JP5845705B2 - ガスタービン性能推定装置 - Google Patents

Description

本発明は、ガスタービン性能推定装置に関する。

従来、ガスタービンエンジンのファン、圧縮機、タービン等の各モジュール性能を推定する際、各要素の出入口に圧力センサ、温度センサ等の計測センサを追加し、センサ計測値を取得して性能解析することにより効率、空気流量等のモジュール性能を確認し、要素の劣化や異常を判断していた。

一方、精度の高い性能推定を確保する目的で、多数の計測センサをエンジン各部に追加することは、ガスタービンエンジンにとって重量増加となる。そこで従来は、エンジン開発実験時にのみ多数の計測センサをエンジン各部に追加するが、量産エンジンでは装備しないようにしている。そのため、量産エンジンに設置する計測センサ類は、制御に必要な情報を集める目的のためにだけ設置され、その数や種類が限られていた。例えば、ファン入口温度Ｔ２、ファン出口温度Ｔ２８、圧縮機入口温度Ｔ３、圧縮機出口圧力ＣＤＰ、タービン排気ガス温度Ｔ４２、低圧軸回転数Ｎ１、高圧軸回転数Ｎ２を取得するセンサ類だけが設置されていた。

ところが、限られた計測センサでは各モジュールの性能を確認することができないため、トレンド分析等により過去の経験等で専門家が判断するしかなかった。

この専門家の判断をコンピュータにより行わせる技術として、例えば、特開２０００−２１３３９５号公報（特許文献１）には、ニューラルネットワークを利用し、エンジンモデルパラメータを最適化するように自己学習し、かつ、そのニューラルネットを用いて空燃比制御するシステムが開示されている。また、特開２００１−１７４３６６号公報（特許文献２）には、タービンエンジンの性能を監視するシステムとして、動作条件、実エンジンのセンサ値を利用し、エンジンモデルを動作させて諸パラメータを算出し、ニューラルネットワークにてエンジンの動作状態を診断するシステムが開示されている。さらに、特開平１１−３４３９１６号公報（特許文献３）には、通常のエンジンに関するものであるが、エンジンの状態に関するデータを制御パラメータとするエンジン制御において、制御パラメータとしてのエンジンの状態に関するデータを、少なくとも、それとは異なる複数データを入力情報とするファジィニューラル回路網を用いて推定する技術が開示されている。

特開２０００−２１３３９５号公報 特開２００１−１７４３６６号公報 特開平１１−３４３９１６号公報

本発明は、従来のガスタービン性能推定装置を改良するものであり、限られた計測センサの計測データからニューラルネットワークで学習し、各モジュールの性能特性を推定することにより、少ない数のセンサで各モジュールの性能特性を精度良く推定することができ、異常等の検知が可能なガスタービン性能推定装置を提供することを目的とする。

本発明は、ガスタービンエンジンの所定箇所それぞれに設置された、限られた数の複数種、複数個の制御用センサと、前記ガスタービンエンジンの入口に設置された温度センサ、圧力センサ及び回転数センサと、前記ガスタービンエンジンの燃料入口に設置された燃料流量センサと、前記温度センサの計測値、圧力センサの計測値、回転数センサの計測値、燃料流量センサの計測値それぞれを入力し、ノミナルモデルを使用する第１のエンジンダイナミックモデルソフトウェアを動作させて前記ガスタービンの所定箇所それぞれに設置された、前記限られた数の複数種、複数個の制御用センサそれぞれの計測値を推定し、推定値を出力する第１エンジンシミュレータと、前記限られた数の複数種、複数個の制御用センサの計測値それぞれと前記第１エンジンシミュレータの推定値それぞれとの差分を求める差分演算器と、前記温度計測値、圧力計測値、燃料流量計測値及び回転数計測値と、前記差分演算器による複数種、複数個の差分値とを入力とし、前記ガスタービンエンジンのダイナミックモデルの内部状態である性能特性係数を推定するニューラルネットワークと、前記温度計測値、圧力計測値、燃料流量計測値及び回転数計測値を入力し、前記ニューラルネットワークの出力する性能特性係数推定値を状態変数群として入力して劣化モデルを構築し、当該劣化モデルを使用する第２のエンジンダイナミックモデルソフトウェアを動作させて前記ガスタービンエンジンのセンシングが困難な箇所を含む所定箇所それぞれの物理量の推定値を出力する第２エンジンシミュレータとを備えたガスタービン性能推定装置を特徴とする。

本発明によれば、ノミナルモデルを使用する第１のエンジンダイナミックモデルソフトウェアを動作させる第１エンジンシミュレータと劣化モデルを使用する第２のエンジンダイナミックモデルソフトウェアを動作させる第２エンジンシミュレータとをカスケードに並べ、各部の制御用センサの計測値と第１エンジンシミュレータの対応する制御用センサの推定値との差分をニューラルネットの入力として、ニューラルネットワークが推定し出力する性能特性係数を第２エンジンシミュレータの劣化モデルの状態変数群とすることで、推定計算が不安定になりがちなフィードバック系を切り離し、限られた数のセンサの計測データからニューラルネットワークで学習し、各モジュールの性能特性係数を推定することにより、少ない個数の制御用センサで各モジュールの性能特性を安定に精度良く推定することができる。

本発明の第１の実施の形態のガスタービン性能推定装置の機能ブロック図。 上記第１の実施の形態のガスタービン性能推定装置を含むガスタービンエンジン電子制御装置の機能ブロック図。 上記第１の実施の形態のガスタービン性能推定装置で取得するガスタービンエンジンの各部の計測値を計測する制御用センサの配置を示す説明図。 上記実施の形態のガスタービン性能推定装置におけるニューラルネットワークの説明図。 上記第１の実施の形態のガスタービン性能推定装置によるガスタービンエンジン各部の圧力、温度の計測値、推定値、ノミナル時のモデルの値を共に示したグラフ群その１。 上記第１の実施の形態のガスタービン性能推定装置によるガスタービンエンジン各部の圧力、温度の計測値、推定値、ノミナル時のモデルの値を共に示したグラフ群その２。 上記第１の実施の形態のガスタービン性能推定装置によるガスタービンエンジン各部の圧力、温度の計測値と推定値との差を示したグラフ群その１。 上記第１の実施の形態のガスタービン性能推定装置によるガスタービンエンジン各部の圧力、温度の計測値と推定値との差を示したグラフ群その２。 本発明の第２の実施の形態のガスタービン性能推定装置の機能ブロック図。

以下、本発明の実施の形態を図に基づいて詳説する。

［第１の実施の形態］
図１は、本発明の第１の実施の形態のガスタービン性能推定装置１の構成を示し、図２はガスタービン性能推定装置１を含むガスタービンエンジン電子制御装置２の構成を示している。ガスタービン性能推定装置１は、第１エンジンシミュレータ１１、差分演算器１２、フィルタ１３，１４、ニューラルネットワーク１５、第２エンジンシミュレータ１６を備えている。第１エンジンシミュレータ１１、第２エンジンシミュレータ１６は、エンジンダイナミックモデルソフトウェアを搭載しており、その動作により実機のガスタービンエンジン３の動作をシミュレートし、燃料流量などの入力に対して実時間に動的に応答して各センサ設置部の圧力、温度の推定値ｙ０（ｉ），ｙ＿ｈａｔ（ｉ）を算出する。

図３に示すように、実機であるガスタービンエンジン３は、モジュールとして吸気口３１、ファン３２、高圧縮機（ＨＰＣ）３３、燃焼器３４、高圧タービン（ＨＰＴ）３５、低圧タービン（ＬＰＴ）３６、ミキサー３７、排気口３８を備えている。高圧縮機３３と高圧タービン３５とは高圧軸３９により結合されていて、高圧タービン３５にて高圧縮機３３が回転され、空気を高圧縮する。ファン３２と低圧タービン３６とは低圧軸３１０により結合されていて、低圧タービン３６の回転にてファン３２が回転され、空気を低圧縮して高圧縮機３３に送り込む。吸気口３１から取り込まれる空気３０の一部はコア流３１１となって高圧縮機３３を通り圧縮され、燃焼器３４にて燃料と混合、燃焼されて高圧タービン３５、低圧タービン３６に順に送り込まれ、これらを回転させ、ミキサー３７に送り込まれる。給気口３１から取り込まれる空気３０の残りはバイパス流３１２となり、バイパスダクト４０を通ってミキサー３７に送り込まれる。ミキサー３７では高温のコア流３１１とバイパス流３１２が混合され、その後、排気口３８から排気流３１３として排出される。

このガスタービンエンジン３の所定箇所に各種センサが設置されている。すなわち、吸気口入口（０）、ファン入口（２）、バイパスダクト入口（１１）、バイパスダクト出口（１５）、高圧縮機入口（２８）、燃焼器入口（３）、高圧タービン入口（４）、低圧タービン入口（４１）、低圧タービン出口（４２）それぞれに、温度センサＴ０，Ｔ２，Ｔ１１，Ｔ２８，Ｔ３，Ｔ４２と、圧力センサＰ２，Ｐ１１，Ｐ２８，Ｐ３，Ｐ４１ｓ，Ｐ４２，Ｐ５ｓが設置されている。低圧軸回転数センサＮ１により低圧軸回転数、高圧軸回転数センサＮ２により高圧軸回転数がセンシングされる。ここで、Ｔｘ，Ｐｘの添え字ｘは、ガスタービンエンジン３における上記各部の数字に対応している。そして、これらＴｘ，Ｐｘは該当する箇所のセンサの計測値をも表すものとして説明する。回転数Ｎ１，Ｎ２についても同様である。

本実施の形態のガスタービン性能推定装置１では、第１エンジンシミュレータ１１、フィルタ１３，１４、第２エンジンシミュレータ１６それぞれに、作動点信号ｕ（ｉ）として表１に示す燃料流量ＷＦ、高圧縮機入口可変静翼角度ＶＳＶ、エンジン入口温度Ｔ０を入力し、エンジン入口圧力としてＰ０が入力される。表１は、ガスタービンエンジン３の作動点の計測データとして取得するデータ群の種類を示す表である。

また、第１エンジンシミュレータ１１には、性能特性係数ｃとしてすべて０が設定される。そして、第１エンジンシミュレータ１１は、ノミナル状態（使用開始初期の劣化や異常のない状態）でのガスタービンエンジン３の動作をシミュレーション計算し、各センサ計測点における温度、圧力、回転数の推定値ｙ０（ｉ）（ｉ＝１〜１６）を出力する。ここで、性能特性係数とは、各モジュールの性能を示す断熱効率や流量のノミナル状態に対する倍数値であり、第１エンジンシミュレータ１１では０が設定される。

差分演算器１２は、表２に示す実機３の各所に設置された温度センサ、圧力センサそれぞれの計測値Ｔｘ，Ｐｘを入力し、また低圧軸回転速度Ｎ１、高圧軸回転数Ｎ２を入力する。表２は、ガスタービンエンジン（実機）３の制御用センサ群とその計測値の対応を示す表であり、具体的には、センサ計測値Ｔｘ，Ｐｘ，Ｎ１，Ｎ２とセンサ識別番号ｙ（ｉ）を対比した表である。

差分演算器１２は、これらのセンサ計測値ｙ（ｉ）から第１エンジンシミュレータ１１の算出したセンサ計測値の推定値ｙ０（ｉ）を引き算して差分Δｙ＿ｈａｔ（ｉ）を求めて、フィルタ１３に出力する。

フィルタ１３，１４それぞれは、入力に対して一定の時定数の時間遅れの後に入力値をニューラルネットワーク１５に対して出力する。性能特性係数の推定値ｃ＿ｈａｔ（ｉ）は、センサ計測値ｙ（ｉ）に含まれるノイズの影響を受けるため、エンジンダイナミクスと干渉しないようにエンジン時定数（約１秒）より遅く、本推定装置の用途（計器や警報など）に応じて望まれる帯域より速い時定数、約５秒に設定するのが好ましい。

図４にニューラルネットワーク１５の内部を示す。このニューラルネットワーク１５の入力層には、差分演算器１２の出力ΔＮ１，ΔＮ２，…，ΔＰ５ｓと作動点入力ｕ（ｉ）であるＷＦ，ＶＳＶ，Ｔ０が入力される。ニューラルネットワーク１５はこれらのΔＮ１，ΔＮ２，…，ΔＰ５ｓ，ＷＦ，ＶＳＶ，Ｔ０の入力に対する中間層の各ユニットの重みを初期学習により最適なものに設定してある。つまり、見本となる入力と出力のデータのセット（教師データ）を与えておき、可能な限りその入出力関係を再現するように反復計算により中間層、出力層の結合荷重を求めている。

ニューラルネットワーク１５は、出力層から推定したいパラメータＣ（ｉ）（＝ｃ＿ｈａｔ（ｉ））を出力する。表３は、ニューラルネットワーク１５にて算出する性能特性係数ｃとガスタービンエンジン各部物理量との対応表である。

表３に示すように、ニューラルネットワーク１５にて推定したいパラメータＣ（ｉ）は性能特性係数であり、Ｃ１はｓｗ＿ｆｈ：ＦＡＮハブ側流量、Ｃ２はｓｅ＿ｆｈ：ＦＡＮハブ側効率、Ｃ３はｓｗ＿ｆｔ：ＦＡＮチップ側流量、等々である。そして、ニューラルネットワーク１５にて得られた性能特性係数Ｃ（ｉ）（ｉ＝１〜１２）は、第２エンジンシミュレータ１６に入力される。

第２エンジンシミュレータ１６は、計算方法が第１エンジンシミュレータと同じであり、劣化時の性能特性係数Ｃ（ｉ）を用いて各センサ計測値の推定値ｙ＿ｈａｔ（ｉ）を算出して出力する。推定値ｙ＿ｈａｔ（ｉ）には、表２に示す種類以外に、通常ではセンシング困難な第２エンジンシミュレータ１６で推定したエンジン推力をはじめとした図３に示す各箇所の物理量（推力、空気流量、圧力、温度、エンタルピー、モーメンタム、流速など）が含まれる。

図２に示したガスタービンエンジン電子制御装置２のシステム構成では、スロットル４の指令に対してレーティング計算部２１が回転数要求Ｎ１ｒｅｆ，Ｎ２ｒｅｆなどを計算し、差分器２２は実機３の回転数センサからの低圧軸回転数Ｎ１、高圧軸回転数Ｎ２とこの回転数要求Ｎ１ｒｅｆ，Ｎ２ｒｅｆとの差分ΔＮ１，ΔＮ２を求めてコントローラ２３に出力する。コントローラ２３は、回転数差値に基づき、実機３に対する供給燃料流量ＷＦ（＝ｕ１）を演算し、同時にＨＰＣ入口可変静翼角度ＶＳＶ（＝ｕ２）も計算して実機３に出力し、これによりガスタービンエンジン実機３の回転を制御する。なお、エンジンを制御するための実機への入力となるパラメータ（操作変数）には、他にも圧縮機で圧縮された空気を主流から排出する抽気流量、タービンの動翼とケース間のクリアランスを調整するためのタービンケース冷却流量などがあるが、ここではＷＦとＶＳＶについて示す。

これと同時に、ガスタービン性能推定装置１では、第１エンジンシミュレータ１１において、コントローラ２３から燃料流量ＷＦ、ＨＰＣ入口可変静翼角度ＶＳＶ、センサＴ０からのエンジン入口温度Ｔ０、エンジン入口圧力Ｐ０を作動点データｕ１〜ｕ４として入力し、ガスタービンエンジン３のノミナル状態での動作をシミュレーション演算し、センサｙ（ｉ）（ｉ＝１〜１６）の計測値のノミナル推定値ｙ＿０（ｉ）を出力する。

このガスタービン性能推定装置１における以降の演算動作は上述したものであり、第２エンジンシミュレータ１６により、劣化モデル（ガスタービンエンジン３の劣化状態のモデル）におけるセンサｙ（ｉ）（ｉ＝１〜１６）の計測値の推定値ｙ＿ｈａｔ（ｉ）を出力する。

このように、本実施の形態のガスタービン性能推定装置１では、限られた制御用センサの計測値ｙ（ｉ）と第１エンジンシミュレータ１１におけるノミナル状態でのエンジンダイナミックモデルのシミュレーション演算による推定値ｙ＿０（ｉ）との差分Δｙ＿ｈａｔ（ｉ）を入力としたニューラルネットワーク１５によって各モジュールの性能特性を推定し、これにより第２エンジンシミュレータ１６におけるエンジンダイナミックモデルの内部状態である性能特性係数（ノミナル性能との差：ｃ＿ｈａｔ（ｉ））をチューニングする。そして第２エンジンシミュレータ１６によるこの劣化モデルでのシミュレーション演算により、各センサの計測値ｙ（ｉ）に対応する推定値ｙ＿ｈａｔ（ｉ）を出力する。

これにより、本実施の形態によれば、第２エンジンシミュレータ１６のエンジンダイナミックモデルを常に実機３とオンラインで同定されている状態を保ちつつシミュレーション演算し、各センサの計測値ｙ（ｉ）に対応する推定値ｙ＿ｈａｔ（ｉ）を得ることができる。この各センサの劣化モデルでの推定値ｙ＿ｈａｔ（ｉ）は、これを技術者が見ることによりガスタービンエンジン３の各モジュールの状態を判断することができるものである。

加えて、本実施の形態では、同じエンジンダイナミックモデルソフトウェアを実行する第１エンジンシミュレータ１１と第２エンジンシミュレータ１６とをカスケードに並べ（ノミナルモデルと劣化モデルと称する）、計測値ｙ（ｉ）とノミナルモデルの推定値ｙ０（ｉ）との差分をニューラルネットワーク１５の入力として、ニューラルネットワーク１５の出力である性能特性係数ｃ＿ｈａｔ（ｉ）を劣化モデルの状態変数とすることで、フィードバック系を切り離している。

これにより、本実施の形態によれば、図５Ａ、図５Ｂ、図６Ａ、図６Ｂのグラフ群に示すように、性能特性係数の発振が抑えられ、センサ計測値ｙ（ｉ）と推定値ｙ＿ｈａｔ（ｉ）とがよく一致することとなり、各モジュールの性能特性が精度良く推定することができる。尚、図５Ａ、図５Ｂは、各センサの計測値ｙ（ｉ）（ｉ＝１〜１６）と本実施の形態により得た推定値ｙ＿ｈａｔ（ｉ）とを同時にプロットして示しており、図６Ａ、図６Ｂは、各センサの計測値ｙ（ｉ）と本実施の形態により得た推定値ｙ＿ｈａｔ（ｉ）との差Δｙ＿ｈａｔ（ｉ）（＝ｙ（ｉ）−ｙ＿ｈａｔ（ｉ））を示している。図５Ａ、図５Ｂでは両方のグラフが一致する方が推定値の精度の高いことを意味する。また図６Ａ、図６Ｂでは、グラフの値が０に近いほど推定値の精度の高いことを意味する。そして、本実施の形態の演算結果によれば、両者間の差が小さく、精度の高い推定が行えていることが理解できる。例えば、変数ｙ１は低圧軸回転数Ｎ１、ｙ２は高圧軸回転数Ｎ２であるが、計測値と推定値との差は略±１％の範囲に収まっている。高圧タービン圧ｙ１３、低圧タービン圧ｙ１４についても計測値と推定値との差は略±０．５％の範囲に収まっている。

［第２の実施の形態］
図７を用いて、第２の実施の形態のガスタービン性能推定装置１Ａについて説明する。第２の実施の形態の特徴は、図３に示したようにガスタービンエンジン３の所定箇所それぞれに設置された所定数の制御用センサＴｘ，Ｐｘと、ガスタービンエンジン３の入口に設置された温度センサＴ０及び圧力センサＰ０、ガスタービンエンジン３の燃料入口又は燃焼器入口に設置された燃料流量センサＷＦと、温度センサＴ０の計測値、圧力センサＰ０の計測値、燃料流量センサＷＦの計測値それぞれを入力し、エンジンダイナミックモデルソフトウェアを動作させてガスタービン３の所定箇所それぞれに設置された複数種、複数個の制御用センサそれぞれの計測値を推定し、推定値を出力するエンジンモデルシミュレータ５１と、複数種、複数個の制御用センサＴｘ，Ｐｘの計測値ｙ（ｉ）それぞれとエンジンモデルシミュレータ５１が推定した複数種、複数個の制御用センサの推定値ｙ＿ｈａｔ（ｉ）それぞれとの差分Δｙ＿ｈａｔ（ｉ）を求める差分演算器５２と、温度計測値Ｔ０、圧力計測値Ｐ０及び燃料流量計測値Ｆ０と、差分演算器５２による複数種、複数個の差分値Δｙ＿ｈａｔ（ｉ）とを入力とし、ガスタービンエンジン３の複数のモジュールそれぞれの性能特性係数Ｃ（ｉ）を推定し、エンジンモデルシミュレータ５１にフィードバックしてその内部状態である性能特性係数をチューニングするニューラルネットワーク１５とを備えている。

このニューラルネットワーク１５は、感度行列演算部１５１によりノミナルモデル（新品時の特性を備えたモデル）と劣化モデルそれぞれの特性データの差ΔｙからΔｃ／Δｙの感度行列を作成し、オンライン学習する機能を備えている。すなわち、Δｙから感度行列Δｃ／Δｙをかけて求めた性能特性係数パラメータを教師データとし、学習時間中はモーメンタム付きの最急降下法でΔｙの２乗和を最小化する重みを探索する。このニューラルネットワーク１５はガスタービンエンジンの使用により劣化した状態のモデル、つまり劣化モデルに対する性能特性係数Ｃ（ｉ）を算出し、エンジンモデルシミュレータ５１にフィードバックする。したがって、このエンジンモデルシミュレータ５１の内部状態である性能特性係数はオンライン学習により劣化した実機３に一致するように逐次更新されることになる。

本実施の形態のガスタービン性能推定装置によれば、限られた制御用センサ（計測値：ｙ（ｉ））とエンジンダイナミックモデルの推定値ｙ＿ｈａｔ（ｉ）との差分Δｙ＿ｈａｔ（ｉ）を入力としたニューラルネットワーク１５で各モジュールの性能特性を推定し、これをエンジンダイナミックモデルの内部状態である性能特性係数（ノミナル性能との差：ｃ＿ｈａｔ（ｉ））をチューニングすることにより、常にエンジンダイナミックモデルが実エンジンとオンラインで同定されている状態を保つことができ、精度の良い推定ができる。

１，１Ａ ガスタービン性能推定装置
２ 電子制御装置
３ ガスタービンエンジン（実機）
４ スロットル
１１ 第１エンジンシミュレータ
１２ 差分演算器
１３ フィルタ
１４ フィルタ
１５ ニューラルネットワーク
１６ 第２エンジンシミュレータ
２１ レーティング計算部
２２ 差分演算器
２３ コントローラ
３０ 空気流
３１ 吸気口
３２ ファン
３３ 高圧縮機
３４ 燃焼器
３５ 高圧タービン
３６ 低圧タービン
３７ ミキサー
３８ ノズル
３９ 高圧回転軸
４０ バイパスダクト
３１０ 低圧回転軸
３１１ コア流
３１２ バイパス流
３１３ 排気流
５１ エンジンモデルシミュレータ
５２ 差分演算器
１５１ 感度行列演算部
Ｐｘ 圧力センサ（圧力計測値）
Ｔｘ 温度センサ（温度計測値）
Ｎｘ 回転数センサ（回転数）

Claims (3)

1. ガスタービンエンジンの所定箇所それぞれに設置された限られた数の複数種、複数個の制御用センサと、
   前記ガスタービンエンジンの入口に設置された温度センサ、圧力センサ及び回転数センサと、
   前記ガスタービンエンジンの燃料入口に設置された燃料流量センサと、
   前記温度センサの計測値、圧力センサの計測値、回転数センサの計測値、燃料流量センサの計測値それぞれを入力し、ノミナルモデルを使用する第１のエンジンダイナミックモデルソフトウェアを動作させて前記ガスタービンの所定箇所それぞれに設置された、前記限られた数の複数種、複数個の制御用センサそれぞれの計測値を推定し、推定値を出力する第１エンジンシミュレータと、
   前記限られた数の複数種、複数個の制御用センサの計測値それぞれと前記第１エンジンシミュレータの推定値それぞれとの差分を求める差分演算器と、
   前記温度計測値、圧力計測値、燃料流量計測値及び回転数計測値と、前記差分演算器による複数種、複数個の差分値とを入力とし、前記ガスタービンエンジンのダイナミックモデルの内部状態である性能特性係数を推定するニューラルネットワークと、
   前記温度計測値、圧力計測値、燃料流量計測値及び回転数計測値を入力し、前記ニューラルネットワークの出力する性能特性係数推定値を状態変数群として入力して劣化モデルを構築し、当該劣化モデルを使用する第２のエンジンダイナミックモデルソフトウェアを動作させて前記ガスタービンエンジンのセンシングが困難な箇所を含む所定箇所それぞれの物理量の推定値を出力する第２エンジンシミュレータとを備えたことを特徴とするガスタービン性能推定装置。
2. 前記ガスタービンエンジンの入口の燃料流量計測値、温度計測値、圧力計測値及び回転数計測値と、前記差分演算器による複数種、複数個の差分値とに所定の時定数の時間遅れを伴って前記ニューラルネットワークに入力するフィルタを備えたことを特徴とする請求項１に記載のガスタービン性能推定装置。
3. エンジンモデルの各要素の性能パラメータを変化させた後のセンサデータと、前記各要素の性能パラメータを変化させない場合のセンサデータとを用い、これらのセンサデータ間の差を教師データとして前記ニューラルネットワークの中間層、出力層の結合荷重を求めたことを特徴とする請求項１又は２に記載のガスタービン性能推定装置。