监控衰退系统

暂无

监控衰退系统
技术领域
[0001] 本发明涉及用于涡轮机(例如燃气涡轮机或内燃机)的控制和仪表化技术领域。
本发明始于一种对一般系统类型中遭受多个故障的特定衰退系统进行监控的方法。
背景技术
[0002] 诸如燃气涡轮机或内燃机的涡轮机是一种承受相当大负荷的系统。蠕变和疲劳在由非常高的燃烧温度、压力比和气流所引起的极限条件下会对机器产生影响。燃气涡轮机(GT)的主要组件(即，入口喷嘴、压缩机、燃烧室、涡轮机、气流冷却器、以及出口)都会由于它们的恶化对GT性能的衰退起到不同程度的作用。在内，每个单独组件的状况总是随工作或操作时间不断恶化，直到通过某种维护措施至少部分地对其进行恢复。
[0003] 涡轮机衰退是一个复杂的过程，如果能够清楚地区分故障的成因和症状，则可更好地理解该过程。特定衰退的初始原因(换句话说就是影响给定组件的故障成因)可以是诸如污损、腐蚀、侵蚀等各种作用。相反地，不同故障经常产生相似的可观测的效果或症状，例如热力学效率和流量能力的降低。不幸的是，直接检测故障成因通常是不可能的或者太过昂贵，所有检测或监控努力一般都仅限于症状识别。
[0004] 影响燃气涡轮机给定组件的故障的成因可能是各种作用，例如压缩机叶片的污染、涡轮机叶片的侵蚀、或机器部件的腐蚀。出于故障成因对涡轮机性能的影响，使得一种特定类型的故障成因(例如压缩机污损)需要一种特定的维护措施(例如压缩机擦拭)，而不同的故障成因需要不同的维护措施。因此，需要连续地分析测得的衰退症状，以推断它们的根本起因(或多个起因)，即，定位正在发生的故障(或多个故障)的成因。然后，可用诊断结果对操作和维护策略进行优化。这种优化的维护调度或进度安排(schedule)确保经济安全的工作，并且帮助预测主要组件的剩余寿命。这里，主要问题在于从(观察到的)症状回推故障的成因。这是一种“逆向问题”，因为实际上，机器不同位置处的故障会使症状出现，而如上文所述，不同故障常会产生类似的可观测的效果或衰退症状。
[0005] 在专利申请EP-A 1 418 481中给出了用于航空燃气涡轮机诊断的框架(framework)，其区分了由单一系统故障事件引起的快速恶化和由所有引擎组件的损伤聚积引起的渐进恶化。测量值Δ向量包括与某些气路参数数据(例如，转子速度、温度和压力)参考值的偏差，反映了多种可能的引擎/传感器系统故障出现以及随机测量噪声的影响。根据离散时刻k处的测量值Δ向量，可在模块性能分析内估计或计算出包含当前状态引擎系统和传感器故障的总故障向量xk。除了提到统计试验或神经网络之外，该估计方法未被详细描述。如果正在发生快速恶化事件，则基于测量值Δ向量相对于时刻k-1处的前一测量值的变化ΔΔk，来执行单一故障或根本原因分离。否则，基于分配给渐进恶化的MFI
测量值Δ向量的累积份额ZK ，执行多故障分离，以得到更新的误差向量。由于“故障”向量xk实际对应于症状(如风机效率降低等)，因此这种方法允许重构和区分不同的症状；然而，这种方法并不获得故障的成因。
[0006] 燃气涡轮机性能诊断的目标在于准确检测、分离和评定性能变化、系统故障及仪表化问题。在许多其他技术中，气路分析(GPA)是一种构建得较好的框架，用于根据对沿涡轮机气路取得的被测参数的认识来估计性能变化，所述被测参数例如为功率、引擎速度、温度、压力或燃料流量。这些被测参数的可辨偏移提供了必须的信息，用来确定引擎工作中相对于假定的参考、标称或初始状态的潜在偏移，即衰退症状。GPA允许根据独立参数或系统状态的衰退来识别引擎性能的恶化，所述独立参数或系统状态例如为热力学效率、流量能力、和入口/出口过滤器面积。未出版的欧洲专利申请05405270.9公示了一种方法，该方法用于监控代表缓慢衰退真实或模拟系统的不同衰退症状或健康参数的发展。在此将该申请以引用方式并入本文以便用于各种目的。所有基于GPA的方法实际上都是终结于对性能恶化或衰退提供某些估计(即，对症状提供某些估计)。然而，这些方法并未解决识别和定位症状根本原因的问题(例如并未回答下述问题：“效率恶化是由涡轮机侵蚀造成的还是由污损造成的？”)，该问题被遗留给后续的分析或诊断步骤。
[0007] 另一方面，专利申请EP1 103 926涉及用于航空燃气涡轮机引擎的基于模型的诊断。在故障检测及分离分类器(前馈神经网络或线性回归器)中计算出传感器数值(速度、温度、压力)以及虚拟或模型参数(失速裕度、特定燃料消耗、气流、风机/压缩机/涡轮机效率)，以识别特定的故障分类并输出诊断结果。所述神经网络和线性回归器由多组引擎或模型数据进行训练，上述引擎或模型数据包括模拟的无故障引擎和模拟的、具有需要在诊断中分类的特定故障的引擎。
发明内容
[0008] 因此，本发明的一个目的在于建立缓慢衰退系统的不同衰退症状和故障成因之间的联系，并且为了改善维护调度而指出一种分离故障成因的方法。这一目的是通过分别根据权利要求1和6的、用于监控实际或模拟的特定衰退系统的方法和计算机程序来实现的。
根据从属权利要求，容易理解进一步的优选实施例。
[0009] 根据本发明，首先提供表征所考虑的特定衰退系统的数据以及表征该特定系统所属的类型或系列的参数。此后，在该特定系统的工作期间周期性地重复多个步骤，在每个时刻将特定系统的潜在故障成因(例如机器部件的污染、侵蚀或腐蚀)概率地关联到该特定系统的可观测症状(例如多变效率或流量能力降低或振动谱变化)。换句话说，就是已知可观测症状和对该系统类型典型的先验信息，来计算系统故障潜在成因的条件概率。更详细地，对于每个潜在故障，相继计算特定系统的两个特征，即症状前故障概率和症状条件故障概率。条件概率量化了在许多故障成因中的每一个故障成因的可能性有多大，藉此为机器工作和维护的基于危险的计划提供了至关重要的输入。具体地，通过在一定的时刻步骤比较特定衰退系统观察到的症状，然后可容易地诊断或定位出对该衰退而言最为可能的故障成因(一个或多个)。
[0010] 本发明的一个优选实施例包括第二步骤，根据该步骤是通过以可测附属输出变量的函数的形式提供症状分布，来更新关于特定系统症状的信息。基于此，计算症状后故障概率或以这些测量值为条件的故障概率。
[0011] 本发明的一个进一步的优选变型包括第三步骤，在该步骤中显示所计算的故障概率，以可视化地诊断故障成因，和/或将所计算的故障概率传送到计划系统，用于调度特定衰退系统的工作措施或插入维护措施。
[0012] 优先地，缓慢衰退系统是在长时间周期内以稳定状态工作的工业燃气涡轮机。相应地，除了两个不同工作点之间某些罕见的瞬态阶段之外，温度传感器与燃气介质处于热力学平衡状态，并产生可信任的测量值。此外，在两个连续时刻步骤之间的平均更新间隔在不接近涡轮机的特征衰退时间的情况下可被选取得很长。
附图说明
[0013] 下文将参考优选的示例性实施例更详细地解释本发明的主旨，附图示出了这些优选的示例性实施例，在附图中：
[0014] 图1示意性地示出了燃气涡轮机的组件，
[0015] 图2是对特定衰退系统进行监控的过程的流程图，
[0016] 图3是带有故障概率等高线的症状分布图，以及
[0017] 图4是故障概率的趋势线。
[0018] 在图中所使用的附图标记以及它们的含义均罗列在以附图标记列出的统计表中。
原则上，同样的部分在附图中配备相同的附图标记。
具体实施方式
[0019] 虽然对本领域技术人员显而易见的是：将本发明应用到多种缓慢衰退系统(例如，所有类型的承受老化、磨损、沉积污染等的涡轮机和内燃机)是有益的，但下面的详细描述将集中于工业燃气涡轮机。由于工业燃气涡轮机在长时间周期内是不能移动的并且以稳定状态工作(这不同于例如航空燃气涡轮机)，因此其特别适于所提出的症状诊断。因此，不论是在移动涡轮机时出现的突然变化的环境参数，还是加速阶段后的非平衡排放参数，一般都不会在工业燃气涡轮机的情况下出现。
[0020] 图1示出了燃气涡轮机2的主要组件，该燃气涡轮机2被视为由一系列处于热力学平衡状态的理想体积元素组成的系统，所述理想体积元素即：压缩机入口2a(过滤器、喷嘴)、压缩机2b、燃烧室2c、涡轮机2d以及出口管道2e，其中压缩机2b和涡轮机2d通过轴
2f机械地互联。图1还描述了测量各种附属输出变量或系统输出变量y(即，诸如温度、压力、功率、轴速度的处理变量)的位置。这些变量包括压缩机入口和出口的温度及压力，它们被分别记为T1、p1和T2、p2。进一步沿着气路，涡轮机入口和出口的的温度及压力被分别记为T3、p3和T4、p4，同时废气最终具有可变的温度T5以及假定与环境压力p0相等的压力p5。此外，轴速度N、机械功率Pmech以及发电机功率Pgen都是典型的输出变量y。
[0021] 压缩机或涡轮机的健康或衰退通常由多变效率η∞和流量能力m√TIN/pIN描述，其中m是流量，TIN和pIN分别压缩机或涡轮机的入口温度和压力。因此，可通过所谓健康参数相对于新和洁净状态的数值的偏差来表示燃气涡轮机的普通设备故障。然而，此处所考虑的四个基本健康参数，即压缩机流量能力、多变压缩机效率、涡轮机流量能力以及多变涡轮机效率，在实际设施工作期间不能被直接测量；它们是“隐藏”症状，必须根据总的设施测量值导出或重构。
[0022] 在开始时输入了一些参数值(下文将进一步详细描述)之后，本发明的过程包括在燃气涡轮机工作期间周期性地重复的多个步骤。第一，对于每个潜在故障(例如压缩机叶片的污染、涡轮机叶片的侵蚀或机器部件的腐蚀)，计算表征所考虑的特定燃气涡轮机的症状前故障概率以及症状条件故障概率。在第二步骤中，载入来自监控装置的在线数据以更新症状信息，并计算症状后故障概率，其中所述症状信息例如为多变效率和流量能力的降低、振动谱的变化或其他机器状况指示信息。在第三步骤中，所计算的故障概率被显示并传送到用于调度燃气涡轮机工作或维护措施的计划系统。
[0023] 图2描述了包括前述步骤的本发明过程的流程图。在下文更详细的解释中，c表示所考虑的特定燃气涡轮机所属的燃气涡轮机类型的潜在故障的数量，Fi(i＝1，…，c)是第i个故障，δ是症状(例如，性能衰退)的集合，其中集合δ的每个单独症状一般包括连续范围的症状值，以及t＝1，2，…是离散采样时刻。
[0024] 在第一步骤中，对于每个潜在故障Fi(i＝1，…，c)，参数输入被初始化一次。这包括在步骤1a)中每个故障的传播参数的指示，传播参数即标称衰退率或时间常数τi，例如表征所考虑的燃气涡轮机类型的故障间平均时间(MTBF)。一般可通过利用来自相似燃气涡轮机(即相同类型和年限的燃气涡轮机)的总体统计数据来确定这些传播参数。在步骤
1b)中，指定了由故障Fi引起的衰退症状δ的值的分布p(δ|Fi)，即在具体故障Fi实际出现的情况下症状值的概率分布。这种分布的参数，例如多元高斯分布的均值和协方差，可从相似燃气涡轮机的总体以及由具体故障Fi出现各个时间观察到的衰退症状的值推导而得。
作为补充信息，还指定了没有故障的情况下衰退症状δ的值的分布，即p(δ|F)。显而易见，所提到的参数输入可在它们初始化后被改变或更新，例如，如果在机器校正后调换了组件。
[0025] 另外，在步骤1c)中，工作和维护数据在每个采样时刻t＝1，2，…被输入和/或更新。这些来自被考虑的特定燃气涡轮机的数据包括关于地理位置、环境条件和其他工作数据的指示信息，以及维护计时器或计时标记tmaint，所述维护计时器指示了距最近一次的主要维护或检修措施已经过去的时间。在步骤1d)中，这一信息和传播参数一起被用于计算指示特定燃气涡轮机故障概率的症状前故障概率P(Fi)，但上述计算并未考虑对故障所引起的观测症状的任何认识或者是在考虑对故障所引起的观测症状的任何认识之前进行的。实现该计算的一种可能是如下的基于标称故障传播参数和计时器的标准指数化寿命模型：
[0026] P(Fi)＝1-exp[-(t-tmaint)/τi].
[0027] 正如对工作和维护数据的收集，对于每种故障Fi，这一计算也在每个采样时刻被更新。最终，在步骤1e)中，基于来自于步骤1b)和1d)的结果来计算这些症状的故障概率P(Fi|δ)。具体故障Fi的症状条件故障概率P(Fi|δ)作为症状值δ的函数，根据参量P(Fi)、p(δ|Fi)、 计算如下：
[0028]
[0029] 症状条件故障概率P(Fi|δ)本身就是一个重要的结果，因为症状条件故障概率P(Fi|δ)根据传播参数的作用表示了对燃气涡轮机当前状态有效的信息的更新。具体来说，如果这些结果被合适地显示(将在下文详细描述)，那么可将这些结果与实际的更新症状相比较，并允许燃气涡轮机的操作者诊断故障成因并评估进行补救措施的必要性。
[0030] 根据步骤2a)，提供了来自所考虑的特定燃气涡轮机的附加在线数据(例如，给定附属输出变量y测量值的症状δ的分布p(δ|y))，并且优选按规定间隔更新附加在线数据。如上文所述，变量y包括，例如压力，在燃气涡轮机气路上各点处的质量流量和温度，燃料质量流量，转速和输出机械功率。y的替代性数据可通过对燃气涡轮机的振动分析获得，或通过上文详述的气路性能监控来获得。接下来，在步骤2b)中，所提供的涡轮机特定症状的分布p(δ|y)与来自步骤1e)的症状条件故障概率P(Fi|δ)合并，以获得症状后故障概率P(Fi|y)，该症状后故障概率P(Fi|y)记入了或考虑了测量值y的观察。该症状后故障概率P(Fi|y)构成了故障Fi与沿着气路的输出参数的测量值y之间的联系，并且优选地通过数值逼近下列积分来计算：
[0031] P(Fi|y)＝∫P(Fi|δ)p(δ|y)dδ.
[0032] 此外，这个计算将在每个采样时刻t＝1，2，…(即产生涡轮机特定参数和分布的更新之时)被更新。
[0033] 为了在燃气涡轮机操作者的工作中帮助他们，在步骤3a)中输出或显示上述结果，优选地采用带有故障临界区域的症状分布图或趋势线的形式来输出或显示该结果。在图3中示出了一个实例，其作为步骤1e)的输出描述了一症状分布图，该症状分布图对每个故障都具有作为两症状变量函数的症状条件故障概率P(Fi|δ)。在图3中，选择了涡轮机的症状“流量能力”δ1以及“效率”δ2，它们各自对于标称状态的偏差分别记录在x轴和y轴上。计算了三种故障即(A)涡轮机外部目标损害(B)涡轮机侵蚀，以及(C)涡轮机污损或污垢的概率P(Fi|δ)，其中如所显示的那样：分布图的不同区域最显著地具有一个单一故障。对于每个故障Fi，高度P(Fi|δ)在0(该故障具有0％的概率)和100(该故障具有
100％的概率)之间变化，并且可例如通过等高线(如图3中)或连续变化的颜色来进行可视化，藉此显示出容易被人类操作者所理解的“冷”和“暖”区域。然后，测得的燃气涡轮机症状的发展情况可被绘制在所述症状分布图上，请参照图3中的不规则线条，其指示了在过去的数月间涡轮机的状态总是朝涡轮机污损(C)临界故障区域移动。
[0034] 步骤2b)中计算的症状后故障概率P(Fi|y(t))能够被可视化为趋势线，即通过测量值y(t)的时间依赖性而作为时间的函数。这描述于图4中，其中在几个月的时间段或周期上记录了上述三种故障类型A、B、C的故障概率。另一方面，得到的故障概率还可在步骤
3b)中作为用于决策支持的重要元素，被输出或传送到工作或维护调度系统。
[0035] 在离散采样时刻t＝1，2，…重复执行上述更新过程是基于如下假设，即：在连续两次执行之间的适当的更新间隔或时间延迟充分低于特征恶化时间τi，从而防止了在症状值δ上的过度偏移。在燃气涡轮机的情况下，健康参数的期望衰退率处于星期或月的量级，以致分钟量级的时间延迟是能接受的。
[0036] 更为方便地，所考虑的特定系统的症状分布p(δ|y)可根据公开在前文提到的欧洲专利申请05405270.9中的程序过程来获得。因此，在时刻步骤k的真正健康或独立参数向量的近似值，可使用前一时刻步骤k-1的真正健康或参数向量的近似值作为起始值，用于产生时刻步骤k的预测或模拟健康参数向量。基于这些预测健康参数和该系统扩展模型的输入变量的一组测量值，来产生对模型输出变量的预测。将这一预测的模型输出与输出变量的测量值进行比较，以获得误差。通过该误差，健康参数估计器又会产生健康参数估计，作为对预测健康参数的校正。
[0037] 附图标记列表
[0038] 2 燃气涡轮机
[0039] 2a 入口
[0040] 2b 压缩机
[0041] 2c 燃烧室
[0042] 2d 涡轮机
[0043] 2e 出口管道
[0044] 2f 轴