CN117418936A - 燃气轮机传感器故障诊断方法及装置 - Google Patents
燃气轮机传感器故障诊断方法及装置 Download PDFInfo
- Publication number
- CN117418936A CN117418936A CN202311278980.7A CN202311278980A CN117418936A CN 117418936 A CN117418936 A CN 117418936A CN 202311278980 A CN202311278980 A CN 202311278980A CN 117418936 A CN117418936 A CN 117418936A
- Authority
- CN
- China
- Prior art keywords
- vector
- sensor
- residual
- determining
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 213
- 230000035772 mutation Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- 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
- G01M15/14—Testing gas-turbine engines or jet-propulsion 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
Abstract
本申请提出一种燃气轮机传感器故障诊断方法及装置,其中,方法包括:获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的燃气轮机的实际输出向量后,将状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量,然后,对残差向量进行漂移特性和/或突变特性解析,以确定传感器是否故障。由此,通过未知输入观测器提高了估计输出向量的准确性,并对估计输出向量与实际输出向量间的残差向量进行漂移特性和/或突变特性解析,确定传感器是否故障,提高了传感器故障诊断的全面性,从而提高了传感器故障诊断的准确性。
Description
技术领域
本申请涉及故障诊断技术领域,尤其涉及一种燃气轮机传感器故障诊断方法及装置。
背景技术
燃气轮机的可靠性和安全性的要求也越来越高。一般通过对燃气轮机进行监测,以在破坏性的故障发生前发现并采取措施,避免灾难性的损失,保障燃气轮机可靠性、安全性的运行。而传感器作为监测燃气轮机的重要器件,在传感器能够正常运行的情况下,才能有效的对燃气轮机进行监测。因而,亟需一种准确的传感器故障诊断方法,以准确确定传感器是否正常运行。
发明内容
本申请提出一种燃气轮机传感器故障诊断方法及装置。具体方案如下:
本申请一方面实施例提供一种燃气轮机传感器故障诊断方法,包括:
获取当前时刻燃气轮机的状态参数、系统输入向量、传感器采集的燃气轮机的实际输出向量;
将状态参数、系统输入向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量;
对残差向量进行漂移特性和/或突变特性解析,以确定传感器是否故障。
在本公开实施例一种可能的实现方式中,还包括:
获取燃气轮机对应的数学模型,其中,数学模型中输入变量包含随机噪声、未知干扰变量、测量噪声;
基于数学模型及预设的约束条件,确定未知输入观测器的模型参数。
在本公开实施例一种可能的实现方式中,对残差向量进行漂移特性,以确定传感器是否故障,包括:
基于残差向量与残差向量的协方差,确定残差向量对应的漂移量;
在漂移量大于或等于第一阈值的情况下,确定传感器发生故障;
在漂移量小于第一阈值的情况下,确定传感器未发生故障。
在本公开实施例一种可能的实现方式中,对残差向量进行突变特性解析,以确定传感器是否故障,包括:
将残差向量的残差平方和,确定为残差向量对应的突变量;
在突变量大于或等于第二阈值的情况下,确定传感器发生故障;
在突变量小于第二阈值的情况下,确定传感器未发生故障。本申请另一方面实施例提供一种燃气轮机传感器故障诊断装置,包括:
获取模块,用于获取当前时刻燃气轮机的状态参数、系统输入向量、传感器采集的燃气轮机的实际输出向量;
估计模块,用于将状态参数、系统输入向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量;
故障诊断模块,用于对残差向量进行漂移特性和/或突变特性解析,以确定传感器是否故障。
在本公开实施例一种可能的实现方式中,还包括建模模块,用于:
获取燃气轮机对应的数学模型,其中,数学模型中输入变量包含随机噪声、未知干扰变量、测量噪声;
基于数学模型及预设的约束条件,确定未知输入观测器的模型参数。
在本公开实施例一种可能的实现方式中,故障诊断模块,用于:
基于残差向量与残差向量的协方差,确定残差向量对应的漂移量;
在漂移量大于或等于第一阈值的情况下,确定传感器发生故障;
在漂移量小于第一阈值的情况下,确定传感器未发生故障。
在本公开实施例一种可能的实现方式中,故障诊断模块,用于:
将残差向量的残差平方和,确定为残差向量对应的突变量;
在突变量大于或等于第二阈值的情况下,确定传感器发生故障;
在突变量小于第二阈值的情况下,确定传感器未发生故障。本申请另一方面实施例提供一种计算机设备,包括处理器和存储器;
其中,处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于实现如上述实施例的方法。
本申请另一方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上述实施例的方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的一种燃气轮机传感器故障诊断方法的流程示意图;
图2为本申请实施例提供的一种燃气轮机传感器故障诊断方法的流程示意图;
图3为本申请实施例提供的一种燃气轮机传感器故障诊断装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的综合能源能价的确定方法。
图1为本申请实施例提供的一种燃气轮机传感器故障诊断方法的流程示意图。
本申请实施例的燃气轮机传感器故障诊断方法,是由本申请实施例提供的燃气轮机传感器故障诊断装置(以下简称诊断装置)执行,该装置可配置于计算机设备等设备中,以实现对燃气轮机传感器故障的诊断。
如图1所示,该燃气轮机传感器故障诊断方法包括:
步骤101,获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的燃气轮机的实际输出向量。
其中,状态向量可以包括燃气轮机中压气机的效率、温度、压力、转速等。系统输入向量可以包括输入燃气轮机的燃料量、负载等。传感器可以为用于采集燃气轮机中压气机出口等截面的温度和/或压力的设备,因此,实际输出向量包括以下至少一项:温度、压力。
本申请中,可以通过燃气轮机的控制系统实时获取并保存燃气轮机的系统输入向量、状态向量。
步骤102,将状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量。
其中,未知输入观测器与传感器对应,用于估计传感器的输出向量。未知输入观测器为在燃气轮机存在未知干扰及噪声的情况下,仍能保证对燃气轮机的状态的估计误差趋于零的观测器。
比如,未知输入观测器如下所示:
其中,是未知输入观测器观测的第i个传感器的估计状态向量;/>是估计输出向量;Ci、Bi、Ki、Hi、Fi、Ti是预设的模型参数,yi(t)为实际输出向量,ui(t)为系统输入向量,zi(t)是第i个传感器对应的未知输入观测器的状态,y(t)为实际连续输出。
本申请中,可以预先对传感器对应的未知输入观测器进行建模,并将该未知输入观测器保存在系统中。之后,可以将燃气轮机的状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量。
由此,基于未知输入观测器对传感器的输出进行估计,避免了未知干扰、噪声对估计输出向量的影响,有利于提高传感器故障诊断的准确性。
步骤103,对残差向量进行漂移特性和/或突变特性解析,以确定传感器是否故障。
本申请中,由于传感器元件损坏、电系统发生短路、断路或受较强脉冲干扰等故障,导致传感器所采集的实际输出向量发生突变。比如,传感器电系统发生断路故障时,传感器的输出信号会变为零,实际输出向量为零。
因此,可以基于残差向量的残差平方和,确定残差向量对应的突变量。比如可以直接将残差向量的残差平方和确定残差向量对应的突变量等。并在突变量大于或等于第二阈值的情况下,确定传感器发生故障,在突变量小于第二阈值的情况下,确定传感器未发生故障。从而提高确定传感器故障的准确性。
其中,残差向量的残差平方和如下公式所示:
为第i个传感器的估计输出向量,yi为第i个传感器的实际输出向量。
可选的,还可以基于残差向量与残差向量的协方差,确定残差向量对应的漂移量。之后,在漂移量大于或等于第一阈值的情况下,确定传感器发生故障,而在漂移量小于第一阈值的情况下,确定传感器未发生故障。从而检测出传感器零点漂移等故障,提高传感器故障诊断的准确性。
此外,针对不同的工况下不同的传感器,可以根据燃气轮机的工作状态预先设置不同的第一阈值,以准确判断传感器是否发生故障。
可选的,还可以确定残差向量对应的突变量和漂移量,在突变量小于第二阈值且漂移量小于第一阈值的情况下,确定传感器未发生故障。在突变量大于或等于第二阈值,或漂移量大于或等于第一阈值的情况下,确定传感器发生故障。从而提高了传感器故障诊断的全面性,进而提高了传感器故障诊断的准确性。
可选的,在确定传感器故障后,可以将估计输出向量发送给其它系统,比如控制系统、保护系统等,以使控制系统根据估计输出向量对送入燃气轮机的燃料量等进行控制,保证燃气轮机安全高效的运行。
本申请中,获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的燃气轮机的实际输出向量后,将状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量,然后,对残差向量进行漂移特性和/或突变特性解析,以确定传感器是否故障。由此,通过未知输入观测器提高了估计输出向量的准确性,并对估计输出向量与实际输出向量间的残差向量进行漂移特性和/或突变特性解析,确定传感器是否故障,提高了传感器故障诊断的全面性,从而提高了传感器故障诊断的准确性。
图2为本申请实施例提供的另一种燃气轮机传感器故障诊断方法的流程示意图。
如图2所示,该方法包括:
步骤201,获取燃气轮机对应的数学模型,其中,数学模型中输入变量包含随机噪声、未知干扰变量、测量噪声。
本申请中,在系统存在未知扰动的情况下,并考虑动态系统会带有噪声,燃气轮机对应的离散的数学模型可以为:
其中,xk为当前时刻系统的状态向量,uk为系统已知的输入向量,dk为未知干扰变量,yk为系统的输出向量,ξk为系统噪声,ηk为系统输出的测量噪声。Ak、Bk、Ek、Ck为预设的模型参数。
步骤202,基于数学模型及预设的约束条件,确定未知输入观测器的模型参数。
本申请中,针对上述燃气轮机对应的数学模型,可以预先设置对应的全阶的未知输入观测器如下所示:
其中,为估计状态向量。
将上述未知输入观测器应用于上述具有未知输入以及噪声的燃气轮机系统时,状态估计误差如下:
其中,
此外,为了保证未知输入观测器估计的准确性,并能够对未知干扰变量进行解耦,则系统的状态估计误差应当与干扰分布矩阵无关,且无论系统输入变量、实际输出向量、状态向量等如何变化值,状态估计误差都不应当发生改变。因此,状态估计误差中输入变量、实际输出向量、状态向量的系数均为零。
由此,未知状态观测器的模型参数需满足如下约束条件:
(1-Hk+1Ck+1)Ek=0
Tk+1=I-Hk+1Ck+1
Fk+1=A-Hk+1Ck+1A-K1Ck
在满足上述约束条件的情况下,状态估计误差为:
若上式的所有极点配置在左边平面,那么观测器就是收敛的。当系统的噪声和输出噪声趋于0时,状态估计值也会趋于零,即:
k→∞,ε{ek}→0
由此,故当满足上述约束条件时,那么即可将未知干扰变量、噪声从未知输入观测器的残差中解耦。
此外,根据引理,约束条件(1-Hk+1Ck+1)Ek=0存在解的充分必要条件是:
rank(Ck+1Ek)=rank(Ek)
则:
其中,
根据线性系统相关理论,将Fk+1的所有极点配置在左边平面,那么观测器就是收敛的。假设随机噪声期望值为0,使用误差协方差矩阵来度量状态估计方差,如下式所示:
由相关定理可知,
从而使带有随机噪声的动态系统的状态估计误差具有最小的方差。
本申请中,基于数学模型及预设的约束条件,确定未知输入观测器的模型参数后,即可获取传感器对应的未知输入观测器。
可以理解的是,未知输入观测器可以在一定程度上将燃气轮机这类非线性系统的建模不确定性以及非线性模型在线性化时产生的建模误差从残差中解耦出来,以使未知输入观测器观测出的系统的估计状态向量或者估计输入向量的残差不受除故障之外任何因素的影响。包括不受系统工作条件以及建模误差变化的影响。从而提高了估计输出向量的准确性,进而有利于提高传感器故障诊断的准确性。
步骤203,获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的燃气轮机的实际输出向量。
步骤204,将状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量。
本申请中,步骤203-步骤204的具体过程,可参见本申请任一实施例的详细描述,在此不再赘述。
步骤205,基于残差向量与残差向量的协方差,确定残差向量对应的漂移量。
本申请中,传感器除发生上述故障外,还可能发生零点漂移等故障。当传感器发生零点漂移时,传感器所采集的实际输出向量不会发生突变,而呈现随着时间缓慢变化的趋势。因此,实际输出向量以稳定的斜率逐渐增大,残差向量也将以稳定的斜率缓慢增大,并且斜率的大小与实际输出向量的漂移速度有关。
本申请中,可以基于残差向量与残差向量的协方差,确定残差向量对应的漂移量。以基于漂移量确定传感器是否故障。
其中,残差向量的协方差如下公式所示:
covariance{rk}=Wk=CkPkCk T+Rk
对于燃气轮机的传感器噪声,可以假定为高斯白噪声,所以残差也具有高斯分布。漂移量的计算公式如下所示:
λk=rk TWk -1rk
其中,Wk为残差向量的协方差,rk为残差向量。
步骤206,在漂移量大于或等于第一阈值的情况下,确定传感器发生故障。
步骤207,在漂移量小于第一阈值的情况下,确定传感器未发生故障。
本申请中,可以获取燃气轮机对应的数学模型,其中,数学模型中输入变量包含随机噪声、未知干扰变量、测量噪声,并基于数学模型及预设的约束条件,确定未知输入观测器的模型参数,之后,获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的燃气轮机的实际输出向量,将状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量,然后,基于残差向量与残差向量的协方差,确定残差向量对应的漂移量,在漂移量大于或等于第一阈值的情况下,确定传感器发生故障,在漂移量小于第一阈值的情况下,确定传感器未发生故障。由此,在建模未知输入观测器的过程中,实现对随机噪声、未知干扰变量、测量噪声的解耦,从而避免了随机噪声、未知干扰变量、测量噪声对确定残差向量的影响,进而提高了传感器故障诊断的准确性。
为了实现上述实施例,本申请实施例还提出一种燃气轮机传感器故障诊断装置。图3为本申请实施例提供的一种燃气轮机传感器故障诊断装置的结构示意图。
如图3所示,该燃气轮机传感器故障诊断装置300包括:
获取模块310,用于获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的燃气轮机的实际输出向量;
估值模块320,用于将状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量;
故障诊断模块330,用于对残差向量进行漂移特性和/或突变特性解析,以确定传感器是否故障。
在本申请实施例一种可能的实现方式中,还包括建模模块,用于:
获取燃气轮机对应的数学模型,其中,数学模型中输入变量包含随机噪声、未知干扰变量、测量噪声;
基于数学模型及预设的约束条件,确定未知输入观测器的模型参数。
在本申请实施例一种可能的实现方式中,上述故障诊断模块330,用于:
基于残差向量与残差向量的协方差,确定残差向量对应的漂移量;
在漂移量大于或等于第一阈值的情况下,确定传感器发生故障;
在漂移量小于第一阈值的情况下,确定传感器未发生故障。
在本申请实施例一种可能的实现方式中,上述故障诊断模块330,用于:
将残差向量的残差平方和,确定为残差向量对应的突变量;
在突变量大于或等于第二阈值的情况下,确定传感器发生故障;
在突变量小于第二阈值的情况下,确定传感器未发生故障。
需要说明的是,上述对燃气轮机传感器故障诊断方法实施例的解释说明,也适用于该实施例的燃气轮机传感器故障诊断装置,故在此不再赘述。
本申请中,获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的燃气轮机的实际输出向量后,将状态向量、系统输入向量、实际输出向量输入预设的未知输入观测器,获取未知输入观测器输出的估计输出向量,并将估计输出向量与实际输出向量间的差值确定为残差向量,然后,对残差向量进行漂移特性和/或突变特性解析,以确定传感器是否故障。由此,通过未知输入观测器提高了估计输出向量的准确性,并对估计输出向量与实际输出向量间的残差向量进行漂移特性和/或突变特性解析,确定传感器是否故障,提高了传感器故障诊断的全面性,从而提高了传感器故障诊断的准确性。
为了实现上述实施例,本申请实施例还提出一种计算机设备,包括处理器和存储器;
其中,处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于实现如上述实施例的燃气轮机传感器故障诊断方法。
为了实现上述实施例,本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例的燃气轮机传感器故障诊断方法。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种燃气轮机传感器故障诊断方法,其特征在于,包括:
获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的所述燃气轮机的实际输出向量;
将所述状态向量、所述系统输入向量、所述实际输出向量输入预设的未知输入观测器,获取所述未知输入观测器输出的估计输出向量,并将所述估计输出向量与所述实际输出向量间的差值确定为残差向量;
对所述残差向量进行漂移特性和/或突变特性解析,以确定所述传感器是否故障。
2.如权利要求1所述的方法,其特征在于,还包括:
获取所述燃气轮机对应的数学模型,其中,所述数学模型中输入变量包含随机噪声、未知干扰变量、测量噪声;
基于所述数学模型及预设的约束条件,确定所述未知输入观测器的模型参数。
3.如权利要求1-2任一所述的方法,其特征在于,所述对所述残差向量进行漂移特性,以确定所述传感器是否故障,包括:
基于所述残差向量与所述残差向量的协方差,确定所述残差向量对应的漂移量;
在所述漂移量大于或等于第一阈值的情况下,确定所述传感器发生故障;
在所述漂移量小于所述第一阈值的情况下,确定所述传感器未发生故障。
4.如权利要求1-2任一所述的方法,其特征在于,所述对所述残差向量进行突变特性解析,以确定所述传感器是否故障,包括:
将所述残差向量的残差平方和,确定为所述残差向量对应的突变量;
在所述突变量大于或等于第二阈值的情况下,确定所述传感器发生故障;
在所述突变量小于所述第二阈值的情况下,确定所述传感器未发生故障。
5.一种燃气轮机传感器故障诊断装置,其特征在于,包括:
获取模块,用于获取当前时刻燃气轮机的状态向量、系统输入向量、传感器采集的所述燃气轮机的实际输出向量;
估值模块,用于将所述状态向量、所述系统输入向量、所述实际输出向量输入预设的未知输入观测器,获取所述未知输入观测器输出的估计输出向量,并将所述估计输出向量与所述实际输出向量间的差值确定为残差向量;
故障诊断模块,用于对所述残差向量进行漂移特性和/或突变特性解析,以确定所述传感器是否故障。
6.如权利要求5所述的装置,其特征在于,还包括建模模块,用于:
获取所述燃气轮机对应的数学模型,其中,所述数学模型中输入变量包含随机噪声、未知干扰变量、测量噪声;
基于所述数学模型及预设的约束条件,确定所述未知输入观测器的模型参数。
7.如权利要求5-6任一所述的装置,其特征在于,所述故障诊断模块,用于:
基于所述残差向量与所述残差向量的协方差,确定所述残差向量对应的漂移量;
在所述漂移量大于或等于第一阈值的情况下,确定所述传感器发生故障;
在所述漂移量小于所述第一阈值的情况下,确定所述传感器未发生故障。
8.如权利要求5-6任一所述的装置,其特征在于,所述故障诊断模块,用于:
将所述残差向量的残差平方和,确定为所述残差向量对应的突变量;
在所述突变量大于或等于第二阈值的情况下,确定所述传感器发生故障;
在所述突变量小于所述第二阈值的情况下,确定所述传感器未发生故障。
9.一种计算机设备,其特征在于,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278980.7A CN117418936A (zh) | 2023-09-28 | 2023-09-28 | 燃气轮机传感器故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278980.7A CN117418936A (zh) | 2023-09-28 | 2023-09-28 | 燃气轮机传感器故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117418936A true CN117418936A (zh) | 2024-01-19 |
Family
ID=89523819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278980.7A Pending CN117418936A (zh) | 2023-09-28 | 2023-09-28 | 燃气轮机传感器故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117418936A (zh) |
-
2023
- 2023-09-28 CN CN202311278980.7A patent/CN117418936A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8311774B2 (en) | Robust distance measures for on-line monitoring | |
US6898554B2 (en) | Fault detection in a physical system | |
US7571057B2 (en) | System and method for monitoring degradation | |
RU2667691C1 (ru) | Способ диагностирования неисправности и система диагностирования неисправности | |
US7216061B2 (en) | Apparatus and methods for detecting system faults using hidden process drivers | |
Simani | Identification and fault diagnosis of a simulated model of an industrial gas turbine | |
US20090276136A1 (en) | Method for calculating confidence on prediction in fault diagnosis systems | |
US20060074595A1 (en) | Method and apparatus for improved fault detection in power generation equipment | |
Vatani et al. | Health monitoring and degradation prognostics in gas turbine engines using dynamic neural networks | |
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 | |
CN105043776A (zh) | 一种飞机发动机性能监控与故障诊断方法 | |
Loboda et al. | Polynomials and neural networks for gas turbine monitoring: a comparative study | |
CN117418936A (zh) | 燃气轮机传感器故障诊断方法及装置 | |
Boechat et al. | On-line calibration monitoring system based on data-driven model for oil well sensors | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
Xue et al. | Application of Kalman filters for the fault diagnoses of aircraft engine | |
Simani | Fault diagnosis of a simulated industrial gas turbine via identification approach | |
Escher | Gas turbine data validation using gas path analysis | |
Ren et al. | Multiple sensor validation for natural gas combined cycle power plants based on robust input training neural networks | |
Guo et al. | A distributed fault-detection and diagnosis system using on-line parameter estimation | |
Tsoutsanis et al. | Forecasting the health of gas turbine components through an integrated performance-based approach | |
Bettocchi et al. | Incidence Matrix with a Canonical Structure in Gas Turbine Sensor Fault Diagnosis | |
Daroogheh et al. | Deterioration detection and health monitoring in aircraft jet engines | |
Simani et al. | Improved observer for sensor fault diagnosis of a power plant |
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 |