JP2011501170A - ガスタービンの運転を分析するための方法 - Google Patents

Abstract

本発明が述べるのはガスタービン（１）の運転を分析するための方法であって、前記ガスタービンの正常運転に基づいて単数または複数のニューラルネットワークが学習される。少なくとも１つの動的圧力信号（Ｖ５）が前記ガスタービン（１）の圧縮機（２）の内部または表面の少なくとも１つの圧力センサ（８）によって、また前記ガスタービン（１）の単数または複数の運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）が単数または複数の他のセンサ（４、５、６、７）によって、前記ガスタービン（１）の正常運転時に測定され、および／または前記ガスタービン（１）の正常運転時に測定された前記ガスタービン（１）の前記動的圧力信号（Ｖ５）および前記単数または複数の運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）が読み込まれる。前記動的圧力信号（Ｖ５）が周波数分析され、これにより前記圧力信号（Ｖ５）の周波数スペクトルの単数または複数のパラメータが算定される。前記単数または複数の測定された運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）と前記圧力信号（Ｖ５）の前記周波数スペクトルの前記単数または複数のパラメータとに基づいて単数または複数のニューラルネットワークが学習され、前記ニューラルネットワークは前記単数または複数の測定された運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）と前記圧力信号（Ｖ５）の前記周波数スペクトルの前記単数または複数のパラメータとを入力変量として含み、また少なくとも１つの診断特性値を出力変量として有し、この診断特性値は前記入力変量に依存して前記ガスタービン（１）の正常運転の存在することの確率を表す。
【選択図】図１

Description

本発明は、ガスタービンの運転を分析するための方法およびガスタービンの運転を監視するための方法に関する。

発電用、産業用および航空エンジン用の最新のガスタービンは大抵の場合多段軸流圧縮機を含む。この多段軸流圧縮機は運転中さまざまな摩耗、汚染およびその他の破損機構に曝されており、これらが圧縮機の機能を損なう。正常状態とは異なるこのような機械状態を適時に検知することは、危険な運転状態も許容外の摩耗も防止するために予防的維持補修措置を開始するための重要な前提条件である。

最新ガスタービンの診断および監視では摩耗および破損を明確に分類し定量化することが特別重要である。多段軸流圧縮機を備えたガスタービンでは、摩耗特徴もしくは破損特徴がいずれの圧縮段に現れるのか、そして規定された限界値に対してその破損がどの程度強いのかもしくはどの程度進展しているのかを精確に明示できることが特に望ましい。さらに、ガスタービン用診断監視方法は回転している正常運転中に実行可能でなければならず、タービンの停止を必要としてはならないであろう。

ガスタービン用のさまざまな診断・監視方法が先行技術から知られている。これらの方法は大量のセンサの態様の非常に大きな計装設備を必要とし、例えば翼損失等の重大な損傷のみを検出することができる。これらの方法はさらに多段軸流圧縮機を備えたガスタービンにおいて応用する場合これらの損傷を精確に１つの圧縮機段に関係付けることができない。

本発明の課題は、タービンの摩耗および破損の精確な診断を僅かな数のセンサで可能とするガスタービンの運転を分析し監視するための方法を提供することである。

この課題は、本願の独立請求項によって解決される。本発明の諸構成は、従属請求項に明示されている。

本発明方法によれば、前記ガスタービンの正常運転に基づいて単数または複数のニューラルネットワークが学習される。その際まず、前記タービン圧縮機の内部または表面もしくは背後の少なくとも１つの圧力センサによって動的圧力信号が測定される。ここで動的圧力信号は、圧力信号の時間的変化が検出されることを意味する。圧力信号を検出するための好ましいサンプリング周波数はｋＨｚ範囲内である。圧縮機内での圧力変化は静翼の脇を動翼が通過、すなわち走り抜けることによって発生し、そのことから、圧縮された空気内に相応する圧力変動が生じる。この動的圧力信号の他にさらに、他のセンサによって前記ガスタービンの単数または複数の運転パラメータが測定される。こうして本発明に係る方法はタービンの運転中に実行することができる。場合によっては、前記動的圧力信号と前記他の運転パラメータは既に予め検出しておくことができ、引き続き本発明に係る方法で使用するために例えばファイルから読み込むことができる。

本発明によれば前記動的圧力信号が周波数分析され、これにより前記圧力信号の周波数スペクトルの単数または複数のパラメータが算定される。その際に、各圧縮機段について静翼と動翼との相互作用によって圧縮機内で周期的に圧力変動が生成され、これらの圧力変動が周期的信号をもたらし、この周期的信号は正常運転もしくはそれとは異なる運転状態を特定するのに利用することができる、という知見が利用される。

最後に、前記単数または複数の測定された運転パラメータと前記圧力信号の前記周波数スペクトルの前記単数または複数のパラメータとに基づいて単数または複数のニューラルネットワークが学習され、このニューラルネットワークは前記単数または複数の測定された運転パラメータと前記圧力信号の前記周波数スペクトルの前記単数または複数のパラメータとを入力変量として含み、また少なくとも１つの診断特性値を出力変量として有し、この診断特性値は前記入力変量に依存して前記ガスタービンの正常運転の存在確率を表す。

本発明に係る方法は、ニューラルネットワークと組合せて動的圧力信号を分析することによって僅かな数のセンサでガスタービン圧縮機の正常運転を記述できることを特徴としている。その際、本方法は任意のガスタービンに広く応用することができ、検討するガスタービンの運転パラメータと圧力信号を測定することによって、当初にのみ学習すればよい。引き続く監視運転において次にニューラルネットワークでもって、学習した正常運転との違いあるいはそれとの偏差は、監視時に検出された運転パラメータを動的圧力信号も含めて入力変量としてニューラルネットワークに供給することによって、簡単に確認することができる。

本発明に係る方法において好ましくは、先行技術から十分に知られているいわゆる動径基底関数ネットワーク（ＲＢＦネットワークとも称される）が使用される。同様に、このようなネットワークの改良物を使用することができる。これらのネットワークは隠された層の中に多数の動径基底関数、例えばガウス関数を含み、これらガウス関数のパラメータが学習される。ここに述べる発明では、測定された運転パラメータと動的圧力とのパラメータ組合せが正常運転時に現れる確率は動径基底関数の目標変量としてトレーニングされる。鋼圧延装置内での圧延力の監視に関連した動径基底関数ネットワークの使用が国際公開第９９／４８０２０Ａ２号パンフレットに述べられている。そこに開示された諸原理は同様にガスタービン圧縮機の本発明に係る分析に転用することができる。

本発明に係る方法の他の好ましい１実施形態において前記少なくとも１つの診断特性値は信頼値であり、この信頼値は０〜１の範囲内で正規化されており、かつ前記入力変量の各パラメータ組合せがガスタービンの正常運転時に既知のパラメータ組合せである確率を表す。こうして診断特性値の簡単な表現が得られ、１付近の信頼値は特にガスタービンの正常運転が存在することを示し、信頼値が０．５未満であることは圧縮機の運転に欠陥の存在を推測させる異常なパラメータ組合せが現れたことを示す。

特別好ましい１実施形態において本発明に係る方法は多数の圧縮機段を備えたガスタービンの多段圧縮機用に利用され、その場合前記周波数分析によって各圧縮機段について前記周波数スペクトルのパラメータとして特性周波数帯域が算定され、各特性周波数帯域についてそこに含まれた前記圧力信号のエネルギー成分が特にｒｍｓ（ｒｍｓ＝Root Mean Square）値として計算される。このエネルギー成分は単数または複数のニューラルネットワーク用の入力変量として使用される。ｒｍｓ値は先行技術から十分に知られており、個々の周波数に割り当てられた振幅を前記周波数帯域内の周波数にわたって積分することによって得られる。こうして本発明に係る方法は多段圧縮機用にきわめて良好に適している。というのも、個々の圧縮機段の特性は、周波数分析によって動的圧力信号から算定可能な相応する周波数帯域によってごく良好に記述されるからである。こうして、個々の圧縮機段について特別に欠陥を検出できる可能性が提供される。ｒｍｓ値の代わりに、もしくはそれを補足して、１つの特性周波数帯域の１つの周波数線の振幅最大値または隣接する複数の周波数線の複数の振幅最大値を入力変量として利用することもできる。

本発明に係る方法の他の１構成において、１つの特性周波数帯域のエネルギー成分と前記特性周波数帯域の高調波のエネルギー成分との比を前記ニューラルネットワークの学習のために前記周波数スペクトルの他のパラメータとして考慮することができる。

本発明に係る方法を多段圧縮機に応用する場合、好ましくは各圧縮機段について１つのニューラルネットワークが学習され、前記周波数スペクトルの、１つの特性周波数帯域に付属するパラメータが入力変量として各ニューラルネットワークに割り当てられる。つまりこの割当ては各圧縮機段の特性周波数によって得られ、この特性周波数は圧縮機段の翼数とガスタービンの実際回転数とから生じる。各ニューラルネットワークは出力変量として診断特性値を有し、この診断特性値は前記入力変量に依存して各圧縮機段の正常運転の存在することの確率を表す。こうしてガスタービンの監視にニューラルネットワークを使用する場合どの圧縮機段に欠陥が存在するのかを検出することができる。他の１構成において圧縮機段の個々の診断特性値は総合診断特性値へとまとめることができ、このまとめは特定の規則、例えばファジー規則あるいは離散的規則に基づいて行われる。

本発明に係る方法の好ましい１実施形態において、動的圧力信号の周波数分析のために、僅かな演算時間しか必要としない高速フーリエ変換が利用され、これは前記信号を時間領域から周波数領域に変換する。

本発明により動的圧力信号の他に検出される運転パラメータとして考慮に値するのは単数または複数の下記パラメータである：
− ガスタービンの回転数；
− ガスタービンの負荷；
− 周囲圧力；
− 周囲温度；
− 空気湿度；
− ガスタービンの圧縮機の静翼位置。

相応する運転パラメータと動的圧力信号が算定される適切な正常運転は、好ましくは、この運転中にさまざまな負荷および／または静翼位置について固定回転数でガスタービンが運転されるように行なわれる。

ガスタービンの正常運転に基づいてニューラルネットワークが学習される上記方法は特にコンピュータプログラム製品として実現することができる。このコンピュータプログラム製品は、プログラムが計算機で実行されるとき本方法を実施するための、機械読取可能な媒体に記憶されたプログラムコードを含む。

既に上で述べたように、本発明により学習されたニューラルネットワークは引き続き、正常運転とは異なる運転状態を確認するためにガスタービンを監視するのに利用される。それゆえに本発明は上記方法で学習された単数または複数のネットワークに基づいてガスタービンを監視するための方法も含む。これらの監視方法では実質的に、相応する学習方法におけると同じ変量が測定される。ニューラルネットワークの学習の代わりに、測定された変量はいまや入力変量として、学習されたネットワークに供給され、結果として得られる相応する診断特性値は正常運転状態がいかなる確率で存在するのかを表す。

こうして特にガスタービン運転中の監視方法において下記ステップが実行される：
− 少なくとも１つの動的圧力信号がガスタービンの圧縮機の内部または表面の少なくとも１つの圧力センサによって測定され、さらにガスタービンの単数または複数の運転パラメータが他のセンサによって測定される。
− 前記動的圧力信号が周波数分析を施され、これにより圧力信号の周波数スペクトルの単数または複数のパラメータが算定される。
− 前記単数または複数の測定された運転パラメータと前記圧力信号の周波数スペクトルの単数または複数のパラメータが入力変量として単数または複数の学習されたニューラルネットワークに供給され、この単数または複数のニューラルネットワークの出力変量として少なくとも１つの診断特性値が出力される。

場合によっては、この監視方法において、単数または複数の前記診断特性値が所定の値の範囲外にあるとき、すなわちガスタービンの正常運転とは異なる状態が高い確率で存在することが診断特性値で表示されるとき、警報信号を出力することができる。

本発明は上記監視方法の他にさらに、上記監視方法を実施できるよう形成されたガスタービン監視装置を含む。このような装置は特に下記構成要素を含む：
− 前記ガスタービンの運転時に前記ガスタービンの圧縮機の内部または表面で少なくとも１つの動的圧力信号を測定するための少なくとも１つの圧力センサと、前記ガスタービンの単数または複数の運転パラメータを測定するための単数または複数の他のセンサ；
− 前記動的圧力信号に周波数分析を施すことができ、これにより前記圧力信号の周波数スペクトルの単数または複数のパラメータが算定されるようにする周波数分析装置；
− 前記単数または複数の測定された運転パラメータと前記圧力信号の前記周波数スペクトルの前記単数または複数のパラメータを入力変量として入力可能でありかつ前記少なくとも１つの診断特性値を出力変量として出力することのできる前記単数または複数のニューラルネットワーク。

好ましくはこの監視装置はさらに、ニューラルネットワークの上記学習を正常運転時に実行することのできる手段も含む。

本発明はさらに、本発明に係るガスタービン監視装置を含むガスタービンに関する。

以下、添付図に基づいて本発明の実施例が詳細に説明される。

本発明の１実施形態によるガスタービン運転監視方法の略図である。 動的圧力信号の周波数スペクトルの、本発明の１実施形態により算定されたパラメータを明らかとする線図である。 本発明の１実施形態において判定されたガスタービン圧力信号のｒｍｓ値の、ガスタービンの変化する負荷と静翼位置とに依存した時間的変化を示す線図である。

図１は、本発明に係るガスタービン運転監視方法の１実施形態の主要な方法ステップを示すフローチャートである。図１の実施形態において監視されるガスタービン１はその構造がそれ自体知られており、それゆえに簡単に説明されている。このガスタービンは複数の動翼ディスクおよび静翼列を備えた多段軸流圧縮機２を含み、複数の静翼および動翼を備えた多数の圧縮機段が圧縮機内に形成されている。圧縮機内で動翼に対する空気の流れ角度は静翼によって調整され、動翼は空気を圧縮してさらに移送する。軸流圧縮機２にタービン３内で燃焼室が続き、圧縮機を介して供給される空気によってこれに相応する燃料が燃焼室内で燃焼し、これによりタービンが駆動される。

図１に示すタービン内に設けられた多数のセンサがタービンの相応する運転パラメータを検出する。センサ４は周囲温度を測定する温度センサであり、相応する測定信号Ｖ１を出力する。センサ５は周囲の空気圧力を測定する圧力センサであり、相応する測定信号Ｖ２を出力する。符号６とした湿度センサは空気湿度を測定し、相応する測定信号Ｖ３を出力する。さらに設けられているセンサ７は圧縮機の入口でそこに設けられている変位可能な静翼の位置を測定する。ガスタービン内での静翼の位置は相応する調整機構を介して変更することができる。静翼位置の測定値は図１で符号Ｖ４とされている。

最後に、圧縮機の出口に設けられている圧力センサ８は圧縮機出口で圧力を測定信号Ｖ５として動的に測定する。動的とはこの場合、相応するサンプリング周波数で音圧の時間的変化が検出され、圧力の時間的挙動が検出されることを意味する。特に、サンプリング周波数がｋＨｚ範囲以上のとき測定は動的である。その際、測定される圧力信号が発生するのは、運転時に個々の圧縮機段内で圧縮機動翼が静翼を通過し、これにより圧縮空気中に周期的圧力波が生成されることによってである。１つの圧力波の周期は各圧縮機段内の静翼および動翼の数に依存している。従って、検出される動的圧力信号は圧縮機段が多数なため複数の周期的成分を含む。

単一の圧力センサ８を使用する代わりに複数の圧力センサを利用することもできる。特に、幾つかのガスタービンにおいて燃焼安定性を監視するためにバーナ領域で利用されるような既存の圧力センサをこの測定に援用することができる。さらに、ガスタービンの出口ディフューザまたは圧縮機空気集合室内に圧力センサを設置することが考えられる。本発明によれば信号Ｖ５はまずステップＳ１においてＡＤ変換を施され、最後にステップＳ２においてディジタル信号でＦＦＴ変換（ＦＦＴ＝高速フーリエ変換）が実行されて信号の周波数スペクトルが算定される。ステップＳ２において実行されるＦＦＴ変換はガスタービンの回転数と静翼および動翼の数とから生じる周波数にごく精密に調整されているので、個々の周波数は明確に分離して圧縮機段に割り当てることができる。ＦＦＴ変換の結果として得られるのは個々の周波数の相応する振幅を有する複数の特性周波数帯域である。

このような周波数スペクトルが図２の線図に例示的に示してある。この線図はキャンベル線図とも称される。その際、圧力信号内の周波数ｆは横座標に沿って、時間ｔは縦座標に沿って示してある。個々の周波数の振幅が図２に色分けしてあるが、白黒表現のゆえにこの色分けは明らかでない。普通、赤色は高振幅の表示に使用される。例示的に図２にマークした領域Ｂに高振幅がある。図２の表現においてタービンの特定の運転変量が時間ｔにわたって変化している。特に、圧縮機の負荷と静翼位置が変化している。そのことから最終的に振幅の変化が生じるが、しかしこれらの特性周波数帯域はその時間にわたって維持される。図２で特別明らかとなるのが周波数帯域Ｆ１、Ｆ２、Ｆ３、Ｆ４である。その際、周波数帯域Ｆ１〜Ｆ４はガスタービン１の軸流圧縮機２の１つの圧縮機段をそれぞれ表す。すなわち、特定回転数で運転するとき特性周波数を有する１つの周波数帯域が各圧縮機段に割り当てられている。

図１のステップＳ３ではいまや図２に示す周波数帯域の評価が行われ、場合によっては相応するモデルで補正が行われる。ステップＳ３では各周波数帯域について帯域の周波数にわたる積分によって各周波数帯域内で圧力信号のエネルギー成分が算定され、このエネルギー成分はいわゆるｒｍｓ値（ｒｍｓ＝Root Mean Square）として出力される。このｒｍｓ値は当該技術の専門家に十分知られた変量である。こうしてステップＳ３の結果として各圧縮機段について特性ｒｍｓ値が得られる。図１では例示的に４つの圧縮機段について４つのｒｍｓ値Ｒ１〜Ｒ４が示してある。

図３は相応する線図においてガスタービン圧縮機の圧縮機段にそれぞれ割り当てられた２０の特性周波数帯域を有するタービン内のｒｍｓ値の時間的推移を再度明らかとする。その際、横座標に沿って時間が秒単位で、また縦座標に沿って個々の帯域の相応するｒｍｓ値がプロットされている。この線図はやはり色分けされており、各帯域は別の色で表現されているが、しかしそのことは図３の白黒表現のゆえに明らかでない。その際、帯域１〜帯域２０の個々の周波数帯域は線図の右縁の凡例に示してある。ｒｍｓ値の他に図３の線図はさらに、運転中にタービンで行われる負荷変更および静翼位置変更を含む。そのことは負荷の表示"Load"と静翼の表示"IGV"を有する相応する線で凡例に表示されている。相応する推移を判別できるようにするために負荷の時間的変化の線はＬ１で、また静翼位置の線はＬ２で示してある。その際、負荷もしくは静翼位置の個々の値はパーセント値として線図右縁の縦座標によって示してある。

図３から一方で明らかとなるのは、圧縮機の質量流量の変更によって達成される出力変更時に、質量流量が僅かに変化する場合でもｒｍｓ値内に非常に明確な応答が得られることである。他方で、運転状態に依存して複雑なシステム応答が生じ得ることも明らかとなる。その他の運転パラメータのうち図３には負荷と静翼位置を示したが、これらの運転パラメータと組合せてｒｍｓ値によって、本発明によれば、ガスタービンもしくは圧縮機の異常挙動を推定することができる。

測定された運転パラメータとｒｍｓ値とから好適な仕方で診断特性値を導き出すために本発明によればニューラルネットワークが利用される。本発明のここに述べる実施形態において好ましくは、ＲＢＦネットワークとしても知られた動径基底関数に基づくニューラルモデルが利用される。このようなネットワークの基本構造は先行技術から十分に知られており、それゆえにここで詳しくは説明しない。このようなネットワークは１つの入力層と１つの出力層とから成り、入力層内の入力変量に基づいて動径基底関数、例えばガウス関数のパラメータを学習し、これにより関数的挙動と入力変量の分布が近似される。ここに述べた実施形態では各圧縮機段について、運転パラメータと圧縮機段の相応するｒｍｓ値とを有する相応するＲＢＦネットワークが学習された。この学習はガスタービンの正常運転時の測定に基づいて実行された。

個々のＲＢＦネットワークは０〜１の間で正規化された信頼値を出力変量として発生する。この信頼値は１セットの入力変量について、すなわち特定時点に存在する運転パラメータと相応するｒｍｓ値とのセットについて、正常運転時にｒｍｓ値と運転パラメータとのこのような組合せの現れる確率がどの程度高いのかを示す。この信頼値が高ければ高いほど、正常運転が実際に存在する確率は一層高い。それに対して低い信頼値は、ガスタービンの相応する圧縮機内に欠陥運転が高い確率で現れることを意味する。

相応に学習したニューラルネットワークは近似的データカプセルとして機能し、図１のステップＳ４において測定信号Ｖ１〜Ｖ４による個々の運転パラメータとｒｍｓ値Ｒ１〜Ｒ４が入力変量として供給される。ステップＳ４は例示的に３つのサブステップＳ４０１、Ｓ４０２、Ｓ４０３に区分されている。ステップＳ４０１では運転パラメータとｒｍｓ値Ｒ１、Ｒ２が対応する圧縮機段の各ニューラルネットワークに供給される。ステップＳ４０２ではｒｍｓ値Ｒ３が、ステップＳ４０３ではｒｍｓ値Ｒ４が、対応する圧縮機段のニューラルネットワークに供給される。各ニューラルネットワークについてステップＳ４の結果として得られるのはいまや値範囲０〜１の対応する信頼値である。その際例えば０．５〜１の信頼値では、正常運転状態が存在するとの判断を導き出すことができよう。それに対して０．５未満の信頼値では、欠陥運転が存在すると診断される。この診断特性値は最後にステップＳ５で出力される。ニューラルネットワーク用入力変量として運転パラメータを選択するとき、個々のパラメータが明確な関係にあることは不可欠ではない。むしろ、ニューラルモデルのトレーニングのために十分な運転データが利用可能であるならパラメータ組合せのあらゆる分布は学習することができる。異常状態検知時の選択性を高めるために、システムに決定的に影響する全パラメータをニューラルネットワークの学習時に入力変量として取り入れるのが望ましい。

要約するなら、上記方法でもって各圧縮機段の周波数帯域の特性エネルギー値についてＲＢＦネットワークの態様の１つのデータカプセル、場合によっては複数のデータカプセルはさまざまなパラメータ組合せの幅広いスペクトルに亘ってトレーニングされ、このトレーニングされたデータカプセルは引き続き、欠陥運転を検出するためにガスタービンの監視に利用される。ガスタービンの学習時もしくは監視時にパラメータと見做されるのは特に回転数、負荷、前置静翼位置、空気圧力、周囲圧力、空気湿度等である。これらの変量は、特性周波数のエネルギー振幅と並んで、データカプセルの重要な入力変量である。付加的に特性周波数のｒｍｓ値とその高周波帯域の高調波との比を取り入れることができる。さらに本発明に係る方法の１実施形態において個々のデータカプセルの信頼値はまとめることができる。これにより例えば正常運転の存在に関する総合信頼度を算定することができる。この算定は特に、個々の圧縮機段の挙動および作用に関する既知の関係を表現するファジー規則または離散的規則に基づいて行うことができる。結果として、僅かな数の圧力センサの測定値に基づく本発明に係る方法の前記実施形態でもってガスタービンの軸流圧縮機の個々の圧縮機段の品質および状態を診断することができる。

本発明に係る方法でもって一連の利点が得られる。特に、圧縮機全体について圧縮機の状態を僅かな数の圧力センサで、例えば単一の圧力センサで診断することができ、そのことからガスタービン運転監視の総コストが減少する。本発明に係る方法はさらに、ガスタービン用に特別にまずトレーニング運転時にニューラルネットワークが学習され、引き続きこの学習したネットワークに基づいてガスタービンの監視が行われることによって、さまざまなガスタービンに容易に適合することができる。本発明に係る方法でもってさらに運転中にガスタービンの圧縮機全体の迅速かつ高頻度の監視が可能となり、特にガスタービンの稼働時間にわたって長期情報提供も可能となる。最後に、ガスタービンの正常状態に対する緩慢な変化も、長い期間にわたって信頼値を平均化することによって検知することができる。これにより維持補修費を減らすことができる。というのも、維持補修を固定間隔で実行しもしくは純予防的に実行する代わりに、本発明に係る診断によって損傷を早期に検出し、ガスタービンの損傷にとって重要な維持補修を実行できるからである。

１ ガスタービン
２ 圧縮機
４〜８ センサ
Ｖ１〜Ｖ４ 運転パラメータ
Ｖ５ 圧力信号

Claims (16)

1. ガスタービン（１）の運転を分析するための方法であって、このガスタービン（１）の正常運転に基づいて単数または複数のニューラルネットワークが学習され：
   − 少なくとも１つの動的圧力信号（Ｖ５）が前記ガスタービン（１）の圧縮機（２）の内部または表面の少なくとも１つの圧力センサ（８）によって、また前記ガスタービン（１）の単数または複数の運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）が単数または複数の他のセンサ（４、５、６、７）によって、前記ガスタービン（１）の正常運転時に測定され、および／または前記ガスタービン（１）の正常運転時に測定された前記ガスタービン（１）の前記動的圧力信号（Ｖ５）および前記単数または複数の運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）が読み込まれ；
   − 前記動的圧力信号（Ｖ５）が周波数分析を施され、これにより前記圧力信号（Ｖ５）の周波数スペクトルの単数または複数のパラメータが算定され；
   − 前記単数または複数の測定された運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）と前記圧力信号（Ｖ５）の前記周波数スペクトルの前記単数または複数のパラメータとに基づいて単数または複数のニューラルネットワークが学習され、これらのニューラルネットワークは入力変量として前記単数または複数の測定された運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）と前記圧力信号（Ｖ５）の前記周波数スペクトルの前記単数または複数のパラメータとを含み、また出力変量として少なくとも１つの診断特性値を有し、この診断特性値は前記入力変量に依存して前記ガスタービン（１）の正常運転の存在することの確率を表す方法。
2. 前記単数または複数のニューラルネットワークがＲＢＦ（ＲＢＦ＝Radial Basis Function（動径基底関数））ネットワークである請求項１記載の方法。
3. 前記少なくとも１つの診断特性値が信頼値であり、この信頼値は０〜１の範囲内で正規化されており、かつ前記入力変量の各パラメータ組合せが前記ガスタービン（１）の正常運転時に既知のパラメータ組合せであることの確率を表す請求項１または２記載の方法。
4. 前記ガスタービン（１）の前記圧縮機（２）が多数の圧縮機段を備えた多段圧縮機（２）であり、前記周波数分析によって各圧縮機段について前記周波数スペクトルのパラメータとして特性周波数帯域（Ｆ１、Ｆ２、Ｆ３、Ｆ４）が算定され、各特性周波数帯域についてそこに含まれた前記圧力信号（Ｖ５）のエネルギー成分、特にｒｍｓ値、および／または前記特性周波数帯域（Ｆ１、Ｆ２、Ｆ３、Ｆ４）内部の周波数線の１つの振幅極大および／または隣接する複数の振幅極大が計算されて前記単数または複数のニューラルネットワークの入力変量として利用される請求項１から３のいずれか１つに記載の方法。
5. さらに、１つの特性周波数帯域（Ｆ１、Ｆ２、Ｆ３、Ｆ４）のエネルギー成分と前記特性周波数帯域（Ｆ１、Ｆ２、Ｆ３、Ｆ４）の高調波のエネルギー成分との比が前記周波数スペクトルの他のパラメータとして考慮されて前記単数または複数のニューラルネットワークの入力変量として利用される請求項４記載の方法。
6. 各圧縮機段について１つのニューラルネットワークが学習され、各ニューラルネットワークが入力変量として前記周波数スペクトルの、１つの特性周波数帯域（Ｆ１、Ｆ２、Ｆ３、Ｆ４）に付属するパラメータを含み、各ニューラルネットワークが出力変量として診断特性値を有し、この診断特性値は前記入力変量に依存して各圧縮機段の正常運転の存在することの確率を表す請求項４または５記載の方法。
7. 所定の規則、特にファジー規則に基づいて、各圧縮機段の前記診断特性値から総合診断特性値が算定される請求項６記載の方法。
8. 前記動的圧力信号（Ｖ５）について実行される前記周波数分析が高速フーリエ変換を含む請求項１から７のいずれか１つに記載の方法。
9. 運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）として下記のパラメータを含み、下記パラメータの単数または複数が測定されまたは読み込まれる請求項１から８のいずれか１つに記載の方法。
   − 前記ガスタービン（１）の回転数；
   − 前記ガスタービン（１）の負荷；
   − 周囲圧力；
   − 周囲温度；
   − 空気湿度；
   − 前記ガスタービン（１）の前記圧縮機（２）の静翼位置
10. 前記測定された運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）と前記動的圧力信号（Ｖ５）は、さまざまな負荷および／または静翼位置について固定回転数で前記ガスタービン（１）が運転される正常運転に由来する請求項９記載の方法。
11. 機械読取可能な媒体に記憶されたプログラムコードを有し、このプログラムが計算機で実行されるとき請求項１から１０のいずれか１つに記載の方法を実施するためのコンピュータプログラム製品。
12. 請求項１から１０のいずれか１つに記載の方法で学習された単数または複数のニューラルネットワークに基づいてガスタービン（１）を監視するための方法であって、前記ガスタービンの運転時に：
    − 少なくとも１つの動的圧力信号（Ｖ５）が前記ガスタービン（１）の圧縮機（２）の内部または表面の少なくとも１つの圧力センサ（８）によって、また前記ガスタービン（１）の単数または複数の運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）が他のセンサ（４、５、６、７）によって、前記ガスタービン（１）の正常運転時に測定され；
    − 前記動的圧力信号（Ｖ５）が周波数分析され、これにより前記圧力信号（Ｖ５）の周波数スペクトルの単数または複数のパラメータが算定され；
    − 前記単数または複数の測定された運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）と前記圧力信号（Ｖ５）の前記周波数スペクトルの前記単数または複数のパラメータが入力変量として前記単数または複数の学習済のニューラルネットワークに供給され、前記単数または複数のニューラルネットワークの出力変量として少なくとも１つの診断特性値が出力される方法。
13. 単数または複数の前記診断特性値が所定の値の範囲外にあるとき警報信号が出力される請求項１２記載の方法。
14. 請求項１から１０のいずれか１つに記載の方法で学習された単数または複数のニューラルネットワークに基づいてガスタービン（１）を監視するための装置であって、
    − 前記ガスタービン（１）の運転時に前記ガスタービン（１）の圧縮機（２）の内部または表面で少なくとも１つの動的圧力信号（Ｖ５）を測定するための少なくとも１つの圧力センサ（８）と、前記ガスタービン（１）の単数または複数の運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）を測定するための単数または複数の他のセンサと、
    − 前記動的圧力信号（Ｖ５）に周波数分析を施すことができ、これにより前記圧力信号（Ｖ５）の周波数スペクトルの単数または複数のパラメータが算定されるようにする周波数分析装置と、
    − 前記単数または複数の測定された運転パラメータ（Ｖ１、Ｖ２、Ｖ３、Ｖ４）と前記圧力信号（Ｖ５）の前記周波数スペクトルの前記単数または複数のパラメータを入力変量として入力可能でありかつ前記少なくとも１つの診断特性値を出力変量として出力することのできる前記単数または複数のニューラルネットワークとを含む装置。
15. さらに、請求項１から１０のいずれか１つに記載の方法を実施するための手段を含む請求項１４記載の装置。
16. 請求項１４または１５記載の装置を含むガスタービン。

Images