专利名称：用于监视燃气轮机的系统和方法
技术领域：
本发明大体而言涉及用于监视燃气轮机可用状况的系统和方法。更具体而言，本发明描述了使用来自个别燃气轮机(individual gasturbine)的实际信息来调整通有燃气轮机模型(generic gas turbine model)以预测个别燃气轮机的维修和/或维护间隔的系统和方法。
背景技术：
燃气轮机广泛地用于工业和商业操作中。如图1所示，典型燃气轮机10包括在前部的轴向压缩机12，围绕中部的一个或多个燃烧器14以及在后部的涡轮机16。压缩机12 包括多级旋转桨叶和固定叶片。周围空气进入压缩机12，且旋转桨叶和固定叶片渐进地赋予动能给工作流体(空气)以使之到高能量状态。工作流体从压缩机12出来且流动到燃烧器14，在燃烧器14中，其与燃料18混合并点燃以生成具有高温、高压和高速的燃烧气体。 燃烧气体从燃烧器14出来且流动到涡轮机16，在涡轮机16中，它们膨胀以做功。燃气轮机(类似于任何其它机械装置)需要周期性的维修和维护来确保正常操作。作为一般的办法，可对燃气轮机的“机群(fleet)”(特别地相似类别或类型的可比较的燃气轮机)的先前经验可进行统计分析以开发机群模型，其可预测其它燃气轮机经历的预期磨损和损坏。基于机群模型，可在最佳间隔排定预测、维修和维护，其最小化进行维修的非计划停机和执行不必要的预防维护的不必要停机的风险。但个别燃气轮机的实际性能可不同于机群模型。举例而言，个别燃气轮机可在配置、制造公差和组装方面略微不同，与机群模型相比，这可导致不同水平的磨损和损坏。此夕卜，个别燃气轮机实际上经历的操作、维修和维护历史可不同于机群平均值。举例而言，与机群模型相比，在潮湿和腐蚀性环境中操作的燃气轮机可需要更频繁的维修和维护来解决与腐蚀、点蚀和排放相关联的问题。相反，与机群模型相比，经历更少启动和停机循环的其它燃气轮机可需要较不频繁的停机来执行与循环应力相关联的预防性维护。在每个实例中，基于与个别燃气轮机相关联的实际数据对机群模型的调整将增强最佳地排定维修和维护的能力。因此，将需要用于监视燃气轮机的性能和操作的改进的系统和方法。
发明内容
本发明的方面和优点在下文的描述中陈述，或者可从该描述变得明显，或者可通过实践本发明而学习。本发明的一实施例是一种用于监视使用中(under service)的燃气轮机的性能的系统。该系统包括第一存储元件和输入装置，该第一存储元件包含来自可比较的燃气轮机的参数信息的数据库，其中该输入装置生成单元数据信号和风险信号，该单元数据信号包含来自使用中的燃气轮机的参数信息，该风险信号包含使用中的燃气轮机的风险值。与该第一存储器装置和输入装置通信的处理器将单元数据信号合并于来自可比较的燃气轮机的参数信息的数据库内，预测使用中的燃气轮机的参数信息，并且计算该使用中的燃气轮机的预测参数信息将到达预定参数限度的条件风险。由该处理器生成的输出信号包括维修或维护安排信息(scheduling information)中的至少一种。本发明的另一实施例是一种用于监视使用中的燃气轮机的性能的方法。该方法包括从可比较的燃气轮机接收参数信息，将来自使用中的燃气轮机的参数信息添加给来自可比较的燃气轮机的参数信息，以及预测使用中的燃气轮机的参数信息。该方法还包括计算该使用中的燃气轮机的预测参数信息将到达预定参数限度的条件风险，并且基于该条件风险生成包含使用中的燃气 轮机的维修或维护安排中至少一种的输出信号。本发明的再一实施例是一种用于监视使用中的燃气轮机的性能的方法，该方法包括接收机群模型信号，该机群模型信号包含来自可比较的燃气轮机的参数信息；将来自使用中的燃气轮机的参数信息添加给来自可比较的燃气轮机的参数信息，以及，预测使用中的燃气轮机的参数信息。该方法还包括计算使用中的燃气轮机的预测参数信息将到达预定参数限度的条件风险，并且基于该条件风险生成输出信号，该输出信号包含使用中的燃气轮机的维修安排、维护安排或预测使用寿命中的至少一种。通过阅读说明书，本领域普通技术人员将更好地了解这些实施例和其它实施例的特点和方面。
在说明书的其余部分中并参考附图更特定地描述了全面并可实施的公开内容 (包括其对于本领域技术人员而言的最佳实施方式)，在附图中图1示出典型燃气轮机系统的简化方块图；图2示出根据本发明的一实施例的用于监视使用中的燃气轮机的系统的功能方块图。图3示出用于更新和验证机群模型的算法；图4示出用于更新和验证单元模型的算法；图5示出用于执行单元风险分析的算法；图6示出用于计算部件或构件的剩余使用寿命的算法。图7以图表示出根据本发明的一实施例的可通过单元风险分析生成的假设性损坏扩展曲线；以及图8以图表示出根据本发明的一实施例的假设性使用寿命曲线。附图标记构件10燃气轮机12压缩机14燃烧器16涡轮机20系统22处理器24机群模型信号26数据库
28机群数据信号30单元数据信号32风险信号33更新机群模型信号34输入装置36机群模型检验区块38单元模型创建区块40单元风险分析区块41来自单元模型的参数信息42输出信号44维修安排46维护安排48使用寿命预测50机群导入数据区块52机群曝光数据(Exposure Data)54机群损坏数据56机群分类数据区块58机群组别数据区块60机群比较区块62机群更新区块66机群旗标区块68单元导入数据区块70单元曝光数据72单元损坏数据74单元分类数据区块76单元组别数据区块78单元比较区块80单元更新区块84单元旗标区块86URA输入区块88URA导入区块90URA负荷风险分析方程式92URA条件风险计算区块94URA可靠性计算区块96URA计算使用寿命区块98使用寿 命输入区块100使用寿命导入区块102使用寿命平均损坏值区块104使用寿命计算失效概率区块
106使用寿命计算风险的失效时间108使用寿命计算剩余使用寿命110操作限度1125%机群曲线1145%机群限度11695%机群曲线11895%机群限度1205%单元曲线1225%单元限度12495%单元曲线12695%单元限度128单元数据130假设性使用寿命曲线132设计寿命结束134新寿命结束曲线
具体实施方式
现详细地参考本发明的实施例，其一个或多个实例在附图中示出。详细描述使用数字和字母标记来指代附图中的特点。在附图和描述中同样或相似的标记用于指代本发明同样或相似的部件。以解释本发明的方式提供每个实例，并不限制本发明。实际上，对于本领域技术人员明显的是，在不偏离本发明的范围或精神的情况下可做出各种修改和变型。举例而言，作为一个实施例的部分示出或描述的特点可用于另一实施例以得到又一实施例。因此，预期本发明涵盖属于所附权利要求和其等效物内的这些修改和变型。本文所讨论的系统和方法提及处理器、服务器、存储器、数据库、软件应用和/或其它基于计算机的系统，以及所采取的行动和发送到这些系统和来自这些系统的信息。本领域普通技术人员应认识到基于计算机系统的固有灵活性允许很多种可能配置，组合和任务划分以及在构件之间和构件中的功能。举例而言，本文所讨论的计算机实施的过程可使用单个服务器或处理器或组合工作的多个这样的元件来实施。数据库和其它存储器/媒体元件和应用可实施于单个系统上或者分布于多个系统上。分布的构件可循序或并行地操作。本领域普通技术人员应了解所有这些变型预期在本主题的精神和范围内。当在第一计算机系统与第二计算机系统、处理装置或其构件之间获得或存取数据时，实际数据可直接地或间接地在系统之间行进。举例而言，如果第一计算机存取来自第二计算机的文件或数据时，存取可涉及一个或多个中间计算机、代理或类似物。实际文件或数据可在计算机之间移动，或者一个计算机可提供指针或元文件，第二计算机使用该指针或元文件来存取来自非第一计算机的计算机的实际文件。本文所讨论的各种计算机系统并不限于任何特定硬件架构或配置。本文所陈述的方法和系统的实施例可由一个或多个通用或定制计算装置来实施，通用或定制计算装置以任何合适的方式调适以提供所需功能。装置可适于提供额外的功能，补充本主题或与本主题无关。举例而言，一个或多个计算装置可适于通过存取呈计算机可读形式的软件指令而提供所描述的功能。当使用软件时，可使用任何合适的编程、脚本或其它类型的语言或语言的组合来实施本文所包含的教导内容。但是，软件不需要专用或者完全无需使用。举例而言，如由本领域普通技术人员所理解，无需额外详细讨论，本文所陈述和公开的方法和系统的某些实施例也可由硬布线逻辑或其它电路来实施，包括(但不限于)专用电路。当然，计算机执行的软件和硬布线逻辑或其它电路的各种组合也会是合适的。
本领域普通技术人员应了解本文所公开的方法的实施例可由一个或多个合适的计算装置来执行，该一个或多个计算装置使得该装置通过操作来实施这些方法。如上文所提到的那样，这些装置可存取一个或多个计算机可读媒体，计算机可读媒体包含计算机可读指令，当由至少一个计算机执行这些计算机可读指令时，计算机可读指令使至少一个计算机实施本主题方法的一个或多个实施例。任何合适的一个或多个计算机可读媒介或媒体可用于实施或实践目前公开的主题，包括(但不限于)软盘、驱动或其它基于磁性的储存媒体、光学储存媒体，包括盘(包括CD-ROM、DVD-ROM和其变型)、闪存、RAM、ROM和其它固态储存装置和类似物。基于条件的维护系统对机群模型、具体单元数据和操作者选择的风险参数应用随机分析来产生具有成本效益的系统和方法，其优化诸如燃气轮机的高保真度(fidelity) 系统的维修和/或维护间隔。用于燃气轮机的每个具体失效机制的机群模型可通过向历史机群数据应用多层次随机建模技术(诸如贝叶斯推理和马尔可夫链蒙特卡罗 (MarkovChain Monte Carlo, MCMC))模拟)来开发。每个机群模型的准确度可周期性地检验和/或验证，且从特定燃气轮机获得的具体单元数据可添加给每个机群模型以调整或更新机群模型或者创建单元模型，单元模型对每个具体失效机制的特定燃气轮机准确地建模。向更新的机群模型应用操作者选择的风险参数提高了以最佳间隔排定维修和/或维护项目的能力，这提高了操作可用度，降低了非计划和不必要的停机，和/或延长了特定燃气轮机的使用寿命。作为实例，如果用于特定燃气轮机的具体单元数据指示比机群模型所提供的预测更低的磨损或损坏，那么通过延长维修和/或维护事件之间的间隔而改进特定燃气轮机的可用性。相反，如果特定燃气轮机的具体单元数据指示比机群模型所提供的预测更大磨损或损坏，那么在维修和/或维护事件之间的间隔可缩短，从而导致计划的停运，而不是成本更高的非计划停运。在任一事件下，调整的维修和/或维护安排改进了特定燃气轮机的可靠性和操作，从而导致特定燃气轮机的更准确且可能延长的使用寿命。图2示出根据本发明的一实施例用于监视使用中的燃气轮机10的系统20。用语 “使用中的燃气轮机”是指特定或具体燃气轮机，与燃气轮机机群区分。系统20通常包括处理器22，处理器22包括编程以存取一个或多个存储器/媒体元件。处理器22接收来自数据库26的机群模型信号24和机群数据信号28，单元数据信号30和/或来自输入装置34 的风险信号32。用语“信号”指信息的任何电传输。机群模型信号24包括由机群模型所预测的可比较的燃气轮机的参数信息，其包括于数据库26中。该系统20应用的多层次随机建模技术，贝叶斯推理和MCMC模拟，由区块36和图3所示的算法代表，来检验并验证包括于机群模型信号24中的预测参数信息且生成更新的机群模型信号33。该系统20向更新的机群模型信号33添加包含于单元数据信号30中的来自使用中的燃气轮机10的参数信息以创建更新的机群模型，优选地被称作单元模型，由区块38和图4所示的算法代表。该单元模型生成关于使用中的燃气轮机10的预测参数信息41。由图2中的区块40所代表的单元风险分析和图5与图6所示的算法组合来自单元模型的预测参数信息41与风险信号 32来生成输出信号42，输出信号42反映使用中的燃气轮机10的维修安排44和/或维护安排46和/或使用寿命预测48。 本文所讨论的处理器22并不限于任何特定硬件架构或配置。替代地，处理器22 可包括通用或定制计算装置，其适于通过存取存储器媒体(例如，图2中的区块36、38和/ 或40)、数据库和其它硬件(如由呈现为计算机可读形式的软件指令或编程电路所指导)来提供所描述的功能。举例而言，处理器22可包括单个服务器，单个微处理器、硬布线逻辑， 包括(但不限于)具体应用电路或组合地工作的多个这样的元件。数据库26包含从可用来源积累的燃气轮机的“机群”(特别地相似类别或类型的可比较的燃气轮机)的历史参数信息。数据库26可包括存储器/媒体元件和实施于单个系统或分布于多个系统上的应用程序。如果使用分布的构件，那么它们可循序或并行操作。包含于数据库26中的历史参数信息包括反映可比较的燃气轮机的操作、维修和/ 或维护的数据。历史参数信息可具体地包括被称作曝光数据和损坏数据的数据。曝光数据包括描述可比较的燃气轮机的操作历史的任何信息，其可在统计上与推测失效模式或机制相关联。举例而言，曝光数据可包括操作小时、启动和停机循环次数、点火温度和非计划跳脱(unplanned trips)数。损坏数据包括所发生的有统计意义的任何硬件失效机制。失效机制包括来自标称值的物理或功能特征的任何降级，其导致输出损失、效率损失或者不能操作可比较的燃气涡轮。已知失效机制的实例包括腐蚀、蠕变、变形、疲劳、异物损坏、氧化、 热屏障涂层(TBC)分裂、插塞/污染、破裂和磨损。这些失效机制可收集或记录为增强的孔探(boroscope)检测、现场监视、操作日志、维修日志、维护日志等的结果。可用的历史信息源包括(例如)操作经验，操作记录、部件检查记录和场检查报告的数据库。包括于这些源中的历史信息的实例包括(但不限于)增强的孔探检查(EBI)报告、电子记录、监视和诊断(M&D)数据、停运事件记录、操作小时、启动和跳脱，以及检修间或维修数据。对诸如曝光和损坏数据的历史信息的收集进行统计分析且规格化以开发机群模型，也被称作数据积累模型。机群模型使用所收集的历史信息预测参数信息，诸如在未来曝光期间的损坏生长，且机群模型和/或预测参数信息通过机群模型信号24传输到处理器 22。输入装置34允许使用者与系统20通信且可包括用于提供使用者与系统20之间介面的任何结构。举例而言，输入装置34可包括键盘、计算机、终端、磁带驱动和/或任何其它装置，其用于从使用者接收输入且生成到系统20的机群数据信号28、单元数据信号30 和/或风险信号32。图3示出用于更新和验证机群模型和/或机群模型信号24的算法，在先前被称作图2中的区块26。在区块50，算法导入机群数据信号28，其包括(例如)来自机群中的可比较的燃气涡轮新收集的参数信息，诸如曝光数据52和损坏数据54。仅出于说明目的，假定机群数据信号28指示在10，000操作小时，20次启动与停机循环，和2个非计划跳脱，孔探检查检测到特定构件中裂缝大小为0. 1,0. 2,0. 1,0. 2,0. 3和0. 2。在区块56，算法分类并组织导入的曝光数据52和损坏数据54，例如，通过根据所检测的损坏量值以升序向每个检查结果分配变量Ln，以产生以下结果=L1 = 0. LL2 = 0. LL3 = 0. 2，L4 = 0. 2，L5 = 0. 2， 和L6 = 0. 3。在区块58，算法分组所分类的曝光数据52和损坏数据54，例如，通过向具有相同量值的每个检查结果分配变量Rn，以产生以下结果=R1 = 2/6,R2 = 2/6,R3 = 3/6,R4 = 3/6，R5 = 3/6，和R6 = 1/6。在区块60，算法比较所分类并分组的数据52、54与机群模型信号24，其包括分布参数信息，诸如基于机群模型预测的损坏结果，来判断机群模型在统计上是否准确。统计准确度可由任意多个个别或组合统计标准来确定，包括(例如)决定系数(R2)值或标准偏差(6 )。如果该比较表明机群模型提供在统计上准确的实际损坏预测， 区块62那么算法用来自机群中可比较的燃气轮机的新收集的参数信息来更新历史参数信息的数据库26且提供更新的机群模型信号33用于进一步分析。更新机群模型当由图4所示的算法存取时变成单元模型。如果比较表明机群模型并不提供统计上准确的实际损坏预测，那么算法生成旗标66或其它信号，其表明需要调查机群模型预测与实际损坏数据之间的误差。
图4示出用于更新和验证单元模型的算法，在先前被称作图2中的区块38。在区块68，算法导入单元数据信号30，其包括(例如)从使用中的燃气轮机10新收集的参数信息，诸如曝光数据70和损坏数据72。仅出于说明目的，再次假定机群数据信号30指示在 10，000操作小时，20次启动与停机循环，和2个非计划跳脱，孔探检查检测在特定构件中的裂缝大小为0. 1,0. 3,0. 1,0. 3、0. 3和0. 2。在区块74，算法分类并组织导入的单元数据70、 72，例如，通过根据所检测的损坏的量值以升序向每个检查结果分配变量Ln，以产生以下结果=L1 = 0. LL2 = 0. LL3 = 0.2，L4 = 0.3，L5 = 0. 3 以及 L6 = 0.3。在区块 76，算法将所分类的单元数据70、72分组，例如，通过向具有相同量值的每个检查结果分配变量Rn，以产生以下结果礼=2/6，R2 = 2/6，R3 = 1/6，R4 = 3/6，R5 = 3/6 和 R6 = 3/6。在区块 78，算法比较所分类并分组的单元数据70、72与单元模型，单元模型包括分布参数信息，诸如基于单元模型预测的损坏结果，来判断单元模型在统计上是否准确。统计准确度可由任意多个个别或组合统计标准来确定，包括(例如)决定系数(R2)值或标准偏差(6)。如果比较表明单元模型提供在统计上准确的实际损坏预测，区块80，那么算法利用来自使用中的燃气轮机10的新收集的参数信息来更新单元模型且生成来自单元模型的更新的参数信息41 用于进一步分析。如果比较表明单元模型并不提供在统计上准确的实际损坏预测，那么算法生成旗标84或其它信号，其表明需要调查机群预测损坏与实际损坏之间的误差。图5示出用于执行单元风险分析的算法，在先前被称作图2中的区块40。单元风险分析组合来自单元模型的更新的参数信息41与风险信号32来生成输出信号42，输出信号42反映使用中的燃气轮机10的维修安排44/或维护安排46和/或使用寿命预测48。 在区块86，算法导入风险信号32，风险信号32包括(例如)单元曝光数据、对于每个失效机制可接受的风险水平和/或使用中的燃气轮机10的下一检查间隔。在区块88，算法导入来自单元模型的更新的参数信息41，包括(例如)分布单元参数信息，诸如基于单元模型的推测损坏结果。在区块90，算法载入或存取对应于每个失效机制的风险分析方程式。风险分析方程式可采用本领域中已知的各种技术中的任何技术来基于已知数据对未来条件的分布曲线建模。举例而言，风险分析方程式可使用韦伯对数线性模型(Weibull-loglinear model)，韦伯比例风险模型(Weibull proportional hazard model)或者对数常态-对数线性模型(lognormal-loglinear model)。在区块92，算法使用风险分析方程式来计算与每个特定失效机制相关联的条件风险。条件风险是单元参数将在未来的某点到达或超过预定参数限度的概率。预定参数限度可为任何条件、度量、测量或由使用者确立的其它标准。举例而言，预定参数限度可为部件或构件的操作限度，诸如裂缝大小，若超过该操作限度，那么可需要由使用者采取行动， 诸如执行额外检查，使部件或构件停止运作，维修部件或构件，或者限制使用中的燃气轮机 10的操作能力。未来的点可为使用中的燃气轮机10的下一检查间隔，由操作小时、启动、 停机、非计划跳脱或由使用者提供且与失效机制相关联的任何其它曝光数据来在时间上测量。在区块94，算法计算在使用中的燃气轮机10的当前条件的可靠性。所计算的可靠性是部件或构件能至少在未来的某点之前以额定限度成功地执行设计功能的概率。换言之，所计算的可靠性是部件或构件由于确认的失效机制在未来的某点之前不失效的概率。 如同条件风险计算，未来的点可为使用中的燃气轮机10的下一检查间隔，由操作小时、启动、停机、非计划跳脱或由使用者提供且与失效机制相关联的任何其它曝光数据在时间上测量。在区块96，算法计算部件或构件的剩余使用寿命，且图6示出执行这种计算的算法。在区块98和100，算法分别导入风险信号32和更新的参数信息41，如在先前关于图5 中的区块86和88所讨论的那样。在区块102，算法计算使用中的燃气轮机10的每个特定失效机制的平均损坏值。在区块104，算法计算部件或构件将在各个未来曝光点(例如，操作小时、启动、停机、非计划跳脱等)到达或超过预定操作限度的概率。在区块106，算法基于由使用者所提供的关于每个失效机制的可接受的风险水平来计算最有限曝光点。使用在先前实例中所提供的数据来说明，如果使用者提供裂缝大小5%的可接受风险水平，且裂缝大小的预定操作限度是0. 5，那么算法的区块106计算当条件风险为5%时存在0. 5的裂缝大小的曝光点。在区块108，算法基于当前曝光点与在区块106中所计算的最有限的曝光点之间的差异来计算该部件或构件的剩余使用寿命。
返回至图5，单元风险分析算法生成输出信号42，输出信号42反映单元风险分析的结果。举例而言，输出信号42可包括使用中的燃气轮机10或其中构件的维修安排44和 /或维护安排46和/或使用寿命预测。图7以图表示出根据本发明的一实施例的可由单元风险分析算法生成的假设性损坏扩展曲线。横轴代表用于维修和/或维护的停运之间的曝光间隔(例如，操作小时，启动、停机、非计划跳脱或与失效机制相关联的任何其它曝光数据)，且纵轴代表使用中的燃气轮机10的部件或构件的损坏量。在曲线上的水平线代表由使用者确立的部件或构件的预定参数限度110或操作限度。在图7中图表上的每个曲线代表假设性损坏扩展曲线。举例而言，标注为112的曲线反映根据机群模型，未检测到损坏的部件或构件将在标记为114的曝光间隔之前超过预定参数限度110的5%的风险。标注为116的曲线反映根据机群模型，未检测到损坏的部件或构件将在标记为118的曝光间隔之前超过预定参数限度110的95%的风险。标注为 120的曲线反映根据更新的机群模型或单元模型，未检测到损坏的部件或构件将在标记为 122的曝光间隔之前超过预定参数限度110的5%的风险。标注为124的曲线反映根据更新的机群模型或单元模型，未检测到损坏的部件或构件将在标记为126的曝光间隔之前超过预定参数限度110的95%的风险。标记为128的各种数据点代表实际检查结果，在先前被不同地称作单元参数信息或损坏数据72，通过单元数据信号30传输到处理器22。现返回参看图2，此损坏数据72被添加给区块38中的单元模型以生成更新的参数信息41。该单元风险分析组合更新参数信息41与风险信号32中的信息，以确定使用中的燃气轮机10 的实际风险曲线。 图8以图表示出由先前关于图6所讨论的算法生成的假设性使用寿命曲线。在此说明中，横轴代表操作小时的曝光限度，且纵轴代表启动的曝光限度。取决于各种因素(诸如失效机制，特定部件或构件，使用中的燃气轮机10的曝光数据)，可应用其它曝光限度。 标记为130的曲线代表特定失效机制的部件或构件的假设使用寿命曲线。点132代表对于启动与操作小时的给定组合，部件或构件的设计使用寿命。标记为134的曲线代表如由图6 中的区块106和108所计算的部件或构件的新使用寿命曲线。如图所示，新使用寿命曲线 134示出在发生失效机制之前部件或构件可经历的增加的启动次数和操作小时。本书面描述使用实例来公开本发明(包括最佳实施方式)，且也能使本领域技术人员实践本发明，包括做出和使用任何装置或系统和执行任何合并的方法。专利保护范围由权利要求限定，且可包括本领域技术人员想到的这些修改和其它实例。如果其它实例具有与权利要求的字面语言并无不同的结构元件或者如果其它实例包括与权利要求的字面语言并无实质不同的等效结构元件，那么其它实例预期在权利要求的保护范围内。
权利要求
1.一种用于监视使用中的燃气轮机(10)的性能的系统(20)，包括存储元件，其包含来自可比较的燃气轮机的参数信息的数据库06)；输入装置(34)，其中，所述输入装置(34)生成单元数据信号(30)和风险信号(32)，所述单元数据信号包含来自所述使用中的燃气轮机(10)的参数信息，所述风险信号包含所述使用中的燃气轮机(10)的风险值；与所述存储元件和所述输入装置(34)通信的处理器(22)，其中，所述处理器0 将所述单元数据信号(30)合并到来自可比较的燃气轮机的参数信息的所述数据库06)内，预测所述使用中的燃气轮机(10)中的参数信息，并且计算所述使用中的燃气轮机(10)的预测的参数信息将到达预定参数限度的条件风险；以及由所述处理器0 生成的输出信号(42)，其中，所述输出信号0 包括维修或维护安排信息中的至少一种。
2.根据权利要求1所述的系统(20)，其特征在于还包括在所述数据库06)与所述处理器0 之间的机群模型信号(M)，所述机群模型信号04)包括来自可比较的燃气轮机的参数信息。
3.根据权利要求1或2所述的系统(20)，其特征在于，来自可比较的燃气轮机的参数信息的所述数据库06)包括反映所述可比较的燃气轮机的操作、维修或维护中的至少一种的数据。
4.根据权利要求1至3中任一项所述的系统(20)，其特征在于，所述单元数据信号 (30)包括反映所述使用中的燃气轮机(10)的操作、维修或维护中的至少一种的数据。
5.根据权利要求1至4中任一项所述的系统(20)，其特征在于，所述处理器02)基于所述条件风险和所述风险值的比较而生成所述输出信号G2)。
6.根据权利要求1至5中任一项所述的系统(20)，其特征在于，所述输出信号02)包括在所述使用中的燃气轮机(10)中的构件的预测使用寿命。
7.一种用于监视使用中的燃气轮机(10)的性能的方法，包括从可比较的燃气轮机接收参数信息；将来自所述使用中的燃气轮机(10)的参数信息添加给来自可比较的燃气轮机的参数 fn息；预测所述使用中的燃气轮机(10)的参数信息；计算所述使用中的燃气轮机(10)的预测参数信息将到达预定参数限度的条件风险;以及基于所述条件风险生成输出信号(42)，所述输出信号包含所述使用中的燃气轮机 (10)的维修或维护安排中的至少一种。
8.根据权利要求7所述的方法，其特征在于还包括比较所述条件风险与预定风险值。
9.根据权利要求8所述的方法，其特征在于还包括如果所述条件风险小于所述预定风险值，就延迟维修或维护。
10.根据权利要求8所述的方法，其特征在于还包括如果所述条件风险不小于所述预定风险值，就加快维修或维护。
全文摘要
本发明涉及用于监视燃气轮机的系统和方法。其中，用于监视燃气轮机(10)的系统(20)包括数据库(26)和输入装置(34)，数据库包含来自可比较的燃气轮机的信息，输入装置生成单元数据信号(30)和风险信号(32)。与存储器和输入装置(34)通信的处理器(22)将单元数据信号(30)合并到数据库(26)内，预测燃气轮机(10)的信息，且计算燃气轮机(10)将到达限度的条件风险。输出信号(42)包括维修或维护安排。用于监视燃气轮机(10)的方法包括接收来自可比较的燃气轮机的信息，将来自燃气轮机(10)的信息添加给来自可比较的燃气轮机的信息，且预测燃气轮机(10)的信息。该方法还包括计算燃气轮机(10)将到达限度的条件风险且生成包含维修或维护安排的输出信号(42)。
文档编号F02C9/00GK102155301SQ20111003915
公开日2011年8月17日 申请日期2011年2月11日 优先权日2010年2月11日
发明者M·E·伯纳, S·维塔尔, 姜孝谟 申请人:通用电气公司