JP2015108375A5

JP2015108375A5 -

Info

Publication number: JP2015108375A5
Application number: JP2014242720A
Authority: JP
Filing date: 2014-12-01
Publication date: 2018-01-11

Claims

故障した燃焼器を検出するシステム（１００）であって、
燃焼器（１４、１０４）と、
前記燃焼器（１４、１０４）から燃焼力学圧力データ（１１０）を検出するように構成されるセンサー（３０、１０６）と、
前記センサー（３０、１０６）と通信して、前記センサー（３０、１０６）から前記燃焼力学圧力データ（１１０）を受信するように構成されるコンピューティングデバイス（１０２）と、を含み、
前記コンピューティングデバイス（１０２）は、
前記燃焼力学圧力データ（１１０）を周波数スペクトル（１２４）に変換し、
前記周波数スペクトル（１２４）を複数の周波数間隔（１３０）に分割し、
前記周波数スペクトル（１２４）から特徴（１４４）を抽出し、
一定時間における対応する周波数間隔（１３０）内の前記特徴（１４４）に対する特徴値（１４２）を生成し、
前記特徴値（１４２）の履歴データベースを提供するために、前記特徴値（１４２）を電子的に格納し、
故障した燃焼器を示す特徴挙動を認識するように前記コンピューティングデバイス（１０２）を訓練するために、前記特徴値（１４２）の前記履歴データベースを用いて機械学習アルゴリズムを実行し、
第２の燃焼器（１４、１０４）の前記燃焼力学圧力データ（１１０）を第２の周波数スペクトル（１２４）に変換し、
前記第２の周波数スペクトル（１２４）を複数の周波数間隔（１３０）に分割し、
前記第１の燃焼器（１４、１０４）から抽出される前記特徴（１４４）に対応する前記第２の周波数スペクトル（１２４）から特徴（１４４）を抽出し、
一定時間における前記特徴（１４４）に対する特徴値（１４２）を前記第２の周波数スペクトル（１２４）から生成するステップであって、前記特徴値（１４２）は前記第１の燃焼器（１４、１０４）の前記周波数間隔（１３０）と同一の周波数間隔（１３０）内で生成され、
前記第２の燃焼器（１４、１０４）の前記特徴（１４４）の挙動を前記燃焼器（１４、１０４）の前記特徴（１４４）の前記挙動と比較する、
するようにプログラムされ、
前記コンピューティングデバイス（１０２）は、前記第１の燃焼器の特徴挙動と前記第２の燃焼器の特徴挙動との間の異常な挙動の検知に基づいて、前記第１の燃焼器および前記第２の燃焼器のうちの少なくとも１つに対する保守が必要であることを示し、または、動作する調整し、
前記異常な挙動は、燃焼器の故障を示す、
システム（１００）。
前記特徴値（１４２）は、前記対応する周波数間隔（１３０）内の対応する周波数で測定されるピーク振幅に基づく、請求項１に記載のシステム（１００）。
各周波数間隔（１３０）は、燃焼器トーンに対応する、請求項１に記載のシステム（１００）。
前記コンピューティングデバイス（１０２）は、各生成された特徴値（１４２）にタイムスタンプするようにプログラムされる、請求項１に記載のシステム（１００）。
前記燃焼器（１４、１０４）はガスタービン（１６）に結合され、前記特徴（１４４）は前記ガスタービン（１６）の動作モードに対応する、請求項１に記載のシステム（１００）。
前記燃焼器（１４、１０４）はガスタービン（１６）に結合され、前記コンピューティングデバイス（１０２）は、前記特徴値（１４２）の前記履歴データベースおよびガスタービン（１６）の様々な動作パラメータの少なくとも１つに基づいて、統計的特徴値を生成するようにプログラムされる、請求項１に記載のシステム（１００）。
前記機械学習アルゴリズムは、管理されない訓練アルゴリズムを含む、請求項１に記載のシステム（１００）。
前記履歴データベースは、故障していない燃焼器動作および故障した燃焼器動作を示す特徴値（１４２）を含む、請求項１に記載のシステム（１００）。
前記機械学習アルゴリズムは、管理された訓練アルゴリズムを含む、請求項８に記載のシステム（１００）。
燃焼力学圧力データ（１１０）およびコンピューティングデバイス（１０２）を用いて、故障した燃焼器を検出するための方法（２００）であって、
前記コンピューティングデバイス（１０２）において、第１の燃焼器（１４、１０４）と通信するセンサー（３０、１０６）からの燃焼力学圧力データ（１１０）を受信するステップ（２０２）と、
前記第１の燃焼器（１４、１０４）の前記燃焼力学圧力データ（１１０）を周波数スペクトル（１２４）に変換するステップ（２０４）と、
前記周波数スペクトル（１２４）を複数の周波数間隔（１３０）に分割するステップ（２０６）と、
前記周波数スペクトル（１２４）から特徴（１４４）を抽出するステップ（２０８）と、
一定時間における対応する周波数間隔（１３０）内の前記特徴（１４４）に対応する特徴値（１４２）を生成するステップ（２１０）と、
前記特徴値（１４２）の履歴データベースを提供するために、前記特徴値（１４２）を格納するステップ（２１２）と、
故障した燃焼器を示す特徴挙動を認識するように前記コンピューティングデバイス（１０２）を訓練するために、前記特徴値（１４２）の前記履歴データベースを用いて機械学習アルゴリズムを実行するステップ（２１４）と、
第２の燃焼器（１４、１０４）の前記燃焼力学圧力データ（１１０）を第２の周波数スペクトル（１２４）に変換するステップと、
前記第２の周波数スペクトル（１２４）を複数の周波数間隔（１３０）に分割し、
前記第１の燃焼器（１４、１０４）から抽出される前記特徴（１４４）に対応する前記第２の周波数スペクトル（１２４）から特徴（１４４）を抽出するステップと、
一定時間における前記特徴（１４４）に対する特徴値（１４２）を前記第２の周波数スペクトル（１２４）から生成するステップであって、前記特徴値（１４２）は前記第１の燃焼器（１４、１０４）の前記周波数間隔（１３０）と同一の周波数間隔（１３０）内で生成されるステップと、
前記第２の燃焼器（１４、１０４）の前記特徴（１４４）の挙動を前記燃焼器（１４、１０４）の前記特徴（１４４）の前記挙動と比較するステップであって、前記第１の燃焼器の特徴挙動と前記第２の燃焼器の特徴挙動との間の異常な挙動が、前記第１の燃焼器および前記第２の燃焼器の一方または両方の故障を示す、ステップと、
前記第１の燃焼器の特徴挙動と前記第２の燃焼器の特徴挙動との間の異常な挙動が検出されると、前記第１の燃焼器の特徴挙動と前記第２の燃焼器のうちの少なくとも１つの動作を調整または保守をスケジューリングするステップと、
を含む、方法（２００）。
前記履歴データベースは、故障していない燃焼器動作および故障した燃焼器動作を示す特徴値（１４２）を含み、機械学習アルゴリズムを実行する前記ステップは、管理された訓練アルゴリズムを実行するステップを含む、請求項１０に記載の方法（２００）。
前記履歴データベースは異常な特徴値（１４２）を含み、機械学習アルゴリズムを実行する前記ステップは、管理されない訓練アルゴリズムを実行するステップを含む、請求項１０に記載の方法（２００）。
機械学習アルゴリズムを実行する前記ステップは、前記燃焼器（１４、１０４）の動作中にリアルタイムに実行される、請求項１０に記載の方法（２００）。
前記第２の燃焼器（１４、１０４）の前記特徴（１４４）の前記挙動を前記第１の燃焼器（１４、１０４）の前記特徴（１４４）の前記挙動と比較する前記ステップは、前記第２の燃焼器（１４、１０４）の動作中に実行される、請求項１０に記載の方法（２００）。
前記第２の燃焼器（１４、１０４）の前記特徴値（１４２）の履歴データベースを生成するために、前記第２の燃焼器（１４、１０４）の前記特徴値（１４２）を格納するするステップと、
前記第２の燃焼器（１４、１０４）の前記特徴値（１４２）の前記履歴データベースを用いて機械学習アルゴリズムを実行するステップと、
をさらに含む、請求項１０に記載の方法（２００）。
前記第２の燃焼器（１４、１０４）の前記特徴値（１４２）の前記履歴データベースは、故障していない燃焼器動作および故障した燃焼器動作に対応する特徴値（１４２）を含み、機械学習アルゴリズムを実行するステップは、管理された訓練アルゴリズムを実行するステップを含む、請求項１５に記載の方法（２００）。
前記第２の燃焼器（１４、１０４）の前記特徴値（１４２）の前記履歴データベースは異常な特徴値（１４２）を含み、機械学習アルゴリズムを実行するステップは、管理されない訓練アルゴリズムを実行するステップを含む、請求項１５に記載の方法（２００）。
機械学習アルゴリズムを実行する前記ステップは、前記第２の燃焼器（１４、１０４）の動作中にリアルタイムに実行される、請求項１５に記載の方法（２００）。