CN115640741A - 一种基于模型与数据驱动的仿真模型对故障的诊断方法 - Google Patents
一种基于模型与数据驱动的仿真模型对故障的诊断方法 Download PDFInfo
- Publication number
- CN115640741A CN115640741A CN202211148641.2A CN202211148641A CN115640741A CN 115640741 A CN115640741 A CN 115640741A CN 202211148641 A CN202211148641 A CN 202211148641A CN 115640741 A CN115640741 A CN 115640741A
- Authority
- CN
- China
- Prior art keywords
- model
- engine
- data
- component
- health
- 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.)
- Pending
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法,包括建立发动机的动力仿真模型、根据不同的故障类型以及发动机所处的操作条件和环境条件,通过设置不同的模型边界条件,模拟得到大量与部件健康数、操作条件可测数和环境条件数的数据、基于该基准模型的部件健康数值、操作条件可测数和环境条件数值生成一个数据集,其中,该数据集中的部件健康数与操作条件数和环境条件数的之间具有一一对应的关系。将数据集中操作条件数和环境条件数作为输入变量,将部件健康数作为输出变量建立深度学习模型,该种基于模型与数据驱动的仿真模型对故障的诊断方法,可以得到发动机相关的健康参数指标,准确的表征发动机各部件的性能。
Description
技术领域
本发明涉及发动机故障诊断技术领域,具体为一种基于模型与数据驱动的仿真模型对故障的诊断方法。
背景技术
发动机是一种能够把其它形式的能转化为机械能的机器,其使用连续流动的气体作为工质来驱动叶轮高速旋转,并将燃料的化学能转化为有用功。发动机在运行过程中,除了要承受机组内部高温、高压、高转速、高机械应力和热应力等恶劣的工作条件外,还可能遭受周围污染的环境影响。随着发动机运行时间的增加,其主要部件(例如空气压力部件、燃烧室和涡轮)会发生各种性能衰退或损伤的情况,例如积垢、泄漏、腐蚀、热畸变、内物损伤等,并且可能会导致各种严重故障的发生。
当前,国内外发动机的日常维修策略通常采用预防性维修保养,即通常根据发动机制造商提供的当量运行小时数来确定是否需要进行小修、中修或者大修[21。从用户角度出发,无论是在计划内还是计划外,发动机停机检修始终意味着高昂的运维成本。为了使发动机能够稳定、高效、经济地运行,同时最大程度地延长使用寿命并减少运维成本,发动机用户需要根据发动机的实际性能和健康状况采取相应的维修策略,例如通过监测、诊断和预测的手段根据机组实际情况制定相应的维修策略,即采用视情维修。气路分析(GPA)就是这样一种技术手段,可针对正在演变的或即将发生的恶化情况发出预警信息。
目前,根据燃发动机故障诊断机理,气路分析方法可分为基于热力模型决策的气路诊断方法和基于数据驱动的人工智能诊断方法。发动机的性能和健康状态通常可以由主要通流部件的健康参数表示,例如空气压力部件和涡轮的流量特性指数(表征部件通流能力)和效率特性指数(表征部件运行效率)以及燃烧室的燃烧效率特性指数。但是,这些重要的健康状态信息无法直接测量得到。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有发动机中存在的问题,提出了本发明。
因此,本发明的目的是提供一种基于模型与数据驱动的仿真模型对故障的诊断方法,可以得到发动机相关的健康参数指标,准确的表征发动机各部件的性能。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法,其包括:
S1、建立发动机的动力仿真模型,作为模拟故障的基准模型;
S2、根据不同的故障类型以及发动机所处的操作条件和环境条件,通过设置不同的模型边界条件,模拟得到大量与部件健康数、操作条件可测数和环境条件数的数据;
S3、基于该基准模型的部件健康数值、操作条件可测数和环境条件数值生成一个数据集,其中,该数据集中的部件健康数与操作条件数和环境条件数的之间具有一一对应的关系;
S4、将数据集中操作条件数和环境条件数作为输入变量,将部件健康数作为输出变量建立深度学习模型。
作为本发明所述的一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的一种优选方案,其中,所述发动机的部件健康数包括空气压力部件流量特性指数、空气压力部件效率特性指数、燃烧效率指数、涡轮流量特性指数、涡轮效率特性指数。
作为本发明所述的一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的一种优选方案,其中,所述操作条件可测数包括空气压力部件进口压力、空气压力部件进口温度、燃油质量流量、空气压力部件出口压力、空气压力部件出口温度、涡轮流量出口压力、涡轮流量出口温度和转速。
作为本发明所述的一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的一种优选方案,其中,所述环境条件数包括大气压力、大气温度、大气相对湿度和发电机输出功率。
作为本发明所述的一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的一种优选方案,其中,所述步骤S4中,将数据集中操作条件数和环境条件数作为输入变量,将部件健康数作为输出变量建立深度学习模型的具体步骤如下:以操作条件数和环境条件数作为输入变量,解析部件健康数作为目标输出量,采用梯度下降法进行网络训练,得到训练后部件健康数以均方误差MES为性能函数评价是否停止更新训练更新参数。
作为本发明所述的一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的一种优选方案,其中,所述网络训练的神经网络采用双层隐含层,每层6个Tanh-Sigmoid激活函数。
作为本发明所述的一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的一种优选方案,其中,所述步骤S1中,建立发动机的动力仿真模型的具体步骤如下:
S101、在三维软件中根据发动机实际结构搭建发动机的模型框架;
S102、在仿真软件中设置模型框架相应的气路和管道结构。
与现有技术相比,本发明具有的有益效果是:该种基于模型与数据驱动的仿真模型对故障的诊断方法,通过构建的发动机的动力仿真模型获得包含不同故障类型的数据集,再利用深度学习进行回归建模,得到发动机的故障诊断模型,通过已训练的诊断模型来实时诊断发动机的各部件的健康参数,可以准确地得到各个通流部件量化的健康参数。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的流程图;
图2为本发明一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的网络训练的神经网络的训练流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于模型与数据驱动的仿真模型对故障的诊断方法,可以得到发动机相关的健康参数指标,准确的表征发动机各部件的性能。
图1示出的是本发明一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法的流程图,请参阅图1,该种基于模型与数据驱动的仿真模型对发动机故障的诊断方法具体步骤如下:
S1、建立发动机的动力仿真模型,作为模拟故障的基准模型,具体的,在本实施方式中,首先在三维软件中根据发动机实际结构搭建发动机的模型框架,然后在仿真软件中设置模型框架相应的气路和管道结构。
S2、根据不同的故障类型以及发动机所处的操作条件和环境条件,通过设置不同的模型边界条件,模拟得到大量与部件健康数、操作条件可测数和环境条件数的数据,在本实施方式中,所述发动机的部件健康数包括空气压力部件流量特性指数、空气压力部件效率特性指数、燃烧效率指数、涡轮流量特性指数、涡轮效率特性指数,所述操作条件可测数包括空气压力部件进口压力、空气压力部件进口温度、燃油质量流量、空气压力部件出口压力、空气压力部件出口温度、涡轮流量出口压力、涡轮流量出口温度和转速,所述环境条件数包括大气压力、大气温度、大气相对湿度和发电机输出功率。
S3、基于该基准模型的部件健康数值、操作条件可测数和环境条件数值生成一个数据集,其中,该数据集中的部件健康数与操作条件数和环境条件数的之间具有一一对应的关系,例如,当输入一个空气压力部件进口压力、空气压力部件进口温度、空气压力部件出口压力、空气压力部件出口温度、大气压力、大气温度、大气相对湿度和发电机输出功率可以得到一个空气压力部件相关的健康数,该健康参数包括空气压力部件流量特性指数、空气压力部件效率特性指数,当如输入一个涡轮流量出口压力、涡轮流量出口温度和转速、大气压力、大气温度、大气相对湿度和发电机输出功率可以得到一个涡轮相关的健康数,该健康包括涡轮流量特性指数、涡轮效率特性指数。
S4、将数据集中操作条件数和环境条件数作为输入变量,将部件健康数作为输出变量建立深度学习模型,在本实施方式中,将数据集中操作条件数和环境条件数作为输入变量,将部件健康数作为输出变量建立深度学习模型的具体步骤如下:以操作条件数和环境条件数作为输入变量,解析部件健康数作为目标输出量,采用梯度下降法进行网络训练,得到训练后部件健康数以均方误差MES为性能函数评价是否停止更新训练更新参数,其中,所述网络训练的神经网络采用双层隐含层,每层6个Tanh-Sigmoid激活函数。
在训练完成的深度学习模型被部署到相应的电厂,当发动机运行时,根据发动机实际的操作条件可测数(操作条件可测数指的是通过传感器测量发动机运行时的相应的参数值)和环境条件,训练后的诊断模型可实时诊断出所述的各气路部件健康参数,并根据相应的部件健康参数判断出部件相应的故障类型。
本发明通过构建的发动机的动力仿真模型获得包含不同故障类型的数据集,再利用深度学习进行回归建模,得到发动机的故障诊断模型,通过已训练的诊断模型来实时诊断发动机的各部件的健康参数,可以准确地得到各个通流部件量化的健康参数。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (7)
1.一种基于模型与数据驱动的仿真模型对发动机故障的诊断方法,其特征在于,包括:
S1、建立发动机的动力仿真模型,作为模拟故障的基准模型;
S2、根据不同的故障类型以及发动机所处的操作条件和环境条件,通过设置不同的模型边界条件,模拟得到大量与部件健康数、操作条件可测数和环境条件数的数据;
S3、基于该基准模型的部件健康数值、操作条件可测数和环境条件数值生成一个数据集,其中,该数据集中的部件健康数与操作条件数和环境条件数的之间具有一一对应的关系;
S4、将数据集中操作条件数和环境条件数作为输入变量,将部件健康数作为输出变量建立深度学习模型。
2.根据权利要求1所述的一种基于模型与数据驱动的仿真模型对故障的诊断方法,其特征在于,所述发动机的部件健康数包括空气压力部件流量特性指数、空气压力部件效率特性指数、燃烧效率指数、涡轮流量特性指数、涡轮效率特性指数。
3.根据权利要求1所述的一种基于模型与数据驱动的仿真模型对故障的诊断方法,其特征在于,所述操作条件可测数包括空气压力部件进口压力、空气压力部件进口温度、燃油质量流量、空气压力部件出口压力、空气压力部件出口温度、涡轮流量出口压力、涡轮流量出口温度和转速。
4.根据权利要求1所述的一种基于模型与数据驱动的仿真模型对故障的诊断方法,其特征在于,所述环境条件数包括大气压力、大气温度、大气相对湿度和发电机输出功率。
5.根据权利要求1所述的一种基于模型与数据驱动的仿真模型对故障的诊断方法,其特征在于,所述步骤S4中,将数据集中操作条件数和环境条件数作为输入变量,将部件健康数作为输出变量建立深度学习模型的具体步骤如下:以操作条件数和环境条件数作为输入变量,解析部件健康数作为目标输出量,采用梯度下降法进行网络训练,得到训练后部件健康数以均方误差MES为性能函数评价是否停止更新训练更新参数。
6.根据权利要求5所述的一种基于模型与数据驱动的仿真模型对故障的诊断方法,其特征在于,所述网络训练的神经网络采用双层隐含层,每层6个Tanh-Sigmoid激活函数。
7.根据权利要求6所述的一种基于模型与数据驱动的仿真模型对故障的诊断方法,其特征在于,所述步骤S1中,建立发动机的动力仿真模型的具体步骤如下:
S101、在三维软件中根据发动机实际结构搭建发动机的模型框架;
S102、在仿真软件中设置模型框架相应的气路和管道结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148641.2A CN115640741A (zh) | 2022-09-21 | 2022-09-21 | 一种基于模型与数据驱动的仿真模型对故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148641.2A CN115640741A (zh) | 2022-09-21 | 2022-09-21 | 一种基于模型与数据驱动的仿真模型对故障的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640741A true CN115640741A (zh) | 2023-01-24 |
Family
ID=84942676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211148641.2A Pending CN115640741A (zh) | 2022-09-21 | 2022-09-21 | 一种基于模型与数据驱动的仿真模型对故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640741A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090266A (zh) * | 2023-04-11 | 2023-05-09 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种动力装置气路性能实时故障诊断方法 |
CN116227086A (zh) * | 2023-03-23 | 2023-06-06 | 中国航空发动机研究院 | 一种航空发动机气路故障模拟方法 |
-
2022
- 2022-09-21 CN CN202211148641.2A patent/CN115640741A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227086A (zh) * | 2023-03-23 | 2023-06-06 | 中国航空发动机研究院 | 一种航空发动机气路故障模拟方法 |
CN116227086B (zh) * | 2023-03-23 | 2023-11-24 | 中国航空发动机研究院 | 一种航空发动机气路故障模拟方法 |
CN116090266A (zh) * | 2023-04-11 | 2023-05-09 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种动力装置气路性能实时故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115640741A (zh) | 一种基于模型与数据驱动的仿真模型对故障的诊断方法 | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
CARAZAS et al. | Availability analysis of gas turbines used in power plants | |
Liu et al. | Entropy-based sensor selection for condition monitoring and prognostics of aircraft engine | |
Asgari et al. | Modelling and simulation of gas turbines | |
Ogaji et al. | Advanced engine diagnostics using artificial neural networks | |
Saravanamuttoo et al. | Thermodynamic models for pipeline gas turbine diagnostics | |
KR102403593B1 (ko) | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 | |
JP2013029507A (ja) | 機械をモニタリングする際に用いるシステムおよび方法 | |
CN112861425A (zh) | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 | |
CN115618592A (zh) | 一种电厂燃气轮机气路故障诊断方法、系统、设备及终端 | |
Asgari | Modelling, Simulation and control of gas turbines using artificial neural networks | |
CN110046409A (zh) | 一种基于ResNet的汽轮机部件健康状态评估方法 | |
Djeddi et al. | Gas turbine reliability estimation to reduce the risk of failure occurrence with a comparative study between the two-parameter Weibull distribution and a new modified Weibull distribution | |
CN117725700A (zh) | 基于数字孪生技术的分轴燃气轮机管理系统、方法及设备 | |
Gharib et al. | Development of a new expert system for diagnosing marine diesel engines based on real-time diagnostic parameters | |
Krivosheev et al. | Complex diagnostic index for technical condition assessment for GTE | |
Lan et al. | A review of fault diagnosis and prediction methods for wind turbine pitch systems | |
CN112052628B (zh) | 一种基于知识+数据的燃气轮机气路故障预测诊断方法 | |
Hanachi et al. | A physics-based performance indicator for gas turbine engines under variable operating conditions | |
Barbosa et al. | Industrial gas turbine diagnostics using fuzzy logic | |
Eustace | A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics | |
CN114649002A (zh) | 用于发电系统的基于云的声学监测、分析和诊断 | |
Bordyug et al. | Improving the reliability of low-speed diesel engines through the use of a system for monitoring the condition of piston rings | |
Gluch et al. | New attempt for diagnostics of the geometry deterioration of the power system based on thermal measurement |
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 |