权利要求4所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,S2中、通过执行机构故障检测系统,对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的实现方式包括如下步骤:
S211、将未发生故障的传感器的实际测量值和控制系统输出至执行机构的控制量送至执行机构故障检测系统后,代入到公式(3)中,采用平方根容积卡尔曼滤波对执行机构故障检测系统的离散形式的动态系统的偏差量uf,k进行估计,从而确定第二次故障检测后所获得的该执行机构的故障偏差量uf,k;
S212、判断第二次故障检测后所获得的该执行机构的故障偏差量uf,k是否为0,结果为是,则判定引起燃气轮机发生故障的原因是由传感器故障引起的,结果为否,则判定引起燃气轮机发生故障的原因是由执行机构故障引起的。
7.根据权利要求2所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,S2中、通过传感器故障检测系统对燃气轮机进行第二次故障检测,从而确定引起燃气轮机发生故障的原因是由传感器故障引起的、还是由执行机构故障引起的实现方式包括如下步骤:
S221、将修复后控制量和所有传感器的实际测量值送至感器故障检测系统后,代入到公式(1)中,采用平方根容积卡尔曼滤波对每个传感器所对应的离散形式的动态系统进行系统状态变量xk估计,从而获得该传感器所对应的系统状态估计值
S223、判断第二次故障检测后所获得的故障传感器的数量是否为0,结果为是,则判定引起燃气轮机发生故障的原因是由执行机构故障引起的,结果为否,则判定引起燃气轮机发生故障的原因是由传感器故障引起的。
8.根据权利要求1所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,ωk-1和vk为不相关的白噪声。
9.根据权利要求2或7所述的基于交叉验证的燃气轮机传感器及执行机构故障检测方法,其特征在于,密度聚类算法基于最小邻域数MinPts和阈值半径ε实现数据聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719907.3A CN113447273B (zh) | 2021-06-28 | 2021-06-28 | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719907.3A CN113447273B (zh) | 2021-06-28 | 2021-06-28 | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113447273A CN113447273A (zh) | 2021-09-28 |
CN113447273B true CN113447273B (zh) | 2022-08-05 |
Family
ID=77813378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719907.3A Active CN113447273B (zh) | 2021-06-28 | 2021-06-28 | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113447273B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010076469A1 (fr) * | 2008-12-15 | 2010-07-08 | Snecma | Identification de defaillances dans un moteur d'aeronef |
CN102855349A (zh) * | 2012-08-06 | 2013-01-02 | 南京航空航天大学 | 航空发动机气路故障诊断的快速原型设计方法及平台 |
CN102980771A (zh) * | 2012-12-04 | 2013-03-20 | 南京航空航天大学 | 一种便携式航空发动机气路部件故障检测系统及方法 |
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN109799803A (zh) * | 2018-12-11 | 2019-05-24 | 大连理工大学 | 一种基于lft的航空发动机传感器及执行机构故障诊断方法 |
CN110118128A (zh) * | 2019-05-28 | 2019-08-13 | 南京航空航天大学 | 微型燃气轮机传感器故障诊断和容错控制方法 |
CN111060324A (zh) * | 2018-10-16 | 2020-04-24 | 中国石油天然气股份有限公司 | 燃气轮机故障诊断方法及装置 |
-
2021
- 2021-06-28 CN CN202110719907.3A patent/CN113447273B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010076469A1 (fr) * | 2008-12-15 | 2010-07-08 | Snecma | Identification de defaillances dans un moteur d'aeronef |
CN102855349A (zh) * | 2012-08-06 | 2013-01-02 | 南京航空航天大学 | 航空发动机气路故障诊断的快速原型设计方法及平台 |
CN102980771A (zh) * | 2012-12-04 | 2013-03-20 | 南京航空航天大学 | 一种便携式航空发动机气路部件故障检测系统及方法 |
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN111060324A (zh) * | 2018-10-16 | 2020-04-24 | 中国石油天然气股份有限公司 | 燃气轮机故障诊断方法及装置 |
CN109799803A (zh) * | 2018-12-11 | 2019-05-24 | 大连理工大学 | 一种基于lft的航空发动机传感器及执行机构故障诊断方法 |
CN110118128A (zh) * | 2019-05-28 | 2019-08-13 | 南京航空航天大学 | 微型燃气轮机传感器故障诊断和容错控制方法 |
Non-Patent Citations (1)
Title |
---|
Sensor and actuator fault reconstruction;Chen R H. etal;《Journal of Guidance, Control and Dynamics》;20041231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113447273A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110207997B (zh) | 基于卷积自编码器的液体火箭发动机故障检测方法 | |
US7062370B2 (en) | Model-based detection, diagnosis of turbine engine faults | |
EP2047339B1 (en) | Methods and apparatuses for monitoring a system | |
CN111506049B (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
Zhang et al. | Applied fault detection and diagnosis for industrial gas turbine systems | |
Yang et al. | Multiple model-based detection and estimation scheme for gas turbine sensor and gas path fault simultaneous diagnosis | |
Loboda | Gas turbine condition monitoring and diagnostics | |
Berrios et al. | Fault tolerant measurement system based on Takagi–Sugeno fuzzy models for a gas turbine in a combined cycle power plant | |
Palmé et al. | Early warning of gas turbine failure by nonlinear feature extraction using an auto-associative neural network approach | |
CN113447273B (zh) | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 | |
Loboda et al. | Polynomials and neural networks for gas turbine monitoring: a comparative study | |
Nozari et al. | Model-based fault detection and isolation using neural networks: An industrial gas turbine case study | |
Loboda et al. | Polynomials and neural networks for gas turbine monitoring: A comparative study | |
José et al. | Improvements in failure detection of DAMADICS control valve using neural networks | |
CN115563868A (zh) | 一种航空交流发电机油路系统故障诊断方法及装置 | |
Loboda et al. | A more realistic scheme of deviation error representation for gas turbine diagnostics | |
Addel-Geliel et al. | Application of model based fault detection for an industrial boiler | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Sangha et al. | On-board monitoring and diagnosis for spark ignition engine air path via adaptive neural networks | |
Li et al. | Multiple fault diagnosis of aeroengine control system based on autoassociative neural network | |
CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
Roemer | Testing of a real-time health monitoring and diagnostic system for gas turbine engines | |
Zhou et al. | A novel information fusion model based on DS evidence theory for equipment diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |