CN208057242U - 用于压缩机的基于条件的监测的涡轮系统 - Google Patents

用于压缩机的基于条件的监测的涡轮系统 Download PDF

Info

Publication number
CN208057242U
CN208057242U CN201721169638.3U CN201721169638U CN208057242U CN 208057242 U CN208057242 U CN 208057242U CN 201721169638 U CN201721169638 U CN 201721169638U CN 208057242 U CN208057242 U CN 208057242U
Authority
CN
China
Prior art keywords
compressor
filter
turbine system
prediction
deterioration rate
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
CN201721169638.3U
Other languages
English (en)
Inventor
张华�
B.基佩尔
D.特雷汉
I.胡
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.)
General Electric Co PLC
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Application granted granted Critical
Publication of CN208057242U publication Critical patent/CN208057242U/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/002—Cleaning of turbomachines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/0084—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours provided with safety means
    • B01D46/0086—Filter condition indicators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/88—Replacing filter elements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • 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
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F02C7/04—Air intakes for gas-turbine plants or jet-propulsion plants
    • F02C7/05—Air intakes for gas-turbine plants or jet-propulsion plants having provisions for obviating the penetration of damaging objects or particles
    • F02C7/055—Air intakes for gas-turbine plants or jet-propulsion plants having provisions for obviating the penetration of damaging objects or particles with intake grids, screens or guards
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2279/00—Filters adapted for separating dispersed particles from gases or vapours specially modified for specific uses
    • B01D2279/60—Filters adapted for separating dispersed particles from gases or vapours specially modified for specific uses for the intake of internal combustion engines or turbines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2230/00—Manufacture
    • F05D2230/72—Maintenance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/60—Fluid transfer
    • F05D2260/607—Preventing clogging or obstruction of flow paths by dirt, dust, or foreign particles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/311—Air humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges

Abstract

本实用新型公开了一种用于压缩机的基于条件的监测的涡轮系统，所述系统包括压缩机、包括过滤器室和入口管道的进气部段。进气部段联接到压缩机，并且过滤器室在入口管道的上游。所述涡轮系统还包括设置在进气部段中的一个或多个传感器和处理器，该处理器被构造成：接收来自所述一个或多个传感器的传感器数据、过滤器室的一个或多个过滤级的一个或多个过滤器劣化速率、或它们的一些组合；使用压缩机劣化预测模型预测压缩机的压缩机劣化速率，所述压缩机劣化预测模型基于传感器数据、所述一个或多个过滤器劣化速率或它们的一些组合来提供压缩机的性能的函数；并且基于压缩机劣化速率预测来执行一个或多个预防性动作。

Description

用于压缩机的基于条件的监测的涡轮系统
技术领域
本实用新型涉及涡轮机械，并且更具体地涉及使用基于条件的监测预测涡轮机械的部件的劣化速率。
发明背景
涡轮机械系统(例如，涡轮系统)可包括参与过程的多种部件和子系统。例如，涡轮机械可包括负载、轴、过滤器室、燃料管线、燃烧器、涡轮、排气系统等。各部件和子系统可以通过使驱动负载(例如，发电机) 的轴旋转而联合操作以产生功输出。随时间推移，各部件和子系统可能因使用、积聚物质等而劣化。例如，在涡轮系统的过滤器室中的过滤器可能通过积聚灰尘而劣化，从而造成入口管道结构中不期望的压降。又如，涡轮系统的压缩机也可能通过积聚灰尘而劣化，从而影响涡轮系统的输出。常常，部件和子系统的维护可以被静态地排程。然而，通过在部件实际上达到影响涡轮系统的性能的劣化状态之前更换部件，遵循静态计划表可能导致低效率的资源使用。同样，在部件已经达到劣化状态之后遵循更换部件的静态计划表可能导致涡轮系统中的操作效率低下和其它压缩机操作问题，例如，振动和喘振裕度减小。
发明内容
在范围方面与初始要求保护的主题相一致的某些实施例总结如下。这些实施例不意图限制要求保护的主题的范围，相反，这些实施例意图仅提供本实用新型的可能形式的简短总结。实际上，本实用新型可包括可类似于或不同于下文所述实施例的各种形式。
在本实用新型的一个实施例中，涡轮系统包括压缩机、包括过滤器室和入口管道的进气部段。进气部段联接到压缩机，并且过滤器室在入口管道的上游。涡轮系统还包括设置在进气部段中的一个或多个传感器和处理器，该处理器被构造成：接收来自所述一个或多个传感器的传感器数据、过滤器室的一个或多个过滤级的一个或多个过滤器劣化速率、或它们的一些组合；使用压缩机劣化预测模型来预测压缩机的压缩机劣化速率，所述压缩机劣化预测模型基于传感器数据、所述一个或多个过滤器劣化速率、或它们的一些组合来提供压缩机的性能的函数；并且基于压缩机劣化速率预测来执行一个或多个预防性动作(preventative actions)。
其中，所述一个或多个过滤器劣化速率由过滤器劣化预测模型确定。所述一个或多个预防性动作包括基于所述压缩机劣化速率预测对所述压缩机的联机水洗、所述压缩机的脱机水洗或两者进行排程。
其中，所述一个或多个传感器包括：一个或多个灰尘传感器，其设置在所述过滤器室的上游、所述入口管道中、或它们的一些组合；一个或多个压力传感器，其设置在所述过滤器室的上游、所述过滤器室中、所述过滤器室的下游、或它们的一些组合；一个或多个温度和湿度传感器，其设置在所述压缩机的上游；或它们的一些组合。
其中，所述传感器数据包括灰尘颗粒大小、灰尘颗粒类型、灰尘颗粒浓度、温度、湿度、质量流量、或它们的一些组合。
其中，所述传感器数据包括当所述涡轮系统操作时随时间推移绕过所述过滤器室且进入所述入口管道的趋势性历史灰尘颗粒数据，并且所述趋势性历史灰尘颗粒数据包括灰尘颗粒大小、灰尘颗粒类型、灰尘颗粒浓度、或它们的一些组合。
其中，当所述涡轮系统操作时，所述压缩机劣化预测模型通过随时间推移包括新的传感器数据、新的过滤器劣化速率或它们的一些组合而实时调适。
其中，所述一个或多个预防性动作包括显示所述压缩机劣化速率预测、基于所述压缩机劣化速率预测的所述压缩机的剩余使用寿命、或两者。
其中，所述处理器接收与所述涡轮系统的操作模式、所述涡轮系统的负载和效率、入口抽气加热是否工作、功率增大措施或它们的一些组合有关的信息。
在本实用新型的一个实施例中，一种使用计算机实现的方法包括：接收涡轮系统的进气部段中的过滤器室的一个或多个过滤级的一个或多个过滤器劣化速率、来自涡轮系统的一个或多个传感器的传感器数据、或它们的一些组合；使用压缩机劣化预测模型来预测压缩机的压缩机劣化速率，所述压缩机劣化预测模型基于传感器数据、所述一个或多个过滤器劣化速率或它们的一些组合来提供压缩机的性能的函数；并且基于压缩机劣化速率预测来执行一个或多个预防性动作。
其中，所述一个或多个预防性动作包括：基于所述压缩机劣化速率预测生成压缩机的一次或多次联机水洗、所述压缩机的一次或多次脱机水洗、或两者的计划表；以及执行所述计划表。
其中，所述一个或多个过滤器劣化速率由过滤器劣化预测模型确定。其中，所述传感器数据包括灰尘颗粒大小、灰尘颗粒类型、灰尘颗粒浓度、温度、湿度、质量流量、或它们的一些组合。
所述计算机实现的方法包括随着由所述传感器数据指示的在操作期间所述涡轮系统的条件变化而实时生成所述压缩机劣化速率预测。
其中，所述一个或多个传感器包括：一个或多个灰尘传感器，其设置在所述过滤器室的上游、入口管道中、所述过滤器室的下游、或它们的一些组合；一个或多个压力传感器，其设置在所述过滤器室的上游、所述过滤器室中、所述过滤器室的下游、或它们的一些组合；一个或多个温度和湿度传感器，其设置在压缩机的上游；或它们的一些组合。
其中，所述传感器数据包括当所述涡轮系统操作时随时间推移绕过所述过滤器室且进入在所述过滤器室和压缩机之间的所述入口管道的趋势性历史灰尘颗粒数据，并且所述趋势性历史灰尘颗粒数据包括灰尘颗粒大小、灰尘颗粒类型、灰尘颗粒浓度、或它们的一些组合。
在本实用新型的一个实施例中，一个或多个有形的非暂时性计算机可读介质存储计算机指令，该计算机指令在由一个或多个处理器执行时导致所述一个或多个处理器：接收涡轮系统的进气部段中的过滤器室的一个或多个过滤级的一个或多个过滤器劣化速率(filter degradation rates)、来自涡轮系统的一个或多个传感器的传感器数据、或它们的一些组合；使用压缩机劣化预测模型来预测压缩机的压缩机劣化速率，该压缩机劣化预测模型基于传感器数据、所述一个或多个过滤器劣化速率或它们的一些组合来提供压缩机的性能的函数；并且基于压缩机劣化速率预测来执行一个或多个预防性动作。
其中，所述一个或多个预防性动作包括：基于所述压缩机劣化速率预测生成压缩机的一次或多次联机水洗、所述压缩机的一次或多次脱机水洗、或两者的计划表；以及执行所述计划表。
其中，所述计算机指令在由所述一个或多个处理器执行时导致所述一个或多个处理器使用后续的传感器数据来验证在以后的时间的所述压缩机劣化速率预测。
其中，基于所述压缩机劣化速率预测来执行所述一个或多个预防性动作增加所述涡轮系统的效率。
附图说明
当参考附图阅读下面的具体实施方式时，本实用新型的这些和其它特征、方面和优点将变得更好理解，在所有图中类似的标记表示类似的部件，在附图中：
图1是根据一个实施例的涡轮系统的框图，该系统能够实现涡轮系统的一个或多个部件的基于条件的监测；
图2是根据一个实施例的图1的涡轮系统的框图，其包括接收各种输入的过滤器劣化预测逻辑；
图3是适合使用过滤器劣化预测模型来预测过滤器劣化速率的过程的流程图；
图4是根据一个实施例的图1的涡轮系统的框图，其包括接收各种输入的压缩机劣化预测逻辑和过滤器劣化预测逻辑；以及
图5是根据一个实施例的适合预测压缩机劣化速率的过程的流程图。
具体实施方式
下文将描述本实用新型的一个或多个具体实施例。为了提供这些实施例的简要说明，可能无法在本说明书中描述实际实施方案的所有特征。应当理解，任意工程或设计项目中的任何这种实际实施方案的开发、大量的针对实施方案的决定都必须实现开发者的具体目标，例如遵守可能在各个实施方案中变化的与系统有关和与商业有关的约束。此外，应当理解，这样的改进可能是复杂且耗时的，但对于受益于本实用新型的有益效果的本领域普通技术人员来说，这些都是设计、制造和生产中的常规任务。
在介绍本实用新型的各种实施例的元素时，冠词“一个”、“一种”、“该”和“所述”意图表示这些元素中的一个或多个。术语“包含”、“包括”和“具有”旨在包括端值并且意味着可能有除了所列元素之外的额外的元素。
如此前所讨论的，涡轮系统的性能和正常操作可能受到其部件的劣化的影响。例如，当一个或多个入口过滤器加载过量的颗粒时，入口管道的压力可能下降至不期望的水平，并且过滤效率可能降低。低效率的过滤器将导致更多颗粒流过其中并且到达压缩机，从而造成压缩机叶片和静叶的积垢。然而，过滤器负载在不同地点大不相同。例如，位于具有更多降水的环境中的某些地点可能导致入口过滤器更潮湿且更粘，从而比在较干燥的气候中的入口过滤器更快地加载颗粒。同样，当空气被吸入涡轮系统时，由于空气中的盐聚积在过滤器上，位于咸水体附近的环境中的入口过滤器可能更快地加载颗粒。此外，穿过过滤器并进入入口管道的颗粒可能最终落在涡轮系统的压缩机的一个或多个叶片上，从而影响涡轮系统的性能。常常，压缩机和/或入口过滤器基于预设的静态计划表维护或更换。然而，这样的基于静态计划表的监测可能至少由于上文讨论的原因而是低效率的。
因此，本实用新型的一些实施例涉及使用劣化预测逻辑的涡轮系统的部件的基于条件的监测。劣化预测逻辑(degradation prediction logic)可以生成一个或多个模型，例如，过滤器劣化预测模型和压缩机劣化预测模型。应当理解，所述模型可以随时间推移基于测量数据而提高其预测的保真度。
如上文所指出的，过滤器劣化可能导致不期望的压降，该压降导致涡轮系统的低效率操作和过滤效率的降低。因此，过滤器劣化预测模型可以预测过滤器的劣化速率以执行一个或多个预防性动作。过滤器劣化预测模型可以接收与当某些条件存在时过滤器室的多个过滤级中的一个或多个入口过滤器的寿命有关的性能数据(例如，测试数据)、来自传感器的部件的实际条件、和/或所监测的涡轮系统所处的环境的局部条件 (localconditions)的输入。过滤器劣化预测模型可以输出可用来确定过滤器的剩余使用寿命的每个过滤级中的每个过滤器的劣化速率的预测。该预测可用来执行一个或多个预防性动作，例如，关闭涡轮系统、对过滤器中的一个或多个的维护或更换进行排程、驱动进气口中的过滤器的自清洁系统和/或类似动作。这样的预防性动作可以降低涡轮系统的突发性停机(unexpected downtime)的可能性和/或可以通过减小入口管道中不期望的压降而改善涡轮系统的性能。
另外，如上文所指出的，压缩机劣化可以导致涡轮系统的低效率操作、喘振裕度(surge margin)的减小和过量振动。因此，压缩机劣化预测模型可以预测压缩机的劣化速率以执行一个或多个预防性动作。压缩机劣化预测模型可以接收与当某些条件存在时压缩机的健康有关的性能数据(例如，测试数据)、来自传感器的部件的实际条件、所监测的涡轮系统所处的环境的局部条件、和/或来自过滤器劣化预测模型的一个或多个过滤器劣化速率预测的输入。压缩机劣化预测模型可以预测压缩机劣化速率。压缩机劣化速率预测可以用来执行一个或多个预防性动作，例如，对用于清除压缩机的颗粒的联机和/或脱机(online and/or offline)水洗进行排程(scheduling)、执行已排程的水洗(waterwashes)、关闭涡轮系统、修理压缩机、更换压缩机叶片和/或静叶、和/或类似动作。这样的预防性动作可以降低当压缩机被颗粒污染(结垢(fouled))时损失功率输出的可能性等。应当理解，本说明书所公开的预防性动作本质上比利用反应动作的基于仅仅静态的计划表的监测更具有动态性，因为预防性动作基于涡轮系统的部件的实际条件、与当某些条件存在时部件的使用寿命有关的历史性能数据、和/或环境的局部条件，等等。
现在转到附图，图1是根据一个实施例的涡轮系统10的框图，该系统能够实现涡轮系统10的一个或多个部件的基于条件的监测。涡轮系统 10包括涡轮12和后处理系统14。在某些实施例中，涡轮系统10可以是功率发生系统。涡轮系统10可以使用诸如天然气和/或富氢合成气体的液体或气体燃料来运转涡轮系统10。如图所示，涡轮系统10包括空气进气部段16、压缩机18、燃烧系统20和涡轮12。涡轮12可以经由轴传动地联接到压缩机18。在操作中，空气通过空气进气部段16进入涡轮系统10(由箭头17所指示)并且在压缩机18中加压。
空气进气部段16可包括过滤器室，其包括入口过滤器的多个过滤级。在每一级处的入口过滤器以不同的节奏或速率劣化(例如，载有颗粒)。例如，在预过滤级中的入口过滤器(例如，暴露于入流空气的第一入口过滤器)可能最快劣化，由此具有最短的寿命，因为在这些入口过滤器上加载相比在较后的过滤级中的后续入口过滤器更多的颗粒。为此，相比在之前的级中的入口过滤器，过滤器室中的末过滤级的入口过滤器可能以最慢的速率加载颗粒，由此具有最长的寿命。另外，根据它们所处的环境，入口过滤器可能以不同的速率劣化。例如，相比在内陆的入口过滤器，位于海岸或咸水体附近的入口过滤器可能更快地加载颗粒并且更快地劣化。另外，在潮湿气候或降水普遍的气候中的入口过滤器可能更快地劣化，因为入口过滤器变得比更干燥的气候更加潮湿而具有粘性。随着入口过滤器变得载有颗粒，更少的空气穿过进气部段16，并且在入口管道结构中可能产生压降。压降可以导致涡轮系统10的性能降低。因此，本实用新型的一些实施例允许预测每个过滤级中的所述多个入口过滤器的劣化速率，以允许确定入口过滤器的使用寿命并执行一个或多个预防性动作(例如，驱动自清洁系统、对维护和/或更换进行排程等)。
压缩机18可包括联接到轴的多个压缩机叶片。轴的旋转导致压缩机叶片的旋转，从而将空气吸入压缩机18并在进入燃烧系统20之前压缩空气。压缩机叶片可以积聚穿过进气部段16的过滤器室的颗粒并且劣化(例如，变得积垢)。随着压缩机叶片劣化加重，由涡轮系统10产生的功输出的量可能受到负面影响。因此，本实用新型的一些实施例允许预测压缩机18的劣化速率并且相应地执行一个或多个预防性动作(例如，对压缩机18的联机和/或脱机水洗进行排程)。
随着压缩空气17离开压缩机18并进入燃烧系统20，压缩空气17 可以与燃料19混合以在一个或多个燃烧管中燃烧。例如，燃烧管可包括一个或多个燃料喷嘴，燃料喷嘴可以将燃料空气混合物以合适的比率喷入燃烧管中，以实现最佳燃烧、排放、燃料消耗、功率输出等。空气17 和燃料19的燃烧生成热的加压排气，该排气可以接着用来驱动涡轮12 内的一个或多个涡轮叶片。在操作中，流入并流过涡轮12的燃烧气体对着涡轮叶片流动且在涡轮叶片之间流动，由此驱动涡轮叶片和因此轴旋转以驱动诸如发电装置中的发电机的负载21。如上文所讨论的，轴的旋转也导致压缩机18内的叶片吸入并加压由进气口16接纳的空气。
流过涡轮12的燃烧气体可以作为排气流离开涡轮12的下游端15。排气流可以在下游方向上朝后处理系统14继续流动。例如，下游端15 可以流体联接到后处理系统14。由于燃烧过程，排气可包括某些副产物，例如，氮氧化物(NOx)、硫氧化物(SOx)、碳氧化物(COx)和未燃的烃。由于某些法规，后处理系统14可以用来在将排气流释放到大气环境中之前减少或基本上最小化此类副产物的浓度。
一个或多个传感器22可以包括在涡轮系统10的某些部件中。例如，在一些实施例中，一个或多个传感器22可以包括在进气部段16的部件中(例如，在过滤器室中、在过滤器室之前、在过滤器室中部、在过滤器室之后)、在过滤器室下游的入口管道中但在消音器之前、和/或在消音器下游。在一些实施例中，传感器22可包括任何类型的压力传感器、灰尘传感器(例如，光学的)、温度和湿度传感器、加速计、应变仪等。在一些实施例中，压力传感器可以被构造成感测在它们相应的位置中的任何所需振幅和频率的压力信号或波。传感器22可包括压电材料，该材料生成由压力产生的电信号。在一些实施例中，传感器22可包括微机电系统 (Micro-Electrico-Mechanical Systems，MEMs)传感器、霍尔效应传感器、磁阻传感器、或设计成感测振动、压力等的任何其它传感器。在一些实施例中，传感器22可包括包括在进气部段16中的麦克风或麦克风阵列。在一些实施例中，麦克风或麦克风阵列可以将指示过滤器室总体健康度(例如，过滤器室结构完整性)的检测到的声音发送至控制器24。
另外，灰尘传感器可包括光学传感器，其被构造成通过以光学方式测量灰尘浓度、类型和/或大小而提供环境中的空气质量的指示。传感器 22可包括通信电路，该电路允许传感器22经由无线(例如，蓝牙低功耗、)或有线连接(例如，以太网)可通信地联接到控制器24和 /或计算装置26。在一些实施例中，计算装置26可包括膝上型计算机、智能手机、平板计算机、个人计算机、人机接口等。
传感器22可以将指示压力(例如，静态、动态)、灰尘颗粒性质(例如，浓度、类型、大小)、温度、湿度等的信号发送至控制器24和/或计算装置26。控制器24和/或计算装置26可以接收基于所述信号的测量值以作为过滤器劣化预测逻辑28和/或压缩机劣化预测逻辑30中的参数。因此，控制器24和/或计算装置26可以各自包括存储计算机指令的一个或多个有形的非暂时性计算机可读介质(例如，存储器32和34)，计算机指令实现过滤器劣化预测逻辑28和/或压缩机劣化预测逻辑30。虽然过滤器劣化预测逻辑28和压缩机劣化预测逻辑30显示为存储在计算装置26的存储器34上，但应当理解，在一些实施例中，预测逻辑28和 30中的任一者或两者也可以存储在控制器24的存储器32上，或者预测逻辑28和30中的任一者或两者可以仅存储在控制器24的存储器32上。此外，控制器24和/或计算装置26可包括诸如网络接口的通信电路，其被构造成接收信号并将信号发送至处理器36和38。
处理器36和38可以是能够执行计算机可执行代码的任何类型的计算机处理器或微处理器。此外，处理器36和38可包括多个处理器或微处理器、一个或多个“通用”处理器或微处理器、一个或多个专用处理器或微处理器、和/或一个或多个专用集成电路(ASIC)、或它们的一些组合。
存储器32和34可以是任何合适的制品，该制品可充当介质以存储处理器可执行指令、代码、数据等。这些制品可以表示计算机可读介质 (例如，任何适当形式的存储器或存储)，其可以存储由相应的处理器36 和38使用以执行本说明书所公开的技术的处理器可执行代码或例程。例如，存储器32和34可包括易失性存储器(例如，随机存取存储器(RAM))、非易失性存储器(例如，只读存储器(ROM))、闪存、硬盘驱动器、或任何其它合适的光学、磁性或固态存储介质、或它们的组合。存储器32和34 也可以用来存储任何数据(例如，性能数据、传感器数据、涡轮系统10所处的环境的局部条件、劣化速率预测、维护和/或修理的计划表)、数据的分析、过滤器劣化预测逻辑28、压缩机劣化预测逻辑30等。
一般来讲，处理器36和/或38可以执行过滤器劣化预测逻辑28和 /或压缩机劣化预测逻辑30，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30可以分别确定入口过滤器和压缩机18的劣化速率、并执行一个或多个预防性动作。过滤器劣化预测逻辑28和压缩机劣化预测逻辑30 均可以生成模型(例如，基于物理的、数学的)以预测相应的过滤器和压缩机18的劣化速率(degradation rates)。为了确定劣化速率预测，模型可以考虑一个或多个参数。
在一些实施例中，参数可以被不同地加权(weighted differently)，使得参数中的一些比其它参数具有对预测更显著的影响。例如，在一个实施例中，进入入口管道42的灰尘的颗粒大小和/或在过滤器室之前的湿度可以比环境温度权重更重。所述一个或多个参数可包括由在过滤器之前的传感器22获得的压力、过滤器中的压力、在消音器之前和之后的过滤器下游的压力、在过滤器之前的环境温度和相对湿度、在压缩机18的入口之前的温度和相对湿度、在过滤器之前和之后的灰尘颗粒分布(例如，颗粒大小、类型、数量)、过滤器(例如，加载)劣化速率测试实验室模型、局部条件(例如，涡轮系统10的位置、颗粒化学组成的典型类型、天气预报数据)、涡轮系统10操作模式、涡轮系统10的负载和效率、入口抽气加热开启/关闭、功率增大措施(例如，湿压缩、成雾、蒸发冷却、冷冻)、与颗粒加载(例如，大小、类型、数量)有关的压缩机叶片积垢速率 (fouling rate)、涡轮系统10的操作小时，等等。这些参数均可以影响过滤器劣化，并且一些参数当与其它参数一起存在时可具有复合效应。因此，模型可以单独地或整体地基于这些参数来确定可能的劣化。
在一些实施例中，在涡轮系统10操作的同时，模型可以实时操作。另外或备选地，模型可以在涡轮系统10脱机或停机的同时使用存储的传感器数据(例如，来自涡轮系统10操作的最后时间)来操作。模型可以是自适应的，因为它们基于新数据(例如，来自灰尘传感器22、压力传感器 22、温度和湿度传感器22、涡轮系统功率输出和效率等)来更新模型的参数。例如，在涡轮系统10操作的同时，包括来自传感器22的测量值的信号可以循环通过计算装置26和/或控制器24以实现模型的(自)适应能力(adaptive ability)。信号可以定期、按需、在测量值变化时或在类似情况下发送。随着涡轮系统10的操作继续并且附加的传感器数据被积累和处理，模型可以继续提高保真度。此外，在以后的时间的传感器数据可以用来验证模型预测。即，如果模型预测过滤器会在30个操作小时处劣化，那么压力传感器数据可能在30个小时处被读取以确定模型是否准确。如果不准确，模型可能被相应地调整。
由于每个涡轮系统10可以位于不同的物理地点，涡轮系统10的部件的劣化速率可能由于变化的局部条件而变化。例如，由于空气中的盐，在海岸附近的地点中的过滤器可能比在内陆地点中的过滤器更快地劣化。另外，由于在施工现场附近或沙漠中的空气中过多的灰尘颗粒，在施工现场或沙漠附近的地点中的过滤器也可能比在远离施工现场或沙漠的地点中的过滤器更快地劣化。另外，在存在大量湿气的地点中的过滤器可能更快地加载颗粒，从而比在非潮湿气候中的过滤器更快地劣化。因此，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30可以基于每个相应的涡轮系统10的传感器数据和局部条件为每个涡轮系统10单独地定制。
然而，在一些实施例中，基于云的系统可以对由涡轮系统10共享的数据进行分析。例如，基于云的系统可以接收来自每个涡轮系统10的传感器数据和局部条件(localconditions)以及已基于该传感器数据和局部条件验证的劣化速率。基于云的系统可以通过发送与传感器数据和局部条件相关联的经验证的劣化速率(validated degradationrates)而允许提高模型的保真度(fidelity)。即，由过滤器劣化预测逻辑28和压缩机劣化预测逻辑30预测的劣化速率可以基于来自具有类似的传感器数据和局部条件的其它涡轮系统10的其它经验证的劣化速率而使用基于云的系统来改善。这样，基于云的系统可以充当某些数据(例如，测试实验室数据、传感器数据、局部条件数据、劣化速率)的中央储存库并充当中央处理系统，该中央处理系统与执行过滤器劣化预测逻辑28和/或压缩机劣化预测逻辑30的各种计算装置26和/或控制器24通信。
在一些实施例中，计算装置26和/或控制器24可包括显示器。显示器可以用来基于预测的过滤器劣化速率等显示各种图形元件，例如，过滤器剩余寿命的虚拟晴雨表(virtual barometer)。另外，显示器可以用来显示预测的过滤器劣化速率、预测的压缩机劣化速率、和/或所述一个或多个预防性动作(例如，基于预测的压缩机劣化速率的压缩机的水洗计划表、基于预测的过滤器劣化速率的过滤器的已排程的维护和/或更换等)的结果。
图2是根据一个实施例的图1的涡轮系统10的框图，其包括接收各种输入的过滤器劣化预测逻辑28。如所描绘的，涡轮系统10的进气部段 16包括过滤器室40和入口管道42。入口管道42的结构可以设计成在涡轮系统10的性能变差之前承受一定水平的负压。当过滤器室40被加载在过滤器室40中的一个或多个过滤级中的一个或多个过滤器上的颗粒劣化时，入口管道42中的压力可能下降。因此，通过使用过滤器劣化预测模型基于各种输入来预测劣化速率，过滤器劣化预测逻辑28可以确定所述一个或多个过滤级中的每一个中的过滤器的使用寿命。
特别地，输入可包括使用过滤器加载速率测试实验室模型(filter loading ratetesting lab model)得出的性能数据。性能数据和/或过滤器加载速率测试实验室模型可以存储在计算装置26的存储器34上、从控制器24 的存储器32检索、从基于云的系统检索、从外部服务器检索等。过滤器加载速率测试实验室模型可以基于在涡轮系统10测试期间获得的某些测量的传感器数据(例如，灰尘、压力、温度、湿度)对随时间推移的过滤器的加载速率建模。在一些实施例中，过滤器劣化预测逻辑28可以使用性能数据来初始化过滤器劣化预测模型。
输入也可包括来自一个或多个灰尘传感器42，22的传感器数据和来自一个或多个压力传感器44，22的传感器数据。如所描绘的，灰尘传感器42、22可以位于过滤器室40前方(例如，上游)，并且被构造成测量进入过滤器室40的空气中的灰尘颗粒(例如，大小、类型、浓度)。灰尘颗粒的浓度可以提供关于颗粒将更快地加载到过滤器上的标志。另外，较大的灰尘颗粒可能更有可能被过滤器过滤掉，但较小的灰尘颗粒可能导致加载速率更快地增加。此外，由于导致颗粒更粘、更湿等的性质，某些类型的灰尘颗粒更有可能加载到过滤器上。
此外，虽然压力传感器44、22描绘为位于过滤器室40下游，但在一些实施例中，压力传感器44、22或附加的压力传感器44、22可以位于过滤器室40前方、过滤器室40内部和/或过滤器室40下游消音器之后。应当指出，在某些实施例中可以使用多于一个灰尘传感器42，22和 /或压力传感器44、22。
在一些实施例中，输入也可包括来自过滤器室40前方(例如，上游) 的一个或多个温度和湿度传感器46、22的温度和湿度数据。可以理解，高湿度可以是过滤器可能更快地加载颗粒的标志，因为湿气可以导致过滤器变得潮湿而具有粘性。此外，高温可以改变颗粒表面性质，从而减少颗粒加载在过滤器上的机会。
灰尘传感器42/22、压力传感器44/22和/或温度和湿度传感器 46/22可以可通信地联接到控制器24，并且可以被构造成将指示测量的灰尘颗粒、压力、温度和湿度的信号发送至控制器24。在一些实施例中，执行过滤器劣化预测逻辑28的计算装置26的处理器28可以从控制器24接收灰尘传感器数据、压力传感器数据和/或温度和湿度传感器数据。在一些实施例中，灰尘传感器42/22、压力传感器44/22、和/或温度和湿度传感器46/22可以直接与执行过滤器劣化预测逻辑28的计算装置 26无线地联接。
此外，输入也可包括局部条件数据48。局部条件数据48可包括涡轮系统10所处的地点的位置。例如，位置可以指示该地点在海岸附近或为内陆。如上文所讨论的，由于来自附近的水的空气中的盐，在海岸(或具有高的盐浓度的其它区域)附近的地点中的过滤器可以以更快的速率加载。此外，位置可以指示该地点在施工现场附近，在那里，空气可包括由施工产生的灰尘、污垢、碎屑等，它们可以导致过滤器更快地加载。局部条件数据48也可包括在地点所处的环境中可见的典型类型的颗粒化学组成。局部条件数据48也可包括地点所处的区域的天气预报数据。因此，局部条件数据48可以从气象服务或外部服务器接收。天气预报数据可以指示环境温度、环境压力、相对湿度水平、沙尘暴水平、降水或暴风雨的几率等。此类天气指示可以允许过滤器劣化预测逻辑28定制过滤器劣化预测模型以考虑导致颗粒的加载增加或减少的某些天气条件。
当涡轮系统10操作时，过滤器劣化预测逻辑28可以用从涡轮系统的传感器22测量的传感器数据和/或变化的局部条件数据48来更新过滤器劣化预测模型。即，历史数据(例如，压力、湿度、温度、灰尘等)可以从传感器22发送至过滤器劣化预测逻辑28以确定过滤器劣化预测模型是否准确。因此，过滤器劣化预测逻辑28可以基于涡轮系统10的变化的条件和/或局部条件实时或几乎实时地更新过滤器劣化预测模型。此外，过滤器劣化预测逻辑28可以使用随后获得的传感器数据来确定过滤器劣化预测模型是否准确。结果，过滤器劣化预测模型可以基于随时间推移的测量的数据(例如，传感器和/或局部条件)提高其预测的保真度。过滤器劣化预测模型可以输出预测的劣化速率和/或基于劣化速率来执行预防性动作。
图3是适合使用过滤器劣化预测模型来预测一个或多个过滤器劣化速率的过程50的流程图。虽然过程50的以下说明参照计算装置26的处理器38来进行描述，但应当指出，过程50可以由设置在诸如控制器24、基于云的系统等的其它装置上的其它处理器执行。另外，虽然以下过程 50描述了可以执行的多个操作，但应当指出，过程50可以以多种合适的顺序执行，并且可以不执行所有操作。应当理解，过程50可以完全由计算装置26执行，或者该执行可以分布在计算装置26和/或控制器24之间。
现在参看过程50，处理器(例如，图1的处理器38)可以接收(框52) 性能数据、传感器数据和/或局部条件数据48。如此前所讨论的，性能数据可以基于在测试期间获得的传感器数据从过滤器加载速率测试实验室模型得出。传感器数据可包括过滤器室40上游和下游的灰尘颗粒数据 (例如，类型、大小、浓度)。传感器数据也可包括过滤器室40上游、在过滤器室40中、过滤器室40下游但在消音器之前、以及消音器下游的压力数据。另外，传感器数据可包括过滤器室40上游的环境温度和相对湿度。
处理器38可以基于性能数据、传感器数据、和/或局部条件数据48 而生成(框54)过滤器劣化预测模型。在一些实施例中，处理器38可以使用性能数据来初始化过滤器劣化预测模型。例如，可以确定针对各种参数(例如，在潮湿区域的高颗粒积聚等)的过滤器及其功能的历史数据。
此外，处理器38可以使用过滤器劣化预测模型生成(框56)在过滤器室40的每个过滤级中的每个过滤器的劣化速率的预测。即，可以确定过滤器室40的每个过滤级中的过滤器的劣化速率，并且监测到的数据 (例如，压力、温度、湿度、灰尘颗粒、局部条件)可以随时间推移被跟踪并记录在存储器34中。在一些实施例中，处理器38可以使用劣化速率来预测在过滤器室40的每个过滤级中的每个过滤器的剩余使用寿命。涡轮系统10的操作小时也可以被跟踪并记录在存储器34中。例如，处理器38可以预测：在立即暴露于进入的空气的第一过滤级中的过滤器具有导致三十小时的剩余使用寿命的劣化速率；在中间过滤级中的过滤器具有导致三十五小时的剩余使用寿命的劣化速率；并且在末尾过滤级中的过滤器具有导致四十八小时的剩余使用寿命的劣化速率。
由于测量的数据和操作小时被跟踪，预测的劣化速率可以由处理器 38来验证(validated)。为了示出，处理器38可以使用过滤器劣化预测模型来预测某个过滤级的过滤器将以可能导致入口管道42中的压降低于三十小时的阈值量的速率(例如，劣化速率)加载颗粒。当达到三十小时时，压力传感器可以读取入口管道42中的压力以基于劣化速率确定模型是否准确地预测压降。这样，过滤器劣化预测模型的预测可以被验证。随时间推移，可以提高基于测量的传感器数据和/或局部条件的预测的保真度。
此外，处理器38可以输出(框58)过滤器劣化速率的预测和/或基于预测的过滤器劣化速率来执行一个或多个预防性动作。如此前所讨论的，过滤器寿命可以基于预测的劣化速率来确定。劣化速率和/或使用寿命可以显示为虚拟晴雨表或任何合适的图形元件。
另外，预防性动作可以相对于劣化速率变化。例如，如果劣化速率特别高并且过滤器的剩余使用寿命几乎到期/终止，处理器38可以关闭涡轮系统10，从而可以尽可能快地执行劣化的过滤器的维护和/或更换。在一些实施例中，预防性动作可包括对正在劣化的过滤器的维护和/或更换进行排程。一些涡轮系统10可包括在进气部段16中的自清洁系统。自清洁系统可以在操作期间在与空气流入进气部段16的方向相对的方向上高速脉动空气，以试图将颗粒吹出过滤器室40中的过滤器。自清洁系统可以作为一种维护形式被排程以执行预防性动作。因此，自清洁系统可以基于传感器数据(例如，压力、灰尘)和/或局部条件(例如，湿度、温度)而不是仅通过压降测量来驱动。
此外，由于处理器38可以使用过滤器劣化预测模型来预测过滤器室 40的每个过滤级中的每个过滤器的劣化速率，预防性动作可包括确定过滤级中的过滤器的维护操作和/或更换操作的计划表。例如，暴露于最高量的灰尘颗粒的级中的过滤器可具有基于预测的劣化速率的相对短的剩余寿命，并且可以将第一日期排程为执行维护和/或更换过滤器。暴露于最少量的灰尘颗粒的第二级(例如，末级)中的过滤器可具有基于预测的劣化速率的相对长的剩余寿命，并且可以将晚于第一日期的第二日期排程为执行维护和/或更换过滤器。排程(scheduling)可以实现为使得通过优化过滤器室40中的各个其它过滤级的更换和/或维护而提高(例如，最大化)在末过滤级中的末过滤器的寿命。
在某些情况下，涡轮系统10可以停机以更换或维护过滤器室40的末级中的过滤器。因此，通过优化各个其它过滤级的更换和/或维护而延长末过滤级的寿命可以增加涡轮系统10的正常运行时间。此外，处理器 38可以按过滤器室40的级、区域或区而不是每次以相同的顺序驱动自清洁系统的执行。另外或备选地，自清洁系统可以以预设的顺序执行。
处理器38可以在涡轮系统10操作的同时继续接收性能数据、传感器数据和/或局部条件数据48，并且使用接收的数据来更新过滤器劣化预测模型。这样，过滤器劣化预测模型是对涡轮系统10的变化的条件和涡轮系统10周围的环境的局部条件自适应的。可以理解，本实用新型所公开的技术可以实现在更精细的级别上(例如，按过滤级)更好的过滤器维护和/或更换排程。另外，本实用新型所公开的技术可以允许预防性维护。此外，通过在入口管道42中出现不期望的压降之前维护和/或更换劣化的过滤器，本实用新型可以提供更高的涡轮系统可靠性。
此外，压缩机劣化预测逻辑30可以与过滤器劣化预测逻辑28结合使用以预测压缩机18的劣化速率。相应地，图4是根据一个实施例的图 1的涡轮系统10的框图，其包括接收各种输入的压缩机劣化预测逻辑30 和过滤器劣化预测逻辑28。图4所示涡轮系统10包含与图1和图2中类似的许多部件，包括进气部段16(例如，过滤器室40、入口管道42)、压缩机18、燃烧系统20、涡轮12、控制器24、过滤器劣化预测逻辑28 等。然而，图4还包括水洗部件60和压缩机劣化预测逻辑30。应当指出，在一些实施例中，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30 可以存储在存储器34上并由计算装置26的处理器38执行。另外或备选地，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30中的任一者或两者可以存储在存储器32上并由控制器34的处理器36执行。
可以理解，当颗粒加载到压缩机18的叶片上并且叶片变得积垢时，压缩机18的性能可能劣化。水洗部件60用来洗掉颗粒并清洁压缩机18。存在两种不同的水洗：联机和脱机。联机水洗可以在存在相对轻的积垢或压缩机叶片的较前级积垢时执行。联机水洗(Online water washes)可以在涡轮系统10正在操作时执行。脱机水洗(Offline waterwashes)可以在存在显著的或相对高的积垢或较后级压缩机叶片积垢时执行。
脱机水洗可以在涡轮系统10停机时执行。
本实用新型的实施例中的一些允许监测各个压缩机级的实际积垢情况并使用压缩机劣化预测逻辑30来预测压缩机18的劣化速率。压缩机劣化预测逻辑可以生成压缩机劣化预测模型以预测压缩机劣化速率。压缩机劣化预测模型可以是模型(例如，基于物理的数学模型)，该模型提供包括一个或多个加权参数的压缩机函数，如上文所讨论那样。
压缩机劣化预测模型可以接收一个或多个输入，例如，来自过滤器劣化预测逻辑28的过滤器劣化预测模型的输出。即，压缩机劣化预测模型可以考虑在过滤器室40的过滤级中的所述一个或多个过滤器的预测的劣化速率。因此，由于过滤器劣化预测逻辑28在其对过滤器劣化速率的预测中包括局部条件数据48，压缩机劣化预测模型也在其对压缩机劣化速率的预测中考虑局部条件数据48。
压缩机劣化预测模型的附加输入可包括传感器数据，例如，来自灰尘传感器44/22、灰尘传感器62/22、压力传感器44，22、和/或温度和湿度传感器46/22的数据。如所描绘的，灰尘传感器44/22位于过滤器室40上游，并且灰尘传感器62/22位于入口管道62/22中的过滤器室下游。因此，处理器38可以跟踪与进入进气部段16的灰尘颗粒有关的数据，例如，穿过过滤器室40且进入入口管道42的颗粒的浓度、类型和/ 或大小。在一些实施例中，处理器38可以通过分析历史测量值来确定灰尘颗粒数据随时间推移的趋势。
此外，虽然压力传感器44/22描绘为位于过滤器室40下游，但在一些实施例中，压力传感器44/22或附加的压力传感器44/22可以位于过滤器室40前方、过滤器室40内部、和/或过滤器室40下游消音器之后。应当指出，在某些实施例中可以使用附加的或更少的灰尘传感器和/或压力传感器，并且可以位于与图4中描绘的不同的位置。
在一些实施例中，输入也可包括来自压缩机18前方(例如，上游)的一个或多个温度和湿度传感器64/22的温度和湿度数据。温度和湿度传感器64/22可以获得在压缩机入口之前的温度和相对湿度。可以理解，高湿度可以是压缩机叶片可能更快地加载颗粒的标志，因为湿气可以导致叶片和/或颗粒变得潮湿且具有粘性。此外，高温可以改变颗粒表面性质，从而减少颗粒加载在叶片上的机会。此外，输入可包括涡轮操作模式、涡轮系统10的负载和效率(例如，质量流量)、入口抽气加热开启/ 关闭、诸如湿压缩、成雾、蒸发冷冻等的功率增大措施。
基于来自过滤器劣化预测模型的过滤器的预测的劣化速率、趋势性灰尘颗粒数据(例如，颗粒大小、量和/或类型)、湿度、温度和/或涡轮质量流量，压缩机劣化预测模型可以输出压缩机18的劣化速率。劣化速率可以类似于压缩机通过加载颗粒而变得积垢的速率。使用压缩机劣化速率，可以执行一个或多个预防性动作，如下文详细描述的。
图5是根据一个实施例的适合预测压缩机劣化速率的过程70的流程图。虽然过程70的以下说明参照计算装置26的处理器38来进行描述，但应当指出，过程70可以由诸如控制器24的处理器36的设置在其它装置上的其它处理器执行。另外，虽然以下过程70描述了可以执行的多个操作，但应当指出，过程70可以以多种合适的顺序执行，并且可以不执行所有操作。应当理解，过程70可以完全由计算装置26执行，或者该执行可以分布在计算装置26和/或控制器24之间。
现在参看过程70，框72、74和76类似于图3中的过程50的框52、 54和56。即，处理器38可以：接收(框72)性能数据、传感器数据和/或局部条件数据48；基于性能数据、传感器数据和/或局部条件数据48生成(框74)过滤器劣化预测模型；并且使用过滤器劣化预测模型生成(框 76)一个或多个过滤器劣化速率预测。此类步骤可以实现为包括在过滤器劣化预测逻辑28中的计算机指令。
图5中的过程70也包括与预测压缩机劣化速率有关的附加步骤，所述步骤可以实现为包括在压缩机劣化预测逻辑30中的计算机指令。例如，处理器38可以基于性能数据、传感器数据和/或过滤器劣化速率生成(框 78)压缩机劣化速率模型。在一些实施例中，在初始化期间，处理器38可以使用在测试期间从传感器测量值获得的性能数据(例如，压力、灰尘颗粒、温度、湿度)来生成压缩机劣化预测逻辑30。另外，在一些实施例中，在涡轮系统10操作时获得的传感器数据可以用来生成压缩机劣化预测模型。例如，可以使用趋势性灰尘颗粒数据(trending dust particle data)。趋势性灰尘颗粒数据可以显示穿过过滤器室40且进入入口管道42的灰尘颗粒的的浓度、类型和/或大小随时间推移的历史变化。另外，可以在压缩机劣化预测模型中考虑其它传感器数据，例如，在压缩机入口之前的温度和相对湿度和/或质量流量。在一些实施例中，可以在压缩机劣化预测模型中考虑局部条件数据48。
处理器38也可以使用压缩机劣化速率模型生成(框80)压缩机劣化速率的预测。处理器38可以输出(框82)预测的压缩机劣化速率和/或基于预测的压缩机劣化速率来执行一个或多个预防性动作。例如，处理器 38可以基于预测的压缩机劣化速率来确定压缩机18的剩余使用寿命。处理器38可以使用一个或多个图形元件(例如，曲线图、量规和/或图表) 来显示压缩机18的预测的劣化速率和/或剩余使用寿命。
所述一个或多个预防性动作可包括对联机和/或脱机水洗排程、执行联机和/或脱机水洗的计划表、关闭涡轮系统10、对压缩机叶片和静叶18 的维护和修理/更换排程等。例如，处理器38可以基于过滤器劣化预测模型引发水洗以优化压缩机劣化速率，过滤器劣化预测模型随着过滤器加载颗粒而改变输出。即，通过监测涡轮系统10内的条件(例如，趋势性灰尘颗粒数据)和/或基于过滤器劣化速率预测，可以对水洗动态地排程。水洗可以基于当涡轮系统10操作时瞬时(例如，实时)吸入进气部段 16的颗粒的类型、浓度和/或大小。当较不显著的量的灰尘颗粒被加载到压缩机入口附近的各级压缩机叶片上时，处理器38可以更频繁地对联机水洗排程。当确定压缩机18中的较后级中的叶片需要更深度的清洁或者更显著的量的灰尘颗粒已加载到压缩机18的叶片上时，处理器38可以对脱机水洗排程。
相应地，处理器38也可以计划关闭涡轮系统18的时间，从而可以执行脱机水洗。
本实用新型的技术效果包括实现过滤器室40中的过滤器和压缩机 18的基于条件的监测。特别地，可以基于性能数据、传感器数据和/或局部条件数据使用过滤器劣化预测模型为过滤器室的过滤级中的过滤器预测一个或多个过滤器劣化速率。基于过滤器劣化速率预测，可以执行一个或多个预防性动作，例如，控制自清洁系统、对维护和/或更换进行排程、关闭涡轮系统10等。另外，可以基于性能数据、传感器数据和/或由过滤器劣化预测模型输出的预测的过滤器劣化速率使用压缩机劣化预测模型来预测压缩机劣化速率。基于压缩机劣化速率，可以执行一个或多个预防性动作，例如，以某种最佳方式对联机和/或脱机水洗进行排程以减少涡轮系统10停机时间的量、对压缩机18的维护和/或更换进行排程、和/或关闭涡轮系统10等。因此，所公开的实施例具有提高维护排程和涡轮系统效率、实现预防性维护和减少涡轮系统10停机时间(例如，更高的可靠性)等的效应。
本说明书用示例来公开包括最佳模式的本实用新型，并且还使本领域技术人员能实施本实用新型，包括制造和使用任何装置或系统以及执行任何包括在内的方法。本实用新型的可专利范围由权利要求所限定，并且可包括本领域技术人员想到的其它示例。如果这种其它示例具有与权利要求的字面语言没有不同的结构元件，或者如果它们包括与权利要求的字面语言无实质差别的等同结构元件，则这种其它示例意图在权利要求的范围内。

Claims (9)

1.一种涡轮系统，包括：
压缩机；
进气部段，其包括过滤器室和入口管道，其中，所述进气部段联接到所述压缩机，并且所述过滤器室在所述入口管道上游；
一个或多个传感器，其设置在所述进气部段中；
处理器，其被构造成：
接收来自所述一个或多个传感器的传感器数据、所述过滤器室的一个或多个过滤级的一个或多个过滤器劣化速率、或它们的一些组合；
使用压缩机劣化预测模型预测所述压缩机的压缩机劣化速率，所述压缩机劣化预测模型基于所述传感器数据、所述一个或多个过滤器劣化速率或它们的一些组合来提供所述压缩机的性能的函数；并且
基于所述压缩机劣化速率预测来执行一个或多个预防性动作。
2.根据权利要求1所述的涡轮系统，其中，所述一个或多个过滤器劣化速率由过滤器劣化预测模型确定。
3.根据权利要求1所述的涡轮系统，其中，所述一个或多个预防性动作包括基于所述压缩机劣化速率预测对所述压缩机的联机水洗、所述压缩机的脱机水洗或两者进行排程。
4.根据权利要求1所述的涡轮系统，其中，所述一个或多个传感器包括：
一个或多个灰尘传感器，其设置在所述过滤器室的上游、所述入口管道中、或它们的一些组合；
一个或多个压力传感器，其设置在所述过滤器室的上游、所述过滤器室中、所述过滤器室的下游、或它们的一些组合；
一个或多个温度和湿度传感器，其设置在所述压缩机的上游；或
它们的一些组合。
5.根据权利要求1所述的涡轮系统，其中，所述传感器数据包括灰尘颗粒大小、灰尘颗粒类型、灰尘颗粒浓度、温度、湿度、质量流量、或它们的一些组合。
6.根据权利要求1所述的涡轮系统，其中，所述传感器数据包括当所述涡轮系统操作时随时间推移绕过所述过滤器室且进入所述入口管道的趋势性历史灰尘颗粒数据，并且所述趋势性历史灰尘颗粒数据包括灰尘颗粒大小、灰尘颗粒类型、灰尘颗粒浓度、或它们的一些组合。
7.根据权利要求1所述的涡轮系统，其中，当所述涡轮系统操作时，所述压缩机劣化预测模型通过随时间推移包括新的传感器数据、新的过滤器劣化速率或它们的一些组合而实时调适。
8.根据权利要求1所述的涡轮系统，其中，所述一个或多个预防性动作包括显示所述压缩机劣化速率预测、基于所述压缩机劣化速率预测的所述压缩机的剩余使用寿命、或两者。
9.根据权利要求1所述的涡轮系统，其中，所述处理器接收与所述涡轮系统的操作模式、所述涡轮系统的负载和效率、入口抽气加热是否工作、功率增大措施或它们的一些组合有关的信息。
CN201721169638.3U 2016-09-12 2017-09-12 用于压缩机的基于条件的监测的涡轮系统 Active CN208057242U (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/263,024 US10724398B2 (en) 2016-09-12 2016-09-12 System and method for condition-based monitoring of a compressor
US15/263024 2016-09-12

Publications (1)

Publication Number Publication Date
CN208057242U true CN208057242U (zh) 2018-11-06

Family

ID=59846396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201721169638.3U Active CN208057242U (zh) 2016-09-12 2017-09-12 用于压缩机的基于条件的监测的涡轮系统

Country Status (4)

Country Link
US (1) US10724398B2 (zh)
EP (1) EP3293384B1 (zh)
JP (1) JP6983476B2 (zh)
CN (1) CN208057242U (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200073348A1 (en) * 2018-08-30 2020-03-05 Carl Freudenberg Kg Design, control and operation of filters for turbomachines

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3095654B1 (en) * 2015-05-19 2017-12-27 KNORR-BREMSE Systeme für Nutzfahrzeuge GmbH Prediction of remaining lifetime for compressed air supply system component
US10780385B2 (en) * 2017-05-30 2020-09-22 General Electric Company System and method for condition-based monitoring of filters
WO2019239549A1 (ja) * 2018-06-14 2019-12-19 三菱電機株式会社 機器管理システム
US11125168B2 (en) * 2018-10-24 2021-09-21 Raytheon Technologies Corporation Dirt mitigation in a gas turbine engine
US11261800B2 (en) 2018-10-24 2022-03-01 Raytheon Technologies Corporation Adaptive bleed schedule in a gas turbine engine
CA3123632A1 (en) * 2018-12-21 2020-06-25 Canscan Softwares And Technologies Inc. Automated inspection system and associated method for assessing the condition of shipping containers
KR102171642B1 (ko) * 2018-12-28 2020-10-29 주식회사 포스코아이씨티 공기압축기 세정시기 예측시스템 및 방법
CN109916634B (zh) * 2019-02-26 2021-03-23 武汉科技大学 一种航空涡扇发动机剩余使用寿命预测方法及系统
BE1027431B1 (fr) * 2019-07-16 2021-02-15 Safran Aero Boosters Sa Banc d'essai de turbomachines dépollué
EP3785786A1 (de) * 2019-08-29 2021-03-03 Carl Freudenberg KG Verfahren zur vorhersage der standzeit eines filters
EP3812029B1 (de) * 2019-10-25 2023-03-01 Carl Freudenberg KG Vorhersage von zustandsgrössen für luftfilter
CN113090394B (zh) * 2021-03-19 2022-02-15 清华大学 一种燃气轮机进气过滤效率异常监测方法
US11643942B2 (en) * 2021-07-28 2023-05-09 General Electric Company Turbine system with particulate presence and accumulation model for particulate ingress detection
CN117501010A (zh) 2021-09-21 2024-02-02 株式会社日立产机系统 气体压缩机
CN115013299B (zh) * 2022-06-28 2023-07-25 四川虹美智能科技有限公司 压缩机测试方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3400967B2 (ja) * 2000-02-01 2003-04-28 川崎重工業株式会社 ガスタービン発電設備
WO2005090764A1 (de) 2004-02-23 2005-09-29 Siemens Aktiengesellschaft Verfahren und vorrichtung zur diagnose einer turbinenanlage
US7677032B2 (en) 2005-09-15 2010-03-16 Cummins, Inc. Apparatus, system, and method for determining the distribution of particulate matter on a particulate filter
US8475115B2 (en) 2010-06-02 2013-07-02 General Electric Company Pre-filtration bypass for gas turbine inlet filter house
ITCO20120008A1 (it) 2012-03-01 2013-09-02 Nuovo Pignone Srl Metodo e sistema per monitorare la condizione di un gruppo di impianti
US20140202334A1 (en) * 2013-01-23 2014-07-24 Bha Altair, Llc Filter system and method for leak identification
US8747533B1 (en) 2013-01-28 2014-06-10 Bha Altair, Llc Systems and methods to determine fouling in a gas turbine filter
JP6196574B2 (ja) * 2014-03-28 2017-09-13 三菱日立パワーシステムズ株式会社 フィルタ監視装置、吸気ダクト及び圧縮空気供給装置
AU2015357343B2 (en) * 2014-12-05 2020-05-21 Nuovo Pignone Tecnologie - S.R.L. Method and system for predicting residual useful life of an air filter
US20180073386A1 (en) 2016-09-12 2018-03-15 General Electric Company System and method for condition-based monitoring of turbine filters

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200073348A1 (en) * 2018-08-30 2020-03-05 Carl Freudenberg Kg Design, control and operation of filters for turbomachines
US11656588B2 (en) * 2018-08-30 2023-05-23 Carl Freudenberg Kg Design, control and operation of filters for turbomachines

Also Published As

Publication number Publication date
US10724398B2 (en) 2020-07-28
US20180073389A1 (en) 2018-03-15
EP3293384A1 (en) 2018-03-14
EP3293384B1 (en) 2020-08-05
JP2018044546A (ja) 2018-03-22
JP6983476B2 (ja) 2021-12-17

Similar Documents

Publication Publication Date Title
CN208057242U (zh) 用于压缩机的基于条件的监测的涡轮系统
CN107816386A (zh) 涡轮系统、计算机实现的监测方法以及计算机可读介质
US10976065B2 (en) System, method and computer program product for air filter management
US6438484B1 (en) Method and apparatus for detecting and compensating for compressor surge in a gas turbine using remote monitoring and diagnostics
JP2019534411A (ja) ガスタービン内への空気質量流量を測定するためのシステム
US9528913B2 (en) Method and systems for detection of compressor surge
WO2016087302A1 (en) Method and system for predicting residual useful life of an air filter
JP5449975B2 (ja) 圧縮機内の腐食堆積物を検出する方法及びシステム
US9383305B2 (en) Method and system for controlling a filter
JP6721348B2 (ja) ガスタービン燃焼プロファイル監視
JP7337485B2 (ja) フィルタの状態に基づく監視をするためのシステムおよび方法
JP2018204604A (ja) 圧縮機の着氷を検出するためのシステムおよび方法
CN109538314B (zh) 污染累积模型
US9896960B2 (en) Adaptive model-based method to quantify degradation of a power generation system
CN110346259A (zh) 一种燃机自洁式进气过滤器反吹性能评价系统和方法
Hanachi et al. Enhancement of prognostic models for short-term degradation of gas turbines
US20150044020A1 (en) Method for avoiding pump surges in a compressor
CN104460741A (zh) 蒸发冷却器出口温度控制系统及方法
JP6803788B2 (ja) 情報処理装置、情報処理方法およびプログラム
EP3373233A1 (en) Scheduling maintenance to reduce degradation of a power generation system
JP6840201B2 (ja) ターボ機械用のフィルタの設計、制御および動作
US20210123850A1 (en) Prediction of state variables for air filters
Madsen et al. Gas Turbine Fouling Offshore: Air Intake Filtration Optimization
Musa Techno-economic analysis of gas turbine compressor fouling and washing.
Flesland Gas turbine optimum operation

Legal Events

Date Code Title Description
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240109

Address after: Swiss Baden

Patentee after: GENERAL ELECTRIC CO. LTD.

Address before: New York, United States

Patentee before: General Electric Co.