DE102011055474A1

DE102011055474A1 - System und Verfahren zur hybriden Risikomodellierung von Strömungsmaschinen

Info

Publication number: DE102011055474A1
Application number: DE102011055474A
Authority: DE
Inventors: Xiaomo Jiang; Christopher John Farral; Tong Zou
Original assignee: General Electric Co
Current assignee: General Electric Technology GmbH
Priority date: 2010-11-19
Filing date: 2011-11-17
Publication date: 2012-05-24
Also published as: JP5916069B2; US20120130688A1; CN102567569A; FR2967724B1; JP2012113708A; FR2967724A1; US8712739B2

Abstract

Es sind hier Systeme und Verfahren für die Verbesserung des Betriebs von Strömungsmaschinen offenbart. Diese Systeme und Verfahren umfassen ein hybrides Risikomodell (82). Das hybride Risikomodell (82) umfasst ein physikalisch basiertes Teilmodell (78, 102, 206) und ein statistisches Teilmodell (80, 208). Das physikalisch basierte Teilmodell (78, 102, 206) ist dafür eingerichtet, physikalische Komponenten einer Strömungsmaschine (10) nachzubilden. Das statistische Teilmodell (80, 208) ist dafür eingerichtet, Verlaufsangaben über die Strömungsmaschine (10) nachzubilden. Das hybride Risikomodellinenparameter (84, 86, 88, 202, 204, 208) zu berechnen.

Description

ALLGEMEINER STAND DER TECHNIK
Der hier beschriebene Erfindungsgegenstand betrifft Systeme und Verfahren, die die Risikomodellierung betreffen.
Bei verschiedenen Systemen, beispielsweise Turbinensystemen, kann eine komplexe mechanische Wechselbeziehung zwischen verschiedenen Bauteilen und Teilkomponenten vorhanden sein. Eine Turbine kann beispielsweise eine oder mehrere Laufradstufen (z. B. Räder und Schaufeln) umfassen, die zu einer axialen Drehung in der Lage sind. Die Schaufeln oder Blätter jeder Stufe sind in der Lage, einen Fluidstrom in eine mechanische Bewegung umzuwandeln. Die Blätter sind über verschiedene Verbindungselemente, beispielsweise eine Sicherungsdrahtnase, am Laufrad befestigt. Die Verbindungselemente können leider Verschleiß (z. B. Spannungsrisse) zeigen und müssen möglicherweise repariert oder ersetzt werden. Ebenso können andere Bauteile des Turbinensystems Verschleiß zeigen und müssen möglicherweise repariert oder ersetzt werden. Derzeit werden manuelle Prüfverfahren eingesetzt, um zu ermitteln, ob bei einem Bauteil eine Reparatur oder ein Austausch fällig ist. Bei diesen Prüfungen muss das Turbinensystem abgeschaltet werden, was üblicherweise zeitaufwändig und teuer ist.
KURZE BESCHREIBUNG DER ERFINDUNG
Bestimmte Ausführungsformen entsprechend des Geltungsbereichs der ursprünglich beanspruchten Erfindung sind nachstehend zusammengefasst. Diese Ausführungsformen sollen den Geltungsbereich der beanspruchten Erfindung nicht einschränken, sondern sollen vielmehr lediglich eine kurze Zusammenfassung möglicher Formen der Erfindung bereitstellen. So kann die Erfindung verschiedene Formen umfassen, die den nachstehend dargelegten Ausführungsformen ähneln oder sich von ihnen unterscheiden können.
In einer ersten Ausführungsform umfasst ein System zur Analyse von Strömungsmaschinen ein hybrides Risikomodell. Das hybride Risikomodell umfasst ein physikalisch basiertes Teilmodell und ein statistisches Teilmodell. Das physikalisch basierte Teilmodell ist dafür eingerichtet, physikalische Komponenten einer Strömungsmaschine nachzubilden. Das statistische Teilmodell ist dafür eingerichtet, Verlaufsangaben über die Strömungsmaschine nachzubilden. Das hybride Risikomodell kann einen Strömungsmaschinenparameter berechnen.
In einer zweiten Ausführungsform enthält ein nichtflüchtiger maschinenlesbarer Datenträger ein hybrides Risikomodell. Das hybride Risikomodell umfasst ein physikalisch basiertes Teilmodell und ein statistisches Teilmodell. Das physikalisch basierte Teilmodell ist dafür eingerichtet, physikalische Komponenten eines Turbinensystems nachzubilden. Das statistische Teilmodell ist dafür eingerichtet, Verlaufsangaben über das Turbinensystem nachzubilden. Das hybride Risikomodell kann einen Turbinensystemparameter berechnen.
In einer dritten Ausführungsform umfasst ein Verfahren zum Erstellen eines hybriden Risikomodells die Analyse physikalischer Komponenten einer Strömungsmaschine, um eine physikalische basierte Analyse zu erhalten. Das Verfahren umfasst auch die Analyse statistischer Informationen über die Strömungsmaschine, um eine statistische Analyse zu erhalten. Das Verfahren umfasst zusätzlich das Verknüpfen der physikalisch basierten Analyse und der statistischen Analyse. Auf der Grundlage der Verknüpfung der physikalisch basierten Analyse mit der statistischen Analyse wird ein hybrides Risikomodell erhalten. Das hybride Risikomodell ist dafür eingerichtet, einen Strömungsmaschinenparameter zu berechnen.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Diese und weitere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung sind mit der folgenden ausführlichen Beschreibung unter Bezug auf die zugehörigen Zeichnungen, in denen gleiche Bezugszeichen in sämtlichen Zeichnungen gleiche Teile darstellen, besser zu verstehen, wobei:
1 eine Querschnittdarstellung einer Ausführungsform eines Turbinensystems darstellt, die beispielhafte Bauteile veranschaulicht,
2 eine Detailansicht einer Ausführungsform von Bauteilen des Turbinensystems darstellt, das in 1 dargestellt ist,
3 ein Ablaufdiagramm einer Ausführungsform einer Modellierungs- und Anlagegüterverwaltungslogik darstellt,
4 ein Ablaufdiagramm einer Ausführungsform einer hybriden Risikomodellierungslogik darstellt,
5 ein Ablaufdiagramm einer Ausführungsform einer Identifizierungslogik darstellt,
6 ein Ablaufdiagramm einer Ausführungsform einer Logik zur Berechnung eines Wartungsfaktors darstellt,
7 ein Ablaufdiagramm einer Ausführungsform einer Vielzahl von hybriden Risikomodellen darstellt,
8 ein Ablaufdiagramm einer Ausführungsform eines Verfahrens darstellt, das sich für die Vorhersage der Außerbetriebnahme von Laufrädern eignet.
AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNG
Eine oder mehrere konkrete Ausführungsformen der vorliegenden Erfindung werden nachstehend beschrieben. Um diese Ausführungsformen kurz und knapp zu beschreiben, sind möglicherweise nicht alle Merkmale einer tatsächlichen Ausführung in der Beschreibung beschrieben. Es sollte erkannt werden, dass bei der Entwicklung einer derartigen tatsächlichen Ausführung, wie bei jedem technischen Projekt oder Konstruktionsprojekt, zahlreiche ausführungsspezifische Entscheidungen getroffen werden müssen, um die konkreten Ziele des Entwicklers zu erreichen, beispielsweise die Einhaltung systembezogener und unternehmensbezogener Aspekte, die sich von einer Ausführung zur nächsten unterscheiden können. Es sollte ferner erkannt werden, dass dieser Entwicklungsaufwand komplex und zeitaufwändig sein könnte, für einen Fachmann, der aus dieser Offenbarung Nutzen zieht, aber dennoch Routine in der Konstruktion, Herstellung und Produktion wäre.
Wenn Elemente verschiedener Ausführungsformen der vorliegenden Erfindung vorgestellt werden, sollen die Artikel ”ein”, ”eine”, ”der”, ”die” und ”das” bedeuten, dass ein oder mehrere der Elemente vorhanden ist bzw. sind. Die Begriffe ”umfassen”, ”enthalten” und ”aufweisen” sollen einschließend sein und bedeuten, dass zusätzliche Elemente außer den aufgeführten Elementen vorhanden sein können.
Die offenbarten Ausführungsformen umfassen Systeme und Verfahren für die Vorhersage von Anlagenausfällen, die Optimierung der Betriebslebensdauer und/oder die Verbesserung von Wartungsverfahren für Maschinensysteme. Die offenbarten Ausführungsformen umfassen insbesondere die Erstellung von hybriden Risikomodellen, mit denen die Verknüpfung einer physikalisch basierten Analyse oder physikalisch basierter Modelle mit einer statistischen Analyse oder Modellen aus empirischen Daten möglich ist, die während des realen Einsatzes mechanischer Maschinen wie dem Turbinensystem, das ausführlicher nachstehend unter Bezug auf 1 beschrieben ist, beobachtet werden. Mit den hybriden Risikomodellen wird auch auf Einheitsebene die Vorhersage von Ausfällen, Optimierung der Lebensdauer und/oder verbesserte Verwaltung einzelner Einheiten wie einzelnen Turbinensystemen ermöglicht. Das bedeutet, dass der Betrieb eines Bestands an Turbinensystemen, beispielsweise eines Bestands an den Turbinensystemen MS-7000F, eines Bestands an den Turbinensystemen MS-7000FA und/oder eines Bestands an den Turbinensystemen MS-9000F, erhältlich von General Electric Co., Schenectady, New York, USA, auf der Ebene der einzelnen Turbine verwaltet werden kann, sodass die Einzelverwaltung von im Wesentlichen allen Turbinenanlagen im Bestand möglich ist. Die hier beschriebenen Ausführungsformen ermöglichen zusätzlich den gemeinsamen Zugriff auf Daten, Modelle, Berechnungen und/oder Vorgänge im gesamten Turbinenbestand, sodass der Betrieb des Turbinenbestands auf mehreren Ebenen (z. B. Einheitsebene und Bestandsebene) verwaltet werden kann.
Die statistische Analyse kann beispielsweise eingesetzt werden, um zu versuchen, das Ausfallrisiko eines Turbinenbauteils auf der Grundlage von Verlaufsdaten vorherzusagen. Diese statistische Analyse ist jedoch möglicherweise nicht so genau, insbesondere, wenn sie bei Vorhersagen für eine konkrete Einheit angewendet wird. Die physikalische basierte Analyse von Bauteilen kann ebenfalls eingesetzt werden, um zu versuchen, Anlagenausfälle vorherzusagen. Mit dieser physikalisch basierten Analyse können Modelle erstellt werden, die virtuelle Darstellungen der Bauteile enthalten. Die virtuellen Darstellungen können dann beispielsweise zur Simulation des Verschleißes der Bauteile verwendet werden. Mit dieser physikalisch basierten Analyse allein kann jedoch auch nicht die gewünschte Vorhersagegenauigkeit erreicht werden. Mit den offenbarten Ausführungsformen können hybride Risikomodelle erhalten werden, die bestimmte statistische Analysen und physikalisch basierte Analysen zusammenfassen. Die hybriden Risikomodelle können zu einer verbesserten Vorhersagegenauigkeit führen. So ist mit den offenbarten Ausführungsformen eine viel bessere Vorhersagegenauigkeit über die gesamte Lebensdauer einzelner Turbinenanlagen oder anderer Strömungsmaschinen möglich.
In bestimmten Ausführungsformen kann das Verhalten eines konkreten Turbinensystems während der Betriebslebensdauer des Systems beobachtet werden und diese Beobachtungen können zur Vorhersage unerwünschter Wartungsereignisse, beispielsweise dem Auftreten eines Risses in einer Sicherungsdrahtnase, verwendet werden, die unplanmäßige Wartungsarbeiten erforderlich machen und/oder Zusatzkosten mit sich bringen können. Die offenbarten Ausführungsformen verbessern so die Betriebslebensdauer mechanischer Systeme durch die Analyse von Daten aus diesen Systemen, die Ermittlung der Wahrscheinlichkeit unplanmäßiger Wartungsereignisse und die Empfehlung des Austauschs bestimmter Teile, um unplanmäßige Störungen des Systembetriebs zu minimieren oder im Wesentlichen auszuschließen. Es können folglich ein stark verbesserter Wartungsplan und eine stark verbesserte Anlagegüterverwaltung von Systemen in einem Turbinenbestand erreicht werden. Die Betriebslebensdauer der analysierten Strömungsmaschinen kann so verbessert werden, während gleichzeitig das Auftreten unplanmäßiger Wartungsereignisse reduziert oder im Wesentlichen ausgeschlossen wird.
Es kann vorteilhaft sein, zuerst Ausführungsformen bestimmter mechanischer Systeme zu besprechen, die mit den offenbarten Ausführungsformen verwendet werden können. Unter Berücksichtigung des Vorhergehenden und unter Bezug auf 1 veranschaulicht die Figur eine Seitenansicht im Querschnitt einer Ausführungsform eines Turbinensystems oder einer Gasturbine 10. Mechanische Systeme wie das Turbinensystem 10 erfahren unter Betriebsbedingungen mechanische und thermische Beanspruchungen, die eine regelmäßige Wartung oder einen Austausch erforderlich machen können. Während des Betriebs des Turbinensystems 10 kann ein Kraftstoff wie Erdgas oder Synthesegas zum Turbinensystem 10 durch eine oder mehrere Kraftstoffdüsen 12 in eine Brennkammer 16 geleitet werden. Luft kann durch einen Lufteinlassabschnitt 18 in das Turbinensystem 10 strömen und kann von einem Kompressor 14 komprimiert werden. Der Kompressor 14 kann eine Reihe von Stufen 20, 22 und 24 aufweisen, die die Luft komprimieren. Jede Stufe kann einen oder mehrere Sätze Leitschaufeln 26 umfassen und Schaufeln 28, die sich drehen, um den Druck schrittweise zu erhöhen, um komprimierte Luft bereitzustellen. Die Schaufeln 28 können an sich drehenden Rädern 30 befestigt sein, die mit einer Welle 32 verbunden sind. Die komprimierte Ausströmluft aus dem Kompressor 14 kann den Kompressor 14 durch einen Diffusorabschnitt 36 verlassen und kann in die Brennkammer 16 geleitet werden, um mit dem Kraftstoff vermischt zu werden. Die Kraftstoffdüsen 12 können beispielsweise ein Kraftstoff-Luft-Gemisch in einem geeigneten Verhältnis für eine optimale Verbrennung, optimale Emissionen, einen optimalen Kraftstoffverbrauch und eine optimale Ausgangsleistung in die Brennkammer 16 spritzen. In bestimmten Ausführungsformen kann das Turbinensystem 10 mehrere Brennkammern 16 aufweisen, die in einer ringförmigen Anordnung angeordnet sind. Jede Brennkammer 16 kann heiße Verbrennungsgase in eine Turbine 34 leiten.
Wie dargestellt ist, weist die Turbine 34 drei getrennte Stufen 40, 42 und 44 auf. Jede Stufe 40, 42 und 44 umfasst einen Satz Schaufeln oder Blätter 46, die mit einem jeweiligen Laufrad 48, 50 und 52 gekoppelt sind, das an einer Welle 54 befestigt ist. Wenn die heißen Verbrennungsgase die Drehung der Turbinenschaufeln 46 bewirken, dreht sich die Welle 54, um den Kompressor 14 und jede andere geeignete Last, beispielsweise einen elektrischen Generator, anzutreiben. Das Turbinensystem 10 verteilt schließlich die Verbrennungsgase und stößt sie durch einen Ausstoßabschnitt 60 aus.
Turbinenbauteile wie die Schaufeln oder Blätter 46 können mit Verbindungselementen wie einer Sicherungsdrahtnase, wie sie in 2 dargestellt ist, an den Laufrädern 48, 50 und 52 befestigt sein. Die Schaufeln 46 und die Sicherungsdrahtnase erfahren während des Turbinenbetriebs hohe Temperaturen und Beanspruchungen. Es können regelmäßige Inspektionen erfolgen, um zu prüfen und zu bestätigen, dass die Sicherungsdrahtnase und die Schaufeln 46 innerhalb der vorgeschriebenen Betriebsparameter liegen. So können beispielsweise Wirbelstromprüfungen zur Analyse der Sicherungsdrahtnase, der luftgekühlten Schlitze, der Außenstegrundungen und Innenstegrundungen bei jeder Schaufel 46 eingesetzt werden. Das Turbinensystem 10 wird jedoch im Allgemeinen außer Betrieb genommen, um diese Tests durchzuführen, was sehr teuer und ineffizient sein kann.
2 veranschaulicht eine Detailansicht einer Ausführungsform eines Laufrads (z. B. des Laufrads 48, 50 oder 52). Jedes Laufrad 48, 50 oder 52 weist ein Befestigungselement, beispielsweise eine Sicherungsdrahtnase 62 auf, das sich zum Koppeln der Schaufeln 46 mit dem jeweiligen Laufrad 48, 50 oder 52 eignet. Die Sicherungsdrahtnase 62 weist eine nach außen gerichtete Seite 64 auf, die im Wesentlichen von einem Mittelpunkt des Laufrads 48, 50 oder 52 aus nach außen zeigt, und eine nach innen gerichtete Seite 66, die im Wesentlichen zum Mittelpunkt des Laufrads 48, 50 oder 52 hin nach innen zeigt. Das Laufrad 48, 50 oder 52 weist auch einen Luftkühlschlitz 68 auf, der zum Senken der Temperatur des Rads 48, 50 oder 52 während der Drehung des Rads von Nutzen ist. Bei der Sicherungsdrahtnase 62 und dem Luftkühlschlitz 68 kann es zu unplanmäßigen Wartungsereignissen kommen. Es kann beispielsweise zur Rissbildung an der nach außen oder nach innen gerichteten Seite 64, 66 der Sicherungsdrahtnase 62 kommen. Ebenso kann es zur Rissbildung am Umfang des Luftkühlschlitzes 68 kommen.
Wie nachstehend ausführlicher erläutert ist, umfassen die offenbarten Ausführungsformen die Erstellung von Modellen, beispielsweise hybriden Risikomodellen, mit denen die physikalischen Eigenschaften des analysierten Bauteils (z. B. der Räder 48, 50, 52) erfasst und die physikalisch basierten Modelle und statistische Analysen zusammengefasst werden können. Ein solches hybrides Risikomodell auf Einheitsbasis kann beispielsweise zur Vorhersage des Risikos eines unplanmäßigen Ereignisses für ein konkretes Turbinensystem 10 im Bestand verwendet werden. Ebenso können hybride Risikomodelle auf Teilebasis verwendet werden, um das Risiko unplanmäßiger Ereignisse im Bestand vorherzusagen, die auf ein Teil und die Lage des Teils bezogen sind, beispielsweise die nach außen gerichtete Seite 64 der Sicherungsdrahtnase 62, die nach innen gerichtete Seite 66 der Sicherungsdrahtnase 62 und den Luftkühlschlitz 68. Es kann dementsprechend die Wahrscheinlichkeit eines unplanmäßigen Wartungsereignisses bei einem einzelnen Turbinensystem oder einer einzelnen Turbineneinheit 10 auf der Grundlage der Anzahl der tatsächlichen Betriebsstunden berechnet werden. Die hybriden Risikomodelle können ferner verwendet werden, um den Betrieb jeder oder aller Turbineneinheiten 10 im Bestand zu optimieren. Unter Verwendung der hier beschriebenen Vorhersage-Ausführungsformen kann beispielsweise ein effizienterer Wartungs- und Standzeitenplan erhalten werden. Es versteht sich, dass die hier beschriebenen Verfahren in beinahe jedem mechanischen System verwendet werden können, das Verschleiß unterliegt. So kann eine Anlagegüterverwaltungslogik, die sich für die Verwaltung verschiedener maschineller Anlagegüter eignet, beispielsweise die nachstehende Anlagegüterverwaltungslogik von 3, in mehreren mechanischen Systemen, einschließlich des Turbinensystems 10, verwendet werden.
3 ist ein Ablaufdiagramm einer Ausführungsform einer Logik 70, die zur Nachbildung und Verwaltung von Anlagegütern einer Strömungsmaschine wie dem Turbinensystem 10 verwendet werden kann. Es versteht sich, dass die Logik 70 und die offenbarten Ausführungsformen bei jeder Strömungsmaschine, beispielsweise Turbinen, Kompressoren und Pumpen, verwendet werden können. Turbinen können Gasturbinen, Dampfturbinen, Windkraftanlagen, Wasserturbinen und so weiter umfassen. Die Logik 70 kann ferner nichtflüchtigen maschinenlesbaren Code oder Computerbefehle enthalten, die von einer Recheneinrichtung zum Umwandeln von Daten wie Sensordaten in hybride Risikomodelle und Anlagegüterverwaltungsverfahren verwendet werden können. Zusätzlich können die Logik 70 sowie alle hier beschriebenen Modelle und Teilmodelle in einer Steuerung gespeichert werden und zum Steuern von beispielsweise Logistikaktivitäten und Wartungsarbeiten, die mit der Strömungsmaschine und Anlagegütern der Strömungsmaschine in Zusammenhang stehen, verwendet werden. Es können folglich verschiedene Daten von jedem einzelnen Turbinensystem 10 erfasst werden (Block 72). Die Daten können Betriebsdaten 74 und Überwachungs- und Diagnosedaten (Ü&D) 76 umfassen. Die Betriebsdaten 74 können einen Wartungsverlauf für jede Einheit 10 im Bestand enthalten, einschließlich Wartungsprotokolldaten wie die bisherige Ausstattungskonfiguration und das Datum und die Art der Reparaturen. Die Betriebsdaten 74 können auch das Datum und die Art der Turbinenstarts (z. B. Heißstart, mittlerer Start, Kaltstart) und alle unplanmäßigen Wartungsereignisse (z. B. Risse im Sicherungsdraht, Risse in den Luftkühlschlitzen) umfassen. Die Ü&D-Daten 76 können Daten umfassen, die beispielsweise von Sensoren an mehreren Stellen und Systemen an der Turbine 10 übertragen werden, beispielsweise an den Kraftstoffdüsen 12, dem Kompressor 14, der Brennkammer 16, der Turbine 34 und/oder dem Ausstoßabschnitt 60. Zusätzlich können die erfassten Daten Temperatur, Druck, Strömungsgeschwindigkeit, Drehzahl, Vibrationen und/oder Stromerzeugung (z. B. Wattleistung, Stromstärke, Spannung) umfassen.
Eine physikalisch basierte Berechnung (Block 78) des Wartungsfaktors (WF) kann für jede Einheit 10 im Bestand abgeleitet werden. In einer Ausführungsform basiert die WF-Berechnung auf einer Lebensdauerparameter(LP)-Funktion oder -Kurve. Die LP-Funktion wird zur Definition der Betriebslebensdauer bei bestimmten Temperaturen für ein bestimmtes Teil und/oder eine bestimmte Stelle eines Teils, beispielsweise die Sicherungsdrahtnase 62 und/oder den Luftkühlschlitz 68, verwendet. Die LP-Funktion kann durch Nachbilden eines mechanischen Bauteils (z. B. Schaufel, Sicherungsdrahtnase, Luftkühlschlitz) mit physikalisch basierten Modellierungsverfahren erhalten werden, beispielsweise Lebensdauervorhersage-Modellierung bei niederzyklischer Belastung (LCF), numerische Strömungsmechanik (CFD), Finite-Elemente-Analyse (FEA), Körpermodellierung (z. B. parametrische und nichtparametrische Modellierung) und/oder FEA-Mapping von dreidimensional nach zweidimensional. So können verschiedene Modellierungsverfahren verwendet werden, einschließlich Thermofluiddynamik-Verfahren, die zu einer numerischen und physikalischen Nachbildung des Turbinensystems 10 und von Turbinenbauteilen führen können. In einer Ausführungsform kann die LP-Funktion bei verschiedenen Metalltemperaturen als Transferfunktion auf der Grundlage der Temperatur eines Metalls, einer Spannung und der Betriebsstunden pro Start (d. h. N_Quotient) erhalten werden, wie nachstehend ausführlicher beschrieben ist. Die LP-Funktion kann anschließend normalisiert werden, woraus sich eine normalisierte Lebensdauerparameter(NLP)-Funktion oder -Kurve ergibt. Der WF kann anschließend im Allgemeinen als Kehrwert des NLP erhalten werden, das heißt WF = SSF·1/NLP, wobei SSF ein Spannungsskalierungsfaktor für verschiedene Komponentengestaltungen (z. B. gebogene Schlitze gegenüber quadratischen Schlitzen) ist, wie nachstehend ausführlicher beschrieben ist.
Es können Data-Mining-Aktivitäten (Block 80) verwendet werden, die die Betriebsdaten 74 und die Ü&D-Daten 76 als Eingangsdaten verwenden können. Die Eingangsdaten für das Data-Mining können vorverarbeitet werden und anschließend analysiert werden, um aus den Daten Muster zu extrahieren. Zu den Data-Mining Verfahren können Clusterverfahren, Klassifikationsverfahren, Regressionsmodellierungsverfahren, Verfahren zum Erlernen von Regeln (z. B. Assoziationsverfahren) und/oder statistische Verfahren gehören, die sich für die Erkennung von Mustern oder Beziehungen zwischen den Eingangsdaten eignen. Mit Clusterverfahren können beispielsweise Gruppen oder Strukturen in den Daten erkannt werden, die auf eine bestimmte Weise ”ähnlich” sind. Mit Klassifikationsverfahren können Datenpunkte als Mitglieder bestimmter Gruppen zugeordnet werden, beispielsweise Turbinen 10, bei denen die Wahrscheinlichkeit höher ist, dass ein unplanmäßiges Wartungsereignis eintritt. Regressionsverfahren können verwendet werden, um Funktionen zu ermitteln, mit denen die Daten in einem bestimmten Fehlerbereich modelliert werden können. Verfahren zum Erlernen von Regeln können verwendet werden, um Beziehungen zwischen Variablen zu ermitteln. Die Verwendung des Erlernens von Regeln kann beispielsweise zur Assoziation bestimmter Kaltstartvorgänge mit einem verstärkten Schaufelverschleiß führen. Die physikalisch basierte WF-Berechnung (Block 78) und das Data-Mining (Block 80) können die Erstellung von hybriden Mehrstellen-Mehrebenen-Risikomodellen 82 ermöglichen.
Die hybriden Mehrstellen-Mehrebenen-Risikomodelle 82 können auf verschiedenen Ebenen des Turbinensystems 10 arbeiten, beispielsweise können die Modelle Vorhersagefunktionen für das Turbinensystem 10 als Ganzes, für einen Turbinensystembestandteil wie ein Laufrad oder einen Kompressor, für einzelne Laufradbauteile wie eine Laufradschaufel und für einzelne Abschnitte des Laufrads wie Sicherungsdrahtnasen 62 und Luftkühlschlitze 68 ermöglichen. Die hybriden Risikomodelle können auch in Bereichen eines Systems wie dem Turbinensystem 10 arbeiten. Zu Beispielstellen, die für Vorhersageergebnisse verwendet werden, können der Lufteinlassabschnitt, der Kompressorabschnitt, der Laufradabschnitt und der Ausstoßabschnitt gehören. Tatsächlich kann jede Stelle oder jeder Abschnitt des Turbinensystems 10 verwendet werden. Mit den hybriden Mehrstellen-Mehrebenen-Risikomodellen 82 wird zusätzlich die Vorhersage unplanmäßiger Ereignisse (Block 84), die Optimierung der Laufradlebensdauer (Block 86) und/oder die Außerbetriebnahme von Laufrädern (Block 88) ermöglicht.
Die Vorhersage unplanmäßiger Ereignisse (Block 84) kann verwendet werden, um unplanmäßige Ereignisse wie Vorfälle an Sicherungsdrahtnasen, Vorfälle an Luftkühlschlitzen, Vorfälle im Zusammenhang mit Spannungen im Metall, Vorfälle im Zusammenhang mit Temperaturspannungen und/oder Vorfälle im Zusammenhang mit dem Betrieb vorherzusagen. Dies bedeutet, dass die Wahrscheinlichkeit des Auftretens unplanmäßiger Wartungsereignisse wie einem Riss einer Sicherungsdrahtnase für eine einzelne Einheit 10 vorhergesagt werden kann und Korrekturmaßnahmen vor dem tatsächlichen Auftreten des Ereignisses ergriffen werden können. So können beispielsweise die Betriebsstunden verwendet werden, um eine hohe Wahrscheinlichkeit eines unplanmäßigen Wartungsereignisses vorherzusagen, das ein konkretes Laufrad betrifft. Am Turbinensystem 10 können anschließend vorbeugende Instandhaltungsarbeiten vorgenommen werden, um das Laufrad zu prüfen und/oder zu ersetzen. Diese Vorhersagemöglichkeiten ermöglichen tatsächlich eine optimalere Lebensdauer und eine bessere Leistung von Strömungsmaschinen wie dem Turbinensystem 10. Die Vorhersagemöglichkeiten der hier offenbarten Verfahren ermöglichen folglich die Optimierung der Laufradlebensdauer (Block 86).
Die Laufradlebensdauer kann optimiert werden (Block 86), indem beispielsweise auf der Grundlage des tatsächlichen Einsatzes und des bisherigen Betriebs eines konkreten Turbinensystems 10 und eines oder mehrerer hybrider Risikomodelle 82 ein Wartungsprogramm erstellt und eingehalten wird. Das Wartungsprogramm kann den bisherigen Wartungsverlauf für das Turbinensystem 10, den Verlauf der Bauteilmontage (z. B. Art der eingebauten Bauteile), die Betriebsstunden (einschließlich Heiß-, Warm- und Kaltstartstunden), die Art des verbrannten Kraftstoffs (z. B. Flüssigkraftstoff, Synthesegas), die entstehenden Belastungen, die Betriebsdaten 74 und/oder die Ü&D-Daten 76 berücksichtigen. Es kann auch ein Verfahren zur Vorhersage der Außerbetriebnahme von Laufrädern (Block 88) verwendet werden, wie nachstehend ausführlicher erläutert ist, um die Auslastung (z. B. Betriebsdauer) des Laufrads zu maximieren, bevor das Laufrad außer Betrieb genommen und ersetzt wird.
Die Anlagegüterverwaltung (Block 90) für das Turbinensystem 10 kann somit die Vorhersage unplanmäßiger Ereignisse (Block 84), die Optimierung der Laufradlebensdauer (Block 86) und Verfahren zur Außerbetriebnahme von Laufrädern (Block 88) umfassen. Das Turbinensystem 10 kann ferner verwaltet werden, indem beispielsweise ein computergestütztes System erarbeitet wird, das für die Überwachung von Turbinenbauteilen und zugehörigen Anlagegütern geeignet ist, einschließlich des Auftretens planmäßiger und unplanmäßiger Wartungsereignisse, des Verlaufs der Bauteilmontage, der Betriebsstunden, Belastungen und weiterer Betriebsdaten 74 und Ü&D-Daten 76. Ein solches computergestütztes System kann auch nichtflüchtige Datenträger umfassen, die die hybriden Risikomodelle 82 speichern, sowie Befehle zum Aktualisieren der hybriden Risikomodelle 82 mit neuen Daten 74 und 76. Das computergestützte System kann folglich beim Kunden eingesetzt werden, um die einzelnen Turbinensysteme 10 oder einen Bestand von Turbinensystemen 10 zu verwalten. Ein derartiges computergestütztes Anlagegüterverwaltungssystem kann die Betriebslebensdauer eines Bestands an Turbinensystemen 10 durch kontinuierliche Überwachung der Systeme 10, die Aktualisierung der hybriden Risikomodelle 82 und die Ermöglichung der besseren Ausnutzung der verwalteten Anlagegüter tatsächlich verlängern.
4 ist ein Ablaufdiagramm einer Ausführungsform einer Logik 92, die sich zum Ableiten der hybriden Risikomodelle 82 eignet. In dem dargestellten Beispiel werden ein oder mehrere Datenquellen 94 verwendet, um Eingangsdaten zu liefern, beispielsweise die Daten 96 der Einheit 10, die OSM-Daten (On Site Monitoring) 98, die Blatt- oder Schaufelkonfigurationsdaten 100 und die physikalischen Modelldaten 102. Die Datenquellen 94 können Sensoren umfassen, die an den Turbinensystemen 10 angeordnet sind, Wartungsprotokolle (z. B. unplanmäßige Ereignisse, planmäßige Ereignisse), technische Zeichnungen (z. B. CAD-Zeichnungen), technische Modelle (z. B. CFD-Modelle, FEA-Modelle, Körpermodelle, thermische Modelle) und die aktuelle Konfiguration der Turbinensysteme. Die Daten 96, 98, 100 und 102 können anschließend in einer physikalischen und statistischen Analyselogik 104 verwendet werden. Die Logik 104 kann zuerst eine Einheitsdatenbereinigung (Block 106) durchführen. Bei der Einheitsdatenbereinigung (Block 106) können Datensätze vorverarbeitet werden, beispielsweise durch Entfernen falscher Sätze und/oder doppelter Sätze. Bei der Einheitsdatenbereinigung (Block 106) können auch bestimmte Sätze so umgewandelt werden, dass sie dieselben Einheiten (z. B. metrische Einheiten, angloamerikanische Einheiten) enthalten, dass Zeitmaße vereinheitlicht werden (z. B. Sekunden in Minuten umrechnen) und, allgemeiner gesprochen, die Daten für die Weiterverarbeitung vorbereitet werden. ”Bereinigte” Daten können anschließend zum Ableiten einer physikalisch basierten Lebensdauerkurve (Block 108), oder eines LP, verwendet werden, wie nachstehend unter Bezug auf 4 bis 6 ausführlicher beschrieben ist. Nach Ableiten der physikalisch basierten Lebensdauerkurve kann eine Vorverarbeitung der Ü&D-Daten (Block 110) erfolgen, die sich für die Filterung und Bereinigung der Ü&D-Daten eignet. Die Vorverarbeitung der Ü&D-Daten ähnelt sehr der Einheitsdatenbereinigung (Block 106). Das bedeutet, dass bei der Vorverarbeitung der Ü&D-Daten (Block 110) ungültige Sätze entfernt, Daten vereinheitlicht und die Daten für die Weiterverarbeitung vorbereitet werden können.
Auf die Vorverarbeitung der Ü&D-Daten (Block 110) kann dann eine Zielanalyse (Block 112) folgen. Die Zielanalyse (Block 112) kann die mathematische und/oder statistische Analyse der Ü&D-Daten 76 umfassen und kann die WF-Gleichung, die zuvor unter Bezug auf 3 beschrieben ist, einbeziehen. Die Zielanalyse (Block 112) kann verwendet werden, um eine Reihe von Werten für jede einzelne Einheit 10 im Bestand zu berechnen, beispielsweise den Medianwert, Mittelwert, Durchschnittswert, Perzentilwerte, kumulative Verteilungsfunktionen und/oder Wahrscheinlichkeitsdichtefunktionen, für eine Vielzahl von Ü&D-Variablen. Eine nicht vollständige Auflistung von Ü&D-Variablen kann die Wattleistung des Generators (DWATT), die Turbinenleistung (TNH), den Kraftstoffwert (FSR), die Position der Kompressoreinlassleitschaufel (CSGV), die Umgebungstemperatur am Einlass (TAMB), die Eingangstemperatur am Kompressor (CTIM), die Ausgangstemperatur am Kompressor (CTD), den Ausgangsdruck am Kompressor (CPD), das Druckverhältnis des Kompressors (CPR), die Kraftstoffzufuhr-Bezugsposition (FSR), die Wellendrehzahl der Hochdruckturbine in % (TNH), die Abgastemperatur (TTXM), die Verbrennungsreferenztemperatur (TTRF1), die Turbinenradzwischenraumtemperatur, erste Stufe, vorn, innen (TTWS1FI) und/oder die Turbinenradzwischenraumtemperatur, erste Stufe, hinten, außen (TTWS1AO), die Anzahl der Kaltstarts, die Anzahl der Heißstarts und die Anzahl der Warmstarts umfassen. Es können tatsächlich verschiedene Werte und Leistungsparameter des Turbinensystems 10 verwendet werden.
Die Menge der Ü&D-Daten kann relativ groß sein, in einigen Fällen werden Daten in einem Abstand von ungefähr fünf Minuten über den Zeitraum von zwei oder mehr Jahren erfasst. Die Zielanalyse (Block 112) ist bei der Erkennung von Variablen hilfreich, die sich für die Verwendung im Analyseprozess besonders gut eignen. Diese Variablen werden als ”X_zentral”-Variablen betrachtet und nachstehend ist unter Bezug auf 5 ausführlicher eine Erkennungslogik für diese Variablen beschrieben. Mit der Zielanalyse (Block 112) wird die große Ü&D-Datenmenge auch verarbeitet oder reduziert, um ausgewählte statistische und mathematische Werte (z. B. Medianwert, Mittelwert, Durchschnittswert, Perzentilwerte, kumulative Verteilungsfunktionen und/oder Wahrscheinlichkeitsdichtefunktionen) zu erhalten, die sich für die Verwendung als Eingangsdaten für eine andere Analyselogik eignen, beispielsweise die Logik, die für die Berechnung einer äquivalenten Betriebsstunde (Block 114) verwendet wird. Mit der Zielanalyse (Block 112) kann beispielsweise ein ungefährer Dreijahres-, Zweijahres-, Einjahres-, Sechsmonats-, Dreimonatsmittelwert, -medianwert und/oder -durchschnittswert für jede der zuvor beschriebenen Ü&D-Variablen (z. B. DWATT, TNH, FSR, CSGV, TAMB und so weiter) berechnet werden, der zur Berechnung einer äquivalenten Betriebsstunde (Block 114) verwendet werden kann.
Die Ableitung (Block 114) der äquivalenten Betriebsstunde (Equivalent_FH) verbindet die Analyse mittels physikalisch basierter Modelle mit der statistischen Analyse über die Gleichung Equlvalent_FH = WF·FH, wobei FH den tatsächlichen Betriebsstunden bei einem bestimmten Turbinensystem oder einer bestimmten Turbineneinheit 10 entspricht. Die äquivalente Betriebsstunde ermöglicht, dass die einzelnen Einheiten 10 überwacht und verwaltet werden können, und verbindet die physikalisch basierte und statistische WF-Analyse mit den empirischen Betriebsstunden jeder einzelnen Einheit 10 im Turbinenbestand. Es können weitere statistische Verfahren wie die Korrelationsanalyse (Block 116) verwendet werden, wie nachstehend ausführlicher beschrieben ist, um die Daten zu verarbeiten.
Die Korrelationsanalyse (Block 116) kann beispielsweise verwendet werden, um Beziehungen zwischen Variablen zu ermitteln, die sich für die Verwendung bei Vorhersagen eignen. In bestimmten Beispielen kann die Pearson-Korrelationsanalyse verwendet werden, um die Beziehung zwischen allen Ü&D-Faktoren oder -Variablen zu beschreiben, und es kann ein Pearson-Koeffizient abgeleitet und verwendet werden, der eine Abhängigkeit zwischen zwei Variablen angibt. Die äquivalente Betriebsstunde kann zusätzlich mit allen Ü&D-Faktoren korreliert werden. Es kann ferner eine physikalisch basierte Korrelation verwendet werden, bei der die Variablen anhand ihres entsprechenden Messpunkts und der physikalischen Eigenschaften (z. B. Bauteilgeometrie, Metallart) aufeinander bezogen werden. Es können weitere statistische Korrelationsverfahren wie t-Statistik, Interklassenkorrelation und/oder Intraklassenkorrelation verwendet werden. Die Korrelationsanalyse (Block 116) und eine multivariate Analyse (Block 118) sind bei der Erkennung von Variablen, die sich für die Verwendung im Vorhersageprozess besonders gut eignen, von Nutzen. Diese Variablen werden als ”X_zentral”-Variablen betrachtet und nachstehend ist unter Bezug auf 5 ausführlicher eine Erkennungslogik für diese Variablen beschrieben.
Die multivariate Analyse (Block 118) kann Varianzanalyseverfahren (ANOVA) und/oder die logistische Analyse umfassen. ANOVA kann beispielsweise zur Analyse einer Varianz bei einer bestimmten Variablen (z. B. Ü&D-Daten) und zur Unterteilung der Varianz in Varianzbestandteile auf der Grundlage möglicher Ursachen für die Abweichung verwendet werden. Warmstarts können beispielsweise einen größeren Teil der Abweichung bei den äquivalenten Betriebsstunden verursachen. Mit der logistischen Analyse (d. h. Logit-Modellierung) kann die Wahrscheinlichkeit des Auftretens eines Ereignisses durch Anpassen der Daten an eine logistische Kurve (z. B. S-Kurve) abgeleitet werden. Es können weitere Verfahren zur multivariaten Analyse verwendet werden, beispielsweise MANOVA und die multiple Diskriminanzanalyse, wie nachstehend beschrieben ist. Anschließend können geeignete Variablen, die mittels der ”X_zentral”-Analyse ermittelt wurden, in einer Risikomodellierungsanalyse verwendet werden, beispielsweise einer Weibull-Risikomodellierung (Block 120). In bestimmten Ausführungsformen kann die Weibull-Risikomodellierung (Block 120) verwendet werden, um eine Reihe von Proportional-Hazard-Modellen abzuleiten. Bei den Proportional-Hazard-Modellen kann die Zeit, die vor dem Auftreten eines unplanmäßigen Wartungsereignisses (z. B. Risse der Luftkühlschlitze, Risse der Sicherungsdrahtnasen, Radaustausch, Schaufelrisse) vergeht, zu einer oder mehreren Kovariaten (z. B. Ü&D-Faktoren, äquivalente Betriebsstunden) in Beziehung gebracht werden So kann beispielsweise die Erhöhung eines bestimmten Prozentsatzes an Warmstarts die Wahrscheinlichkeit des Auftretens eines unplanmäßigen Ereignisses auf der nach innen gerichteten Seite der ersten Stufe erhöhen. Die Weibull-Risikomodellierung (Block 120) kann auch ein Intervallzensierungsverfahren beinhalten, das sich zur Analyse des Auftretens von Ereignissen zwischen Kontrollen, beispielsweise zwischen Turbineninspektionen, eignet. Mit dem Intervallzensierungsverfahren kann somit eine Überlebensfunktion zwischen zwei Inspektionsereignissen abgeleitet werden, die zur Vorhersage der Wahrscheinlichkeit des Auftretens unplanmäßiger Ereignisse verwendet werden kann.
Bei einer Risikoanalyse und Empfehlung (Block 122) können folglich die Weibull-Risikomodellierung (Block 120) und die zuvor erwähnten statistischen Verfahren (z. B. Berechnungen der äquivalenten Betriebsstunde 114, Korrelationsanalyse 116, multivariate Analyse 118) verwendet werden, um die Gruppe von hybriden Risikomodellen 82 zu erhalten und sämtliche Hochrisikoeinheiten 124 zu ermitteln, die möglicherweise im Bestand arbeiten. Die hybriden Risikomodelle 82 und die Liste der Hochrisikoeinheiten 124 können zur Verwendung bei der Verwaltung des Turbinenbetriebs und von Anlagegütern einem Kunden zur Verfügung gestellt werden (Block 126). Die Kunden können dann das hybride Risikomodell 82 zur Verbesserung des Einsatzes des Turbinensystems 10 verwenden, indem ein effizienterer und gezielterer Wartungsplan für einzelne Einheiten 10 im Bestand ermöglicht wird. Diese Möglichkeiten können eine verlängerte Lebensdauer und geringere Wartungskosten für die Einheiten 10 im Bestand zur Folge haben.
5 veranschaulicht eine Ausführungsform einer ”X_zentral”-Erkennungslogik 128, die die Einstufung einer Vielzahl von Variablen wie den Ü&D-Variablen als Variablen mit einer besonderen Eignung zur Verwendung im Vorhersageprozess ermöglicht. Wie zuvor erwähnt ist, kann die Zahl der Ü&D-Variablen relativ groß sein und die Datenmenge, die für jede Ü&D-Variable erfasst wird, kann in Abständen (z. B. ungefähr fünf Minuten) über eine Zeitspanne von mehreren Jahren erfasst werden. Die ”X_zentral”-Erkennungslogik 128 ermöglicht folglich eine Verringerung der Menge der im Vorhersageprozess verwendeten Variablen. Die Logik 128 kann zuerst eine Ü&D-Datenbank 130 für eine Datenextraktion (Block 132) zum Extrahieren von Daten verwenden, die den Ü&D-Variablen entsprechen, einschließlich beispielsweise DWATT, TNH, FSR, CSGV, TAMB, CTIM, CTD, CPR, TNH, TTXM, TTRF1, TTWS1F1 und TTWS1AO. Die Logik 128 kann die extrahierten Daten anschließend für eine Datenfilterung (Block 134) zur Prüfung der Daten und zur Filterung der Daten verwenden. Die Datenprüfung kann das Entfernen falscher Daten umfassen, beispielsweise von Daten, die negative Werte aufweisen, wenn alle Werte positiv sein sollten (z. B. Zeitwerte). Ebenso können bei der Datenfilterung bestimmte Daten, die möglicherweise nicht brauchbar sind, zum Beispiel Datenpunkte, bei denen TNH 95 und DWATT < 15, entfernt oder gefiltert werden. Die Logik 128 kann die gefilterten Daten anschließend für eine statistische Einheitsanalyse (Block 136) verwenden, um eine Reihe statistischer Werte für jede Einheit 10 im Bestand abzuleiten. Diese Werte können den Maximalwert, Minimalwert, Mittelwert, Medianwert, kumulative Verteilungsfunktionen und/oder Wahrscheinlichkeitsdichtefunktionen umfassen. In bestimmten Ausführungsformen können mit der statistischen Einheitsanalyse 136 statistische Werte anhand von Daten abgeleitet werden, die aller 30 s, 1 min, 5 min, 10 min oder 30 min erfasst werden. Anschließend können mit einer Datenimputation (Block 138) fehlende Werde imputiert oder zugewiesen werden, beispielsweise unter Verwendung der Mittelwerte, die bei der statistischen Einheitsanalyse (Block 136) ermittelt wurden. Fehlenden Werten für CTD, TTWS1F1 oder TTWS1A0 können beispielsweise die Mittelwerte für jede entsprechende Variable, die während der statistischen Einheitsanalyse (136) ermittelt wurden, zugewiesen werden (Block 138).
Anschließend können mit einer Datenverarbeitung (Block 140) auf der Grundlage der Ü&D-Datenbank 130 zugehörige Werte verarbeitet und abgeleitet werden. Es kann beispielsweise anhand eines Vergleichs der Maximaltemperatur zwischen zwei TTWS1-Werten, zum Beispiel den beiden aktuellsten Werten (d. h. den Werten, die zum Zeitpunkt n und zum Zeitpunkt n + 1 ermittelt werden), ein TTWS1_temp abgeleitet werden. Anschließend kann bei einer Berechnung der Metalltemperatur (Block 142) eine physikalisch basierte Funktion zur Berechnung der Temperatur eines Metalls an unterschiedlichen Stellen im Turbinensystem 10 verwendet werden. Es kann beispielsweise die Temperatur eines Metalls wie Inconel (z. B. Inconel IN706) für den Luftschlitz, der sich in einem Turbinenlaufrad der ersten Stufe befindet, oder für die Sicherungsdrahtnase, die sich in demselben Turbinenlaufrad der zweiten Stufe befindet, ermittelt werden. Die Berechnung der Metalltemperatur (Block 142) kann tatsächlich zur Berechnung von Metalltemperaturen an einer großen Zahl von Stellen im Turbinensystem 10 verwendet werden. Auf der Grundlage der Gleichung ΔT = T_IST – T_ISO, in der T_IST die Ist-Temperatur an einer Stelle der Turbine (z. B. Luftkühlschlitz, Sicherungsdrahtnase) ist und T_ISO eine ISO-Tag-Temperatur ist, kann eine Temperaturdifferenz ΔT ermittelt werden. Genauer gesagt entspricht die ISO-Tag-Temperatur einer Vergleichstemperatur nach der Internationalen Organisation für Normung (ISO), die üblicherweise für Vergleichszwecke verwendet wird. Diese Vergleichstemperatur ist in ISO-Dokumenten wie dem ISO-Dokument 2314 "Gas Turbine-Acceptance Test" zu finden.
Die Temperaturdifferenz ΔT kann anschließend in einem Metalltemperatur-Filterungsprozess (Block 144) verarbeitet werden, um Temperaturbereiche an unterschiedlichen Stellen zu filtern. Das bedeutet, dass bestimmte Temperaturmesswerte außerhalb eines bestimmten Bereichs möglicherweise nicht verwendet werden, woraus sich ein Temperaturbereich ergibt, der bei der Ableitung weiterer Berechnungen von Nutzen ist. ΔT kann beispielsweise für Werte von unter –91°F auf –91°F festgelegt werden und ΔT kann für Werte über 209°F auf 209°F festgelegt werden. Der Metalltemperatur-Filterungsprozess (Block 144) kann folglich bei der Reduzierung von Ausreißern behilflich sein.
Anschließend kann die Berechnung (Block 146) eines normalisierten Lebensdauerparameters (NLP) zur Ableitung eines normalisierten Lebensdauerparameters (LP) verwendet werden. Wie zuvor erwähnt ist, wird der LP bei verschiedenen Metalltemperaturen für ein bestimmtes Material und eine bestimmte Stelle berechnet. Insbesondere kann die LP-Berechnung oder das Risiko auf der Grundlage der verbleibenden Zeit vor dem Auftreten eines unplanmäßigen Ereignisses (z. B. Risse der Luftkühlschlitze, Risse der Sicherungsdrahtnasen, Radaustausch, Schaufelrisse) in Abhängigkeit von der Metalltemperatur T_Metall, der Spannung σ an der Zielstelle und den Betriebsstunden pro Start (d. h. N_Quotient) berechnet werden. Der LP kann abgeleitet werden für verschiedene Stellen (z. B. Luftkühlschlitz, Sicherungsdrahtnase) und Konfigurationen für Ist-Temperaturen, ISO-Tag-Temperaturen und modellierte (z. B. ”virtuelle” Temperaturen). Die Konfigurationen können den Turbinengehäusetyp (z. B. 7F, 7FA, 7FA+, 7FA + e), den Blatt- oder Schaufeltyp (z. B. Stufe 1B, Stufe 2B), die verwendete Blattkonstruktion (ursprüngliche Konstruktion, neue Konstruktion) und/oder ob das Blatt ein Hinterschnitt-Blatt ist, umfassen. Durch den Einsatz einer Reihe von physikalisch basierten Modellierungsverfahren, beispielsweise Lebensdauervorhersage-Modellierung bei niederzyklischer Belastung, numerische Strömungsmechanik (CFD), Finite-Elemente-Analyse (FEA), Körpermodellierung (z. B. parametrische und nichtparametrische Modellierung) und/oder FEA-Mapping von dreidimensional nach zweidimensional, kann eine geeignete Funktion LP = Funktion (T_Metall, σ, N_Quotient) abgeleitet werden. Der sich ergebende LP-Parameter bei verschiedenen Temperaturen kann anschließend normalisiert werden (d. h. in NLP umgerechnet werden), beispielsweise unter Verwendung der Gleichung NLP = LP/LP_ISO.
Eine NLP-Kurve kann dargestellt werden, indem die NLP-Parameter auf der y-Achse der NLP-Kurve und die ΔT-Werte auf der x-Achse aufgetragen werden. In einer Ausführungsform kann die NLP-Kurve erhalten werden, indem unter Verwendung eines nichtlinearen Fits oder einer nichtlinearen Funktion für die negativen ΔT-Werte und eines exponentiellen Fits oder einer exponentiellen Funktion für die positiven ΔT-Werte ein Streudiagramm gefittet wird. Die entstehende NLP-Kurve zeigt einen NLP-Parameter für jede gegebene ΔT. Anschließend kann mit einer WF-Berechnung (Block 148) der NLP-Parameter durch Verwendung der Gleichung WF = SSF·1/NLP, wobei SSF ein Spannungsskalierungsfaktor σ ist, in einen WF-Wert umgerechnet werden. Der Spannungsskalierungsfaktor σ kann je nach der verwendeten Konfiguration (z. B. Turbinengehäuse, Blatttyp, Blattkonstruktion und Blattschnitt) unterschiedlich sein. Weitere Einzelheiten zur WF-Berechnung, einschließlich einer Abwandlung der WF-Berechnung für Einheiten 10, die eine Konfiguration mit Ausstattungskombination aufweisen, sind nachstehend unter Bezug auf 6 beschrieben.
Mit der Berechnung (Block 150) der äquivalenten Betriebsstunde kann anschließend die äquivalente Betriebsstunde (Equivalent_FH) anhand der Gleichung Equivalent FH = WF·FH berechnet werden, wobei FH den Ist-Betriebsstunden bei einer bestimmten Einheit 10 entspricht. Anschließend kann eine Korrelationsanalyse (Block 152) durchgeführt werden, wie zuvor unter Bezug auf 4 beschrieben ist, einschließlich des Einsatzes von ANOVA-Verfahren und/oder der logistischen Analyse (Block 154). Bei der Korrelationsanalyse 152 kann eine statistische und/oder physikalisch basierte Korrelation zur Darstellung der Beziehungen zwischen den verschiedenen Variablen in den Ü&D-Daten 76 verwendet werden. Bei einem Beispiel kann die Logik 128 zur Einordnung der Daten Data-Mining-Klassifikationsverfahren verwenden, beispielsweise die Klassifikation (Block 156) der quadratischen Diskriminanzanalyse (QDA). Mit der QDA-Klassifikation (Block 156) können die Daten beispielsweise anhand einer korrekten Störungsvorhersage, einer falschen Störungsvorhersage, einer korrekten Störungsunterbrechung (z. B. Systemstillstand) und einer falschen Störungsunterbrechung eingeteilt werden. Die QDA-Klassifikation (Block 156) ist damit für einen Vergleich mit der multivariaten Risikomodellierung (z. B. ANOVA) von Nutzen. Das Ergebnis der Verwendung der zuvor erwähnten Verfahren ist die Erkennung von einer oder mehreren ”X_zentral”-Variablen, die für die Vorhersage unplanmäßiger Ereignisse geeignet sind. So können beispielsweise Risse auf der nach innen gerichteten Seite von Sicherungsdrahtnasen in der Stufe 1W unter Verwendung von Equivalent_FH, Starts und dem Prozentsatz der Warmstarts als ”X_zentral”-Variablen 158 besser vorhergesagt werden. Ebenso können Risse auf der nach innen gerichteten Seite von Sicherungsdrahtnasen in der Stufe 2W unter Verwendung von Equivalent_FH und N_Quotient als ”X_zentral”-Variablen 158 besser vorhergesagt werden. Es versteht sich, dass weitere statistische Verfahren eingesetzt werden können, um die ”X_zentral”-Variablen 158 zu ermitteln, beispielsweise unter Verwendung jeder geeigneten Korrelationsanalyse, einschließlich anderer Formen der multivariaten Analyse (z. B. MANOVA) und/oder geeigneter Diskriminanzanalyseverfahren (z. B. lineare Diskriminanzanalyse, regularisierte QDA).
6 veranschaulicht eine detailliertere Darstellung einer Ausführungsform der WF-Berechnungslogik 148, die in 5 dargestellt ist. In der dargestellten Ausführungsform kann die WF-Berechnungslogik 148 weiter unterteilt werden in eine Logik 160 zur Berechnung einer WF-Transferfunktion, eine Logik 162 zur Berechnung der tatsächlichen Metalltemperatur und eine Logik 164 für eine Konfiguration mit Ausstattungskombination. Mit der WF-Transferfunktionslogik 160 kann die Ableitung einer Reihe von LP-Funktionen ermöglicht werden, die sich für die Berechnung eines Basis-WF_b eignen, während die Logik 162 zur Berechnung der tatsächlichen Metalltemperatur zur Berechnung von ΔT_IST verwendet werden kann. Der Basis-WF_b kann dann verwendet werden, um den WF für jede einzelne Einheit 10 zu erhalten. Es kann folglich die konkrete Konfiguration jedes Turbinensystems 10 berücksichtigt werden, einschließlich Konfigurationen mit einer Ausstattungskombination über die Logik 164 für eine Konfiguration mit Ausstattungskombination. Konfigurationen mit einer Ausstattungskombination sind Konfigurationen, die beispielsweise mit einem neueren Bauteiledesign nachgerüstet worden sind. So ermöglicht die hier beschriebene WF-Berechnungslogik 148 die WF-Berechnung einzelner Turbinensysteme 10, die eine Mischung aus der ursprünglichen und einer neueren Ausstattungskonfiguration aufweisen.
Bei der WF-Transferfunktionslogik 160 können bei der physikalisch basierten Modellierung (Block 170) eines Bauteils und/oder einer Stelle (z. B. nach innen gerichtete Seite der Sicherungsdrahtnase) einer Turbine 10 die Metalleigenschaften 166, beispielsweise Metallart und Materialzusammensetzung, zusätzlich zu ISO-Tag- und Metalltemperaturwerten 168 verwendet werden. Wie zuvor erwähnt ist, kann bei der physikalisch basierten Modellierung (Block 170) LP in Abhängigkeit von T_Metall, σ und N_Quotient unter Verwendung von Verfahren wie der Lebensdauervorhersage-Modellierung bei niederzyklischer Belastung, CFD, FEA, Körpermodellierung (z. B. parametrische und nichtparametrische Modellierung) und/oder FEA-Mapping von dreidimensional nach zweidimensional erhalten werden. Anschließend können ein LP für mehrere ”virtuelle” Temperaturen T_VIRTUELL (d. h. LP_T) und ein LP für ISO-Tag-Temperaturen (d. h. LP_ISO) berechnet werden (Block 172). Der Begriff ”virtuelle” Temperatur wird verwendet, um eine Reihe von Temperaturwerten zu bezeichnen, die gemessene Ist-Temperaturen umfassen können. Der Begriff kann beispielsweise alle Temperaturen in der Temperaturreihe beginnend bei –10°F und endend bei 1200°F bezeichnen, mit einem Inkrement von 1°F (d. h. –10°F, –9°F, –8°F, ..., 1200°F). Mit einer derartigen Berechnung kann unter Verwendung der Gleichung NLP_T = LP_T/LP_ISO (Block 174) ein normalisierter LP_T (NLP_T) erhalten werden. Anschließend kann auf der Grundlage der Gleichung ΔT_VIRTUELL = T_VIRTUELL – T_ISO (Block 178) ein ΔT_VIRTUELL berechnet werden (Block 176).
Die Werte NLP_T und ΔT_VIRTUELL können dann als Teil eines Datenanpassungsvorgangs (Block 180) verwendet werden, bei dem die Werte für NLP_T und ΔT_VIRTUELL als Streudiagramm mit den NLP_T-Werten auf der y-Achse und den ΔT_VIRTUELL-Werten auf der x-Achse angeordnet werden. In einer Ausführungsform kann durch Fitten des NLP_T-ΔT_VIRTUELL-Streudiagramms unter Verwendung eines nichtlinearen Fits oder einer nichtlinearen Funktion für die ΔT_VIRTUELL-Werte, die negativ oder null sind, und eines exponentiellen Fits oder einer exponentiellen Funktion für die positiven ΔT_VIRTUELL-Werte eine Transferfunktion erhalten werden (Block 180). Das bedeutet, dass Werte auf der x-Achse, die niedriger als oder gleich null sind, unter Verwendung eines nichtlinearen Fits gefittet werden, während die positiven Werte auf der x-Achse unter Verwendung eines exponentiellen Fits gefittet werden.
Bei einer Berechnung von NLP für alle Werte ΔT_IST (Block 182) kann dann die abgeleitete Transferfunktion verwendet werden. Die Werte ΔT_IST können wie dargestellt unter Verwendung der Logik 162 zur Berechnung der tatsächlichen Metalltemperatur berechnet werden. Die Logik 162 kann eine Zielanalyse durchführen (Block 184), wie zuvor unter Bezug auf 4 beschrieben ist. Die Zielanalyse kann zu einer Reihe von statistischen leistungsbezogenen Werten 186 führen. Eine Ist-Temperatur T_IST kann beispielsweise auf der Grundlage der Metalltemperatur-Transferfunktionen für verschiedene Stellen und/oder Bauteilelemente und unter Verwendung der Leistungswerte 186 als Eingangswerte berechnet werden (Block 188). Die abgeleitete Metalltemperaturfunktion eignet sich somit zur Berechnung der tatsächlichen Metalltemperatur an einer bestimmten Stelle (z. B. Sicherungsdrahtnase, Luftkühlschlitz) anhand der Ü&D-Daten 76. Die Werte ΔT_IST können anschließend unter Verwendung der Gleichung ΔT_IST = T_IST – T_ISO berechnet werden (Block 190).
WF_B kann anschließend auf der Grundlage der Gleichung WF_B = 1/NLP_T berechnet werden (Block 192). WF_B allein kann zweckmäßig zur Vorhersage unplanmäßiger Ereignisse verwendet werden, beispielsweise in Fallen, in denen die zugrundeliegende Ausstattung unter Verwendung einer Standardkonfiguration (z. B. standardmäßige Anlagenkonfiguration) konfiguriert ist. Einige Einheiten können jedoch modifiziert worden sein, beispielsweise durch den Austausch von Bauteilen wie den Laufradschaufeln durch Bauteile mit einem neueren Design (z. B. Laufradschaufeln mit Hinterschnitt). Der WF_B kann folglich mit der Logik 164 für eine Konfiguration mit Ausstattungskombination modifiziert werden, um Konfigurationen mit einer Ausstattungskombination zu berücksichtigen.
Die Logik 164 für eine Konfiguration mit Ausstattungskombination kann die Ausstattungs- und Softwarekonfiguration für jede Einheit 10 extrahieren (Block 194), einschließlich einer Auflistung von bisherigen Konfigurationen, die von jeder Einheit 10 verwendet wurden, und der Betriebsdauer für jede Konfiguration i. Anschließend kann auf der Grundlage der Gleichung RT_i = T_i/FH, bei der T_i die Zeit ist, während der die Konfiguration in Betrieb war, und FH die Gesamtbetriebsstunden für die Einheit sind, ein Betriebsdauerverhältnis RT_i für jede Konfiguration i berechnet werden (Block 196). Anschließend kann für jede Konfiguration i ein Spannungsskalierungsfaktor SSF_i berechnet werden (Block 198). Der SSF_i berücksichtigt die für die Konfiguration i spezifischen Spannungen, beispielsweise basierend auf Metallart, Bauteilgeometrie und/oder Lage. Anschließend kann der SSF für die kombinierte Konfiguration unter Verwendung der Formel SSF = Σ(RT_i·SSF_i) berechnet werden (Block 200). Der WF kann entsprechend unter Verwendung der Formel WF = WF_B·SSF berechnet werden (Block 202), um die Konfiguration mit einer Ausstattungskombination zu berücksichtigen. Mit einer derartigen Berechnung können die Vorhersageverfahren unabhängig von der Konfigurationsart oder dem Zeitpunkt der Konfigurationsinstallation auf im Wesentlichen jedes Turbinensystem 10 angewandt werden.
7 stellt eine Ausführungsform des hierarchischen hybriden Risikomodells 82 dar. Die dargestellte Ausführungsform umfasst ein Modell 204 der äquivalenten Betriebsstunden (d. h. Equivalent_FH = WF·FH), das die Verknüpfung einer physikalisch basierten Analyse und einer empirischen Analyse ermöglicht, die sich zur Berechnung eines Zeitpunkts des Auftretens unplanmäßiger Wartungsereignisse eignet. Das hybride Risikomodell 82 kann ein Teilmodell 206 zur WF-Berechnung und ein Betriebsstunden-Teilmodell 208 umfassen. Das Betriebsstunden-Teilmodell 208 ermöglicht die Berechnung der Betriebsstunden, die in einer gegebenen Einheit 10 beobachtet werden, und kann Datenbereinigungs- und Datenprüfverfahren umfassen, die sich zur Entfernung von Fehlern und ungültigen Daten aus den beobachteten Betriebsstunden eignen. Das Teilmodell 206 zur WF-Berechnung ermöglicht die Berechnung des WF (z. B. SSF·1/NLP), beispielsweise auf der Grundlage eines NLP-Teilmodells 210. In dieser Ausführungsform kann das NLP-Teilmodell 210 ein Teilmodell 212 für eine tatsächliche äquivalente FH umfassen, das sich zur Berechnung einer tatsächlichen äquivalenten Betriebsstunde unter Verwendung von Ü&D-Daten aus ungefähr zwei Jahren (d. h. Equivalent_FH_2JR) eignet. Es versteht sich, dass bei anderen Ausführungsformen kürzere oder längere Zeitlinien der Daten verwendet werden können, beispielsweise 6 Monate, 1 Jahr, 1,5 Jahre, 2,5 Jahre oder 4 Jahre. Das NLP-Teilmodell 210 kann auch ein Teilmodell 214 für eine äquivalente ISO-FH umfassen, das sich für die Berechnung einer äquivalenten ISO-Tag-Betriebsstunde (d. h. Equivalent_FH_ISO) eignet Mit dem NLP-Teilmodell 210 kann folglich unter Verwendung der Gleichung NLP = Equivalent_FH_2JR/Equivalent_FH_ISO ein NLP-Wert berechnet werden.
Mit dem Teilmodell 212 für eine tatsächliche äquivalente FH können die Werte für Equivalent_FH_2JR unter Verwendung der Gleichung Equivalent_FH_2JR = N_i,HT-2JR·Haltezeit berechnet werden, wobei N_{i,HT_2JR} eine Anfangslebensdauer oder Zyklenzahl bis zum Beginn eines unplanmäßigen Ereignisses wie dem Auftreten eines Risses im Metall bei einer bestimmten zyklischen Haltezeit (HT) 216 oder Verweilzeit ist. Mit anderen Worten misst N_{i,HT_2JR} auf der Grundlage der Halte- oder Verweilzeit 216 bei einer bestimmten Temperatur die Anzahl der Zyklen, während der eine Stelle oder ein Bauteil mit einer bestimmten Metallart (z. B. Inconel IN706) reißen kann. N_i,HT-2JR kann mit einem Zyklen-bis-zum-Beginn-Teilmodell 218 in Abhängigkeit von HT 216, einem zeitabhängigen Parameter P_T, einem Ermüdungsparameter P_FAT und einem Parameter N_{i,20 ZPM} bei kontinuierlicher niederzyklischer Belastung berechnet werden.
Das Zyklen-bis-zum-Beginn-Teilmodell 218 verwendet die Haltezeit 216, ein Teilmodell 222 der zyklischen Ermüdung, ein Teilmodell 224 der niederzyklischen Ermüdung und ein Teilmodell 224 des zeitabhängigen Parameters, um die ausgeführten Berechnungen zu erhalten. Die Modelle 220, 222 und 224 sind in einem Ist-Teilmodell 225 enthalten, das statt ISO-Daten Ist-Daten verwendet. Die Haltezeit 216 ist ein Maß für die Zeitdauer, die in einem Halte- oder Verweilzeitraum vergeht. Mit dem Teilmodell 222 der zyklischen Ermüdung kann auf der Grundlage der Gleichung P_FAT = 1/N_{i,20 ZPM}, in der N_{i,20 ZPM} mit dem Teilmodell 224 der niederzyklischen Ermüdung erhalten wird, der Ermüdungsparameter P_FAT berechnet werden. Mit dem Teilmodell 224 der niederzyklischen Ermüdung kann zum Beispiel N_{i,20 ZPM} bei 20 Zyklen pro Minute (ZPM) in Abhängigkeit von dem uniaxialen Dehnungsbereich Δε bei einer bestimmten Temperatur und einem bestimmten Metall (z. B. Inconel IN706) erhalten werden. Es versteht sich, dass andere ZPM-Werte verwendet werden können, beispielsweise 5 ZPM, 15 ZPM, 25 ZPM, 30 ZPM und so weiter.
Mit dem Teilmodell 220 des zeitabhängigen Parameters kann der zeitabhängige Parameter P_T berechnet werden. P_T ist ein Parameter, der sich für die Messung der Zeit bis zum Auftreten eines Schadens eignet und anhand der Metalltemperatur-Transferfunktionen 229 erhalten werden kann, die zuvor unter Bezug auf 3 and 4 ausführlicher beschrieben sind, die wiederum das Ü&D-Profil 231 nutzen, das aus der Zielanalyse 112 abgeleitet ist. In einer Ausführungsform kann der zeitabhängige Parameter P_T auch ein ”Neuber'sches” Spannungsmodell 226 der Lebensdauermitte umfassen. Das bedeutet, dass bei dem Spannungsmodell 226 die Neuber-Regel verwendet werden kann, die eine Beziehung eines elastischen Spannungskonzentrationsfaktors K 2 / t = K_σK_ε zwischen einem Spannungsfaktor K_σ und einem Spannungsfaktor K_ε angibt. Das Teilmodell 222 der zyklischen Ermüdung kann auch ein Teilmodell 228 des Dehnbereichs Δε umfassen, das auf der elastischen Spannung 230 basieren kann. Das bedeutet, dass der Dehnbereich Δε mit dem Teilmodell 228 in Abhängigkeit von der Temperatur und der elastischen Spannung 230 erhalten werden kann. Das Teilmodell 214 für eine ISO-äquivalente FH kann eine Reihe von Teilmodellen 232, 234, 236, 238, 240, 242 umfassen, die im Wesentlichen den Teilmodellen 220, 222, 224, 226, 228 ähneln. Bei den Teilmodellen 232, 234, 236, 238, 240 und 242 kann jedoch eine ISO-Metalltemperatur 244 statt Ist-Temperaturen verwendet werden. Die Teilmodelle 234, 234, 236, 238, 240 und 242 sind folglich in einem ISO-basierten Teilmodell 243 enthalten, das ISO-Daten statt nur Ist-Daten verwendet.
Genauer gesagt verwendet das Teilmodell 234 des zeitabhängigen Parameters zur Berechnung eines Parameters, der sich für die Messung der Zeit bis zum Auftreten eines Schadens eignet, die Metalltemperatur-Transferfunktionen und die ISO-Metalltemperaturen 244. Mit dem Teilmodell 236 der zyklischen Ermüdung kann ein Ermüdungsparameter P_ISO-FAT = 1/N_{i,20 ISO-ZPM} berechnet werden, wobei N_{i,20 ISO-ZPM} mit dem Teilmodell 238 der niederzyklischen Ermüdung erhalten wird. Mit dem Teilmodell 238 der niederzyklischen Ermüdung kann zum Beispiel N_{i,20 ISO-ZPM} bei 20 Zyklen pro Minute (ZPM) in Abhängigkeit von dem uniaxialen Dehnungsbereich Δε bei einer bestimmten ISO-Metalltemperatur 244 und einem bestimmten Metall (z. B. Inconel IN706) erhalten werden. Mit den Teilmodellen für Dehnung 240 und Spannung 242 können ebenso Dehnungen und Spannungen auf der Grundlage einer bestimmten ISO-Metalltemperatur 244 erhalten werden.
8 stellt eine Logik 250 dar, die sich zur Vorhersage einer Gesamtzahl N an außer Betrieb zu nehmenden Laufrädern durch Anwenden der hybriden Modelle, die zuvor unter Bezug auf 7 beschrieben sind, eignet. Die Logik 250 kann ferner in eine Einheitsbasis-Analyselogik 252 und eine Teilebasis-Analyselogik 254 unterteilt werden. Die Einheitsbasis-Analyselogik 252 kann ein Einheitsbasis-Risikomodell 256 umfassen, das sich zur Vorhersage des Auftretens unplanmäßiger Ereignisse eignet. Das Einheitsbasis-Risikomodell 256 kann die hybriden Risikomodelle verwenden, die zuvor unter Bezug auf 7 beschrieben sind, und kann zur Vorhersage der Wahrscheinlichkeit des Auftretens eines unplanmäßigen Wartungsereignisses bei einer einzelnen Einheit 10 verwendet werden. Das Einheitsbasis-Risikomodell 256 kann beispielsweise das hybride Modell 204 der äquivalenten Betriebsstunden umfassen, das für eine bestimmte Stelle in einem Turbinenbauteil, beispielsweise die nach innen gerichtete Seite einer Sicherungsdrahtnase, abgeleitet wird. Ebenso kann auch ein zweites Einheitsbasis-Risikomodell 258 verwendet werden, das eine andere Stelle des Turbinenbauteils nachbildet, beispielsweise die nach außen gerichtete Seite der Sicherungsdrahtnase. Das zweite Einheitsbasis-Risikomodell 258 kann folglich auch Ausführungsformen der hybriden Risikomodelle umfassen, die unter Bezug auf 7 beschrieben sind, jedoch auf eine andere nachgebildete Stelle abzielen (z. B. nach außen gerichtete Seite der Sicherungsdrahtnase) als die Stelle, die mit dem Einheitsbasis-Risikomodell 256 nachgebildet wird (z. B. nach innen gerichtete Seite der Sicherungsdrahtnase).
Anschließend kann eine Vorhersage des Risikos einer Einheit 10, zum Beispiel eine Störung aufgrund eines Risses in der Sicherungsdrahtnase (Riss auf der nach innen oder außen gerichteten Seite), beispielsweise auf der Grundlage der Einheitsbasis-Risikomodelle 256 und 258 erfolgen (Block 260). Die Risikovorhersage (Block 260) kann ein Proportional-Hazard-Modell (PHM), beispielsweise ein Weibull-PHM, umfassen, das sich dafür eignet, bestimmte Variablen (z. B. Equivalent_FH, N_Quotient, % Warmstarts) mit den Betriebsstunden vor dem Auftreten eines unplanmäßigen Wartungsereignisses in Beziehung zu bringen. Das Weibull-PHM kann zum Beispiel die Ableitung der Wahrscheinlichkeit des Auftretens verschiedener unplanmäßiger Ereignisse auf der Grundlage der aktuellen Betriebsstunden für eine bestimmte Einheit 10 ermöglichen.
Die Teilebasis-Analyselogik 254 kann ein Teilebasis-Risikomodell 262 beinhalten, das sich für die Nachbildung des Risikos eignet, das mit einem konkreten Teil und der konkreten Lage eines Teils verbunden ist. Das Teilebasis-Risikomodell 262 kann beispielsweise abgeleitet werden, um die nach innen gerichtete Seite einer Sicherungsdrahtnase nachzubilden. Mit anderen Worten ähnelt das Teilebasis-Risikomodell 262 dem Einheitsbasis-Risikomodell 256, zielt jedoch auf die Nachbildung des Risikos für eine Stelle eines allgemeinen Teils ab und nicht des Risikos, das mit dem Einsatz des Teils in einer einzelnen Einheit 10 verbunden ist. Ebenso kann ein Teilebasis-Risikomodell 264 zum Nachbilden des Risikos abgeleitet werden, das mit einer anderen Stelle des allgemeinen Teils verbunden ist, beispielsweise der nach außen gerichteten Seite der Sicherungsdrahtnase. Die Modelle 262 und 264 können anschließend verwendet werden, um die Anzahl gerissener Sicherungsdrahtnasen vorherzusagen (Block 266). In einer Ausführungsform kann die Vorhersage der Anzahl gerissener Sicherungsdrahtnasen (Block 266) die Verwendung einer Wahrscheinlichkeitsfunktion Pr(i) umfassen, die aus den Modellen 262 und 264 abgeleitet ist, wobei Pr(i) die Wahrscheinlichkeit des Reißens für eine einzelne Nase i ist. Auf der Grundlage der Modelle 262 und 264 kann folglich eine Reihe von Wahrscheinlichkeitsfunktionen {Pr(1), Pr(2), ... Pr(i), ..., Pr(Gesamtzahl der Nasen} abgeleitet werden.
In der dargestellten Ausführungsform wird eine Monte-Carlo-Simulation (Block 268) zur Vorhersage der Wahrscheinlichkeit Pr (≥ Außerbetriebnahmeschwellenwert) des Erreichens oder Überschreitens eines bestimmten Schwellenwerts für die Außerbetriebnahme von Rädern verwendet. Der Schwellenwert für die Außerbetriebnahme von Rädern kann erreicht oder überschritten werden, wenn drei oder mehr benachbarte Sicherungsdrahtnasen gerissen sind. Es kann jede geeignete Monte-Carlo-Simulation verwendet werden, einschließlich iterativer Simulationen, mit denen Wahrscheinlichkeitsverteilungen durch die Simulation der Reihe von Wahrscheinlichkeitsfunktionen {Pr(1), Pr(2), Pr(i), ..., Pr(Gesamtzahl der Nasen)} auf der Grundlage abgetasteter Zufallsvariablen berechnet werden. Während jeder Iteration kann beispielsweise die Reihe der Wahrscheinlichkeitsfunktionen {Pr(1), Pr(2), ... Pr(1), ..., Pr (Gesamtzahl der Nasen)} zur Berechnung und Speicherung einer Reihe von Wahrscheinlichkeitswerten verwendet werden. Wenn mehr Iterationen simuliert werden, werden die gespeicherten Werte zur Definition der Wahrscheinlichkeit Pr (≥ Außerbetriebnahmeschwellenwert) verwendet. Auf der Grundlage der Summe aller Simulationsiterationen oder -szenarios kann folglich eine Wahrscheinlichkeit der Außerbetriebnahme von Rädern (Block 270) abgeleitet werden.
In einer Ausführungsform kann auf der Grundlage tatsächlicher Inspektionsergebnisse ein Verhältnis der Wahrscheinlichkeit der Außerbetriebnahme von Rädern berechnet werden (Block 272). Es können beispielsweise Inspektionsprotokolle analysiert werden, um das Verhältnis tatsächlicher Defekte zu vorhergesagten Defekten zu bestimmen. Das Verhältnis der Wahrscheinlichkeit der Außerbetriebnahme von Rädern (Block 272) kann anschließend mit der abgeleiteten Wahrscheinlichkeit der Außerbetriebnahme von Rädern (Block 270) zusammengefasst werden, um eine Gesamtzahl der Außerbetriebnahme von Rädern (Block 274) zu berechnen. Durch Anwendung der hier beschriebenen Verfahren, einschließlich der Verwendung hybrider Risikomodelle, kann die Wartung tatsächlich wesentlich verbessert werden, indem die Vorhersage der Anzahl von Rädern, die wahrscheinlich außer Betrieb genommen werden müssen, ermöglicht wird. So kann beispielsweise die Beschaffung von Ersatzlaufrädern vom Hersteller eine gewisse Beschaffungs- oder Wartezeit erfordern. Folglich können mit einem Teileeinkaufs- oder Teileversorgungssystem die Ersatzräder vor der eigentlichen Außerbetriebnahme bestellt werden. Es versteht sich, dass die hier beschriebenen Verfahren bei anderen Anwendungen wie Finanz- und/oder Entscheidungsunterstützungsanwendungen verwendet werden können. Durch das Vorhandensein eines wesentlich verbesserten Pakets von Verfahren, die bei der Vorhersage unplanmäßiger Ereignisse von Nutzen sind, können nun finanzielle Entscheidungen getroffen werden, bei denen geschäftliche Aktivitäten und technische Analysen verknüpft werden. Es können beispielsweise geschäftliche Aktivitäten, die die Lagerhaltung, Teilebeschaffung, Logistik, Wartungsplanung, Wartungsaktivitäten und so weiter betreffen, verbessert werden.
Technische Wirkungen der Erfindung umfassen Modellierungsverfahren, die die Verknüpfung einer physikalisch basierten Modellierung mit statistischen Verfahren zu hybriden Modellen ermöglichen. Die hybriden Modelle können zu einer verbesserten Vorhersageberechnung von Ereignissen wie unplanmäßigen Wartungsereignissen führen.
In dieser schriftlichen Beschreibung werden Beispiele verwendet, um die Erfindung, einschließlich der besten Ausführungsform, zu offenbaren und auch um es einem Fachmann zu ermöglichen, die Erfindung anzuwenden, einschließlich der Herstellung und Verwendung von Vorrichtungen oder Systemen und der Durchführung von darin enthaltenen Verfahren. Der patentierbare Geltungsbereich der Erfindung ist durch die Ansprüche definiert und kann weitere Beispiele umfassen, an die der Fachmann denkt. Diese weiteren Beispiele sollen in den Geltungsbereich der Ansprüche fallen, wenn sie Strukturelemente aufweisen, die nicht vom genauen Wortlaut der Ansprüche abweichen oder wenn sie gleichwertige Strukturelemente mit unwesentlichen Unterschieden zum genauen Wortlaut der Ansprüche umfassen.
Es sind hier Systeme und Verfahren für die Verbesserung des Betriebs von Strömungsmaschinen offenbart. Diese Systeme und Verfahren umfassen ein hybrides Risikomodell 82. Das hybride Risikomodell 82 umfasst ein physikalisch basiertes Teilmodell 78, 102, 206 und ein statistisches Teilmodell 80, 208. Das physikalisch basierte Teilmodell 78, 102, 206 ist dafür eingerichtet, physikalische Komponenten einer Strömungsmaschine 10 nachzubilden. Das statistische Teilmodell 80, 208 ist dafür eingerichtet, Verlaufsangaben über die Strömungsmaschine 10 nachzubilden. Das hybride Risikomodell 82 ist dafür eingerichtet, einen Strömungsmaschinenparameter 84, 86, 88, 202, 204, 208 zu berechnen.
Bezugszeichenliste

10: Gasturbine
12: Kraftstoffdüsen
14: Kompressor
16: Brennkammer
18: Lufteinlass
20: Stufe
22: Stufe
24: Stufe
26: Schaufeln
28: Schaufeln
30: Räder
32: Welle
34: Turbine
36: Diffusor
40: Stufe
42: Stufe
44: Stufe
46: Blätter
48: Rad
50: Rad
52: Rad
54: Welle
60: Ausstoß
62: Sicherungsdrahtnase
64: Nach außen gerichtete Seite
66: Nach innen gerichtete Seite
68: Luftkühlschlitz
70: Logik
72: Block
74: Betriebsdaten
76: Überwachungs- und Diagnosedaten
78: Block
80: Block
82: Hybride Risikomodelle
84: Block
86: Block
88: Block
90: Block
92: Logik
94: Datenquellen
96: Einheitsdaten
98: On-Site-Monitoring-Daten
100: Schaufelkonfigurationsdaten
102: Physikalische Modelldaten
104: Logik
106: Block
108: Block
110: Block
112: Block
114: Block
116: Block
118: Block
120: Block
122: Block
124: Hochrisikoeinheiten
126: Block
128: Logik
130: Datenbank
132: Block
134: Block
136: Block
138: Block
140: Block
142: Block
144: Block
146: Block
148: Block
150: Block
152: Block
154: Block
156: Block
158: Variablen
160: Logik
162: Logik
164: Logik
166: Metalleigenschaften
168: Metalltemperaturwerte
170: Block
172: Block
174: Block
176: Block
178: Block
180: Block
182: Block
184: Block
186: Statistische Werte
188: Block
190: Block
192: Block
194: Block
196: Block
198: Block
200: Block
202: Block
204: Modell der äquivalenten Betriebsstunden
206: Teilmodell
208: Teilmodell
210: Teilmodell
212: Teilmodell
214: Teilmodell
216: Haltezeit
218: Teilmodell
220: Teilmodell
222: Teilmodell
224: Teilmodell
225: Teilmodell
226: Modell
228: Teilmodell
229: Metalltemperatur-Transferfunktionen
230: Spannung
231: Profil
232: Teilmodelle
234: Teilmodelle
236: Teilmodelle
238: Teilmodelle
240: Teilmodelle
242: Teilmodelle
243: ISO-basiertes Teilmodell
244: ISO-Metalltemperatur
250: Logik
252: Logik
254: Logik
256: Modell
258: Modell
260: Block
262: Modell
264: Modell
266: Block
268: Block
270: Block
272: Block
274: Block

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

ISO-Dokument 2314 ”Gas Turbine-Acceptance Test” [0041]

Claims

System zum Analysieren von Strömungsmaschinen, umfassend: ein hybrides Risikomodell (82, 204, 206, 208, 210, 212, 214), das ein physikalisch basiertes Teilmodell (78, 102, 206) und ein statistisches Teilmodell (80, 208) umfasst, wobei das physikalisch basierte Teilmodell (78, 102, 206) eingerichtet ist, physikalische Komponenten einer Strömungsmaschine (10) nachzubilden und das statistische Teilmodell (80, 208) eingerichtet ist, Verlaufsangaben über die Strömungsmaschine (10) nachzubilden, und wobei das hybride Risikomodell (82, 204, 206, 208, 210, 212, 214) eingerichtet ist, einen Strömungsmaschinenparameter (84, 86, 88, 202, 204, 208) zu berechnen.
System nach Anspruch 1, wobei der Strömungsmaschinenparameter (84, 86, 88, 202, 204) einen Betriebsstundenparameter (204, 208) umfasst.
System nach Anspruch 2, wobei der Betriebsstundenparameter (204, 208) einen Parameter (204) der äquivalenten Betriebsstunden auf der Grundlage eines Wartungsfaktors (202) und eines Betriebsstundenfaktors (208) umfasst.
System nach Anspruch 1, wobei das hybride Risikomodell (82, 204, 206, 208, 210, 212, 214) eingerichtet ist, die Außerbetriebnahme eines Bauteils der Strömungsmaschine (10) vorherzusagen.
System nach Anspruch 4, wobei das hybride Risikomodell (82, 204, 206, 208, 210, 212, 214) eingerichtet ist, die Außerbetriebnahme einer Sicherungsdrahtnase (62), die Außerbetriebnahme eines Luftkühlschlitzes (68), die Außerbetriebnahme eines Rads (30, 48, 50, 52), die Außerbetriebnahme einer Schaufel (26, 28) oder eine Kombination davon vorherzusagen.
System nach Anspruch 1, wobei das statistische Teilmodell (80, 208) einen Verlauf der Installation von Turbinensystembestandteilen (74), einen Verlauf des Einsatzes von Turbinensystembestandteilen (76), einen Verlauf des Einsatzes des Turbinensystembestands (76), eine Vielzahl von Überwachungs- und Diagnosesensordaten (98) oder eine Kombination davon umfasst.
System nach Anspruch 6, wobei das statistische Teilmodell (80, 208) ein Weibull-Modell (120) umfasst.
System nach Anspruch 1, umfassend ein Anlagegüterverwaltungssystem (90), wobei das Anlagegüterverwaltungssystem (90) Turbinensystemdaten (94) erfasst und das hybride Risikomodell (82, 204, 206, 208, 210, 212, 214) und die erfassten Turbinensystemdaten (94) zur Verwaltung von Turbinensystembestandteilen nutzt.
Verfahren zur Erstellung eines hybriden Risikomodells (82, 204, 206, 208, 210, 212, 214), umfassend: Analysieren physikalischer Komponenten einer Strömungsmaschine (10), um eine physikalische basierte Analyse (102, 108) zu erhalten, Analysieren statistischer Informationen (96, 98, 100) über die Strömungsmaschine (10), um eine statistische Analyse (106, 110, 112) zu erhalten, Zusammenfassen (116, 118, 120) der physikalisch basierten Analyse (102, 108) und der statistischen Analyse (106, 110, 112), und Ableiten (122) eines hybriden Risikomodells (82, 204, 206, 208, 210, 212, 214) auf der Grundlage der Verbindung der physikalisch basierten Analyse (102, 108) und der statistischen Analyse (106, 110, 112), wobei das hybride Risikomodell (82, 204, 206, 208, 210, 212, 214) eingerichtet ist, um einen Strömungsmaschinenparameter (84, 86, 88, 202, 204, 208) zu berechnen.
Verfahren nach Anspruch 9, wobei das Analysieren statistischer Informationen (96, 98, 100) das Analysieren eines Verlaufs der Installation von Turbinensystembestandteilen (74), eines Verlaufs des Einsatzes von Turbinensystembestandteilen (76), eines Verlaufs des Einsatzes des Turbinensystembestands (76), einer Vielzahl von Überwachungs- und Diagnosesensordaten (98) oder einer Kombination davon umfasst.