CN115062425B - 一种应用于燃气轮机组的故障预警方法、系统和装置 - Google Patents

一种应用于燃气轮机组的故障预警方法、系统和装置 Download PDF

Info

Publication number
CN115062425B
CN115062425B CN202210633645.3A CN202210633645A CN115062425B CN 115062425 B CN115062425 B CN 115062425B CN 202210633645 A CN202210633645 A CN 202210633645A CN 115062425 B CN115062425 B CN 115062425B
Authority
CN
China
Prior art keywords
function
kriging
basis
gas turbine
mechanism model
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
Application number
CN202210633645.3A
Other languages
English (en)
Other versions
CN115062425A (zh
Inventor
张坤
李红仁
自平洋
李炜
孙亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202210633645.3A priority Critical patent/CN115062425B/zh
Publication of CN115062425A publication Critical patent/CN115062425A/zh
Priority to PCT/CN2022/121824 priority patent/WO2023236393A1/zh
Priority to US18/313,525 priority patent/US11860619B2/en
Application granted granted Critical
Publication of CN115062425B publication Critical patent/CN115062425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种应用于燃气轮机组的故障预警方法、系统和装置，其中，该方法包括：通过机理模型计算燃气轮机组中预测参数的预测数据，将预测数据和预测参数的真实数据进行数据对比，得到误差矩阵；根据机理模型构建若干克里金基函数；根据误差矩阵，从若干克里金基函数中筛选出最优克里金基函数，采用最优克里金基函数对机理模型进行误差补偿；通过误差补偿后的机理模型进行燃气轮机组的故障预警。通过本申请，解决了现有燃气轮机故障预警存在的大量故障误报的问题，实现了基于改进克里金基函数对机理模型进行误差补偿后，燃气轮机组的故障预警，降低了机理模型对故障预警的误报率。

Description

一种应用于燃气轮机组的故障预警方法、系统和装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种应用于燃气轮机组的故障预警方法、系统和装置。
背景技术
燃气轮机有热效率高、运行平稳、体积小、功率大、启动快和污染小等优点，而且在实际生产运行中相比传统动力设备相对安全，是作为继蒸汽轮机和内燃机之后的新一代核心动力装置。燃气轮机的应用范围越来越广，自诞生以来，燃气轮机已经广泛地应用到了航空、船舶和发电等领域。随着全球天然气资源的大量开发、电网调峰日益增长的需求以及分布式能源系统的飞速发展，燃气轮机在我国发电领域的地位越来越重要。因此，燃气轮机作为今后很长时间内能源高效转化和清洁利用的核心动力装备。
为确保燃气轮机能持续安全稳定可靠的长时间运行，其运行状态越来越成为重要的研究内容。燃气轮机组结构复杂，其部件通常工作在高温、高压和高速旋转的极端条件下，对于调峰燃汽轮机组，还会频繁启停，因此，燃气轮机组容易在运行状态中发生故障损伤，影响电网保供任务。传统的故障预警诊断模型存在大量的故障误报的问题，导致真实的故障信息被掩盖从而丧失预警的作用。
目前针对相关技术中燃气轮机故障预警存在的大量故障误报的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种应用于燃气轮机组的故障预警方法、系统和装置，以至少解决相关技术中燃气轮机故障预警存在的大量故障误报的问题。
第一方面，本申请实施例提供了一种应用于燃气轮机组的故障预警方法，所述方法包括：
通过机理模型，计算燃气轮机组中预测参数的预测数据，将所述预测数据和所述预测参数的真实数据进行数据对比，得到误差矩阵；
根据所述机理模型，构建若干克里金基函数；
根据所述误差矩阵，从所述若干克里金基函数中筛选出最优克里金基函数，采用所述最优克里金基函数对所述机理模型进行误差补偿；
通过所述误差补偿后的机理模型进行所述燃气轮机组的故障预警。
在其中一些实施例中，根据所述误差矩阵，从所述若干克里金基函数中筛选出最优克里金基函数包括：
通过所述若干克里金基函数对所述误差矩阵分别进行拟合，根据若干拟合结果对所述克里金基函数进行筛选，得到第一基函数集合；
计算所述第一基函数集合中若干克里金基函数的可靠性指标，根据所述可靠性指标筛选出最佳克里金基函数。
在其中一些实施例中，计算所述第一基函数集合中若干克里金基函数的可靠性指标，根据所述可靠性指标筛选出最佳克里金基函数包括：
通过蒙特卡洛算法、粒子群算法、响应面算法和一元二次矩阵算法，分别计算所述第一基函数集合中克里金基函数的可靠性指标；
根据所述可靠性指标筛选出收敛速率高于预设阈值的第二基函数集合，进而从所述第二基函数集合中筛选出最优克里金基函数。
在其中一些实施例中，进而从所述第二基函数集合中筛选出最优克里金基函数包括：
计算所述第二基函数集合中克里金基函数的导数，根据所述导数判断所述克里金基函数的曲线形态特征，其中，所述曲线形态特征包括单峰极大值特征、单峰极小值特征和多峰特征；
根据所述曲线形态特征从所述第二基函数集合中筛选出最优克里金基函数。
在其中一些实施例中，根据所述曲线形态特征从所述第二基函数集合中筛选出最优克里金基函数包括：
根据所述曲线形态特征，判断对应的克里金基函数是否与施韦费尔函数或三角函数具有相似特征；
若与施韦费尔函数具有相似特征，则通过谷本相似度函数计算所述克里金基函数与施韦费尔函数的谷本相似度；
若与三角函数具有相似特征，则通过谷本相似度函数计算所述克里金基函数与三角函数的谷本相似度；
根据所述谷本相似度从所述第二基函数集合中筛选出最优克里金基函数。
在其中一些实施例中，根据所述可靠性指标筛选出收敛速率高于预设阈值的第二基函数集合包括：
根据克里金基函数的可靠性指标的函数计算次数，从蒙特卡洛算法、粒子群算法、响应面算法和一元二次矩阵算法中选取出最优计算算法；
根据所述最优计算算法计算得到的可靠性指标，筛选出收敛速率高于预设阈值的第二基函数集合。
在其中一些实施例中，根据所述机理模型，构建若干预设克里金基函数包括：
将所述机理模型的输入参数作为克里金基函数的输入参数，将所述机理模型的预测参数作为克里金基函数的输出参数，进而构建若干预设克里金基函数。
在其中一些实施例中，通过机理模型，计算燃气轮机组中预测参数的预测数据包括：
将燃气轮机组的输入数据输入到机理模型中，计算所述燃气轮机组中预测参数的预测数据，其中，所述输入数据对应的输入参数包括燃机转速、发电机功率、环境温度和环境湿度，所述预测参数包括第一轴位移、第二轴位移、第三轴位移、高压缸膨胀、高中压缸差胀、低压缸膨胀和高压主汽压力。
第二方面，本申请实施例提供了一种应用于燃气轮机组的故障预警系统，所述系统包括数据采集模块、误差补偿模块和故障预警模块；
所述数据采集模块，用于通过机理模型，计算燃气轮机组中预测参数的预测数据，将所述预测数据和所述预测参数的真实数据进行数据对比，得到误差矩阵；
所述误差补偿模块，用于根据所述机理模型，构建若干克里金基函数；根据所述误差矩阵，从所述若干克里金基函数中筛选出最优克里金基函数，采用所述最优克里金基函数对所述机理模型进行误差补偿；
所述故障预警模块，用于通过所述误差补偿后的机理模型进行所述燃气轮机组的故障预警。
第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的应用于燃气轮机组的故障预警方法。
相比于相关技术，本申请实施例提供的一种应用于燃气轮机组的故障预警方法、系统和装置，通过机理模型计算燃气轮机组中预测参数的预测数据，将预测数据和预测参数的真实数据进行数据对比，得到误差矩阵；根据机理模型构建若干克里金基函数；根据误差矩阵，从若干克里金基函数中筛选出最优克里金基函数，采用最优克里金基函数对机理模型进行误差补偿；通过误差补偿后的机理模型进行燃气轮机组的故障预警。解决了现有燃气轮机故障预警存在的大量故障误报的问题，实现了基于改进克里金基函数对机理模型进行误差补偿后，燃气轮机组的故障预警，降低了机理模型对故障预警的误报率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的应用于燃气轮机组的故障预警方法的步骤流程图；
图2是根据本申请实施例提供的应用于燃气轮机组的故障预警系统的结构框图；
图3是根据本申请实施例的电子设备的内部结构示意图。
附图说明：21、数据采集模块；22、误差补偿模块；23、故障预警模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，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，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请实施例提供了一种应用于燃气轮机组的故障预警方法，图1是根据本申请实施例提供的应用于燃气轮机组的故障预警方法的步骤流程图，如图1所示，该方法包括以下步骤：
步骤S102，通过机理模型，计算燃气轮机组中预测参数的预测数据，将预测数据和预测参数的真实数据进行数据对比，得到误差矩阵；
具体地，将燃气轮机组的输入数据输入到机理模型中，计算燃气轮机组中预测参数的预测数据，其中，输入数据对应的输入参数包括燃机转速、发电机功率、环境温度和环境湿度，预测参数包括第一轴位移、第二轴位移、第三轴位移、高压缸膨胀、高中压缸差胀、低压缸膨胀和高压主汽压力。
优选地，以某型号重型燃汽轮机组为例，以燃机转速、发电机功率、大气温度、大气湿度等作为输入参数，将轴位移1、轴位移2、轴位移3、高压缸膨胀、高中压缸差胀、低压缸膨胀、高压主汽压力1(机侧)作为输出参数(预测参数)，将预测参数依次设为G1、G2、G3、G4、G5、G6和G7。燃机转速在起机过程中经历0到3000转，表1是某重型燃汽轮机组中预测参数的真实数据表，如表1所示，以燃机转速3000转，20个采样点为例，得到燃气轮机组中预测参数的真实数据，将有真实数据与机理模型计算的预测数据进行对比(即将实测数据与预测数据相减)，所得结果存入误差矩阵Er。
表1
采样点 G1 G2 G3 G4 G5 G6 G7 燃机转速
1 0.191 0.273 0.198 16.702 7.203 32.247 9.134 2997.8
2 0.185 0.269 0.193 16.704 7.226 32.258 9.081 2997.8
3 0.183 0.269 0.193 16.704 7.234 32.26 9.047 2999.3
4 0.183 0.271 0.194 16.702 7.26 32.27 9.084 3001.9
5 0.209 0.297 0.221 16.704 7.263 32.268 9.202 3001.9
6 0.201 0.289 0.212 16.702 7.257 32.262 9.322 3000.7
7 0.207 0.296 0.219 16.702 7.251 32.248 9.284 3001.9
8 0.219 0.308 0.231 16.7 7.239 32.238 9.316 3001.9
9 0.229 0.319 0.241 16.704 7.234 32.232 9.516 3001.9
10 0.215 0.306 0.227 16.7 7.237 32.227 9.734 2998.9
11 0.226 0.317 0.239 16.7 7.206 32.187 9.503 2997.8
12 0.231 0.323 0.244 16.7 7.207 32.18 9.759 3000.4
13 0.187 0.279 0.2 16.703 7.217 32.186 9.458 2999.6
14 0.239 0.331 0.252 16.704 7.197 32.164 9.575 2999.3
15 0.205 0.297 0.218 16.702 7.202 32.165 9.64 2998.9
16 0.209 0.301 0.223 16.701 7.18 32.138 9.563 2998.9
17 0.234 0.326 0.247 16.7 7.148 32.095 9.525 3000.4
18 0.216 0.309 0.23 16.699 7.149 32.1 9.566 2997.8
19 0.225 0.318 0.238 16.703 7.144 32.089 9.727 2998.1
20 0.223 0.316 0.237 16.704 7.134 32.07 9.719 3000
需要说明的是，机理模型，亦称白箱模型。根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型。它是基于质量平衡方程、能量平衡方程、动量平衡方程、相平衡方程以及某些物性方程、化学反应定律、电路基本定律等而获得对象或过程的数学模型。机理模型的优点是参数具有非常明确的物理意义。模型参数易于调整，所得的模型具有很强的适应性。
步骤S104，根据机理模型，构建若干克里金基函数；
具体地，将机理模型的输入参数作为克里金基函数的输入参数，将机理模型的预测参数作为克里金基函数的输出参数，进而构建若干预设克里金基函数。
优选地，为了提高机理模型的数据跟随能力，需要使用合适的基函数来提升克里金插值法的计算能力。常见的克里金自定义函数有以下几种：
傅里叶：
多项式：
指数：
高斯：
三角函数：
为了构建自定义基函数，需要将燃气轮机组关键参数作为输入参数及观测参数作为输出值(即机理模型的输入参数和预测参数)，以此确定基函数的输出特性。定义函数k(x1,x2…xn)，则输入参数x1,x2…xn的定义域为：
其中，X1、X2、…、Xn为输入样本参数内的坐标位置，为波动中心值，Δx1、Δx2、…、Δxn为波动范围。将输入参数的改变量进行一定简化，将基函数简化为：
其中，ΔF为函数输出值，Δ2(Δx)为输入参数波动的高阶导数。
如果存在函数k(x1,x2…xn)对Δx1、Δx2、…、Δxn存在一定的函数关系，那么存在：
其中，w为权重系数，显示各点在总量中所具有的重要程度。当所取点为节点时权重系数w＝1，当所取点非为节点时权重系数0<w<1。设定输入参数的边界条件，存在：
其中、xil、xih分别代表输入量在第i分量的上下限。将式(6)、(7)与(8)联立得到
式中G(x1,x2…xn)为关于x1,x2…xn的插值函数。本方法研究的重型燃气轮机组各个部件数据变化趋势与发电功率和燃机转速等改变具有一定的变化关系，因此需要一个插值函数满足边界约束条件，同时能够体现输入特性与输出特性的函数关系。将G(x1,x2…xn)代入到式(3)与式(4)中得到
其中，di＝|x-xi|，x为未知值。θi为机组输出功率、燃机转速等参数。确定燃机转速的定义域[0,3000]。以Gm为例，在燃机转速的波动范围区域内选取20个验证点。根据式(7)与(8)得到权重系数模型。通过使用粒子群算法超参数寻优的方法计算即可得到θi。
步骤S106，根据误差矩阵，从若干克里金基函数中筛选出最优克里金基函数；
具体地，步骤一，通过若干克里金基函数对误差矩阵分别进行拟合，根据若干拟合结果对克里金基函数进行筛选，得到第一基函数集合。
进一步地，步骤二，通过蒙特卡洛算法、粒子群算法、响应面算法和一元二次矩阵算法，分别计算第一基函数集合中克里金基函数的可靠性指标；根据可靠性指标筛选出收敛速率高于预设阈值的第二基函数集合。
更进一步地，步骤三，计算第二基函数集合中克里金基函数的导数，根据导数判断克里金基函数的曲线形态特征，其中，曲线形态特征包括单峰极大值特征、单峰极小值特征和多峰特征；
根据曲线形态特征，判断对应的克里金基函数是否与施韦费尔函数或三角函数具有相似特征；若与施韦费尔函数具有相似特征，则通过谷本相似度函数计算克里金基函数与施韦费尔函数的谷本相似度；若与三角函数具有相似特征，则通过谷本相似度函数计算克里金基函数与三角函数的谷本相似度；根据谷本相似度从第二基函数集合中筛选出最优克里金基函数。
优选地，在步骤一中，以ΔGm为燃汽轮机组的真实数据与机理模型计算的预测数据之间的误差项。以燃机转速变量x，轴位移1、轴位移2、轴位移3等参数为因变量f(x)。
对ΔGm进行多项式拟合，拟合公式如下：
f(x)＝p1x7+p2x6+p3x5+p4x4+p5x3+p6x2+p7x+p8 (13)
对上式进行求导，在定义域[0，3000]区间内df(x)/dx等于零的解有k1个。
对ΔGm进行高斯拟合，则拟合得到的高斯函数为：
对上式求导得到可得到df(x)/dx等于零的解有k2个。
对ΔGm进行傅里叶拟合，则得到的傅里叶函数为：
对上式求导，在定义域[0，3000]区间内df(x)/dx等于零的解有k3个。
对ΔGm进行指数拟合，得到的函数为：
f(x)＝aebx+cedx (16)
对上式求导，在定义域[0，3000]区间内df(x)/dx等于零的解有k4个。
对ΔGm进行三角函数拟合，则得到的函数为：
对上式求导，在定义域[0，3000]区间内df(x)/dx等于零的解有k5个。
通过零解的个数ki(i＝1,2,3…n)与ΔGm曲线进行对比，对基函数进行筛选，因此可以确定哪种形式的变化曲线与ΔGm是否相符。例，指数形式的变化曲线与ΔGm并不相符。则其他克里金基函数会进行下一步筛选(得到第一基函数集合)。
优选地，在步骤二中，通过步骤一通常无法一次性筛选出最优克里金基函数，为了进一步进行函数精选，以选择样本累计的方法为基础，以蒙特卡洛、粒子群、响应面以及一元二次矩阵方法计算积函数的可靠性指标。以蒙特卡洛方法计算失效概率，根据结果得到可靠性指标，并以此指标为标准，针对其他方法计算的基函数可靠性指标进行对比。
以ΔGi为例，表2对于ΔGi的基函数模型可靠性指标计算结果表。通过将高斯模型、傅里叶模型与多项式模型进行对比，可得到在以高斯模型为基函数的前提下，使用粒子群方法能够以最少的函数计算次数达到可靠性指标。
表2
在基函数分别为高斯模型、傅里叶模型、三角函数和多项式模型的情况下，比较蒙特卡洛算法、粒子群算法、响应面算法和一元二次矩阵算法，得出粒子群方法能够以最少的函数计算次数达到可靠性指标(即最优计算算法)，在粒子群方法的前提下，从各模型中筛选出收敛速率高于预设阈值的第二基函数集合。
优选地，在步骤三中，为了进一步提升曲线适应度，需要在误差修正前对曲线进行判别以选择合适的克里金基函数。克里金插值法各个基函数具有不同的曲线特征，同时其运算效率不尽相同，因此可根据函数特征进行提前判别。曲线ΔGm无非具有多峰、单峰极大或者单峰极小值的特征。为了进一步判别曲线的形态，需要对曲线函数进行一阶和二阶求导，依据求导结果对数据进行预判。
误差数据预判导
为了对函数极值进行识别，设克里金插值基函数为f(x)，其中a＝(x1,x2,...xn)∈Rn，则f(x)在定义域内连续可微。因此可得到：
可得f(x)在点a处为极大值。
同理，若存在：
可得f(x)在点a处为极小值。
根据f(x)为函数在x位置处的梯度，可得：
若相邻的极值点x1，x2，…xn使得f(x)的一阶导为零，因为一阶导数的特性使得相邻两点xi和xi+1为局部最大或者最小值，因此采用相隔两点作为判断函数曲线的标准，如果存在相隔两点的函数值存在单调递增，且二阶导数相乘为正数，则可将该段函数图形判断为具有单峰极大值特征。即：
若相邻两点的函数值单调递减，且二阶导数相乘为正数，则可将该段函数图形认为具有单峰极小值。即：
若相邻两点的函数值存在单调递增或者递减，则可将该段函数图形判断为多波峰形状。通过对函数求导可判别散点数据极值，但无法具体识别散点数据的具体形态。即：
因函数求导判别的方法无法处理散点数据分布复杂的情况，因此引入基准函数对散点数据进行相关度分析，若基准函数曲线与散点数据分布相关度较高时，则该散点数据可使用该基准函数对应的克里金基函数。
通过引入施韦费尔函数图形和三角函数图形作为散点数据曲线趋势判别方法曲线。施韦费尔图形具有非线性多波峰逐级放大的趋势特征。施韦费尔函数基本类型如下：
若ΔG3函数曲线与施韦费尔函数曲线具有类似的特征，可对式(24)修改：
通过使用谷本系数验证两组曲线的相似度，其谷本相似度函数如下：
根据式(25)(26)可得到施韦费尔与ΔG3的相似度为0.77。同理，使用改进的施韦费尔函数与ΔG4进行对比，谷本相似度为0.8。针对ΔG4改进的施韦费尔函数公式如下：
若ΔG1函数曲线与三角函数曲线具有类似的特征，则针对ΔG1改进的三角函数f(x)公式如下：
f(x)＝-0.25cos(3.5x-0.5)+0.05 (28)
可得到三角函数与ΔG1的相似度为0.86。同理，使用改进的三角函数与ΔG2进行对比，谷本相似度为0.92。则针对ΔG2改进的三角函数公式如下：
f(x)＝1.5cos(5x-12)-1.2 (29)
在所有ΔGk曲线进行判断比较后，得出ΔG1、ΔG2、ΔG5、ΔG6和ΔG7与三角函数的谷本相似度超过0.7，ΔG3和ΔG4与施韦费尔函数的谷本相似度超过0.7。根据ΔG曲线与三角函数、施韦费尔函数的谷本相似度，从第二基函数集合中为对应ΔG曲线筛选出最优克里金基函数。例如，与施韦费尔函数的谷本相似度超过0.7的曲线，其克里金插值基函数采用高斯模型，与三角函数的谷本相似度超过0.7的曲线，其克里金插值基函数采用傅里叶模型。
需要说明的是，误差矩阵的散点数据分布基本符合两种标准函数图形的特征1.单峰函数；2.多峰函数。因此各段漏磁导数据使用施韦费尔与三角函数作为判别标准。谷本相似度适合处理无打分的偏好数据。谷本相似度衡量的是维度间取值方向的一致性，注重维度之间的差异，不注重数值上的差异，谷本相似度更适宜于曲线相似度的计算上。谷本相似度结果范围在0至1之间，当T(x1,x2)＝1时代表完全重合，当T(x1,x2)＝0时代表无重叠项。
步骤S108，采用最优克里金基函数对机理模型进行误差补偿，通过误差补偿后的机理模型进行燃气轮机组的故障预警。
优选地，设P为真实数据，Q为机理模型计算的预测数据，则存在：
Er＝P-Q (30)
设每个采样点的误差为ΔG，则存在：
其中，ΔGij代表各个采样点的误差数据；n代表大气压力或其他输入参数；m代表燃机转速。
将各个基函数计算所得数据与误差项进行对比，确定最优克里金基函数的基函数，表达式如下：
f(x1,x2,...,xq)＝min{fk(x1,x2,...,xq)-Er[k；]} (32)
其中，k＝1，2，3，…n。q代表输入样本维度。
在确定f(x1,x2…xq)之后，对转速、采样点的误差ΔG与最优克里金基函数进行拟合，得到函数关系：
ΔG＝p00+p10r+p01f3(x1,x2...xq)+p20r+p11rf(x1,x2...xq) (33)
其中，r为燃机转速
将上式进行转化得到：
fEr(r,x1,x2,...,xq)＝X[ΔG,r,f(x1,x2,...,xq)] (34)
其中，fEr(r,x1,x2…xq)为燃气轮机转速采样点变化的误差补偿函数。
设第i段的输出函数为qi(x)，可通过将样本[x1，x2，，，xq]代入机理模型计算得到，x为样本量之外的待测点。可得：
wi(x)＝feri(x)+qi(x) (35)
其中，wi(x)为经过误差修正的机理模型计算数据，相较qi(x)，wi(x)更接近实测数据。当燃汽轮机组出现从数据异常时，wi(x)会与实测数据产生差距，从而实现故障预警。同时当燃汽轮机组数据无异常时，该方法能够对机理模型进行误差补偿，从而降低故障误报。
通过本申请实施例中的步骤S102至步骤S108，解决了现有燃气轮机故障预警存在的大量故障误报的问题，实现了基于改进克里金基函数对机理模型进行误差补偿后，燃气轮机组的故障预警，降低了机理模型对故障预警的误报率。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种应用于燃气轮机组的故障预警系统，图2是根据本申请实施例提供的应用于燃气轮机组的故障预警系统的结构框图，如图2所示，该系统包括数据采集模块21、误差补偿模块22和故障预警模块23；
数据采集模块21，用于通过机理模型，计算燃气轮机组中预测参数的预测数据，将预测数据和预测参数的真实数据进行数据对比，得到误差矩阵；
误差补偿模块22，用于根据机理模型，构建若干克里金基函数；根据误差矩阵，从若干克里金基函数中筛选出最优克里金基函数，采用最优克里金基函数对机理模型进行误差补偿；
故障预警模块23，用于通过误差补偿后的机理模型进行燃气轮机组的故障预警。
通过本申请实施例中的数据采集模块21、误差补偿模块22和故障预警模块23，解决了现有燃气轮机故障预警存在的大量故障误报的问题，实现了基于改进克里金基函数对机理模型进行误差补偿后，燃气轮机组的故障预警，降低了机理模型对故障预警的误报率。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的应用于燃气轮机组的故障预警方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种应用于燃气轮机组的故障预警方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种应用于燃气轮机组的故障预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图3是根据本申请实施例的电子设备的内部结构示意图，如图3所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图3所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种应用于燃气轮机组的故障预警方法，数据库用于存储数据。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种应用于燃气轮机组的故障预警方法，其特征在于，所述方法包括：
通过机理模型，计算燃气轮机组中预测参数的预测数据，将所述预测数据和所述预测参数的真实数据进行数据对比，得到误差矩阵；
根据所述机理模型，构建若干克里金基函数；
通过所述若干克里金基函数对所述误差矩阵分别进行拟合，根据若干拟合结果对所述克里金基函数进行筛选，得到第一基函数集合；
通过蒙特卡洛算法、粒子群算法、响应面算法和一元二次矩阵算法，分别计算所述第一基函数集合中克里金基函数的可靠性指标；
根据所述可靠性指标筛选出收敛速率高于预设阈值的第二基函数集合，计算所述第二基函数集合中克里金基函数的导数，根据所述导数判断所述克里金基函数的曲线形态特征，其中，所述曲线形态特征包括单峰极大值特征、单峰极小值特征和多峰特征；
根据所述曲线形态特征，判断对应的克里金基函数是否与施韦费尔函数或三角函数具有相似特征；
若与施韦费尔函数具有相似特征，则通过谷本相似度函数计算所述克里金基函数与施韦费尔函数的谷本相似度；
若与三角函数具有相似特征，则通过谷本相似度函数计算所述克里金基函数与三角函数的谷本相似度；
根据所述谷本相似度从所述第二基函数集合中筛选出最优克里金基函数；
采用所述最优克里金基函数对所述机理模型进行误差补偿；通过所述误差补偿后的机理模型进行所述燃气轮机组的故障预警。
2.根据权利要求1所述的方法，其特征在于，根据所述可靠性指标筛选出收敛速率高于预设阈值的第二基函数集合包括：
根据克里金基函数的可靠性指标的函数计算次数，从蒙特卡洛算法、粒子群算法、响应面算法和一元二次矩阵算法中选取出最优计算算法；
根据所述最优计算算法计算得到的可靠性指标，筛选出收敛速率高于预设阈值的第二基函数集合。
3.根据权利要求1所述的方法，其特征在于，根据所述机理模型，构建若干预设克里金基函数包括：
将所述机理模型的输入参数作为克里金基函数的输入参数，将所述机理模型的预测参数作为克里金基函数的输出参数，进而构建若干预设克里金基函数。
4.根据权利要求1所述的方法，其特征在于，通过机理模型，计算燃气轮机组中预测参数的预测数据包括：
将燃气轮机组的输入数据输入到机理模型中，计算所述燃气轮机组中预测参数的预测数据，其中，所述输入数据对应的输入参数包括燃机转速、发电机功率、环境温度和环境湿度，所述预测参数包括第一轴位移、第二轴位移、第三轴位移、高压缸膨胀、高中压缸差胀、低压缸膨胀和高压主汽压力。
5.一种应用于燃气轮机组的故障预警系统，其特征在于，所述系统包括数据采集模块、误差补偿模块和故障预警模块；
所述数据采集模块，用于通过机理模型，计算燃气轮机组中预测参数的预测数据，将所述预测数据和所述预测参数的真实数据进行数据对比，得到误差矩阵；
所述误差补偿模块，用于根据所述机理模型，构建若干克里金基函数；通过所述若干克里金基函数对所述误差矩阵分别进行拟合，根据若干拟合结果对所述克里金基函数进行筛选，得到第一基函数集合；通过蒙特卡洛算法、粒子群算法、响应面算法和一元二次矩阵算法，分别计算所述第一基函数集合中克里金基函数的可靠性指标；根据所述可靠性指标筛选出收敛速率高于预设阈值的第二基函数集合，计算所述第二基函数集合中克里金基函数的导数，根据所述导数判断所述克里金基函数的曲线形态特征，其中，所述曲线形态特征包括单峰极大值特征、单峰极小值特征和多峰特征；根据所述曲线形态特征，判断对应的克里金基函数是否与施韦费尔函数或三角函数具有相似特征；若与施韦费尔函数具有相似特征，则通过谷本相似度函数计算所述克里金基函数与施韦费尔函数的谷本相似度；若与三角函数具有相似特征，则通过谷本相似度函数计算所述克里金基函数与三角函数的谷本相似度；根据所述谷本相似度从所述第二基函数集合中筛选出最优克里金基函数；采用所述最优克里金基函数对所述机理模型进行误差补偿；
所述故障预警模块，用于通过所述误差补偿后的机理模型进行所述燃气轮机组的故障预警。
6.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至4中任一项所述的应用于燃气轮机组的故障预警方法。
CN202210633645.3A 2022-06-06 2022-06-06 一种应用于燃气轮机组的故障预警方法、系统和装置 Active CN115062425B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210633645.3A CN115062425B (zh) 2022-06-06 2022-06-06 一种应用于燃气轮机组的故障预警方法、系统和装置
PCT/CN2022/121824 WO2023236393A1 (zh) 2022-06-06 2022-09-27 一种应用于燃气轮机组的故障预警方法、系统和装置
US18/313,525 US11860619B2 (en) 2022-06-06 2023-05-08 Fault early-warning method and system applied to gas turbine unit, and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210633645.3A CN115062425B (zh) 2022-06-06 2022-06-06 一种应用于燃气轮机组的故障预警方法、系统和装置

Publications (2)

Publication Number Publication Date
CN115062425A CN115062425A (zh) 2022-09-16
CN115062425B true CN115062425B (zh) 2023-08-18

Family

ID=83199733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210633645.3A Active CN115062425B (zh) 2022-06-06 2022-06-06 一种应用于燃气轮机组的故障预警方法、系统和装置

Country Status (2)

Country Link
CN (1) CN115062425B (zh)
WO (1) WO2023236393A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208365B (zh) * 2019-05-31 2023-03-31 南京航空航天大学 一种基于脉冲漏磁信号暂态特征的缺陷量化评估方法
US11860619B2 (en) 2022-06-06 2024-01-02 Huadian Electric Power Research Institute Co., Ltd. Fault early-warning method and system applied to gas turbine unit, and apparatus
CN115062425B (zh) * 2022-06-06 2023-08-18 华电电力科学研究院有限公司 一种应用于燃气轮机组的故障预警方法、系统和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581803A (zh) * 2020-04-30 2020-08-25 北京航空航天大学 一种全球电离层电子含量的克里金代理模型算法
CN113515893A (zh) * 2021-07-01 2021-10-19 中国科学院过程工程研究所 一种稀土萃取过程实时预测模型的建立方法及预测方法和预测装置
CN113705045A (zh) * 2021-08-20 2021-11-26 上海交通大学 一种基于代理模型的转静子系统碰摩可靠性分析方法
WO2022011754A1 (zh) * 2020-07-16 2022-01-20 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102102805B1 (ko) * 2018-03-14 2020-04-22 두산중공업 주식회사 고장 감지 장치 및 가스터빈
CN111693084B (zh) * 2020-06-23 2021-07-20 南京航空航天大学 一种基于误差相似性的测量误差补偿方法
CN113703422B (zh) * 2021-08-26 2023-07-18 华北电力大学 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法
CN113761803A (zh) * 2021-09-13 2021-12-07 中国科学院工程热物理研究所 燃气轮机的补偿模型的训练方法及使用
CN115062425B (zh) * 2022-06-06 2023-08-18 华电电力科学研究院有限公司 一种应用于燃气轮机组的故障预警方法、系统和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581803A (zh) * 2020-04-30 2020-08-25 北京航空航天大学 一种全球电离层电子含量的克里金代理模型算法
WO2022011754A1 (zh) * 2020-07-16 2022-01-20 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
CN113515893A (zh) * 2021-07-01 2021-10-19 中国科学院过程工程研究所 一种稀土萃取过程实时预测模型的建立方法及预测方法和预测装置
CN113705045A (zh) * 2021-08-20 2021-11-26 上海交通大学 一种基于代理模型的转静子系统碰摩可靠性分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
燃气轮机机理-数据混合建模方法研究;李景轩;周登极;肖旺;张会生;;热能动力工程(第12期);第33-39页 *

Also Published As

Publication number Publication date
CN115062425A (zh) 2022-09-16
WO2023236393A1 (zh) 2023-12-14

Similar Documents

Publication Publication Date Title
CN115062425B (zh) 一种应用于燃气轮机组的故障预警方法、系统和装置
Li Gas turbine performance and health status estimation using adaptive gas path analysis
Lange et al. Impact of manufacturing variability on multistage high-pressure compressor performance
Li et al. Improved method for gas-turbine off-design performance adaptation based on field data
Fei et al. Dynamic probabilistic design approach of high-pressure turbine blade-tip radial running clearance
US7623999B2 (en) Prediction method
Da Soghe et al. Numerical characterization of pressure drop across the manifold of turbine casing cooling system
Alberto Misté et al. Turbojet engine performance tuning with a new map adaptation concept
CN116816509A (zh) 一种燃气轮机变系数特性曲线修正方法和系统
Fei et al. Distributed collaborative extremum response surface method for mechanical dynamic assembly reliability analysis
Kobayashi et al. Hybrid Kalman filter approach for aircraft engine in-flight diagnostics: Sensor fault detection case
Koochi et al. Taxonomy of coherency detection and coherency‐based methods for generators grouping and power system partitioning
Gambitta et al. Stator blades manufacturing geometrical variability in axial compressors and impact on the aeroelastic excitation forces
CN114528637B (zh) 一种机匣安装边泄露量计算方法、系统及存储介质
Voigt et al. Comprehensive geometric description of manufacturing scatter of high-pressure turbine nozzle guide vanes for probabilistic CFD analysis
Yumer et al. Mistuning identification of integrally bladed disks with cascaded optimization and neural networks
Wang et al. Performance dispersion control of a multistage compressor based on precise identification of critical features
Huang et al. Optimal tolerance allocation for a sliding vane compressor
CN118153339A (zh) 一种非傅里叶声子稳态热输运的模拟方法及装置
Wong et al. Blade envelopes Part II: Multiple objectives and inverse design
Rivas-Guerra et al. Identification of mistuning characteristics of bladed disks from free response data—part ii
CN116644561A (zh) 一种燃气涡轮整级叶栅多尺度数值仿真方法
Liaskovska et al. Investigation of anomalous situations in the machine-building industry using phase trajectories method
Huang et al. Trajectory Similarity Matching and Remaining Useful Life Prediction Based on Dynamic Time Warping
US11860619B2 (en) Fault early-warning method and system applied to gas turbine unit, and apparatus

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