CN114444394A - 一种基于数据驱动的压气机性能退化预测算法 - Google Patents

一种基于数据驱动的压气机性能退化预测算法 Download PDF

Info

Publication number
CN114444394A
CN114444394A CN202210102459.7A CN202210102459A CN114444394A CN 114444394 A CN114444394 A CN 114444394A CN 202210102459 A CN202210102459 A CN 202210102459A CN 114444394 A CN114444394 A CN 114444394A
Authority
CN
China
Prior art keywords
compressor
neural network
data
efficiency
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210102459.7A
Other languages
English (en)
Inventor
唐寅
艾容申
周建
黄庆
王开柱
陈志锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Nanjing Gas Turbine Power Generation Co ltd
Original Assignee
Huaneng Nanjing Gas Turbine Power Generation Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng Nanjing Gas Turbine Power Generation Co ltd filed Critical Huaneng Nanjing Gas Turbine Power Generation Co ltd
Priority to CN202210102459.7A priority Critical patent/CN114444394A/zh
Publication of CN114444394A publication Critical patent/CN114444394A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本发明提供一种基于数据驱动的压气机性能退化预测算法，包括：S1、建立压气机性能变化评估模型；S11、采集电厂数据；S12、将压气机的效率和流动能力作为压气机性能变化评估的指标；S13、建立压气机的热力学模型；S14、通过所述热力学模型对压气机关键部件的效率和流动能力进行计算，得到理论上的效率和流动能力；S21、建立深度神经网络；S22、引入循环循环神经网络和长短期记忆网络对深度神经网络进行优化，得到性能退化预测神经网络。本发明通过分析和处理压气机运行产生的大量数据，挖掘大数据与性能变化之间的隐藏关系来建立更为准确的压气机性能分析模型，可使得仿真试验更加接近真实机组的实际运行，模型具有更强的工程实用价值。

Description

一种基于数据驱动的压气机性能退化预测算法
技术领域
本发明涉及压气机技术领域，尤其涉及一种基于数据驱动的压气机性能退化预测算法。
背景技术
燃气轮机是以不断流动工质带动叶轮进行高速旋转，将燃料的能量转化为输出功的内燃式动力机械，主要部件由压气机、燃烧室、透平和各类辅助***组成。其中压力机负责压缩空气将常温常压的气体压缩成高压气体再输入到燃烧室内燃烧，形成的高温高压气体在透平中做功。因此压气机的性能直接影响到后续燃烧室和透平的性能，由于多变的运行过程和恶劣的工作环境，压气机经常出现如叶片结垢、叶片腐蚀等导致压气机性能下降的情况，所以需要建立其模型算法并进行相关仿真来对压气机性能下降进行分析和预测。
目前一般建立的压气机模型算法是机理模型算法，但由于压气机的特性曲线通常掌握在国外设备制造商手中，因此难以建立十分准确的机理模型算法，导致实际工作特性和建模算法的工作特性不符，算法模型的仿真与实际结果存在较大的偏差。随着计算机技术和数据驱动理论的快速发展，数据驱动建模算法逐渐成为压气机建模的主要趋势。综上所述，有待发明一种可以更准确的对压气机性能退化进行预测的算法。
发明内容
本发明提供一种基于数据驱动的压气机性能退化预测算法，解决了现有压气机性能退化预测算法与实际结果偏差较大的问题。
为达到以上目的，本发明采取的技术方案是：
一种基于数据驱动的压气机性能退化预测算法，包括：
S1、建立压气机性能变化评估模型；
S11、采集电厂数据；
S12、将压气机的效率和流动能力作为压气机性能变化评估的指标；
S13、建立压气机的热力学模型；
S14、通过所述热力学模型对压气机关键部件的效率和流动能力进行计算，得到理论上的效率和流动能力；
S15、通过列文伯格-马夸尔特方法对深度神经网络进行优化，得到ISO标态折算神经网络；
S16、通过所述ISO标态折算神经网络建立关键部件的ISO标态折算模型；
S17、将所述电厂数据输入至ISO标态折算模型中，通过ISO标态折算模型将关键部件不同运行状态下的效率和流动能力转化为满负荷、ISO工况下的值；
S18、将关键部件满负荷、ISO工况下的值进行横向对比，得到标准状况下的效率和流动能力；
S2、建立压气机性能预测模型；
S21、建立深度神经网络；
S22、引入循环循环神经网络和长短期记忆网络对深度神经网络进行优化，得到性能退化预测神经网络；
S23、将S11采集的电厂数据输入至性能退化预测神经网络中，得到预测退化的压气机效率和流动能力。
优选地，所述压气机热力学模型包括：压气机效率、压气机耗功和压气机流动能力；
所述压气机效率的公式为：
Figure BDA0003492926240000021
其中，ma为压气机流量，
Figure BDA0003492926240000022
为压气机进口温度温度下空气的比焓，
Figure BDA0003492926240000023
为压气机等熵出口温度下空气的比焓，Wc-ca为压力机耗功；
所述压气机耗功的公式为：
Figure BDA0003492926240000031
其中，mca为压气机抽气流量，
Figure BDA0003492926240000032
为压气机出口温度下空气比焓，
Figure BDA0003492926240000033
为压气机抽气平均温度下空气比焓；
所述压气机流动能力的公式为：
Figure BDA0003492926240000034
其中，T1 ref为压气机进口温度的参考值，P1 ref为压气机进口压力的参考值。
优选地，所述ISO标态折算模型有三个隐层，每个隐层包括256个单元。
优选地，所述电厂数据包括环境参数和性能参数，所述环境参数包括环境温度，压力和相对湿度，所述性能参数包括燃气轮机的功率，空气流量，压比，压气机进气温度和压力，进口导叶角IGV，压气机排气温度和压力，所述ISO标态折算模型的输出参数包括压气机和透平的效率及流动能力。
优选地，对深度神经网络进行优化包括如下步骤：
采集电厂数据；
对采集到的电厂数据进行预处理，所述预处理包括将电厂数据经过滑窗法过滤非稳态数据后再通过拉依达准则剔除异常点，最后按照7：3随机分为训练集和测试集，最后经过统计学显著性差异检验，得到优化后的深度神经网络。
优选地，所述压气机性能预测模型的公式如下：
h(t)＝φ(Ux(t)+Wh(t-1)+b)
o(t)＝Vh(t)+c
其中，x为输入，h为隐藏单元，o为输出，ф为激活函数，V、W、U是权重；b、c是偏差。
本发明的有益效果在于：
本发明考虑到基于模型的建模方法存在着诸多不足，通过分析和处理压气机运行产生的大量数据，挖掘大数据与性能变化之间的隐藏关系来建立更为准确的压气机性能分析模型，可使得仿真试验更加接近真实机组的实际运行，模型具有更强的工程实用价值；
本发明采用列文伯格-马夸尔特方法，有效提高模型的收敛速度和收敛精度，减少训练时间和误差；
本发明采用循环神经网络，循环神经网络可以追溯很长的时间段，从而增加预测的准确性；
本发明引入长短期记忆网络改善循环神经网络存在梯度消失或***的问题，提高模型的预测率。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明深度神经网络结构图。
图3a为本发明压气机折算为ISO标态后的效率图；图3b为本发明压气机折算为ISO标态后的流动能力图。
图4为本发明循环神经网络架构图。
图5为本发明长短期记忆关键模块图。
图6a为本发明压气机效率退化趋势和预测结果对比图；图6b为本发明压气机流动能力退化趋势和预测结果对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明提供一种技术方案：一种基于数据驱动的压气机性能退化预测算法，如图1所示，包括：
S1、建立压气机性能变化评估模型；
压气机的退化通常导致其流动能力和效率的降低，因此，将压气机的效率和流动能力用作压气机性能变化评估的指标，通过其热力学模型对关键部件的效率及流动能力进行了计算。但压气机的效率和流动能力往往受到不同工作状态的影响，因此通过优化的深度神经网络建立关键部件的ISO标态折算模型，将不同运行状态下的效率和流动能力转化为满负荷、ISO工况下的值再进行横向对比以评估其性能。
S11、采集电厂数据；
S12、将压气机的效率和流动能力作为压气机性能变化评估的指标；
S13、建立压气机的热力学模型；
压气机的关键参数计算式如下：
压气机效率：
Figure BDA0003492926240000061
其中，ma为压气机流量，
Figure BDA0003492926240000062
和
Figure BDA0003492926240000063
分别为压气机进口温度和等熵出口温度下空气的比焓，Wc-ca为压力机耗功。
压气机耗功：
Figure BDA0003492926240000064
其中，mca为压气机抽气流量，
Figure BDA0003492926240000065
和
Figure BDA0003492926240000066
分别为压气机出口温度和抽气平均温度下空气比焓。
压气机流动能力：
Figure BDA0003492926240000067
其中，T1 ref和P1 ref分别为压气机进口温度和压力的参考值。
S14、通过所述热力学模型对压气机关键部件的效率和流动能力进行计算，得到理论上的效率和流动能力；
S15、通过列文伯格-马夸尔特方法对深度神经网络进行优化，得到ISO标态折算神经网络；
S16、通过所述ISO标态折算神经网络建立关键部件的ISO标态折算模型；
ISO标态折算的深度神经网络模型如图2所示，有三个隐层，每层256个单元。输入参数分为两类：环境参数和性能参数。环境参数包括环境温度，压力和相对湿度。性能参数包括燃气轮机的功率，空气流量，压比，压气机进气温度和压力，进口导叶角IGV，压气机排气温度和压力。输出参数为压气机和透平的效率及流动能力。对深度神经网络的反向传播算法使用列文伯格-马夸尔特方法进行了优化，列文伯格-马夸尔特方法是梯度最速下降法和牛顿法的结合，可以有效提高模型的收敛速度和收敛精度，减少训练时间和误差。
采集到的电厂数据需要进行数据预处理，先经过滑窗法过滤非稳态数据，再通过拉依达准则剔除异常点，最后按照7：3随机分为训练集和测试集，经过统计学显著性差异检验后，发现两组之间没有显著性差异。将优化后的深度神经网络模型与未优化模型及常见的其他算法分别通过训练集训练神经网络模型，再通过测试集进行测试，对训练结果的均方根误差，平均绝对误差和R方分别进行比较。发现优化后的模型平均绝对误差和均方根误差均远小于其他传统算法，而R方更接近于1，说明其具有更高的精度和更好的拟合度，且没有过拟合。
数据按时间顺序排序，每次设置200个数据点作为数据集。使用数据集对模型进行训练，然后将ISO工况下满负荷运行数据代入模型中，以计算ISO标态折算后的效率和流动能力。通过不断替换数据集内的数据，以实现所有数据的ISO标态折算。图3a和图3b显示了效率和流动能力的趋势。黑色虚线表示离线水洗节点，可以看出随着运行时间增长，压气机效率和流动能力呈逐渐下降的趋势，离线水洗后有明显的改善，与预期相符，表明性能变化的评估方法是可行和有效的。
S17、将所述电厂数据输入至ISO标态折算模型中，通过ISO标态折算模型将关键部件不同运行状态下的效率和流动能力转化为满负荷、ISO工况下的值；
S18、将关键部件满负荷、ISO工况下的值进行横向对比，得到标准状况下的效率和流动能力；
S2、建立压气机性能预测模型；
性能预测基于过去和当前的运行数据，但一般的人工神经网络或其他传统方法难以追溯很长的时间段，从而影响预测的准确性。循环神经网络是最适合处理时间序列数据的神经网络，其广泛应用于寿命预测和故障诊断领域，架构如图4所示，x为输入，h为隐藏单元，o为输出，L为损失函数，y为训练集的标签。这些元素的上标t表示时刻t的状态，时刻t的输出如下：
h(t)＝φ(Ux(t)+Wh(t-1)+b) (4)
o(t)＝Vh(t)+c (5)
其中，ф为激活函数；V、W、U是权重；b、c是偏差。
S21、建立深度神经网络；
S22、引入循环循环神经网络和长短期记忆网络对深度神经网络进行优化，得到性能退化预测神经网络；
S23、将S11采集的电厂数据输入至性能退化预测神经网络中，得到预测退化的压气机效率和流动能力。
然而，在跨多个时间步的误差反向传播过程中，循环神经网络存在梯度消失或***的问题。因此，引入长短期记忆网络来改善这种情况，其整体架构与循环神经网络相同，但重复模块有所改变，模块如图5所示。与循环神经网络相比，长短期记忆除了h随时间流动，代表长期记忆的细胞状态C也随时间流动。
通过长短期记忆预测退化趋势，图6a和图6b是测试集中退化趋势和预测结果的对比。压气机效率和流动能力的误差百分比分别为0.036％和0.11％，这表明模型具有较高的预测准确率，可以实现压气机性能退化的精准预测。
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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于数据驱动的压气机性能退化预测算法，其特征在于，包括：
S1、建立压气机性能变化评估模型；
S11、采集电厂数据；
S12、将压气机的效率和流动能力作为压气机性能变化评估的指标；
S13、建立压气机的热力学模型；
S14、通过所述热力学模型对压气机关键部件的效率和流动能力进行计算，得到理论上的效率和流动能力；
S15、通过列文伯格-马夸尔特方法对深度神经网络进行优化，得到ISO标态折算神经网络；
S16、通过所述ISO标态折算神经网络建立关键部件的ISO标态折算模型；
S17、将所述电厂数据输入至ISO标态折算模型中，通过ISO标态折算模型将关键部件不同运行状态下的效率和流动能力转化为满负荷、ISO工况下的值；
S18、将关键部件满负荷、ISO工况下的值进行横向对比，得到标准状况下的效率和流动能力；
S2、建立压气机性能预测模型；
S21、建立深度神经网络；
S22、引入循环循环神经网络和长短期记忆网络对深度神经网络进行优化，得到性能退化预测神经网络；
S23、将S11采集的电厂数据输入至性能退化预测神经网络中，得到预测退化的压气机效率和流动能力。
2.根据权利要求1所述的基于数据驱动的压气机性能退化预测算法，其特征在于，所述压气机热力学模型包括：压气机效率、压气机耗功和压气机流动能力；
所述压气机效率的公式为：
Figure FDA0003492926230000021
其中，ma为压气机流量，
Figure FDA0003492926230000022
为压气机进口温度温度下空气的比焓，
Figure FDA0003492926230000023
为压气机等熵出口温度下空气的比焓，Wc-ca为压力机耗功；
所述压气机耗功的公式为：
Figure FDA0003492926230000024
其中，mca为压气机抽气流量，
Figure FDA0003492926230000025
为压气机出口温度下空气比焓，
Figure FDA0003492926230000026
为压气机抽气平均温度下空气比焓；
所述压气机流动能力的公式为：
Figure FDA0003492926230000027
其中，T1 ref为压气机进口温度的参考值，P1 ref为压气机进口压力的参考值。
3.根据权利要求1所述的基于数据驱动的压气机性能退化预测算法，其特征在于：所述ISO标态折算模型有三个隐层，每个隐层包括256个单元。
4.根据权利要求1所述的基于数据驱动的压气机性能退化预测算法，其特征在于：所述电厂数据包括环境参数和性能参数，所述环境参数包括环境温度，压力和相对湿度，所述性能参数包括燃气轮机的功率，空气流量，压比，压气机进气温度和压力，进口导叶角IGV，压气机排气温度和压力，所述ISO标态折算模型的输出参数包括压气机和透平的效率及流动能力。
5.根据权利要求1所述的基于数据驱动的压气机性能退化预测算法，其特征在于，对深度神经网络进行优化包括如下步骤：
采集电厂数据；
对采集到的电厂数据进行预处理，所述预处理包括将电厂数据经过滑窗法过滤非稳态数据后再通过拉依达准则剔除异常点，最后按照7：3随机分为训练集和测试集，最后经过统计学显著性差异检验，得到优化后的深度神经网络。
6.根据权利要求1所述的基于数据驱动的压气机性能退化预测算法，其特征在于，所述压气机性能预测模型的公式如下：
h(t)＝φ(Ux(t)+Wh(t-1)+b)
o(t)＝Vh(t)+c
其中，x为输入，h为隐藏单元，o为输出，ф为激活函数，V、W、U是权重；b、c是偏差。
CN202210102459.7A 2022-01-27 2022-01-27 一种基于数据驱动的压气机性能退化预测算法 Pending CN114444394A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210102459.7A CN114444394A (zh) 2022-01-27 2022-01-27 一种基于数据驱动的压气机性能退化预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210102459.7A CN114444394A (zh) 2022-01-27 2022-01-27 一种基于数据驱动的压气机性能退化预测算法

Publications (1)

Publication Number Publication Date
CN114444394A true CN114444394A (zh) 2022-05-06

Family

ID=81369454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210102459.7A Pending CN114444394A (zh) 2022-01-27 2022-01-27 一种基于数据驱动的压气机性能退化预测算法

Country Status (1)

Country Link
CN (1) CN114444394A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933693A (zh) * 2023-09-12 2023-10-24 华能南京燃机发电有限公司 燃气轮机性能检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102862685A (zh) * 2011-07-07 2013-01-09 中国国际航空股份有限公司 一种检测飞机部件的性能进入衰退期的方法
US20150184549A1 (en) * 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102862685A (zh) * 2011-07-07 2013-01-09 中国国际航空股份有限公司 一种检测飞机部件的性能进入衰退期的方法
US20150184549A1 (en) * 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈家伦;卞韶帅;黄新;: "基于BP神经网络的9F燃气轮机压气机离线水洗周期优化", 燃气轮机技术, no. 01, 16 March 2020 (2020-03-16), pages 51 - 57 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933693A (zh) * 2023-09-12 2023-10-24 华能南京燃机发电有限公司 燃气轮机性能检测方法及装置
CN116933693B (zh) * 2023-09-12 2024-02-09 华能南京燃机发电有限公司 燃气轮机性能检测方法及装置

Similar Documents

Publication Publication Date Title
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
CN111159844B (zh) 一种电站燃气轮机排气温度的异常检测方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
CN112901449B (zh) 一种基于机器学习的空气压缩机***能耗优化方法
Togni et al. A combined technique of Kalman filter, artificial neural network and fuzzy logic for gas turbines and signal fault isolation
CN114444394A (zh) 一种基于数据驱动的压气机性能退化预测算法
CN116840720A (zh) 燃料电池剩余寿命预测方法
CN112418306A (zh) 基于lstm-svm的燃气轮机压气机故障预警方法
CN115618592A (zh) 一种电厂燃气轮机气路故障诊断方法、***、设备及终端
CN111950165B (zh) 典型环境下的电能表可靠性分析方法
CN110928248A (zh) 一种确定燃气轮机性能劣化程度的方法
Li et al. Gas turbine gas‐path fault diagnosis in power plant under transient operating condition with variable geometry compressor
CN111310781A (zh) 一种基于pca-ann的制冷设备制冷剂泄漏识别方法
CN115774847A (zh) 一种柴油机性能评估及预测方法和***
Losi et al. Autoregressive Bayesian hierarchical model to predict gas turbine degradation
CN117910550B (zh) 一种基于深度学习的无油超高速离心压缩机自动优化***
Zhultriza et al. Gas turbine anomaly prediction using hybrid convolutional neural network with LSTM in power plant
Zhang et al. Research on gas turbine early warning based on deep learning
Xia et al. Comparative Study of Two Data-Driven Gas Path Fault Quantification Methods for a Single-Shaft Gas Turbine
CN117807718B (zh) 一种基于失效概率预测的航空发动机维护决策设计方法
Da-li et al. Health assessment of gas turbine performance based on SOM-MQE algorithm
CN118036468A (zh) 面向变负荷下压气机水洗的多模式建模与数知融合决策方法
Cao et al. Robustness optimization of gas turbine performance evaluation against sensor failures
Thakkar et al. Remaining Useful Life Prediction of an Aircraft Turbofan Engine Using Deep Layer Recurrent Neural Networks. Actuators 2022, 11, 67
Yuan et al. Online cleaning of massive data in the evaluation of the health status of wind turbines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination