专利名称：用于性能退化的自适应建模的过程的制作方法
技术领域：
本主题涉及系统性能退化的预测。更具体地说，本主题涉及用于提供燃气轮机性能随时间退化的改进的预测的方法。
背景技术：
·
就像一切别的东西一样，燃气轮机在被使用时最终会随着时间过去而退化。预测这种退化的通常作法是使用收集的现场传感器数据来创建回归模型。然而，使用那种方法会出现问题，因为随着时间过去，这种退化可以响应于变化的条件而以各种方式变化，例如随着时间过去配置的改变、自上次水洗后的时间、以及进气条件和排气条件的改变。当燃气轮机改变时，用于预测退化的回归模型也将需要更新。之前的解决这个问题的尝试涉及例如将回归建模用于特定框架的不同部件的方法。然后，将这些回归模型放入基于物理学的模型中，以便确定依赖于涡轮已经点火的小时数的部件修改量(component modifiers)。现有技术在下列文献中已经解决这些关注的问题中的一些美国专利No. 5，080, 496旨在补偿温度预测的方法和装置，它使用传感器和信号处理来提供表示将要测量的实际温度的校正温度信号；美国专利No. 6，522，990旨在减少温度过调量的方法和装置，它公开了用于推导测量的温度和相关的不可测量温度之间的偏差的方法；美国公开的专利申请No. 2006/0217870A1旨在估计退化系统的健康参数或症状并且集中于通过状态参数的偏差的气路分析的退化；美国专利No. 7，058，556B2公开了一种采用自适应逻辑模块来直接修改部件效率的自适应气体热力学引擎模型；以及美国公开的专利申请No. 2008/0120074A1公开了减少燃气轮机性能跟踪估计不可重复性。鉴于这些已知的问题，因而提供用于监视系统的、特别是燃气轮机系统的随时间的性能退化的方法和装置将是有利的。提供这样的方法将是更有利的，其中可以提供神经网络作为性能预测工具的一部分，使得它考虑了自适应而无代码改变同时减少了对配置和其他典型参数的依赖。
发明内容
本发明的各个方面和优势将在下面的描述中部分地阐明，或者可以根据描述而变得显而易见，或者可以通过本发明的实施而认识到。本主题涉及用于提供系统中性能退化的自适应建模的方法。该方法提供在性能模型中模拟系统并将性能模型作为校准模型和作为基线模型来操作。接着将由作为校准模型和基线模型两者操作产生的数据存储在性能数据存储器中。然后，该方法基于所存储的性能数据之间的差异来预测性能退化。该方法还提供基于当前系统条件和所预测的性能退化之间的差异进行操作的系统基线模型。在选定的实施例中，该方法被应用于燃气轮机系统。在某些实施例中使用系统现场和传感器数据将性能模型作为校准模型来操作，而在其他实施例中使用校准数据将性能模型作为基线模型来操作。在另外的实施例中，该方法提供基于系统现场和负荷条件来操作系统基线模型并将由这种操作产生的性能数据存储在性能数据存储器中，其中预测性能退化则是基于所存储的、来自校准模型、基线模型和系统基线模型的性能数据之间的差异的。在特定的实施例中，该方法使用自适应逻辑预测性能退化，所述自适应逻辑在选定的实施例中可以对应于神经网络。本主题还涉及用于调节系统中性能退化的建模的控制系统。在这样的系统中，提供了系统基于物理学的性能模型并将其配置为作为校准模型和基线模型来操作。该系统被配置为存储由将系统性能模型作为校准模型和基线模型两者的操作产生的性能数据，并且在配置中提供自适应逻辑以便基于所存储的性能数据之间的差异来预测性能退化。该系统还提供了被配置为将要基于当前系统条件和所预测的性能退化之间的差异来操作的基于系统基线模型(a system baseline model based)。在某些实施例中，性能模型被配置为通过使用系统现场和传感器数据操作性能模型而作为校准模型来操作，以及在一些实施例中，性能模型被配置为通过使用校准数据操作性能模型而作为基线模型来操作。在特定的实施例中，系统基线模型还被配置为基于系统现场和负荷条件进行操作
并且将由操作系统基线模型产生的性能数据存储在性能数据存储器中，以便于自适应逻辑同样基于来自系统基线模型的数据来预测性能退化。在选定的实施例中，自适应逻辑可以对应于神经网络。在大部分特定的实施例中，系统可以是燃气轮机并且当前系统条件可以对应于涡轮负荷条件。参考下面的描述和所附的权利要求书，将会更好地理解本发明的这些和其他的特征、方面和优势。被结合进来并组成本说明书的一部分的附图示出了本发明的实施例并且和描述一起用于解释本发明的原理。
在参考附图的说明书中阐明了针对本领域普通技术人员的、其中包括了最佳实施方式的本发明的完整和有效的公开内容，其中
图I提供了根据本技术的过程图示；以及
图2示出了根据本技术的、可用于图I示出的过程的示范的神经网络配置。贯穿本说明书和附图的附图标记的重复使用打算表示本发明的相同或类似的特征或元件。
具体实施例方式现在将详细参考本发明的实施例，附图中示出了实施例的一个或更多的示例。通过对本发明进行解释而不是对本发明进行限制的方式来提供每个示例。实际上，在未背离本发明的范围或精神的情况下，可以在本发明中进行各种修改和变化，这对本领域技术人员来说将是显而易见的。例如，作为一个实施例的一部分示出或描述的特征可以与另一个实施例一起使用来产生又一个实施例。因此，意图是本发明将这样的修改和变化包括在所附的权利要求书和它们的等同物的范围内。根据本技术，提供了方法和装置来精确预测燃气轮机性能随时间的退化。参考图1，示出了说明根据本技术的自适应神经逻辑网络的具体实现的过程图示100。与燃气轮机操作有关的主要过程包括燃气轮机传感器/现场数据的数据存储，以及用于在这个数据集上的关键循环参数上运行校准以便创建稳定的基于物理学的性能解决方案的过程。通常来说，根据本技术，使用通过神经网络运行的平均性能模型和校准模型的比较来创建自适应逻辑以用于预测退化。通过使用被调节到给定模型的数据匹配偏差来对退化进行建模并且基于动态条件通过神经网络对退化进行修改。然后，将自适应逻辑应用于平均性能建模中以用于将来预测使用。根据本方法，针对性能将要被建模的每个机器，将传感器数据存储在数据库110中。接着在每个时间迭代将该数据传递给两个不同的性能模型。首先将现场条件和传感器数据(包括但不限于环境条件、基础设备和燃气轮机配置、进口导流叶片(IGV)位置设置、速度、排气温度、燃料类型和进气/排气压力)传递到将作为校准模型112运行的性能模型。然后在数据简化模式下运行校准模型112以便反算性能数据。校准模型可以提供一些过滤，包括而不限于，热平衡、预测的功率-测量的功率以及丢失的传感器数据。另外，在该模式下运行允许过程在传感器数据可能不可靠之处反算一些关键参数，例如燃料流量。 在将性能模型作为校准模型112运行之后,将设计乘子(design multiplier)和现场条件输入应用于性能模型，并将性能模型作为至少部分地已经被调节到现场条件的基线模型114重新运行。将会认识到基线模型114不能使用所有的传感器数据作为输入。然而，通过以这种方式运行模型，可以在作为基线模型124运行的第二性能模型和基线模型114之间进行直接比较，因为基线性能模型114、124两者对应于类似的基于物理学的基线模型但是具有不同的调节。在将性能(基线)模型作为基线模型114运行后，将由此产生的数据存储在性能数据库116中。在使用性能数据库116之前，运行第二性能(基线)模型124，第二性能(基线)模型124具有现场特定条件，包括但不限于负荷条件作为输入但基于平均线性能模型。运行该模型以便将与在模型114中运行的一样的输出参数存储在数据库116中。利用每个时间点的数据库116中的值，接着可以运行并训练神经网络120。该系统的重要输入包括现场条件以及模型114和124的输出，还有这些输出之间的差异(增量deltas)。所述输出对应于部件特定参数，包括但不限于，压气机、涡轮、燃烧室以及排气数据。由这个神经网络，可以基于接着被反馈回到基线模型124的数据来计算和更新退化标量。通过使用基于矩阵算法和数据的神经网络，可以接着将这个模型输入到作为退化模型的一部分的基线模型中。参考图2，将会看到神经网络200被配置为后向传播多层神经网络。在第一层，对应于输入202,204,206的各个输入X1, X2,_被耦合到节点212、214、216、218。第二层代表输入节点212、214、216、218以不同方式耦合到的压气机节点222、涡轮节点224和燃烧室节点226，同时包括节点212、214、216、218的第一层处理非线性相互作用方面。本主题提供了专门针对在燃气轮机的性能建模中对退化进行建模的特定问题的解决方案。然而，应当认识到，本技术可以应用于广泛类别的系统，因此并不仅限于燃气轮机环境。通过使用本技术提供的优势来自这样的事实神经网络200的自适应逻辑考虑了学习部件退化的修改量(modifiers)的更鲁棒的方法。因为神经网络200是自我学习的，它可以被持续地改进而不需要对现有编码基数进行代码改变或修改。另外，因为本技术提供在选定的循环参数上而不是直接在部件效率修改量上修改退化标量，所以它考虑了自适应逻辑能够在没有软件改变的情况下进行调节的、持续的基于物理学的改进。
本领域普通技术人员将会认识到本主题可以具体体现为在微处理器上运行的软件对象，包括可以被嵌入或链接到现有性能模型中的方程式的神经网络矩阵。当这样实现时，软件对象将微处理器配置为创建特定的逻辑电路。该软件对象的技术效果为方便建模的设备和系统的预测和优化。这个书面描述使用包括最佳实施方式的示例来公开本发明，并且还使得本领域任何技术人员能够实施本发明，包括制造和使用任何设备或系统并执行任何合并的方法。本发明的可取得专利权的范围由权利要求书来限定，并且可以包括本领域技术人员想到的其 他示例。如果这样的其他示例包括与权利要求书的字面语言并无不同的结构要素，或者如果它们包括与权利要求书的字面语言并无实质差异的等同的结构要素，则这样的其他示例被确定为在权利要求书的范围之内。
权利要求
1.ー种用于系统中性能退化的自适应建模的方法，包括 在性能t旲型(I 12，114)中t旲拟系统； 将所述性能模型作为校准模型(112)来操作； 将所述性能模型作为基线模型(114)来操作； 将由作为所述校准模型和基线模型两者的操作产生的性能数据(116)存储在性能数据存储器中； 基于所存储的性能数据之间的差异来预测性能退化(120); 基于当前系统条件和所预测的性能退化之间的差异来操作系统基线模型(124)。
2.如权利要求I所述的方法，其中，所述系统是燃气轮机。
3.如权利要求I所述的方法，其中，将所述性能模型作为校准模型来操作包括使用系统现场和传感器数据操作所述性能模型。
4.如权利要求I所述的方法，其中，将所述性能模型作为基线模型来操作包括使用校准数据操作所述性能模型。
5.如权利要求I所述的方法，还包括，基于系统现场和负荷条件来操作所述系统基线模型。
6.如权利要求I所述的方法，还包括 将由操作所述系统基线模型产生的性能数据存储在所述性能数据存储器中；以及 基于所存储的、来自所述校准模型、所述基线模型和所述系统基线模型的性能数据之间的差异来预测性能退化。
7.如权利要求I所述的方法，其中，预测性能退化包括使用自适应逻辑预测性能退化。
8.如权利要求7所述的方法，其中，所述自适应逻辑是神经网络。
9.ー种用于调节系统中性能退化的建模的控制系统，包括 系统性能模型，所述系统性能模型被配置为作为校准模型(112)和基线模型(114)来操作； 性能数据存储器(116)，所述性能数据存储器被配置为存储由将所述系统性能模型作为所述校准模型和基线模型两者的操作产生的性能数据； 自适应逻辑(120)，所述自适应逻辑被配置为基于所存储的性能数据之间的差异来预测性能退化；以及 基于系统基线模型(124)， 其中，所述系统基线模型被配置为基于当前系统条件和所预测的性能退化之间的差异进行操作。
10.如权利要求9所述的系统，其中，所述性能模型被配置为通过使用系统现场和传感器数据操作所述性能模型来作为校准模型进行操作。
11.如权利要求9所述的系统，其中，所述性能模型被配置为通过使用校准数据操作所述性能模型来作为基线模型进行操作。
12.如权利要求9所述的系统，其中，所述系统基线模型还被配置为基于系统现场和负荷条件进行操作，并且将由操作所述系统基线模型产生的性能数据存储在所述性能数据存储器中；以及其中，所述自适应逻辑还被配置为基于来自所述系统基线模型的数据来预测性能退 化。
13.如权利要求9所述的系统，其中，所述自适应逻辑是神经网络。
14.如权利要求9所述的系统，其中，所述系统是燃气轮机。
15.如权利要求14所述的系统，其中，当前系统条件对应于涡轮负荷条件。
全文摘要
本主题旨在用于提供系统(100)、特别是燃气轮机系统中性能退化的自适应建模的方法和系统。提供一种性能模型并且将性能模型作为校准模型(112)和基线模型(114)两者来操作。存储在两个操作期间产生的数据并且在可对应于神经网络的自适应逻辑(120)中使用数据之间的差异，以便预测性能退化从而控制系统基线模型的操作。还可以存储来自系统基线模型的操作的数据，并在自适应逻辑中与来自校准模型和基线模型的数据一起使用。
文档编号G05B17/02GK102955429SQ201210301929
公开日2013年3月6日 申请日期2012年8月23日 优先权日2011年8月23日
发明者C.E.T.罗姆三世, R.A.摩根, S.R.瓦茨 申请人:通用电气公司