CN106404403B - 用于涡轮机的分析的方法和系统 - Google Patents
用于涡轮机的分析的方法和系统 Download PDFInfo
- Publication number
- CN106404403B CN106404403B CN201610816410.2A CN201610816410A CN106404403B CN 106404403 B CN106404403 B CN 106404403B CN 201610816410 A CN201610816410 A CN 201610816410A CN 106404403 B CN106404403 B CN 106404403B
- Authority
- CN
- China
- Prior art keywords
- turbine
- trend
- root cause
- performance
- obtaining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 230000007704 transition Effects 0.000 claims abstract description 35
- 238000013179 statistical model Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 25
- 239000000446 fuel Substances 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及用于涡轮机的分析的方法和系统。提供了一种用于分析涡轮机的方法和系统。在一个实施例中,提供了一种用于分析涡轮机(48)的系统。该系统包括智能涡轮机跟踪滤波器(ITTF)系统(44),其构造成基于多个涡轮机(48)参数来确定涡轮机(48)的一个或多个构件的一种或多种性能转变。该系统进一步包括根本原因分析器(46),其构造成基于该一种或多种性能转变来确定涡轮机(48)性能的根本原因。该一种或多种性能转变包括趋势数据(52)。
Description
本申请是于2012年3月1日提交的专利申请(中国国家申请号为201210059506.0,发明名称为“用于涡轮机的分析的方法和系统”)的分案申请。
技术领域
本发明大体涉及涡轮机,并且更具体而言,涉及用于分析涡轮机的根本原因的方法和系统。
背景技术
涡轮机可包括诸如涡轮、压缩机或泵的设备。在涡轮机运行时,效率和性能可随着时间的过去而退化。这个性能退化可由多种因素引起,例如磨损或构件损伤。发现这个性能退化的根本原因对于确定例如应当对涡轮机执行何种类型的维护来使涡轮机恢复至其原来的运行效率来说可为有用的。但是,确定涡轮机性能的根本原因可能需要停止涡轮机的运行,接着对多种涡轮机构件进行直观分析,这是效率低下且成本高的。
发明内容
下面对在范围上与原本声明的发明相当的某些实施例进行概述。这些实施例不意图限制声明的发明的范围,而是相反,这些实施例仅意图提供本发明的可行形式的简要概述。事实上,本发明可包括可类似于或异于下面阐述的实施例的多种形式。
在一个实施例中,提供了一种用于分析涡轮机的系统。该系统包括智能涡轮机跟踪滤波器(ITTF)系统,其构造成基于多个涡轮机参数来确定涡轮机的一个或多个构件的一种或多种性能转变。该系统进一步包括根本原因分析器,其构造成基于该一种或多种性能转变来确定涡轮机性能的根本原因。该一种或多种性能转变包括趋势数据。
在第二个实施例中,提供了一种用于分析涡轮机的方法。该方法包括测量多个涡轮机参数,基于该多个涡轮机参数来获得轮廓趋势,以及量化轮廓趋势,以产生量化的轮廓趋势。该方法进一步包括基于量化的轮廓趋势来获得多个模糊值,以及基于对量化的轮廓趋势应用规则和模型来获得轮廓趋势的根本原因分析结果。
在第三个实施例中,提供了一种非瞬时性机器可读介质。该非瞬时性机器可读介质包括构造成处理传感器数据以识别涡轮机性能的转变的指令,以及构造成基于具有涡轮机性能的转变的传感器数据来获得轮廓趋势的指令。非瞬时性机器可读介质进一步包括构造成通过对轮廓趋势应用模糊逻辑来获得涡轮机性能的转变的第一根本原因的指令。
附图说明
当参照附图来阅读以下详细描述时,本发明的这些和其它特征、方面与优点将变得更好理解,在附图中,相同符号在图中表示相同部件,其中:
图1是涡轮机的一个实施例的框图;
图2是适于分析涡轮机的根本原因分析器系统和智能涡轮机跟踪滤波器(ITTF)系统的实施例的框图;
图3是图2的根本原因分析器系统的一个实施例的框图;
图4是模糊逻辑值的实施例的示意图;以及
图5是适于分析涡轮机性能的根本原因的逻辑的一个实施例的流程图。
部件列表
10 涡轮系统
12 燃烧器
14 高压(HP)涡轮
16 低压(LP)涡轮
18 排气出口
20 传动轴
22 高压(HP)压缩机
24 低压(LP)压缩机
26 空气进口
28 负载
30 入口传感器
32 出口传感器
34 模块线路
36 模块线路
38 模块线路
40 模块线路
42 远程监测数据库
44 智能涡轮机跟踪滤波器(ITTF)
46 根本原因分析器(RCA)
48 涡轮机
50 传感器
52 轮廓趋势
54 根本原因分析结果
56 趋势计量器
58 模糊逻辑引擎
62 物理模型
64 统计模型
60 基于知识的系统(KBS)
70 功能
72 功能
74 功能
78 竖直线路
80 点
82 点
84 逻辑
86 框
88 框
90 量化的轮廓趋势
92 框
94 模糊值
96 框。
具体实施方式
下面将对本发明的一个或多个具体实施例进行描述。为了致力于提供对这些实施例的简明描述,可能不会在说明书中对实际实现的所有特征进行描述。应当理解,当例如在任何工程或设计项目中开发任何这种实际实现时,必须作出许多对实现而言专有的决定来实现开发者的具体目标,例如符合与系统有关及与商业有关的约束,开发人员的具体目标可根据不同的实现彼此有所改变。此外,应当理解,这种开发工作可能是复杂和耗时的,但尽管如此,对受益于本公开的普通技术人员来说,这种开发工作将是设计、生产和制造的例行任务。
当介绍本发明的多种实施例的元件时,冠词“一个”、“一种”、“该”和“所述”意图表示存在一个或多个该元件。用语“包括”、“包含”和“具有”意图为包括性的,并且表示除了列出的元件之外,可存在另外的元件。
涡轮机(例如涡轮发动机)、压缩机或泵在运行期间可经历性能的转变。例如,涡轮发动机可从以某转每分钟(RPM)运行转变到以更低或更高的RPM运行,而操作者或控制器并没有对涡轮发动机作出任何改变。涡轮机的运行转变(例如RPM的改变)可归因于某些状况,例如磨损的构件、燃料组分(例如燃料中的水)的有害改变、意外的维护事件(例如叶片破裂)等等。在一个实施例中,涡轮机可包括适于测量诸如温度、振动、速度、流量、压力等参数的多个传感器。可使传感器通讯连接到智能涡轮机跟踪滤波器(ITTF)上。ITTF可测量和分析对应于涡轮机的构件的涡轮机参数,以及检测涡轮机参数的转变或改变。在另一个实施例中,可将接收自该多个传感器的量度存储在远程监测数据库中,并且然后ITTF可从远程监测数据库取回量度,以进行分析和转变检测。然后ITTF可处理这些量度,以便获得涡轮机的各个构件的趋势或时间线。例如,ITTF可获得参数的一个或多个趋势,例如发动机动力、发动机RPM、温度、压力、燃料消耗量、排气流量等。
然后根本原因分析器可分析趋势,以便确定性能转变的根本原因的列表,如下面关于图1-5更加详细地描述的那样。可按根本原因的概率来对根本原因的列表排序。也就是说,各个根本原因的确定可包括表示根本原因是测得趋势的真实的或正确的根本原因的概率的概率值。要注意,不止一个根本原因可造成性能转变。例如,脏的压缩机和燃料中的水均可导致涡轮系统有低的动力输出。事实上,可获得多个根本原因。根本原因分析器还可产生可通过推荐进行特定的改良或修理来使得能够高效地纠正引起转变或偏差的问题的建议。通过修正某些运行趋势的根本原因,可优化以不那么可接受的性能水平运行的涡轮机,以使其以更高的性能水平工作。
考虑到前述内容,描述结合了本文公开的技术的涡轮机的一个实施例(例如图1中示出的涡轮系统10)可为有用的。涡轮系统10可例如由纽约斯克内克塔迪的通用电气公司制造,其牌号为LM6000。如所描绘的那样,涡轮系统10可包括燃烧器12。燃烧器12可接收已经与空气混合的燃料,以在燃烧器12内的室中燃烧。这个燃烧会产生热的加压排气。燃烧器12引导排气通过高压(HP)涡轮14和低压(LP)涡轮16,朝向排气出口18。HP涡轮14可为HP转子的一部分。类似地,LP涡轮16可为LP转子的一部分。在排气传送通过HP涡轮14和LP涡轮16时,气体迫使涡轮叶片使传动轴20沿着涡轮系统10的轴线旋转。如所示出的那样,传动轴20连接到涡轮系统10的多种构件上,包括HP压缩机22和LP压缩机24。
传动轴20可包括可(例如)同心地对准的一个或多个轴。传动轴20可包括将HP涡轮14连接到HP压缩机22上而形成HP转子的轴。HP压缩机22可包括联接到传动轴20上的叶片。因而,在HP涡轮14中的涡轮叶片的旋转导致将HP涡轮14连接到HP压缩机22上的轴使HP压缩机22内的叶片旋转。这会压缩HP压缩机22中的空气。类似地,传动轴20包括将LP涡轮16连接到LP压缩机24上而形成LP转子的轴。LP压缩机24包括联接到传动轴20上的叶片。因而,在LP涡轮16中的涡轮叶片的旋转导致将LP涡轮16连接到LP压缩机24上的轴使在LP压缩机24内的叶片旋转。在HP压缩机22和LP压缩机24中的叶片的旋转会压缩通过空气进口26接收到的空气。压缩空气被馈送给燃烧器12且与燃料混合,以允许有较高效率的燃烧。因而,涡轮系统10可包括双重同心轴布置,其中,LP涡轮16通过传动轴20中的第一轴来驱动地连接到LP压缩机24上,而HP涡轮14通过传动轴20中的在第一轴内部且与其同心的第二轴来类似地驱动地连接到HP压缩机22上。轴20还可连接到负载28上,负载28可为车辆或固定的负载,例如动力装置中的发电机或航空器上的推进器。负载28可为涡轮系统10的旋转输出为其提供动力的任何适当的装置。
涡轮系统10还可包括构造成监测与涡轮系统10的运行和性能有关的多个发动机参数的多个传感器。传感器可包括例如分别定位在例如HP涡轮14、LP涡轮16、HP压缩机22和/或LP压缩机24的入口部分和出口部分的附近的入口传感器30和出口传感器32。入口传感器30和出口传感器32可测量例如环境状况(例如环境温度和环境压力),以及与涡轮系统10的运行和性能有关的多个发动机参数,例如,排气温度、转子速度、发动机温度、发动机压力、气体温度、发动机燃料流量、振动、在旋转构件和固定构件之间的间隙、压缩机排出压力、污染和涡轮排气压力。另外传感器30和32还可测量促动器信息(例如阀位置)和可变的几何构件(例如空气入口)的几何位置。该多个传感器30和32还可构造成监测与涡轮系统10的各种运行阶段有关的发动机参数。可通过模块线路34、36、38和40传输该多个传感器30和32得到的量度。例如,可利用模块线路34来传输来自LP压缩机24的量度,而可利用模块线路36来传输来自HP压缩机22的量度。以类似的方式,可利用模块线路38来传输来自HP涡轮14的量度,而可利用模块线路40来传输来自LP涡轮16的量度。因而,模块线路34、36、38和40可传输来自涡轮系统10的单独的模块的量度。然后可处理传输的量度,以确定相对于涡轮系统10的预期性能的任何偏差。通过分析性能的偏差,可如下面更详细地描述的那样识别和解决这样的偏差的根本原因(一个或多个)。
图2是描绘了远程监测数据库42、ITTF 44和适于获得涡轮机48的运行性能的变化的根本原因的根本原因分析器46的实施例的框图。涡轮机48可为例如适于在转子和流体之间传递能量的涡轮、泵、压缩机。涡轮机48可为例如上面关于图1更加详细地描述的涡轮系统10。备选地,涡轮机48可为蒸汽轮机、水轮机或风力涡轮机。
在某些实施例中,例如示出的实施例,涡轮机48可包括许多传感器50。传感器50可包括温度传感器、压力传感器、液位传感器、振动传感器、流体流量传感器、污染物排放传感器、间隙传感器(例如在旋转构件和固定构件之间的间隔)等。在所描绘的实施例中,可将来自传感器50的量度记录或存储在远程监测数据库42中。远程监测数据库42可为关系数据库、文件、分布式数据库或适于存储和取回信息的任何数据库。在某些实施例中,可按某个采样速率(例如大约每250微秒、500微秒、1秒或10秒)对量度进行取样。将理解,另外或备选地,传感器50可直接连接到ITTF 44上,以便使得能够对传感器50信号进行实时处理。也就是说,ITTF 44可直接处理接收自传感器50的数据,而无需从远程监测数据库42取回数据。还要理解,远程监测数据库42可如所描绘的那样直接被根本原因分析器46询问。另外,ITFF44和根本原因分析器46可包括可由计算装置用来实现本文公开的技术的非瞬时性机器可读介质存储代码或计算机指令。
ITTF 44可利用诸如卡尔曼滤波、跟踪滤波、回归映射、神经映射、逆向建模技术或它们的组合的参数识别技术来识别数据的转变。可通过改良卡尔曼滤波器、扩展卡尔曼滤波器或其它滤波算法来执行滤波,或者备选地,可通过比例和积分调节器或其它形式的二次型(n个输入,n个输出)或非二次型(n个输入,m个输出)调节器执行滤波。这些滤波技术可使得能够识别涡轮机48的参数的意外转变。例如,如果涡轮机48是涡轮系统10(在图1中显示),则HP涡轮14或LP涡轮16的停机典型地将导致传动轴20的旋转速度有预期的减慢。意外的趋势(例如传动轴20的速度减慢之后的意外的峰值)可被ITTF 44检测到。同样,离开LP压缩机24的不均匀的空气流可导致空气流量的量度的意外转变,并且这个转变可被ITTF 44检测到。在另一个实例中,可检测淀积在叶片(例如涡轮发动机叶片或压缩机叶片)上的颗粒物质。
另外,ITTF 44提供的滤波技术可使得能够减少数据中的“噪声”和误差,从而产生对传感器50量度的真值的改进的估计。另外,ITTF 44可基于历史数据来获得预期值或预测值。例如,ITTF 44可预测大约向上倾斜的趋势、平的趋势和/或向下倾斜的趋势。可比较预测趋势与实际趋势,并且可使用该比较结果来检测性能的意外转变。然后ITTF 44可基于涡轮机性能的检测到的转变来产生涡轮机48的轮廓趋势52。轮廓趋势52可包括例如ITTF 44接收到的所有量度和ITTF 44获得的数据,以检测性能的转变。
可将轮廓趋势52传输给根本原因分析器46,以进行进一步的评价。在一个实施例中,根本原因分析器46可利用例如模糊逻辑引擎、基于物理学的模型、统计模型(例如回归模型或神经网络模型)和/或基于知识的系统(例如专家系统或推理机)来评价轮廓趋势52,如下面关于图3更加详细地描述的那样。然后根本原因分析器46可产生根本原因分析结果54,详细说明性能的任何转变的一个或多个来源。另外,根本原因分析结果54可包括性能转变的来源是性能转变的真实原因的概率。因此,可使用根本原因分析结果54,以(例如)把检查和/或维护活动集中在涡轮机的某些构件上。通过使得能够在不停止涡轮机的运行的情况下确定性能转变的根本原因,公开的实施例可改进对涡轮机48的利用,并且可导致停机时间和需要的维护活动有显著的减少。
图3是示出了适于处理轮廓趋势52来获得根本原因分析结果54的图2的根本原因分析器的一个实施例的框图。如上面提到的那样,可获得包括一种或多种类型的涡轮机量度的轮廓趋势52,例如温度、振动、速度、流量、压力、燃料组分、污染、间隙、几何位置和/或促动器量度(例如促动器位置)。轮廓趋势52首先可由趋势计量器56处理,例如,以便量化或测量趋势值,例如趋势斜度或梯度(例如Δx/Δy)、趋势数据的“噪声”量、趋势的转变量(例如在预期值与实测值之间的差异)、趋势的最大值和/或趋势的最小值。趋势计量器56还可询问远程监测数据库42,例如,以取回存储在数据库42中的传感器量度。
模糊逻辑引擎58可与趋势计量器56、基于知识的系统(KBS)60、物理模型62和统计模型64结合起来使用,以获得根本原因分析结果54。物理模型62可包括计算流体动力学(CFD)模型、有限元分析(FEA)模型、实体模型(例如参数式和非参数式模型)和/或3维至2维FEA映射模型。物理模型62可使得能够分析轮廓趋势52,以基于涡轮机48的机械行为和热力学行为来确定相关原因。也就是说,可使用物理模型62来在类似于轮廓趋势52中发现的那些的物理条件下模拟涡轮机48的行为,以便识别可能已经变得磨损或以别的方式展现较低的性能的构件。因此,可使用物理模型62来找出轮廓趋势52中发现的任何转变的物理学根本原因。
统计模型64可使得能够进行例如适于基于历史数据来推知原因的统计分析。更具体而言,可使用适于获得记录的数据和目前观测到的数据之间的相关关系的统计技术来分析记录在涡轮机48的历史中的数据,该数据可包括来自特定的涡轮机48(例如涡轮系统10的特定的单元)以及来自一组涡轮机48的数据。可使用任何适当的相关统计技术,例如相关系数、分布分析(例如正态分布、对数正态分布、帕累托分布)和/或相关矩阵。另外,可使用统计分析来预测涡轮机48的行为的未来值和趋势。例如,可使用回归分析(例如最小二乘回归、线性回归、非线性回归、多元回归)来基于目前测得的数据来预测未来值。另外,可使用适于计算某个假设为真(或假)的概率的统计推理技术,例如贝叶斯推理技术。例如,可用公式表达假设,以计算涡轮机的某个构件性能不佳的概率。使用统计模型64使得能够在确定当前的涡轮机48趋势的根本原因时使用历史数据。
可使用KBS 60来支持与涡轮机48有关的主题专家知识和/或经验。例如,可使用表示通过关于涡轮机48的经验所获得的知识的一个或多个规则(例如推理规则)。为了建立KBS规则,知识工程师可与主题专家进行一系列会谈,并且将专家的知识编码成组织在知识库中的规则。规则可呈“如果…则…”的条件语句的形式,例如,“如果每10秒就出现速度峰值,则定时控制器可能不奏效(misfiring)”,或者“如果涡轮燃料具有在平均水平以上的水含量,则启动时间增加,以及启动温度降低”。除了知识库之外,KBS 60可包括适于处理知识规则和得到一个或多个诊断结论和/或规定结论的推理机(例如专家系统)。例如,推理机可将轮廓趋势52中的数据用作“如果”条件语句中的输入,并且使用语句中的“则”从句来得到一个或多个可行的诊断结论和/或规定结论。事实上,通过支持对专家知识的使用,可获得有更多改进的根本原因分析结果54。
可使用模糊逻辑引擎58来为根本原因分析器46提供使用从确切值映射出的近似值或模糊值的能力。例如,KBS 60、物理模型62和统计模型64可使用模糊值,例如“温度变化=非常高”而非确切值,例如,“温度变化=251℃”。使用模糊值例如可通过简化根本原因分析器46的设计和实现来改进根本原因分析器46的性能。事实上,与更复杂的数学结构(例如差分方程)相比,通过使用更简单的模糊逻辑技术,模糊逻辑引擎58使得能够实现适于描述复杂系统(例如图2的涡轮机48)的模糊模型和规则。
KBS 60、物理模型62、统计模型64可将模糊逻辑引擎58用作适于使用计算中的模糊值的计算引擎。也就是,不是使用确切值来执行所有计算,而是模糊逻辑引擎可使得KBS60、物理模型62、统计模型64能够使用模糊值和模糊规则来执行计算。通过使用模糊模型、规则和值,根本原因分析器46可使得能够更准确和更快速地获得根本原因分析结果54。
图4示出了适于由图2中显示的根本原因分析器使用的模糊值或功能70、72和74的一个实施例。在所描绘的实施例中,值70、72和74分别对应于诸如冷、暖和热的温度值。这些值70、72和74可表示涡轮系统(例如图1中显示的涡轮系统10)的运行温度。要理解,可使用其它类型的模糊值,例如基于振动、压力、流量、燃料、速度、间隙、污染、促动器位置、几何位置等的值。在所描绘的实施例中,可将设置在X轴上的温度范围用作用于将特定的运行温度映射到模糊值70、72和/或74中的一个的基础,并且还可使用该温度范围来对值70、72和74赋予真实度。在一个实施例中,真值为模糊值70、72和74限定真实度。在这个实施例中,真实度可局限在0到1的范围内,其中,0表示模糊值完全为假,而1则表示模糊值完全为真。
例如,如果特定的运行温度为250℃,则可通过这样的方式来映射该值:使用在X轴上设置在250℃处的竖线78来定位与模糊值70和72(例如冷和暖)相交的点80和82。然后可使用相交点80和82的坐标值来表示250℃的运行温度是冷和暖的真实度。在所描绘的实例中,运行温度是冷的真实度为大约0.6(即60%),而运行温度是暧的真实度为大约0.125(即12.5%)。由于线78不与值74的任何部分相交,则将运行温度是热的真实度设定成大约0。因此,可将确切温度量度转换成模糊值70、72和74,然后模糊逻辑引擎58可将它们与KBS 60、物理模型62和统计模型64结合起来使用,以获得根本原因分析结果54。
图5示出了可用于获得根本原因分析结果54的逻辑84的一个实施例。可将逻辑84作为计算机指令存储在非瞬时性机器可读介质中,并且计算装置可使用该逻辑84来实现本文公开的技术。逻辑84可首先获得轮廓趋势52(框86)。获得轮廓趋势52可包括收集传感器量度,例如温度量度、压力量度、振动量度、流量量度、燃料量度、促动器量度、污染量度、间隙量度、几何位置量度等。然后收集到的量度可由例如图2中显示的ITTF 44用来获得轮廓趋势52。然后可如上面关于图3的趋势计量器56所描述的那样量化轮廓趋势52(框88)。例如,趋势计量器56可将轮廓趋势52中的值处理和量化成包括诸如趋势斜度或梯度、趋势数据中的“噪声”量、趋势的转变量、趋势的最大值和/或量化的轮廓趋势90的最小值的参数。趋势计量器56还可询问远程监测数据库42,以取回例如存储的传感器50量度。要注意,量化的轮廓趋势90还可包括所有经ITTF 44处理的参数和ITTF 44获得的计算结果,包括所有的传感器50量度。
然后逻辑84可基于量化的轮廓趋势90来获得一个或多个模糊值(框92)。例如,可通过基于量化的轮廓趋势90的实测参数来获得模糊值94,例如“HP涡轮温度变化=高”、“LP涡轮温度变化=低”、“测量误差=非常小”,以及“可变的入口导叶=完全打开”。在一个实施例中,可比较量化的轮廓趋势90中的各个参数与参数的预期变化,以便获得模糊值94。另外,可将真实度赋予模糊值。照这样,可获得各种模糊值94,包括与涡轮机48的所有构件有关的值。
然后逻辑84可对模糊值应用模型和规则(框96),以便获得根本原因分析结果54。在一个实施例中,逻辑84可使用模糊逻辑引擎58来应用模型和规则(例如物理模型62、统计模型64和KBS 60规则)(框96)。例如,在一个实施例中,基于某些模糊值,可与KBS 60结合起来使用模糊逻辑引擎58来“激发(fire)”(即执行或运行)规则,从而导致获得新的模糊值。近而,这些新获得的模糊值可导致额外的模糊规则的“激发”等。这个“正向链接”方法可使得能够自动地推知一个或多个根本原因。也就是说,通过基于之前获得的条件而相继推知或获得新数据,逻辑84可得到一个或多个根本原因可引起测得趋势的结论。例如,根本原因可包括各种构件和构件问题,例如“脏的压缩机=有些脏”、“压缩机泄漏=少许泄漏”、“可变的入口导叶=卡住”、“LP涡轮第一级叶片=破裂”等。要理解,构件和构件问题的列表可能非常长,在某些情况下,在这样的列表中可能会发现几百或几千个项目。
在另一个实施例中,可使用“反向链接”,其中逻辑84从所有可能的根本原因的列表逆向工作,以确定有多少数据支持确定某些根本原因造成目前的量度集。还可使用物理模型62和统计模型64。例如,可通过对数据和/或模糊值应用模型62和64来找出另外估计的根本原因。在分析某些数据趋势的基于物理学的根本原因时,物理模型62可为有用的,而在比较数据趋势与历史信息以便获得可能的根本原因的列表时,统计模型64可为有用的。照这样,可通过列出找出的所有根本原因来产生根本原因分析结果54。另外,根本原因分析结果中的各个根本原因可包括正确性或准确性的概率。可基于参数的匹配来获得概率。例如,对于KBS 60规则,可使用与规则的“如果”或条件侧匹配的参数的数量来获得概率。在另一个实例中,可使用与物理模型62和统计模型64匹配的参数的数量。在这个实例中,如果第一物理模型62比第二物理模型62具有更多匹配的参数,则第一物理模型62可比第二物理模型具有更高的概率。要理解,匹配可包括百分比匹配以及加权匹配。在百分比匹配中,概率量度以匹配参数的数量除以模型(或规则集)的参数的总数量为基础。在加权匹配中,当获得概率时,与其它匹配参数相比,可给予某些匹配参数更多权重。
可根据根本原因是任何性能转变的实际根本原因(或多个根本原因中的一个)的估计概率来排列根本原因分析结果54中的各个根本原因。事实上,逻辑84可基于它们的相应的概率来排列根本原因,使得可进一步调查排位较高的根本原因。可使用概率来(例如)较高效地指导维护活动。可基于具有较高的概率的根本原因来建立维护计划。同样,可较高效地指挥维护资源(例如人员和装备)来调查概率较高的根本原因。通过提供根本原因分析结果54,逻辑84可改进涡轮机48的运行效率,并且降低成本。
本发明的技术效果包括在涡轮机(例如涡轮系统)、泵和/或压缩机的运行期间检测性能转变。另外的技术效果包括通过使用根本原因分析器来获得性能转变的一个或多个根本原因。在与使用复杂的数学结构(例如差分方程)比较时,根本原因分析器可包括适于简化根本原因分析器的设计和实现的模糊逻辑技术。根本原因分析器可适于描述复杂的涡轮机系统,以及获得性能转变的一个或多个根本原因。可基于确定根本原因时使用的涡轮机参数来对各个根本原因赋予概率。根本原因分析器可获得根本原因分析结果,这可包括性能转变的所有根本原因,并且可根据它们的概率来排列根本原因。可使用根本原因分析结果来最佳地修理、维护和运行涡轮机。
本书面描述使用实例来公开本发明,包括最佳模式,并且还使本领域任何技术人员能够实践本发明,包括制造和使用任何装置或系统,以及执行任何结合的方法。本发明的可授予专利的范围由权利要求限定,并且可包括本领域技术人员想到的其它实例。如果这样的其它实例具有不异于权利要求的字面语言的结构元素,或者如果这样的其它实例包括与权利要求的字面语言无实质性差异的等效结构元素,则它们意图处于权利要求的范围之内。
Claims (6)
1.一种用于分析涡轮机的方法,包括:
经由通讯地联接到所述涡轮机上的智能涡轮机跟踪滤波器(ITTF)系统,实时地感测多个传感器信号;
经由所述ITTF系统,通过将所述多个传感器信号转换成多个涡轮机参数来测量所述多个涡轮机参数;
经由所述ITTF系统,基于所测量的涡轮机参数来获得对于所述涡轮机的一个或多个构件的一种或多种性能转变;
基于所述一种或多种性能转变来获得轮廓趋势;
对所述轮廓趋势进行量化以产生量化的轮廓趋势;
基于所述量化的轮廓趋势来获得多个模糊值;以及经由根本原因分析器系统,基于所述一种或多种性能转变通过执行根本原因分析来获得涡轮机性能的根本原因,其中,所述根本原因分析包括获得所述根本原因的准确性的概率,以及执行趋势计量器分析,所述趋势计量器分析配置成通过测量所述一种或多种性能转变中的最大值和最小值来量化所述一种或多种性能转变以获得量化的所述一种或多种性能转变。
2.根据权利要求1所述的方法,其特征在于,获得所述一种或多种性能转变包括使用所测量的涡轮机参数的实际趋势相对于基于历史数据的期望趋势的比较结果来检测所述一种或多种性能转变。
3.根据权利要求2所述的方法,其特征在于,检测所述一种或多种性能转变包括对所测量的参数的卡尔曼滤波、跟踪滤波、回归映射、神经映射、逆向建模或它们的组合。
4.根据权利要求1所述的方法,其特征在于,量化所述轮廓趋势以产生所述量化的轮廓趋势包括获得所测量的参数的斜度,获得所测量的参数中的噪声量,或者它们的组合。
5.根据权利要求1所述的方法,其特征在于,获得所述多个模糊值包括映射确切值和赋予真实度。
6.根据权利要求1所述的方法,其特征在于,所述方法包括对所述量化的轮廓趋势应用基于知识的系统规则以及对所述量化的轮廓趋势应用物理模型或统计模型中的至少之一来获得详细说明所述一种或多种性能转变的一个或多个来源的根本原因分析结果。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/039,286 US8996334B2 (en) | 2011-03-02 | 2011-03-02 | Method and system for analysis of turbomachinery |
US13/039286 | 2011-03-02 | ||
CN201210059506.0A CN102680235B (zh) | 2011-03-02 | 2012-03-01 | 用于涡轮机的分析的方法和系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210059506.0A Division CN102680235B (zh) | 2011-03-02 | 2012-03-01 | 用于涡轮机的分析的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106404403A CN106404403A (zh) | 2017-02-15 |
CN106404403B true CN106404403B (zh) | 2020-04-28 |
Family
ID=45939102
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210059506.0A Active CN102680235B (zh) | 2011-03-02 | 2012-03-01 | 用于涡轮机的分析的方法和系统 |
CN201610816410.2A Active CN106404403B (zh) | 2011-03-02 | 2012-03-01 | 用于涡轮机的分析的方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210059506.0A Active CN102680235B (zh) | 2011-03-02 | 2012-03-01 | 用于涡轮机的分析的方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8996334B2 (zh) |
EP (1) | EP2495631B1 (zh) |
JP (1) | JP6055188B2 (zh) |
CN (2) | CN102680235B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179356A1 (en) * | 2012-01-05 | 2013-07-11 | General Electric Company | Method and system for maintenance of turbomachinery |
US8903753B2 (en) * | 2012-02-06 | 2014-12-02 | General Electric Company | Steam turbine performance testing |
GB2515115A (en) * | 2013-06-14 | 2014-12-17 | Warwick Analytical Software Ltd | Early Warning and Prevention System |
US9261026B2 (en) * | 2013-06-27 | 2016-02-16 | Pratt & Whitney Canada Corp. | System and method for conditioning noisy signals |
US10330018B2 (en) | 2014-03-24 | 2019-06-25 | Rolls-Royce Corporation | Integrating design and field management of gas turbine engine components with a probabilistic model |
DE102014205627B3 (de) * | 2014-03-26 | 2015-06-18 | Siemens Aktiengesellschaft | Zustandsbeobachter für einen Dampferzeuger eines Dampfkraftwerks |
WO2015160791A1 (en) | 2014-04-14 | 2015-10-22 | Dynapar Corporation | Sensor hub comprising a rotation encoder |
US10908014B2 (en) | 2014-08-21 | 2021-02-02 | Baker Hughes, A Ge Company, Llc | Detecting rotor anomalies during transient speed operations |
US10037026B2 (en) * | 2014-09-25 | 2018-07-31 | General Electric Company | Systems and methods for fault analysis |
US10113936B2 (en) | 2015-06-01 | 2018-10-30 | Rolls-Royce Corporation | Closed-loop engine testing system |
KR102670325B1 (ko) * | 2015-09-18 | 2024-06-07 | 삼성전자주식회사 | 장비 관련 편차의 근본 원인 분석을 위한 방법 및 시스템 |
JP6432890B2 (ja) * | 2016-06-01 | 2018-12-05 | 三菱日立パワーシステムズ株式会社 | 監視装置、対象装置の監視方法、およびプログラム |
US10346228B2 (en) | 2017-07-12 | 2019-07-09 | Siemens Aktiengesellschaft | Method and system for deviation detection in sensor datasets |
US11067592B2 (en) * | 2017-11-10 | 2021-07-20 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
US11256244B2 (en) | 2018-02-05 | 2022-02-22 | Inventus Holdings, Llc | Adaptive alarm and dispatch system using incremental regressive model development |
US10954919B1 (en) * | 2019-10-02 | 2021-03-23 | General Electric Company | Machine-learning model-based analytic for monitoring wind farm power performance |
JP6853986B1 (ja) * | 2020-03-04 | 2021-04-07 | 株式会社沢田テクニカルサービス | 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置 |
EP3961333A1 (de) * | 2020-08-24 | 2022-03-02 | Siemens Aktiengesellschaft | System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger |
US11649804B2 (en) | 2021-06-07 | 2023-05-16 | General Electric Renovables Espana, S.L. | Systems and methods for controlling a wind turbine |
JP2024057144A (ja) * | 2022-10-12 | 2024-04-24 | 三菱重工業株式会社 | シミュレーションモデル構築方法、及び、シミュレーション方法 |
FR3143783B1 (fr) * | 2022-12-14 | 2024-11-01 | Grtgaz | Procédé et dispositif de prévision de dérive d’un matériel de régulation |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6260004B1 (en) * | 1997-12-31 | 2001-07-10 | Innovation Management Group, Inc. | Method and apparatus for diagnosing a pump system |
US6591182B1 (en) * | 2000-02-29 | 2003-07-08 | General Electric Company | Decision making process and manual for diagnostic trend analysis |
CN101657770A (zh) * | 2007-04-12 | 2010-02-24 | 西门子共同研究公司 | 使用间断检测的机器状况监测 |
CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
Family Cites Families (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62216008A (ja) * | 1986-03-18 | 1987-09-22 | Nippon Atom Ind Group Co Ltd | プラント情報処理方式 |
JPH02502768A (ja) * | 1988-06-30 | 1990-08-30 | ディジタル イクイプメント コーポレーション | 安定記憶規則および事実データベースを使用するインターフェースシステム |
JPH0364630A (ja) * | 1989-07-31 | 1991-03-20 | Nissan Motor Co Ltd | ガスタービンエンジンにおけるタービンブレードの異常検出装置 |
US5119470A (en) * | 1990-04-27 | 1992-06-02 | Ibm Corporation | Computer based inference engine device and method thereof for integrating backward chaining and forward chaining reasoning |
JPH0423131A (ja) * | 1990-05-18 | 1992-01-27 | Mitsubishi Electric Corp | 故障診断システム |
JPH06309584A (ja) * | 1993-04-27 | 1994-11-04 | Toshiba Corp | プラント運転支援装置 |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
JP3394817B2 (ja) * | 1994-06-20 | 2003-04-07 | 株式会社東芝 | プラント診断装置 |
JP2000293217A (ja) * | 1999-04-06 | 2000-10-20 | Hitachi Ltd | プラント診断システム |
JP2001166819A (ja) * | 1999-12-13 | 2001-06-22 | Toshiba Corp | 原動機の異常診断・寿命診断システム |
US6408259B1 (en) | 2000-02-01 | 2002-06-18 | General Electric Company | Alert generation for trend performance analysis |
US7092928B1 (en) * | 2000-07-31 | 2006-08-15 | Quantum Leap Research, Inc. | Intelligent portal engine |
US7089154B2 (en) * | 2001-08-09 | 2006-08-08 | Rovsing Dynamics A/S | Automatic machinery fault diagnostic method and apparatus |
US6687596B2 (en) | 2001-08-31 | 2004-02-03 | General Electric Company | Diagnostic method and system for turbine engines |
US20030125906A1 (en) | 2001-12-28 | 2003-07-03 | Guaglardi Paul A. | Method and apparatus for assessing the impact of individual parts of a gas turbine component on the overall thermal performance of a gas turbine |
US6999853B2 (en) * | 2002-05-03 | 2006-02-14 | Fisher Controls International Llc. | Methods and apparatus for operating and performing diagnostics in a control loop of a control valve |
US20040199573A1 (en) * | 2002-10-31 | 2004-10-07 | Predictive Systems Engineering, Ltd. | System and method for remote diagnosis of distributed objects |
US6823675B2 (en) | 2002-11-13 | 2004-11-30 | General Electric Company | Adaptive model-based control systems and methods for controlling a gas turbine |
US7027953B2 (en) * | 2002-12-30 | 2006-04-11 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
CA2634328C (en) | 2003-01-24 | 2011-08-16 | Pratt & Whitney Canada Corp. | Method and system for trend detection and analysis |
US7734400B2 (en) | 2003-07-24 | 2010-06-08 | Honeywell International Inc. | Fault detection system and method using augmented data and fuzzy logic |
US7072797B2 (en) * | 2003-08-29 | 2006-07-04 | Honeywell International, Inc. | Trending system and method using monotonic regression |
US7313573B2 (en) * | 2003-09-17 | 2007-12-25 | International Business Machines Corporation | Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis |
US7107186B2 (en) * | 2003-10-31 | 2006-09-12 | Abb Research Ltd. | Transformer testing |
US6973396B1 (en) | 2004-05-28 | 2005-12-06 | General Electric Company | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like |
US7415328B2 (en) | 2004-10-04 | 2008-08-19 | United Technologies Corporation | Hybrid model based fault detection and isolation system |
US7702435B2 (en) | 2004-11-05 | 2010-04-20 | Honeywell International Inc. | Method and apparatus for system monitoring and maintenance |
US7571057B2 (en) * | 2005-09-16 | 2009-08-04 | General Electric Company | System and method for monitoring degradation |
US8489360B2 (en) * | 2006-09-29 | 2013-07-16 | Fisher-Rosemount Systems, Inc. | Multivariate monitoring and diagnostics of process variable data |
US7840332B2 (en) * | 2007-02-28 | 2010-11-23 | General Electric Company | Systems and methods for steam turbine remote monitoring, diagnosis and benchmarking |
US20090048730A1 (en) | 2007-08-17 | 2009-02-19 | General Electric Company | Method and system for planning repair of an engine |
US7627454B2 (en) | 2007-10-16 | 2009-12-01 | General Electric Company | Method and system for predicting turbomachinery failure events employing genetic algorithm |
US8090559B2 (en) | 2007-12-05 | 2012-01-03 | Honeywell International Inc. | Methods and systems for performing diagnostics regarding underlying root causes in turbine engines |
JP5101465B2 (ja) * | 2008-11-25 | 2012-12-19 | 三菱重工業株式会社 | 設備の不具合管理方法 |
US20100161196A1 (en) | 2008-12-23 | 2010-06-24 | Honeywell International Inc. | Operations support systems and methods with engine diagnostics |
US8405339B2 (en) * | 2010-07-01 | 2013-03-26 | Eaton Corporation | System and method for detecting fault in an AC machine |
US8156377B2 (en) * | 2010-07-02 | 2012-04-10 | Oracle International Corporation | Method and apparatus for determining ranked causal paths for faults in a complex multi-host system with probabilistic inference in a time series |
-
2011
- 2011-03-02 US US13/039,286 patent/US8996334B2/en active Active
-
2012
- 2012-02-27 JP JP2012039535A patent/JP6055188B2/ja active Active
- 2012-02-28 EP EP12157395.0A patent/EP2495631B1/en active Active
- 2012-03-01 CN CN201210059506.0A patent/CN102680235B/zh active Active
- 2012-03-01 CN CN201610816410.2A patent/CN106404403B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6260004B1 (en) * | 1997-12-31 | 2001-07-10 | Innovation Management Group, Inc. | Method and apparatus for diagnosing a pump system |
US6591182B1 (en) * | 2000-02-29 | 2003-07-08 | General Electric Company | Decision making process and manual for diagnostic trend analysis |
CN101657770A (zh) * | 2007-04-12 | 2010-02-24 | 西门子共同研究公司 | 使用间断检测的机器状况监测 |
CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2495631A3 (en) | 2012-11-14 |
EP2495631B1 (en) | 2020-08-19 |
US20120226474A1 (en) | 2012-09-06 |
JP6055188B2 (ja) | 2016-12-27 |
JP2012180831A (ja) | 2012-09-20 |
US8996334B2 (en) | 2015-03-31 |
CN106404403A (zh) | 2017-02-15 |
EP2495631A2 (en) | 2012-09-05 |
CN102680235A (zh) | 2012-09-19 |
CN102680235B (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
EP2400118B1 (en) | Turbomachine airfoil life management system and method | |
CN107111311B (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
JP6228553B2 (ja) | リアルタイムガスタービン性能通知のための方法およびシステム | |
US8712739B2 (en) | System and method for hybrid risk modeling of turbomachinery | |
JP6250942B2 (ja) | 信頼性が改善されたオペレーションのためのシステム及び方法 | |
CH702625B1 (en) | System and method for monitoring a gas turbine. | |
CN115618592A (zh) | 一种电厂燃气轮机气路故障诊断方法、系统、设备及终端 | |
JP2006057595A (ja) | ガスタービンの性能診断システム及び性能診断方法 | |
US20180307997A1 (en) | Systems and methods for improved quantification of uncertainty in turbomachinery | |
WO2015175181A1 (en) | System and method for evaluating opportunities to extend operating durations | |
WO2019135747A1 (en) | Probabilistic life evaluation algorithm for gas turbine engine components | |
US10865643B2 (en) | Method and system for a component lifetime counter | |
Eustace | A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics | |
Sultanov et al. | Operational Control, Monitoring and Diagnostics of the Technical Condition of Steam Turbine Installations of Thermal Power Plants | |
Zorchenko et al. | Technologies Used by General Electric to Create Digital Twins for Energy Industry | |
Raghavan et al. | Artificial neural networks based parametric curve generation for health assessment of industrial gas turbine systems | |
Fang et al. | Failure Prediction of Wind Turbines Using Improved Gray Relation Analysis Based Support Vector Machine Method | |
Kumar et al. | Prediction of exhaust gas temperature in GTE by multivariate regression analysis and anomaly detection | |
Samal | Use of Data Analytics for Power Plant Operation Optimization | |
CN114021283A (zh) | 一种燃气轮机压气机检测及水洗优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240102 Address after: Swiss Baden Patentee after: GENERAL ELECTRIC CO. LTD. Address before: New York State, USA Patentee before: General Electric Co. |
|
TR01 | Transfer of patent right |