基于关键部件失效模型的燃气轮机系统性能预测方法与流程

本发明涉及机电技术领域，尤其涉及一种基于关键部件失效模型的燃气轮机系统性能预测方法。

背景技术：

由于燃气轮机系统结构复杂，工况模式变化多样，各部件相互耦合影响，因此燃气轮机系统经常放生故障，同时作为舰船主要推进系统之一，燃气轮机系统发生故障不仅会造成舰船被迫停航，影响航行效率，而且会带来很高的维修成本，甚至引发安全事故。因此对于舰船燃气轮机系统的性能预测技术的研究对于减少故障发生率，保障舰船正常航行十分重要。

传统的性能预测方法常常以某个部件为研究对象，通过最小二乘法、灰色模型等拟合出数据变化趋势，但底层部件性能的细微变化有时候在系统参数中很难或者无法直接反映捕捉，造成了部件退化趋势严重而系统监测参数未超过故障阈值的现象。

最小二乘法依据历史数据分为线性趋势和非线性趋势，建立假定的数学模型并通过历史数据的变化趋势来确定模型参数，但最小二乘法无法满足高精度要求，需要先验知识。

灰色模型把观测数据序列视为随时间变化的灰色量，通过累加或者累减生成新的序列，逐步使灰色量白化，从而建立微分方程模型进行预测。灰色模型存在不能做长期预测的问题。

技术实现要素：

鉴于上述的分析，本发明旨在提供一种基于关键部件失效模型的燃气轮机系统性能预测方法，将各关键部件与系统进行关联量化处理，实现了通过关键部件的性能预测结果得到整个系统未来的性能变化趋势。

本发明的目的主要是通过以下技术方案实现的：

一种基于关键部件失效模型的燃气轮机系统性能预测方法，包括以下步骤：

步骤s1、基于燃气轮机系统结构和功能特点对燃气轮机系统进行三层分解，将燃气轮机系统分解成子系统、关键设备和关键部件三个层次；

步骤s2、通过对燃气轮机系统从上到下结构和功能的梳理，利用层次分析法进行部件到系统的影响权重分析，得到部件与系统之间的权重系数；

步骤s3、对燃气轮机系统的关键部件进行性能衰退趋势预测，得到关键部件的可靠度变化趋势；

步骤s4、根据关键部件的可靠度变化趋势，利用层次分析中得到的部件与系统之间的权重系数，计算出整个燃气轮机系统的可靠度变化趋势。

进一步地，所述步骤s1中的三层分解，第一层从功能角度出发将燃气轮机系统分为动力系统、传动系统和控制系统三个子系统；第二层将各子系统进行细化分解到关键设备级，关键设备是指对各子系统正常运行起到关键作用的设备；最后依据船舶实际运行中常见的故障类型、故障部件，再将关键设备级细化到关键部件级。

进一步地，所述步骤s2中的层次分析法包括以下步骤：

步骤s201、确定燃气轮机系统发生故障的各因素；所述因素是结合燃气轮机专家系统和现场实际确定的；

步骤s202、按照属性的不同将各因素分组形成互不相交的层次，上一层的元素对相邻的下一层元素全体或部分起支配作用，形成按层次自上而下的逐层支配关系；

步骤s203、在建立递阶层次结构后，确定上下层之间元素的隶属关系，运用两两比较法建立两两比较判断矩阵a:a＝(aij)n×n来确定各因素的权重，所述n表示判断矩阵的阶数；

步骤s204、根据各层因素的权重计算其中，n表示判断矩阵的阶数，λmax为判断矩阵的最大特征值；

步骤s205、对ci进行判断，如果不大于0.1，进行步骤s206；如果大于0.1，跳回到步骤s202，重新确定各因素的层次结构；

步骤s206、通过计算目标层与层之间的权重影响系数，并最终确定部件到系统的权重系数。

进一步地，所述步骤s3中的燃气轮机系统关键部件性能衰退趋势运用svm预测模型进行分析和预测，包括以下步骤：

步骤s301、设定关键部件的终止阈值；

步骤s302、利用svm预测模型对关键部件退化数据进行训练和预测；

步骤s303、对预测的关键部件的特征退化曲线进行归一化；

步骤s304、确定与特征退化曲线拟合的威布尔分布的形状参数m和尺度参数η；

步骤s305、把所述形状参数m和尺度参数η带入公式得到关键部件全寿命可靠度的预测数据。

进一步地，所述svm训练具体过程如下：

(1)在全寿命周期的振动信号中，等间隔时间提取特征信号xi(n)，形成特征信号序列{x1(n),x2(n),…,xm(n)}；其中m为等间隔时间分割后的特征信号数；

(2)计算序列的包括rms和峭度在内的特征量，将之作为性能退化特征量，形成性能退化特征量序列{dp,…,dm}，0＜p＜m；

(3)通过性能退化特征量序列{dp,…,dm}训练支持向量机svm模型；

(4)利用训练好的支持向量机svm模型来实现对未知数据的预测。

进一步地，所述特征信号是包括轴承振动信号在内的，能够反映关键部件故障特征，影响关键部件可靠度的信号。

进一步地，采用所述关键部件全寿命性能衰退趋势预测方法，对轴承、主轴、叶轮、叶片、抽气机、气缸、燃料喷嘴、点火器、联燃管、旁路机构、扭力管、透平碰嘴、齿轮、皮带、变速器、控制开关和控制元器件，17种燃气轮机系统关键部件的可靠度变化趋势进行预测，得到所述燃气轮机系统关键部件全寿命可靠度的预测数据。

进一步地，对归一化后数据进行威布尔分布退化率曲线拟合，根据威布尔分布的表达式确定满足该退化形式下的形状参数m和尺度参数η。

进一步地，所述关键部件的终止阈值根据包括所述关键部件的种类、型号、工作环境在内的因素进行具体设定。

进一步地，所述整个燃气轮机系统的可靠度变化趋势用公式表示，其中n为部件数，r(i)为各部件可靠度，σi为各部件对应的权重。

本发明有益效果如下：

1)对燃气轮机系统自上而下的层次结构划分，运用层次分析法研究了各层之间的影响关系，以权重系数的形式来表征，最后构造出了由底层关键部件到顶层系统的权重影响矩阵，奠定了从部件到系统进行性能预测的基础。

2)利用现有的滚动轴承全寿命周期数据开展了关键部件性能退化趋势的预测，构造支持向量机预测模型，得到的预测结果与原始曲线具有较高的匹配度。

3)将轴承性能预测数据经过威布尔分布转化为轴承退化率曲线，得到了满足该退化形式下的相关参数，并用该参数得到了轴承的可靠度。

4)通过底层各关键部件可靠度计算结果利用层次分析法得到了燃气轮机系统未来的可靠度变化趋势，由此反映了燃气轮机系统性能衰退趋势的变化情况。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为燃气轮机系统整体性能衰退趋势方法流程图；

图2为依据燃气轮机系统结构和功能分析结果构建的燃气轮机系统层次递阶结构图；

图3为层次分析流程图；

图4为通过除轴的性能趋势预测来反映燃气轮机系统的性能趋势流程图；

图5为利用svm来进行训练和预测得到的部分数据结果；

图6为利用svm来进行训练和预测得到的部分数据结果；

图7为拟合威布尔分布的退化率曲线；

图8为轴承的可靠度变化趋势曲线；

图9为整机的可靠度变化趋势曲线。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本发明的一个具体实施例，公开了一种基于关键部件失效模型的燃气轮机系统性能预测方法，所述方法利用燃气轮机系统关键部件性能衰退趋势来预测燃气轮机系统整体性能衰退趋势，如图1所示，包括以下步骤：

步骤s1、基于燃气轮机系统结构和功能特点对燃气轮机系统进行三层分解，将燃气轮机系统分解成子系统、关键设备和关键部件三个层次

由于燃气轮机系统结构庞大复杂，因此，本发明根据船用燃气轮机系统结构和功能分析结果，对燃气轮机系统进行三层分解，如图2所示，第一层从功能角度出发将燃气轮机系统分为动力系统、传动系统和控制系统三个子系统；第二层将各子系统进行细化分解到关键设备级，所述关键设备是指对各子系统正常运行起到关键作用的设备，例如，动力系统的关键设备包括低压压气机、高压压气机、燃烧室、低压透平和高压透平；传动系统的关键设备包括齿轮、皮带和变速箱，控制系统的关键设备包括控制开关和控制元器件；最后再将关键设备级细化到关键部件级，依据是船舶实际运行中常见的故障类型、故障部件进行划分，例如，对于动力系统细化的关键部件包括主轴、叶轮、叶片、抽气机、气缸、燃料喷嘴、点火器、联燃管、旁路机构、扭力管和透平碰嘴。这种划分方式符合系统—设备—部件层级关联思想，并且划分过程以工程上典型故障为参考，使划分结果更加具有科学性和准确性。

步骤s2、通过对燃气轮机系统从上到下结构和功能的梳理，利用层次分析法进行部件到系统的影响权重分析，得到部件与系统之间的权重系数

首先通过专家系统和现场实际得到各层相对于上一层的判断矩阵，然后在单一准则下计算出各元素的相对权重。

如图3所示，层次分析包括以下步骤：

步骤s201、确定燃气轮机系统发生故障的各因素；

将复杂结构的燃气轮机系统故障问题分解为它的组成部分或因素，每一个因素称为元素。结合燃气轮机专家系统和现场实际确定燃气轮机系统故障问题的各因素。

步骤s202、确定各因素的层次结构；

按照属性的不同将各因素分组形成互不相交的层次，上一层的元素对相邻的下一层元素全体或部分起支配作用，形成按层次自上而下的逐层支配关系，即递阶层次。

步骤s203、对各层因素进行成对比较；

在建立递阶层次结构后，确定上下层之间元素的隶属关系，运用两两比较法建立两两比较判断矩阵a:a＝(aij)n×n来确定各因素的权重，所述n表示判断矩阵的阶数。

所述判断矩阵具有如下性质：aij＞0；aii＝1，i,j＝1,…,n。

所述a为正的互反矩阵，当a的元素具有传递性，即aij·ajk＝aik，k＝1,…,n成立时，则称a为一致性矩阵；在由判断矩阵导出元素排序权值时，一致性矩阵有重要意义。

步骤s204、根据各层因素的权重计算ci；

在得到各元素排序权重后，进行一致性检验，一致性指标ci为：

其中，n表示判断矩阵的阶数，λmax为判断矩阵的最大特征值。

步骤s205、对ci进行判断，如果不大于0.1，进行步骤206；如果大于0.1，跳回到步骤202，重新确定各因素的层次结构。

步骤s206、通过计算目标层与层之间的权重影响系数，并最终确定部件到系统的权重系数。

步骤s3、对燃气轮机系统的关键部件进行性能衰退趋势预测，得到关键部件的可靠度变化趋势

对燃气轮机系统关键部件数据的特征参数运用svm预测模型进行分析和预测，在得到预测数据后应用威布尔分布拟合出退化率曲线，得到满足该退化形式下的相关参数，并用该参数得到关键部件的可靠度变化趋势，即关键部件性能衰退趋势。

以轴承为例，所述燃气轮机系统关键部件预测流程如图4，详细步骤如下：

步骤s301、设定轴承的终止阈值。阈值的设定根据关键部件的种类、型号、工作环境等因素进行具体设定。针对轴承有效值数据，这里我们假定轴承的寿命终止点为该轴承的rms值达到0.725，因此，设定rms的阈值为0.725。

步骤s302、利用svm预测模型对轴承退化数据进行训练和预测；

通过设定的阈值对已有的轴承数据进行预测，直到数据达到设定的阈值。本发明利用svm预测模型对轴承数据进行训练和预测，svm训练具体过程如下：

(1)在全寿命周期的振动信号中，等间隔时间提取振动信号xi(n)，形成振动信号序列{x1(n),x2(n),…,xm(n)}；其中m为等间隔时间分割后的振动信号数；

(2)计算所述序列的rms和峭度等特征量，将之作为性能退化特征量，形成性能退化特征量序列{dp,…,dm}，0＜p＜m；

(3)通过性能退化特征量序列{dp,…,dm}训练支持向量机svm模型；

(4)利用训练好的支持向量机svm模型来实现对轴承特征退化曲线进行预测，得到达到设定阈值的预测数据。

图5和图6是利用svm来进行训练和预测得到的部分数据结果。从图中可以发现对于轴承特征参数的预测精度较高，在20步的预测范围内能够较好的和原始退化曲线接近。

步骤s303、对预测的轴承特征退化曲线进行归一化；

在利用svm预测算法得到达到设定阈值的预测数据后，需要把预测得到的数据进行归一化处理，归一化处理是为了让预测数据用同一个数量级表示，并且变化过程更加明显。

步骤s304、确定与特征退化曲线拟合的威布尔分布的形状参数m和尺度参数η；

根据威布尔分布的表达式确定满足该退化形式下的形状参数m和尺度参数η。如图7所示，为归一化后数据拟合后的威布尔分布退化率曲线，从这个曲线中获得满足该退化形式的形状参数m和尺度参数η。

步骤s305、轴承可靠度趋势确定；将满足该退化形式下的形状参数m和尺度参数η带入公式得到该轴承全寿命可靠度的预测数据。如图8所示，为通过由威布尔分布退化率拟合曲线确定的参数得到的在该工作环境下，该轴承的可靠度变化趋势曲线。曲线中，轴承在发生故障前可靠度以一个很小的变化率下降，当轴承出现故障后，可靠度迅速下降，当轴承的特征值发生迅速上升时，可靠度也达到一个很低的值。

根据上述轴承全寿命性能衰退趋势预测方法，对主轴、叶轮、叶片、抽气机、气缸、燃料喷嘴、点火器、联燃管、旁路机构、扭力管、透平碰嘴、齿轮、皮带、变速器、控制开关和控制元器件，16种燃气轮机系统关键部件的可靠度变化趋势进行预测，得到所述燃气轮机系统关键部件全寿命可靠度的预测数据。

步骤s4、根据关键部件的可靠度变化趋势，利用层次分析中得到的部件与系统之间的权重系数，计算出整个燃气轮机系统的可靠度变化趋势

根据公式计算出整个燃气轮机系统的可靠度rr变化趋势，其中n为部件数，r(i)为各部件可靠度，σi为各部件对应的权重。

结果如图9所示。从图9中可以看出整机的可靠度未来呈现下降趋势，即说明燃气轮机系统的性能随着时间逐渐衰退。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。