燃气轮机多元模糊神经网络诊断模型的研究
燃气轮机性能的影响因素分析及评价方法概述
燃气轮机性能的影响因素分析及评价方法概述蔡立志【摘要】本文介绍了单轴、简单循环的燃气轮机的基本原理，分析影响燃气轮机性能的外部因素并介绍了对其性能进行评价的方法。
【期刊名称】《科技风》【年(卷),期】2012(000)019【总页数】1页(P48-48)【关键词】燃气轮机;影响因素;性能评价【作者】蔡立志【作者单位】福建省电力有限公司电力科学研究院,福建福州 350007【正文语种】中文燃气轮的效率、运营成本与燃气轮机的性能密切相关。
对燃气轮机进行科学的评价，将有助于燃气轮机的选型、确定其维修周期。
传统的赋权评价方法首先确定各个指标的权重，但现实中这些指标会随时变化，权重有可能会变化。
因此，研究一种合理的评价方法有着重要的现实意义。
本文从燃气轮机的热力学原理开始，介绍影响燃气轮机性能的因素和对其性能进行评价的方法。
单轴、简单循环的燃气轮机原理图如图1所示，单轴的燃气轮机由一根整体轴贯通其首尾，前后各级的转速相同，比较适合驱动速度变化不大的负荷，如发电机等。
空气从点①处进入轴流式压缩机，之后在恒温条件下被加压至较高压力，其温度也随之升高。
压缩后的空气在点②处进入燃烧系统燃烧，燃烧过程基本处于恒压状态。
燃烧混合物在离开燃烧室后于点③处进入透平时，其温度为混合后的平均温度。
燃气的热能在透平内转化为动能，一部分用于驱动压缩机，另一部分是通过法兰输出的有用功。
一般情况下，透平部分产出的功，50%以上用于驱动轴流压气机。
影响燃气轮机性能的因素主要有空气温度、空气密度、进气及排烟损失、燃料、稀释剂的注入、抽气等，以下对这些因素进行简单的介绍。
2.1 空气温度每种型号的燃气机都有它的温度影响曲线。
燃气轮机需要吸入空气，因此，进入燃气轮机的周围环境的空气的质量流量等都影响到它的性能。
循环流质的参数和部件的效率、空气的质量流量都会影响到燃气轮机的温度影响曲线。
2.2 空气密度空气密度小，使得空气流量及输出相应地减小，这对于燃气机出力的影响是显而易见的。
航空发动机及燃气轮机整机性能仿真综述
收稿日期：2023-06-15基金项目：航空动力基础研究项目资助作者简介：董威（1970），男，教授。
引用格式：董威，尹家录，郑培英，等.航空发动机及燃气轮机整机性能仿真综述[J].航空发动机，2023，49（5）：8-21.DONG Wei ，YIN Jialu ，ZHENG Peiying ，et al.Review:engine-level performance simulation of aeroengine and gas turbines[J].Aeroengine ，2023，49（5）：8-21.航空发动机Aeroengine航空发动机及燃气轮机整机性能仿真综述董威1，尹家录2，郑培英2，程显达1（1.上海交通大学机械与动力工程学院，上海200240；2.中国航发沈阳发动机研究所，沈阳110015）摘要：整机总体性能仿真是航空发动机及燃气轮机仿真的重要组成部分，在航空发动机及燃气轮机的设计制造和使用全寿命周期内发挥着重要作用。
综合70多年来航空发动机及燃气轮机总体性能仿真的发展成果，梳理了各时期总体性能仿真的发展历程。
从基本方法、模型精细化、求解算法和修正方法等角度，分析了国内外以部件级模型为代表的基于物理机理的总体性能仿真方法研究现状；探讨了以人工神经网络、支持向量机和深度学习为代表的人工智能算法在总体性能仿真中的应用现状；介绍了机载模型、机理-数据混合模型和多维度模型基本方法和主要成果。
基于目前的研究成果和技术发展趋势，认为航空发动机及燃气轮机总体性能仿真应向物理机理模型更精细化、人工智能技术更深入和应用模型构建更为规范化的方向发展。
关键词：航空发动机；燃气轮机；总体性能；仿真；物理机理模型；人工智能；应用模型中图分类号：V231.1文献标识码：Adoi ：10.13477/ki.aeroengine.2023.05.002Review:Engine-level Performance Simulation of Aeroengine and Gas TurbinesDONG Wei 1，YIN Jia-lu 2，ZHENG Pei-ying 2，CHENG Xian-da 1（1.School of Mechanical Engineering ，Shanghai Jiao Tong University ，Shanghai 200240，China;2.AECC Shenyang Engine Research Institute ，Shenyang 110015，China ）Abstract ：Engine-level performance simulation is an integral aspect of aeroengine and gas turbine simulation,and plays a crucial role throughout the entire life cycle of design,manufacturing,and operation.This paper presents a comprehensive analysis of the development process of aeroengine and gas turbine performance simulation in each historical stage,building upon the accomplishments made over thepast 70years.The research status of physical mechanism performance simulation,primarily represented by the component-level model,was examined from various perspectives including basic methods,model refinement,solution algorithms,and correction methods.Further⁃more,the application of artificial intelligence algorithms,such as the artificial neural network,support vector machines,and deep learning,in engine-level performance simulation,was discussed.The paper also provided an overview of the fundamental methods and key achieve⁃ments of on-board models,mechanism-data hybrid models,and multi-dimensional models.Finally,based on current research findings andtechnological development trends,it is believed that the engine-level performance simulation of aircraft engines and gas turbines should de⁃velop towards a more refined physical mechanism model,deeper artificial intelligence technology,and more standardized application model construction.Key words ：aeroengine ；gas turbine ；engine-level performance ；simulation ；physical mechanism model ；artificial intelligence ；applica⁃tion model第49卷第5期2023年10月Vol.49No.5Oct.20230引言随着仿真技术的进步，航空发动机及燃气轮机的设计正逐渐从“试验设计”向“预测设计”转变。
故障诊断
第一章1.1 机械设备故障诊断技术的意义、目的和内容设备诊断技术：是一种了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。
意义：（1）避免造成巨大的经济损失，危及人身安全，严重后果；（2）改革维修体制，节省维修费用。
目的：保证可靠地、高效地发挥设备应有的功能。
设备诊断技术内容正确选择与测取设备有关状态的特征信号测取的信号应该包含设备有关状态的信息。
正确地从特征信号中提取设备有关状态的有用信息理论分析与试验研究对特征信号加以处理，提取有用的信息。
根据征兆正确地进行设备的状态诊断模式识别理论与方法，对征兆加以处理，构成判别准则，进行状态的识别与分类。
根据征兆与状态正确地进行设备的状态分析分析故障位置、类型、性质、原因与趋势等。
根据状态分析正确地作出决策人为干预和自动干预，即包括调整、修理、控制、自诊断等等。
1.2.2 设备故障的检测方法1.振动和噪声的故障检测(1) 振动法：对机器的振动值如位移、速度、加速度、转速及相位值等进行测定，与标准值进行比较，据此可以宏观地对机器的运行状况进行评定；(2) 特征分析法：对测得的振动量在时域、频域、时-频域进行特征分析，用以确定机器各种故障的内容和性质；(3) 模态分析与参数识别法：利用测得的振动参数对机器零部件的模态参数进行识别，以确定故障的原因和部位；(4) 冲击能量与冲击脉冲测定法：利用共振解调技术以测定滚动轴承的故障；(5) 声学法：对噪声的测量分析机器运行情况并寻找故障源。
2.材料裂纹及缺陷损伤的故障检测⏹(1)超声波探伤法：主要用来检测平面型缺陷；⏹(2)射线探伤法：主要采用X和 射线，主要用于展示体积型缺陷；⏹(3)渗透探伤法：主要有荧光渗透与着色渗透两种，仅适用于有表面缺陷的损伤类型；⏹(4)磁粉探伤法：能探测近表面的缺陷，仅适用于铁磁性材料；⏹(5)涡流探伤法：对材料表面下的缺陷有较高的检测灵敏度；⏹(6)激光全息检测法：可检测蜂窝、叠层结构、高压容器等；⏹(7)微波检测技术：对非金属的贯穿能力强；⏹(8)声发射技术：对大型构件结构的完整性进行动态、实时监测和评价。
基于EEMD的重燃压气机液压IGV系统内泄漏诊断
基于EEMD的重燃压气机液压IGV系统内泄漏诊断武鑫;陈雄伟;芮晓明【摘要】重型燃气轮机中轴流压气机的进口导叶(IGV)系统中,液压油缸在变化的运动位移和负载条件下工作.液压油缸的内泄漏故障会导致IGV系统累积偏差超过限度,引发燃气发电机组跳闸.针对此故障,根据液压油缸一侧油腔的压力信号,提出了一种基于集合经验模态分解(EEMD)和希尔伯特变换(HT)的诊断方法.该方法先将压力信号通过EEMD方法分解成一系列固有模态函数(IMF)分量,然后应用HT方法对第一个IMF分量进行变换,获得瞬时幅值,最后得到瞬时幅值的绝对均值.通过IGV模拟实验台的实验证明,提出的诊断方法能够有效地检测液压油缸有无内泄漏发生,以及泄漏的程度.【期刊名称】《风机技术》【年(卷),期】2018(060)004【总页数】6页(P69-74)【关键词】重型燃气轮机压气机;进口导叶系统;内泄漏;EEMD方法【作者】武鑫;陈雄伟;芮晓明【作者单位】华北电力大学能源动力与机械工程学院;华北电力大学能源动力与机械工程学院;华北电力大学能源动力与机械工程学院【正文语种】中文【中图分类】TH4530 引言对于重型燃气轮机，进口导叶（Inlet Guide Vane，IGV）系统，起着保护机组安全运行、提高运行效率的重要作用。
目前，IGV系统主要为电液伺服调节方式。
在液压系统的几类故障中，液压油缸的泄漏是最普遍的一种故障形式，泄漏产生原因一般有制造缺陷、安装误差以及磨损等。
液压油缸的泄漏有内泄漏和外泄漏两种，外泄漏一般可以通过观察的方法发现，而内泄漏极其隐蔽，难以察觉。
对于IGV 系统，一旦发生液压油缸的内泄漏故障，最直接的影响就是系统的响应时间变长，位置控制精度降低，进而影响温度限制模块、压比限制模块的功能[1]，导致温度控制不佳，致使机组运行效率下降。
此外，还可能导致压气机喘振的发生，对机组的安全运行造成严重影响。
内泄漏故障亦会导致IGV系统无法达到指定的开度，当实际开度和指令开度的累积偏差超过限度，将引发燃气发电机组跳闸。
注蒸汽燃气轮机供油规律研究
性 曲线 的形式给 出 ， 工作 特性用 压 比 、 其 折合 转速 和折 合流 量 以及 效率 ４个参数 的关系来 表示 ， 在压 比 、 合转速 和折 折
合 流量 ３个 参数 中， 只要其 中任 意两个参 数一经 确定 ， 其工
作 状 态 就 确 定 。 以压 比和 折 合 转 速 为 自变 量 ， 流 量 和 效 率 其 的 函数 表达 式 为 ：
誓 ： 、 一） ｄ 等（ Ｇ ｒ Ｇ ｍ
１３ 燃 烧 室 模 块 ．
图 ２ 注蒸汽燃气轮机仿真模型
燃 烧 室 模 块 与 纯 容 积 模 块 存 在 不 同 之 处 在 于 其 有 能 量
２ 仿真结果及分析
ｌ
１
１
１ １
ｌ
的加 入 ， 内部 近似视 为均 匀场 ， 略容积 内流体 同外界 的 其 忽 传热 ， 近似认为容积 内部 的压力 、 度相等 ， 温 容积 中遵守质量
图 ３
鲁 ： Ｇ Ｇ Ｇ Ｇ＋， ＋一
能量方程 ：
＝
过 程 进 行 了计 算 。燃 机 的各 特 性 参 数 在 过 渡 过 程 中 变 化 曲
线 如 图 ３～图 ６所 示 。
Ｇ
＋
＋
一 Ｇｏ， ｕ
口
＼
．
加阻尼
、 分段 线 性 、
１４ 闪蒸 器 模 块 ．
１２ 纯 容 积模 块 ．
Ｔ １ ｎ
—
—
口
—
— 司 瑶
＋
ｒ
２５ 卜— ｌ ９ ｎ ｎ
一
Ｇｇ ｍ ０
Ｐ４ — — Ｒ —— — —
—
占 南 １
国
基于小波包IRN网络的燃气轮机转子故障诊断
小 波包重 构算 法 ：
由｛｛“与 ｛ ｄ ｝
。 ｛｛ ｎ， ｝ ｄ¨． 则 求 ｝
ｄ “ ∑（ ｌ２ “ ｌ２ｄ ） ｛ ＝ ｈ一ｋ ＋ｇ 一ｋ “ 。 ｄ
运 用小波 包进行 信 号消 噪处 理 的基 本 过程 可按
非常 复杂 ， 就转 子 系统而 言 ， 障与征 兆之 间往往 没 故 有明显 的对 应关 系 ， 且 在 诊 断 中存 在 着 大量 的随 并
龚 海鹏 ， 宋华 芬
（ 海 交通 大学涡轮机 研 究所 ， 海 ２ ０ ３ ） 上 上 ００ ０
摘 要 ： 出一 种基 于小波包 和带有偏差单元的 内部 回归神经网络相结合 的燃气 轮机 转子故 障诊 断方法。利 提
用小波包分析去除噪声信号干扰 ， 简化燃机转子故障特征提取 。带有偏 差单元 的内部 回归 神经 网络的记 忆特
性好 ， 收敛 速 度 快 、 定 性 强 。小 波包 和带 有 偏 差 单 元 的 内部 回归 神 经 网络 的结 合 ， 大 提 高 了诊 断 速 度 及诊 稳 大
断准确性。
关
键
词 ： 气 轮 机 ； 子 ； 波 包 ； Ｎ 网络 ； 障诊 断 燃 转 小 Ｉ Ｒ 故 文献标识码： Ａ 文章 编 号 ：０９—２８ （０７ ０ １０ ８９２０ １４—０５ —０ ０４ ３
维普资讯
第２ Ｏ卷
第 ４期
《 燃
气
轮
机
技
术》
ｖ０ ． ０ Ｎ０． １２ ４ Ｄｅ ｃ．，００ ２ ７
２０ ０ ７年 １ ２月
ＧＡＳ ＴＵＲＢＩ ＮＥ ＴＥＣＨＮｏＬｏＧ Ｙ
基 于小 波包 Ｉ Ｎ 网络 的燃 气 轮 机 转 子 故 障诊 断 Ｒ
阈值 并对 系数进 行 阈值 量 化 。（ ） 号 的小 波 包 重 ４信 构 。根 据第 Ｎ层 的 小 波 包 分 解 系 数 和 阈值 处 理 后
关于柴油机故障诊断的总结
关于柴油机故障诊断的总结关于柴油机故障诊断的阐发关于柴油机故障诊断的总结柴油发动机应用广泛，处在所属产业链的相对核心的位置。
其高速运行运行状态的好坏直接关系到成套设备的工作状态。
因此，对柴油机运行状态进行监测和故障诊断，确保其处于安全、可靠、高效率的组织工作状态，对提高整套设备的劳动效率，提高产品质量，降低生产成本和能耗具有历史性的意义。
柴油机故障诊断和其它类型的机械一样，首先作出必须对故障机理进行研究，以故障信号的检测技术及信号处理技术为基本，以故障信号处理和特征提取理论为基本理论，以基于信号处理和特征提取方法故障类型识别方法为基本的。
近年来，随着科学技术的健康发展，柴油机故障诊断技术也经历着从最初的事后维修到定时检测，再到现代故障诊断技术的视情维修。
传统的诊断方法虽然简单易行，但是由于其信息量小，精确度不高，成本较高且容易发生误判，故难以满足现代的需求。
20世纪80年代，邓聚龙教授提出了灰色系统理论，为研究少数据、贫信息不确定性问题提供了新方法，不足之处很好地解决了传统性方法的不足之处。
进入90年代后，随着人工智能技术的发展，柴油机故障诊断技术进入了智能化的阶段。
检测项目增强，软件功能增强，诊断的准确性大为提高。
基于专家系统和可视化的智能化诊断方法为柴油机故障诊断技术监视系统的发展提供了新的方向。
一、传统的故障诊断技术传统的柴油机故障诊断技术主要包括热力参数分析法、声振监测、磨粒监测分析法。
热力参数分析法中又可以分为通过测定柴油机工作过程的示功图对柴油机工作过程做综合性的监测的第十四条示功图法和利用瞬时转速波动信号对柴油机进行监测和故障诊断的方式。
1、热力参数分析法热力参数分析法是利用柴油机工作时热力参数的变化来判断其工作状态的。
这些参数包括气缸压力示功图、排气温度、转速、滑油温度、冷却水进出口温度及排放等。
由于这些参数能够很好的非常积极水解柴油机的工作情况以及故障特征，具有关联性强、直观且便于分析等缺点，因此此种方法得到了广泛的应用。
基于船用燃气轮机外特性的建模方法
４９卷第４期（总第１ ８４期） ２００８年ｌ２月 中 国 造 船 ＳＨＩＰＢＵＩＩ ＤＩＮＧ ＯＦ ＣＨＩＮＡ Ｖｏ１．４９ ＮＯ．４（ＳｅｒｉａＩ Ｎｏ．１ ８４）
ＤｅＣ．２００８
文章编号：ｌ０００—４８８２（２００８）０４—００６１—００５
基于船用燃气轮机外特性的建模方法 吴 森， 王永生 （海军工程大学船舶与动力学院．湖北 武汉４３００３３）
摘 要 针对动力系统稳态、动态特性研究，旨在预报快速性、操纵性和机动性这一特点，借助生产厂家的燃气轮 机外特性曲线，先将图形数字化．然后在ＭＡＴＩ ＡＢ／Ｓｉｍｕｌｉｎｋ仿真环境下，运用二维线性插值法，二维非线性 插值法．曲面拟合法．神经网络法分别对燃气轮机的外特性进行了数学建模。运用中值法对建模结果即数学 模型进行了检验，比较了上述四种方法的优缺点．指出了每种方法使用中的注意事项，适用场合。上述建模方 法亦适用于舰船动力装置其它部件外特性的建模与仿真。
关 键 词：船舶、舰船工程；燃气轮机；仿真；数学模型；ＢＰ神经网络 中图分类号：ｕ６６４．１３１ 文献标识码：Ａ
１ 引 言 研究舰船推进系统的稳态和动态特性时首先须要建立推进系统各部件的数学模型。燃气轮机是一 种强非线性的气动热力学系统，其数学模型一直是人们研究的重点。常用的燃气轮机数学模型有气动热 力学模型、实时模型、状态变量模型、自适应模型等。常用的建模方法有部件法，状态变量法等。采用部 件法建立燃气轮机的非线性实时数学模型乃是利用燃气轮机的气动热力学关系，在各部件特性的基础 上，沿工作流程建立各部件数学模型并集成为整个推进系统， 然后对推进系统稳态和动态特性进行研究和分析。燃气轮机 的部件级模型是指各部件之间按照燃气轮机工作遵守的气动 热力学、转子动力学定律建立的非线性实时数学模型。模型能 够对燃气轮机的稳态』 作点和动态过程进行计算。这种方法 是根据燃气轮机工作原理进行建模，这种建模比较复杂，具有 非线性、时变的特点，须要建立气动热力学和转子动力学平衡 关系的非线性方程。建模过程涉及到大量的数学计算和燃气 轮机的设计及试验数据。这种建模方式也多用于燃气轮机本 身的设计和性能分析工作。 通常推进系统稳态和动态性能研究主要是从事快速性、 操纵性和机动性预报。在这种目的下的燃气轮机建模的重点 是求得功率输出与两个工作参数即动力涡轮转速和喷油流量 的关系。一般情况下，然气轮机生产厂家给出＿ｒ燃气轮机外特 性曲线图，此时利用外特性曲线进行建模既实用且方便，又能 满足研究目的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第22卷 第4期 2002年8月 动 力 工 程
POWERENGINEERING Vol.22No.4
Aug.2002・1863・
文章编号:100026761(2002)0421863205
燃气轮机多元模糊神经网络诊断模型的研究
杨 斌, 王永泓(上海交通大学动力与能源工程学院,上海市200030)
摘 要:
对基于热力参数的燃气轮机8种典型常用故障,提出了一种新的适用于燃气轮机故障诊断的多元
模糊神经网络模型。用具有代表性的故障样本训练该网络,就可以对不同大气温度,不同负荷下的常见故障进行诊断。图2表5参7
关键词:燃气轮机;模糊神经网络;故障诊断中图分类号:TK39 文献标识码:A
收稿日期:2001206201
作者简介:杨 斌(1976-),男,上海交通大学硕士研究生。
0 引言燃气轮机故障诊断技术吸取了现代科学技术的新成果,在理论与应用上取得了很大的进展。由于燃气轮机状态监控和故障诊断能大大提高机组运行的安全性和可靠性,同时也能大幅度降低维修成本,所以燃气轮机故障诊断模型的研究不仅有很大的理论意义,而且有较强的应用价值。燃气轮机的运行状态与热力参数有着密切的关系,热力参数的变化不仅可以衡量燃气轮机的安全性、经济性指标,而且它还能反映出不同故障所发生的征兆。燃气轮机高速性、紧凑性和连续流动的工作特点使它的热力参数能够非常灵敏地反映它的技术状态。模糊神经网络是近年来智能控制领域的热点,它既具备模糊系统的便于理解,可以表达人的经验性模糊知识的特点,又有神经网络的并行处理,容错能力,强大的自学习、自组织、自适应能力,因而应用于燃气轮机故障诊断这种高度非线性系统非常合适。从国内外发表的文献资料看,燃气轮机的热参数故障诊断,目前还处于不成熟阶段或起步阶段。一些主要关键问题,如各种类型故障的特征、基于热参数的故障识别等等都未得到圆满解决。本文主要是在用神经网络进行故障识别方面进行了较深入的研究,成功地将模糊神经网络用于燃气轮机故障诊断,在原有设计工况典型故障诊断基础上,拓展至大气温度变化及负荷变化条件下的故障诊断,建立了多元模糊神经网络诊断模型,
为将来更复杂的船用三转子燃气轮机故障诊断神经网络的应用打下一定基础。
1 多元模糊神经网络模型的建立1.1 燃气轮机故障样本的获取 用模糊神经网络进行故障诊断,首先我们必须使用不少于一定数量且具代表性的故障样本对神经网络进行训练。而故障样本的获得通常有两种方法:一种是从实际的运行故障中获得数据;另一种是理论建立故障模型的方法。燃气轮机制造商由于技术保密等原因,在提供燃气轮机的同时,并不提供其核心数据和故障诊断技术。另外,由于燃气轮机机组需经长期运行后才有可能产生某些类型的故障,因而在实践中获得全面的故障数据是不现实的,几乎是不可能的。若能从理论上发展出一种方法,能对燃气轮机的故障性能进行模拟,对于故障样本数据的获得具有很现实的意义。我们采用了上海交通大学王永泓教授的应用小偏差方程建立燃气轮机故障性能模型的思路:
通过建立的燃气轮机气动参数的影响系数矩阵,
得到测量参数与性能参数之间的关系,再结合燃气轮机常见的故障判据,就可得到热力参数变化与故障类型的映射关系。这里就涉及到燃气轮机故障判据的问题。燃气轮机的故障首先引起各部件性能参数的变化,然后再引起测量参数的变化,因此各部件性能参数的相对变化是判别燃气轮机故障的依据。由于基于热力参数的故障发生是一渐变过程。各部件热力性能参数变化到怎样的程度才能认为有故障发生,这是一个故障判别标准问题,非常值得研究。经过参阅大量国内外资料(包括理论和实验资料的总结),参考文献[4]予以并综合,提出了燃气轮机8种故障判据(表1)。
表1 燃气轮机故障判据表故障代号故障名故障特征1压气机积垢压气机折合流量下降7%,压气机效率下降2%2压气机磨损压气机效率下降2%3压气机叶片受外来物损伤压气机效率下降5%4涡轮喷嘴腐蚀透平喷嘴入口面积增加6%5涡轮叶片磨损透平喷嘴入口面积增加6%,透平效率下降2%6涡轮叶片结垢透平喷嘴入口面积减少6%,透平效率下降2%7涡轮叶片损伤透平效率下降5%8燃烧室扭曲变形燃烧室压力恢复系数下降10% 例如:压气机积垢对性能参数的影响表现为折合流量下降,压气机效率下降,因此可以用折合流量及压气机效率的相对变化量作为压气机积垢这种故障的判据。Saravanamuttoo[6]曾经建立燃气轮机的数学模型来对燃气轮机的积垢进行模拟,将压气机折合流量下降7%,压气机效率下降2%作为故障的判据。参考文献[7]的故障诊断部分内容涉及到了压气机积垢对性能参数的影响。参考文献[4]中将压气机积垢故障使用的判据定为“压气机折合流量下降7%,压气机效率下降2%”。我们收集的燃气轮机故障判据表具有广泛的代表意义,上面8种故障的特征参数变化值在不同大气温度和不同负荷下,可以认为是相同的,以上的假定是根据参考文献[5]提出的。参考文献[5]中提出:“在不同工作状态下,有故障部件的特性变化量是相同的,这一假设在气路分析法中普遍被采用,实践证明与实际情况相差不大”,这就使燃气轮机故障判据在广泛的负荷和大气温度变化条件下具有相当的适用性。为了使故障诊断更能符合实际情况,我们使用了大气温度变化及负荷变化下的样本数据。设计工况下温度为22.4°C,工况100%。而在现实的机组运行中,几乎不可能维持在设计工况下运行。因此,我们的样本包括大气温度从-10°C到30°C,工况的范围从50%到100%的数据,总共选择了240个具有相当代表性的故障样本。表2为其中的一个故障原始样本。表2 T1=050%工况下的故障原始样本
故障样本故障特征值(单位◊)∆Πc∆T2∆T4∆W
f
①压气机积垢-5.861-0.753.609-0.118
②压气机磨损1.271.9322.2520.167
③压气机叶片受外来物损伤2.1173.2193.7535.777
④涡轮喷嘴腐蚀-6.689-2.3320.1870.167
⑤涡轮叶片磨损-5.594-1.953.4515.094
⑥涡轮叶片结垢7.8312.7313.2164.97
⑦涡轮叶片损伤2.7970.9758.33412.58
⑧燃烧室扭曲变形13.024.545.2648.14
图1 神经网络结构图1.2 多元模糊神经网络的构成形式B2P算法属于∆学习率,是一种有教师的学习算法,输入学习样本为K个,
x
1,x2
,…,xk,输出
为J个,已知与其对应的教师为t
1,t2
,…,tJ,学习
・4681・ 动 力 工 程第22卷 算法是将实际输出y1,y2,…,yj与t1,t2,…,tJ的误差来修改其连接权和阀值,使得实际输出与要求的输出尽可能接近。然而在实用中BP算法存在2个重要缺陷:收敛速度慢,目标函数存在局部极小。基于以上2点,我们采用的是比较成熟的改进的BP算法。为了反映测量参数与故障类型的非线性映射关系,我们构造了4层网络,如下面的神经网络结构图。下面简要说明图中的各层:
(1)输入层:有6个节点输入,其中压比变化
率、压气机排气温度变化率、透平排气温度变化率、油量变化率为4个待模糊化输入量,大气温度和工况为2个直接输入量,为了保证网络收敛,我们对这2个直接输入量进行了特殊处理,使其输入在0到1之间。每个节点对应的输入为X,则输入向量为X=(T,M,X1,X2,X3,X4)T。T为大气温度信号的输入,M为工况信号的输入。(2)模糊层:共有14个节点。该层对4个热
力参数变化的输入进行模糊化,即转换成相应的模糊子集上的隶属度,所以模糊层的输出向量为S=(T,M,X11,X12,X13,…,X41,X42,X43
)T。T、
M
不进行模糊化处理,我们对热力参数进行模糊化是为了更自然真实地反映它们的状态及变化趋势。机组正常工作时热力参数变化存在一标准值x0,最大极限值xmax,最小极限值xmin
。所以,我们
将描述故障征兆的变化率的模糊子集定义为:过高、最佳、过低。模糊隶属函数为:
过低:ΛL=
1x≤x
min
(x0-x)(x0-xmin)xmin
最佳:ΛM=
(x-xmin)(x0-xmin)xmin
0
1x=x
0
0其它
(公式2)过高:ΛH=
(x-x0)(xmax-x0)x0
max
1x>x
max
0其它
(公式3)
模糊化子集分为过高,最佳,过低3个子集,
相应的在模糊层有12个节点与输入的故障信号对应,Xij=Λ(Xi)
,i=1,…,4。j=1,2,3大气温度
和工况信号直接输入,不需进行模糊化处理。所以模糊层的输出向量为S=
(
T,M,X
11
,
X12,X13,…,X41,X42,X43)T,即S=(T,M,Λ1H,Λ1M,Λ1L,…,Λ4H,Λ4M,Λ4L
)T。例如图1～图
2,T1=
0,50%工况下的故障原始样本的模糊化过程,从表中找出各个故障参数变化率的变化范围,确定xmax和xmin
。以压气机积垢故障为例,对于征兆信
号∆Πc来说,从图中的那一列找出其范围(-6.689,13.02)。所以
,
xmin=-6.689,x
max
=
13.02,x=-5.861,将它们代入公式1,2,3中计算得到∆Πc的模糊化结果(0,0.124,0.876)
。对于
表2中的每一个数据都进行这样的处理,就得到表3中的故障模糊化样本。
表3 T1=0,50%工况下的故障模糊化样本故障样本故障特征值模糊化∆Πc∆T2∆T4∆W
f
压气机积垢(0,0.124,0.876)(0,0.678,0.322)(0.433,0.567,0)(0,0,1)压气机磨损(0.098,0.902,0)(0.426,0.574,0)(0.27,0.73,0)(0.013,0.987,0)压气机叶片受外来物损伤(0.163,0.837,0)(0.709,0.291,0)(0.45,0.55,0)(0.459,0.541,0)涡轮喷嘴腐蚀(0,0,1)(0,0,1)(0.022,0.978,0)(0.013,0.987,0)涡轮叶片磨损(0,0.164,0.836)(0,0.164,0.836)(0.414,0.586,0)(0.405,0.595,0)涡轮叶片结垢(0.601,0.399,0)(0.602,0.398,0)(0.386,0.614,0)(0.395,0.605,0)涡轮叶片受外来物损伤(0.215,0.785,0)(0.215,0.785,0)(1,0,0)(1,0,0)燃烧室扭曲变形(1,0,0)(1,0,0)(0.632,0.368,0)(0.647,0.353,0) 在这里强调一点,我们的xmax和xmin仅是针对不同的大气温度和工况。就是说,在不同大气温度下,不同工况下,同一个征兆信号(如征兆信号∆Πc)的xmax和xmin是不同的,我们没有将所有温度