Газотурбинных двигателей: Диагностика газотурбинных двигателей и установок

Используя приведенное выше отображение, стандартный PCA может быть выполнен в этом новом пространстве признаков ℱ, которое неявно соответствует нелинейному главному компоненту в исходном пространстве. Следовательно, скалярные произведения ковариационной матрицы заменяются ядром RBF следующим образом:

Однако указанная выше матрица не может использоваться непосредственно для решения проблемы собственных значений, как в формуле. 6 из-за его большого размера. Следовательно, после некоторой алгебраической обработки собственные значения ℓ _d и собственные векторы ud могут быть вычислены для матрицы ядра 𝒦 (размером N ​​ × N ​​) вместо ковариационной матрицы (размера ℱ × ℱ). Следовательно, в KPCA вместо этого мы должны найти решение следующей проблемы собственных значений:

, где d = {1,…, N ​​}, поскольку ℱ> N ​​, количество ненулевых собственных значений не может превышать количество рабочих условий двигателя N ​​ (Bishop, 2006).Используя собственные векторы матрицы ядра, можно получить новые проекции Y = y1,…, yN отображенных точек данных вейвлет-коэффициентов ϕ ( c _i ) на нелинейной поверхности. размерности d , которая может варьироваться от 1 до N ​​.

Обучающая модель для обнаружения новинок

Поддержка векторных машин в качестве инструмента для классификации предлагает гибкость искусственной нейронной сети, преодолевая при этом ее недостатки.Использование функции ядра для расширения исходного входного пространства в пространство более высокой размерности для нахождения гиперплоскости линейного решения тесно связано с добавлением дополнительных слоев в искусственную нейронную сеть. Следовательно, алгоритм может быть адаптирован для лучшего соответствия характеристикам наших данных таким образом, чтобы повысить точность прогнозирования. Учитывая, что OCSVM формирует задачу квадратичной оптимизации, он гарантирует нахождение оптимального решения того места, где должна располагаться гиперплоскость линейного решения (Schölkopf et al., 2001; Шоу-Тейлор и Кристианини, 2004 г.). С другой стороны, можно получить локальный оптимум как решение для нахождения среднеквадратичной ошибки в искусственной нейронной сети с использованием алгоритма спуска градиента.

В качестве обучающих данных используется матрица, полученная из KPCA, т.е. 𝒴 . Принимая во внимание, что низкоразмерные представления данных тестирования (из матрицы Z ) получаются путем выполнения того же преобразования признаков, выбора и т. Д.Методология OCSVM позволяет использовать функцию ядра RBF, которая отображает точки данных в 𝒴 таким же образом, как и в KPCA. Однако формулировка в наборе инструментов LIBSVM (Chang and Lin, 2011) немного отличается для ядра RBF. Учитывая две точки данных yn и ym, ядро ​​RBF, реализованное в OCSVM, определяется следующим образом:

После того, как обучающие данные отображаются через ядро ​​RBF, источник в этом новом пространстве функций рассматривается как единственный член данных класса 𝒜.Затем определяется гиперплоскость, так что отображаемые обучающие данные отделяются от исходной точки с максимальным запасом. Гиперплоскость в отображенном пространстве признаков расположена в точке ϕ (yi) −ρ = 0, где ρ — общая переменная поля. Чтобы отделить все отображенные точки данных от начала координат, необходимо решить следующую квадратичную программу:

, где w — вектор нормали к гиперплоскости, а ξ называются резервными переменными и используются для количественной оценки ошибки неправильной классификации каждой точки данных отдельно в соответствии с расстоянием от соответствующей границы.Значение ν, которое было упомянуто ранее, отвечает за штрафные санкции за неправильную классификацию и ограничено ν ∈ (0, 1]. Решение, которое определяет, принадлежит ли невидимая точка данных y ∗, т. Е. Из матрицы Z , к любому из два класса условий двигателя могут быть созданы с помощью следующей функции:

Для точки данных из класса 𝒜 gy ∗> 0, в противном случае gy ∗ ≤0. Обратите внимание, что из практических соображений проблема оптимизации в формуле. 12 решается введением множителей Лагранжа.Одна из основных причин этого заключается в том, что это позволяет записывать оптимизацию в терминах скалярных произведений. Это приводит к «уловке с ядром», которая позволяет обобщить проблему на нелинейный случай с помощью подходящих ядерных функций, таких как ядро ​​RBF, которое используется в этом исследовании.

Результаты и обсуждение

В этой работе ядро ​​RBF использовалось для отображения точек данных OCSVM в бесконечномерное пространство признаков, где может быть достигнуто линейное разделение двух классов.Применив OCSVM к нашей проблеме, мы получили широкий спектр формулировок функций ядра для использования. Ядро RBF — одно из самых популярных, поскольку оно подразумевает общие свойства гладкости для набора данных, предположение, которое обычно принимается во многих реальных приложениях, как более подробно обсуждается в Scholkopf and Smola (2001). Ядро RBF имеет два параметра, которые необходимо определить, чтобы адаптировать алгоритм OCSVM к характеристикам сигналов вибрации, ожидаемых в этом исследовании.Эти параметры называются шириной ядра γ и штрафом за оптимизацию ν. Наблюдая за изменением точности проверки α _ν OCSVM на мелкой сетке значений γ и ν, можно было определить комбинацию этих двух значений, которая максимизирует α _ν . Значения γ и ν были выбраны с шагом в 2, как это было предложено в практическом исследовании Hsu et al. (2016). Точность проверки была рассчитана с использованием 10-кратной схемы перекрестной проверки для предотвращения переобучения данных.Как более подробно описано в Bishop (2006), схема перекрестной проверки используется, когда объем обучающих данных невелик. В таких случаях недостаточно данных, чтобы разделить их на наборы данных для обучения и проверки, чтобы исследовать надежность и точность модели. В нашем исследовании количество режимов работы двигателя относительно невелико по сравнению с количеством измерений в матрице характеристик. Таким образом, схема перекрестной проверки — возможное решение проблемы недостаточного количества обучающих данных.Более подробно, в этой схеме данные сначала делятся на 10 подмножеств одинакового размера. Каждое подмножество используется для последовательного тестирования эффективности классификации модели (которая была обучена на других девяти подмножествах). Каждая точка данных в наборе данных для обучения вибрации прогнозируется один раз. Следовательно, точность перекрестной проверки — это процент правильных классификаций в наборе данных виброобучения.

На рисунке 5 мы представляем два типичных результата изменения точности перекрестной проверки на сеточном пространстве параметров γ и ν.Эти результаты соответствуют точности перекрестной проверки, полученной путем обучения OCSVM с набором данных вейвлет-коэффициентов после «сжатия» с помощью PCA (правый график) и KPCA (левый график). Точность перекрестной проверки оценивалась с помощью ν. в диапазоне от 0,001 до 0,8 с шагом 0,002, тогда как γ находится в диапазоне 2 ⁻²⁵ и 2 ²⁵ с шагом 2. Выбор этого сеточного пространства для ν был сделан на том факте, что этот параметр ограничен, так как представляет собой верхнюю границу доли обучающих данных, которые лежат не по ту сторону гиперплоскости [см. более подробную информацию в Schölkopf et al.(2001)]. В случае γ не было верхнего и нижнего пределов, поэтому был выбран относительно более широкий диапазон. В обоих случаях шаги были определены таким образом, чтобы вычислительные затраты оставались на разумном уровне. Как правило, для определения подходящих границ и размера шага при выборе размера сетки использовалась процедура проб и ошибок для данного набора данных о вибрации. Как видно из контурных графиков, поиск по сетке позволяет нам получить высокую точность проверки, когда выбрана соответствующая комбинация γ и ν.Для нашего набора данных эту комбинацию можно найти в основном при относительно низких значениях γ. По мере уменьшения значения γ попарные расстояния между точками обучающих данных становятся менее важными. Следовательно, граница принятия решения OCSVM становится более ограниченной, а его форма менее гибкой из-за того, что он будет придавать меньшее значение этим расстояниям. Обратите внимание, что примеры на рисунке 5 были получены с d = 100 для 𝒴 и D = 100 для Y (см. Низкоразмерные характеристики), с уровнем разложения WPT j = 4 и (только для KPCA) ширина ядра γ _KPCA = 1.Очевидно, что при использовании KPCA с ядром RBF максимальная точность перекрестной проверки составляет около 95%, в то время как при стандартном PCA точность классификации OCSVM относительно низка, то есть около 60%. Следовательно, есть преимущество использования KPCA по сравнению со стандартным PCA для конкретного набора данных, который используется в этом исследовании. Это ожидается, поскольку KPCA обнаруживает нелинейные отношения, существующие между элементами данных.

Рисунок 5 . Изменение точности перекрестной проверки с γ и ν для одноклассной опорной векторной машинной модели обучения с использованием функций анализа главных компонентов ядра (слева) и стандартного анализа главных компонент.

Метод поиска по сетке для нахождения «подходящих» значений для γ и ν дает преимущество, когда другие параметры, например, ширина ядра KCPA σ _KPCA , не могут быть легко определены. Можно продемонстрировать, что α _ν можно значительно увеличить по сравнению с фиксированным набором значений по умолчанию. Набор инструментов LIBSVM предлагает значения по умолчанию: ν = d ⁻¹ и γ = 0,5. На рисунке 6 точность проверки показана для различных значений ширины ядра KPCA σ _KPCA и количества главных компонентов d для случаев, когда γ и ν были выбраны из поиска по сетке и когда им были заданы фиксированные значения по умолчанию. .Из этих двух графиков ясно, что параметры OCSVM γ и ν можно «настроить» так, чтобы точность проверки могла быть максимальной, независимо от выбора d и σ _KPCA . Это наблюдение демонстрирует силу методов на основе ядра в целом, поскольку ширина ядра может иметь большое влияние на описание обучающих данных. В большинстве случаев выбор этого параметра необходим только для получения подходящей адаптации наших алгоритмов (Shawe-Taylor and Cristianini, 2004).Как можно видеть, выбирая каждый раз разные комбинации ν и γ (в соответствии с процедурой поиска по сетке), максимально достижимая точность проверки всегда близка к 100%. Это значительное улучшение по сравнению с соответствующей точностью, которую можно получить с использованием фиксированного набора значений. Более того, это демонстрирует, что «настроить» машину опорных векторов не так сложно, поскольку необходимо найти только два параметра, и это можно сделать с помощью процедуры поиска по сетке. Напротив, искусственная нейронная сеть требует, чтобы ее архитектура, скорость обучения градиентного спуска, среди других параметров, были указаны заранее, что значительно усложняет проблему «настройки» алгоритма.Тем не менее, самой сильной стороной машины опорных векторов является ее способность получить глобальное оптимальное решение для любого выбранного значения γ и ν, которое мы указали, так что ее обобщающая способность всегда максимальна.

Рисунок 6 . Изменение точности перекрестной проверки для различных значений d и σ _KPCA для выбранных (слева) и фиксированных (справа) значений γ и ν.

Как было показано ранее на Рисунке 5, выбранное значение γ (из поиска по сетке) было очень маленьким.Это верно для каждого исследованного случая, например, для разных значений d . По этой причине можно сказать, что алгоритм лучше обобщается с менее сложной границей решения. Однако «настройка» OCSVM оказывается сложной задачей, поскольку точность прогнозирования (с использованием набора тестовых данных) ниже ожидаемой, то есть менее 50%. Большинство ошибок произошло для точек данных, ошибочно принятых как происходящие из класса 𝒜, тогда как в действительности они принадлежали классу. Вероятные причины неудовлетворительной работы OCSVM на наборе тестовых данных обсуждаются ниже:

• На этапе проверки OCSVM оцениваются только ошибки ошибочного отклонения данных из класса 𝒩.Можно предположить, что причина такой неправильной классификации может быть связана с ошибками в вычислении параметров γ и ν, оцененных с помощью сеточного поиска. Что касается выбора γ и ν, было несколько попыток решить эту проблему другими способами, чем поиск по сетке. Например, в Xiao et al. (2015) авторы представили методы выбора ширины ядра γ OCSVM с помощью того, что они называют «геометрическими» вычислениями.

• Из-за характера данных существует много различий между условиями двигателя, а также внутри каждого условия.Следовательно, сложно разработать модель с использованием данных класса 𝒩, если характеристики каждого условия в пределах одного класса различны. Выбор подходящих обучающих данных является важным фактором для применяемых подходов, основанных на данных. В этом случае следует выбрать представление данных в областях с соответствующим временным разрешением, а выбранные алгоритмы распознавания образов должны потенциально не зависеть от обучения, а работать в адаптивной структуре.

Заключение

В этом исследовании мы использовали схему обнаружения новинок для мониторинга состояния двигателей с использованием передовых методов машинного обучения, выбранных в соответствии с типом анализируемых данных.Это привело к лучшему описанию основных проблем, с которыми можно столкнуться при следовании стратегии на основе данных для мониторинга данных о вибрации двигателя. Схема обнаружения новизны была выбрана вместо классификационного подхода из-за отсутствия обучающих данных для различных состояний работы двигателя, с которыми обычно сталкиваются в реальных приложениях. Следующие шаги были рассмотрены как фундаментальные, оптимальные методы анализа данных. Модель нормальности, основанная на OCSVM, которая была обучена распознавать сценарии нормальных и новых условий двигателя, была разработана с использованием данных двигателя, работающего в условиях, в которых двигатель испытывал низкие амплитуды вибрации.Выбор этого метода машинного обучения для обнаружения новизны был обусловлен тем фактом, что проблема распознавания образов основана на создании ядра, которое предлагает универсальность, которая может поддерживать анализ более сложных данных. В этом случае, согласно анализу, представленному в исследовании, сильное влияние штрафного параметра ν и ширины ядра γ OCSVM может повлиять на точность проверки. Используя поиск по мелкой сетке для выбора параметров ν и γ, можно достичь точности проверки, близкой к 100%, как показано в результатах.Это значительное преимущество, когда нет методологии выбора других параметров, таких как количество основных компонентов, используемых в KPCA. Это также подчеркивает одну из сильных сторон основанных на ядре методов, а именно адаптируемость к заданному набору данных. В частности, было доказано, что ядро ​​RBF очень эффективно описывает данные из механизма, выбирая соответствующее значение ширины ядра γ.

Ограничения подходов к обнаружению новизны в целом и того, что обсуждается, в частности, в этом исследовании, включают следующие моменты: обучающие данные вибрации, которые могут быть получены от двигателей, и ограничения конкретных рассмотренных алгоритмов.Для последнего обсуждался выбор ν и γ, и для расчета точности классификации с использованием выбранных ν и γ из поиска по сетке использовался независимый набор тестовых данных, который включал 25% условий из нового поведения двигателя. Несмотря на то, что результаты валидации были исключительно хорошими, и модель, похоже, не превышала данные, поскольку граница решения была гладкой, а количество опорных векторов относительно невелико, точность классификации с использованием набора тестовых данных была неудовлетворительной.Наибольшие ошибки возникали при неправильном прогнозировании точек данных на основе условий исправного двигателя как новизны. Несколько возможных причин того, почему это может произойти, были упомянуты в предыдущей части исследования.

Для улучшения схемы обнаружения новизны, представленной в этом исследовании, требуется дальнейшая работа по обучению OCSVM соответствующим образом. Например, вместо выбора ν и γ с использованием подхода поиска по сетке можно использовать методы, которые вычисляют эти параметры более принципиальным способом с использованием простой геометрии.Кроме того, функции вейвлет-преобразования, извлеченные из данных, могли привести к большому разбросу точек данных в пространстве признаков из-за того, что существует высокая изменчивость сигналов от каждого состояния двигателя. Один из способов решения этой проблемы — изучить новый набор потребностей в функциях, которые могут обеспечить лучшую кластеризацию точек данных из условий исправного двигателя, чтобы в пространстве функций можно было сформировать меньшую и более жесткую границу принятия решения. Другим предложением может быть разработка новых алгоритмов машинного обучения, которые не зависят от качества обучающих данных, а могут скорее адаптивно классифицировать различные состояния / условия работы исследуемого двигателя.

Авторские взносы

IM провел анализ машинного обучения и является первым автором исследования. ИА курировал работу (замысел и обзор). Б.К. способствовал проведению экспериментов и сбору проанализированных данных. Все авторы несут ответственность за содержание работы.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы хотели бы поблагодарить сотрудников Центра низкоуглеродного сжигания при Университете Шеффилда за проведение экспериментов с газотурбинным двигателем и за любезно предоставленные данные о вибрации двигателя, использованные в этом исследовании.

Финансирование

IM — аспирант, получивший стипендию от факультета машиностроения Университета Шеффилда. Все авторы выражают признательность за финансирование, полученное от гранта Совета по инженерным и физическим исследованиям (EPSRC) EP / N018427 / 1.

Список литературы

Антониаду, И., Мэнсон, Г., Сташевски, В. Дж., Барщ, Т., Ворден, К. (2015). Подход частотно-временного анализа для мониторинга состояния редуктора ветряной турбины в условиях изменяющейся нагрузки. мех. Syst. Сигнальный процесс. 64, 188–216. DOI: 10.1016 / j.ymssp.2015.03.003

CrossRef Полный текст | Google Scholar

Бишоп, К. (2006). Распознавание образов и машинное обучение (информатика и статистика) .Нью-Йорк: Спрингер.

Google Scholar

Блейки, С., Рай, Л., и Уилсон, В. (2011). Альтернативные виды топлива для авиационных газовых турбин: обзор. Proc. Комбас. Inst. 33, 2863–2885. DOI: 10.1016 / j.proci.2010.09.011

CrossRef Полный текст | Google Scholar

Чанг, К., Линь, К. (2011). LIBSVM: библиотека для поддержки векторных машин. ACM Trans. Intell. Syst. Technol. 2, 1–27. DOI: 10.1145 / 1961189.1961199

CrossRef Полный текст | Google Scholar

Клифтон, Д.А., Баннистер П. Р., Тарассенко Л. (2006). «Применение интуитивно понятной метрики новизны для мониторинга состояния реактивного двигателя», в Advances in Applied Artificial Intelligence , ред. М. Али и Р. Дапуаньи (Берлин, Гейдельберг: Springer), 1149–1158.

Google Scholar

Клифтон, Л., Клифтон, Д. А., Чжан, Ю., Уоткинсон, П., Тарассенко, Л., Инь, Х. (2014). Вероятностное обнаружение новизны с машинами опорных векторов. IEEE Trans. Надежный. 455–467. DOI: 10.1109 / TR.2014.2315911

CrossRef Полный текст | Google Scholar

Клифтон, Л., Инь, Х., Клифтон, Д., и Чжан, Ю. (2007). «Обнаружение новизны комбинированного вектора поддержки для данных о многоканальном сгорании», Международная конференция IEEE по сетям, зондированию и управлению, , Лондон.

Google Scholar

Фан, X., и Цзо, М. (2006). Обнаружение неисправностей коробки передач с использованием преобразования Гильберта и вейвлет-пакетов. мех. Syst. Сигнальный процесс. 20, 966–982.DOI: 10.1016 / j.ymssp.2005.08.032

CrossRef Полный текст | Google Scholar

Фаррар, К., Уорден, К. (2012). Структурный мониторинг работоспособности: перспектива машинного обучения . Чичестер: Джон Уайли и сыновья.

Google Scholar

Hayton, P., Schölkopf, B., Tarassenko, L., and Anuzis, P. (2000). «Обнаружение новизны опорных векторов применительно к спектрам вибрации реактивного двигателя», Ежегодная конференция по системам обработки нейронной информации (NIPS) , Денвер.

Google Scholar

Хе, К., Ян, Р., Конг, Ф., и Ду, Р. (2009). Мониторинг состояния машин с использованием представления главных компонентов. мех. Syst. Сигнальный процесс. 23, 446–466. DOI: 10.1016 / j.ymssp.2008.03.010

CrossRef Полный текст | Google Scholar

Сюй, К., Чанг, К., и Лин, К. (2016). Практическое руководство по классификации опорных векторов . Тайбэй: Департамент компьютерных наук, Национальный университет Тайваня.

Google Scholar

Ющак, П., Tax, D., и Duin, R. P. W. (2002). «Масштабирование функций в описании опорных векторных данных» в Proc. ASCI , Lochem.

Google Scholar

Кинг, С., Баннистер, П. Р., Клифтон, Д. А., и Тарассенко, Л. (2009). Вероятностный подход к мониторингу состояния авиакосмических двигателей. Proc. Inst. Мех. Англ. G J. Aerosp. Англ. 223, 533–541. DOI: 10.1243 / 09544100JAERO414

CrossRef Полный текст | Google Scholar

Маллат, С. (1989). Теория разложения сигнала с разным разрешением: вейвлет-представление. IEEE Trans. Pattern Anal. Мах. Intell. 11, 674–693. DOI: 10.1109 / 34.192463

CrossRef Полный текст | Google Scholar

Маллат, С. (1999). Вейвлет-тур по обработке сигналов (вейвлет-анализ и его приложения) . Нью-Йорк: Academic Press.

Google Scholar

Пиментел М., Клифтон Д., Клифтон Л. и Тарассенко Л. (2014). Обзор обнаружения новинок. Обработка сигналов 99, 215–249. DOI: 10.1016 / j.sigpro.2013.12.026

CrossRef Полный текст | Google Scholar

Шёлкопф, Б., Платт, Дж. К., Шоу-Тейлор, Дж., Смола, А. Дж., И Уильямсон, Р. К. (2001). Оценка поддержки многомерного распределения. Neural Comput. 10, 1443–1471. DOI: 10.1162 / 089976601750264965

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Scholkopf, B., and Smola, A. (2001). Обучение с помощью ядер: машины опорных векторов, регуляризация, оптимизация и не только .Кембридж: MIT Press.

Google Scholar

Шёлкопф Б., Смола А. и Мюллер К. (1998). Нелинейный компонентный анализ как проблема собственных значений ядра. Neural Comput. 10, 1299–1319. DOI: 10.1162 / 089976698300017467

CrossRef Полный текст | Google Scholar

Шоу-Тейлор, Дж., И Кристианини, Н. (2004). Ядровые методы анализа паттернов . Нью-Йорк: Издательство Кембриджского университета.

Google Scholar

Тарасенко, Л., Клифтон, Д. А., Баннистер, П. Р., Кинг, С., Кинг, Д. (2009). «Глава 35 — Обнаружение новизны», в Энциклопедия структурного мониторинга здоровья , ред. К. Боллер, Ф. Чанг и Ю. Фуджино (Барселона: John Wiley & Sons).

Google Scholar

Газотурбинные двигатели — PetroWiki

Размеры газовых турбин варьируются от микротурбин мощностью <50 л.с. (37,3 кВт) до больших промышленных турбин мощностью> 250 000 л.с. (190 кВт). На этой странице рассказывается о газотурбинном двигателе, различиях между типами турбин и элементах, которые следует учитывать при их использовании в качестве первичного двигателя.

Процесс

Как показано на рис. 1 и рис. 2 , «открытый» цикл Брайтона является термодинамическим циклом для всех газовых турбин. Этот цикл состоит из:

• Адиабатическое сжатие
• Нагрев постоянного давления
• Адиабатическое расширение

Газовая турбина состоит из следующих компонентов:

• Воздушный компрессор
• Камера сгорания
• Силовая турбина, вырабатывающая мощность для привода воздушного компрессора и выходного вала

• Фиг.1 — Упрощенная схема газовой турбины простого цикла.

• Рис. 2 — Типичный «открытый» цикл Брайтона для газовых турбин.

Воздух поступает на вход компрессора в условиях окружающей среды (точка 1), сжимается (точка 2) и проходит через систему сгорания, где он смешивается с топливом и «сжигается» до максимальной температуры цикла (точка 3). Нагретый воздух расширяется через секцию турбины газогенератора (между точками 3 и 5), где энергия рабочего тела извлекается для выработки энергии для привода компрессора, и расширяется через силовую турбину для привода нагрузки (точка 7). .Затем воздух выбрасывается в атмосферу. Система запуска используется, чтобы довести воздушный компрессор до скорости, достаточной для подачи воздуха для сгорания с топливом, впрыскиваемым в камеру сгорания. Цикл сгорания турбины с непрерывным горением в сочетании с непрерывным вращением ротора турбины позволяет работать практически без вибраций, а также с меньшим количеством движущихся частей и точек износа по сравнению с другими первичными двигателями.

Конструкторское решение и эксплуатация

Максимальная температура цикла, TRIT

Выходная мощность газовой турбины может быть увеличена за счет увеличения максимальной температуры цикла.Максимальная температура цикла обозначается TRIT, что означает температуру на входе в ротор турбины. API 616 определяет номинальную температуру горения как рассчитанную поставщиком температуру на входе в турбину (TIT) непосредственно перед ротором первой ступени турбины для непрерывной работы при номинальной выходной мощности. TRIT рассчитывается непосредственно перед ротором первой ступени турбины и включает расчетные эффекты охлаждающего воздуха и падения температуры на лопатках статора первой ступени.

Воздушный поток

Выходная мощность газовой турбины также может быть увеличена за счет увеличения массового расхода воздуха, проходящего через газовую турбину.Геометрия газовой турбины, в частности компрессора, и скорость компрессора определяют основной массовый расход воздуха. Увеличение расхода требует увеличения скорости, которая ограничена максимальной скоростью непрерывного хода любой конкретной конструкции. При заданной скорости увеличение плотности входящего воздуха увеличивает массовый расход воздуха. Плотность поступающего воздуха увеличивается прямо пропорционально атмосферному давлению и обратно пропорционально температуре окружающей среды.

Основными параметрами, влияющими на выходную мощность, являются скорость и TRIT для любой данной механической / аэродинамической конструкции.Увеличение любого из этих параметров увеличивает выходную мощность газовой турбины. Скорость и температура могут определяться желаемой выходной мощностью и теплотой в пределах ограничений, налагаемых следующими факторами:

• Срок службы компонентов
• Стоимость
• Техническая возможность

Ограничения скорости

По мере увеличения скорости газовой турбины центробежные силы на вращающиеся компоненты увеличиваются. Эти силы увеличивают нагрузку на вращающиеся компоненты, особенно на следующие:

• Диски
• Лезвия
• Крепление лезвия к диску

Материалы компонентов имеют пределы напряжений, которые прямо пропорциональны их пределам скорости, и их нельзя превышать.Таким образом, максимальная непрерывная скорость вращающегося элемента зависит от:

• Геометрия ротора
• Свойства материала компонента
• Расчетные факторы безопасности

Это наивысшая допустимая скорость для непрерывной работы.

Температурные ограничения

Одним из способов увеличения выходной мощности является увеличение расхода топлива и, следовательно, TRIT. По мере увеличения TRIT компоненты горячей секции работают при более высоких температурах металла, что сокращает время между проверками (TBI) газовой турбины.Поскольку срок службы материалов горячей секции ограничен нагрузкой при высокой температуре, существуют ограничения на максимальные температуры для данного значения TBI. Срок службы материала быстро уменьшается при повышении температуры. TBI — это функция времени в TRIT и скорости изменения TRIT во время переходных процессов, таких как запуск. Предел ползучести или разрушения под напряжением определяется свойствами материала в зависимости от уровня их напряжения и рабочей температуры.

Рейтинговый пункт

Номинальный балл может быть установлен для определения характеристик газовой турбины для заданных условий окружающей среды, потерь в воздуховоде, топлива и т. Д.

Международная организация по стандартизации определяет свои стандартные условия как:

• 59 ° F
• 1,013 бар
• Относительная влажность 60% без потерь

Это стало стандартным рейтингом для сравнения турбин различных производителей и конструкций.

Рейтинг сайта

Рейтинг площадки — это заявление об основных характеристиках газовой турбины в конкретных условиях площадки, включая:

• Температура окружающей среды
• Высота
• Потери давления в воздуховоде
• Контроль выбросов
• Состав топлива
• Коробка отбора мощности вспомогательная
• Компрессор вытяжной
• Уровень выходной мощности

Например, повышение температуры окружающей среды снижает выходную мощность со скоростью, зависящей от конструкции газовой турбины.

Температура воздуха на входе

Рис. 3 связывает следующее с температурой воздуха на входе при оптимальной частоте вращения силовой турбины для примера газовой турбины:

• Выходная мощность
• Расход топлива
• Температура выхлопных газов
• Поток выхлопных газов

• Рис. 3 — Выходная мощность в зависимости от температуры воздуха на входе в компрессор.

Повышение КПД турбины

Простой цикл

Большая часть механической энергии, извлекаемой из газового потока турбиной, требуется для приведения в действие воздушного компрессора, а оставшаяся часть используется для привода механической нагрузки.Энергия газового потока, не извлеченная турбиной, выбрасывается в атмосферу в виде тепла.

Рекуперативный цикл

В рекуперативном цикле, также называемом регенеративным циклом, воздух на выходе из компрессора предварительно нагревается в теплообменнике или рекуператоре, источником тепла которого является выхлоп газовой турбины. Энергия, передаваемая из выхлопных газов, снижает количество энергии, которое должно быть добавлено топливом. На рис. 4 экономия топлива представлена ​​заштрихованной областью под 2–2 ′.В стационарных рекуператорах используются три основных конструкции:

• Пластинчатое ребро
• Кожух и трубка
• Первичная поверхность

• Рис. 4 — Рекуперативный цикл.

Комбинированный цикл

Добавление пара нижнего цикла к циклу Брайтона использует тепло выхлопных газов для производства дополнительной мощности, которую можно использовать в общей нагрузке, как показано на рис. 5 , или для отдельной нагрузки.Заштрихованная область представляет собой дополнительный ввод энергии.

Система впуска воздуха

Фильтрация входящего воздуха. Качество воздуха, поступающего в газовую турбину, является очень важным аспектом при проектировании. Эффективность турбины со временем будет снижаться из-за отложений, накапливающихся на внутреннем пути потока турбины и вращающихся лопастях. Это скопление приводит к увеличению технического обслуживания и расходу топлива. Выбор и поддержание надлежащей системы фильтрации входящего воздуха для конкретных условий объекта повлияет на скорость снижения эффективности с течением времени.

Падение давления

Очень важно минимизировать падение давления воздуха, проходящего через: Впускной воздуховод Впускной воздушный фильтр Впускной глушитель (см. Подавление шума ниже)

Потеря давления атмосферного воздуха, поступающего в турбину, сильно влияет на производительность газовой турбины.

Шумоподавление

Шум, производимый газовой турбиной, в основном находится в высокочастотных диапазонах, которые не передаются в отличие от низкочастотных шумов, производимых низкоскоростными первичными двигателями, такими как поршневые двигатели.Большая часть высокочастотного шума, производимого турбиной, генерируется во впускном отверстии для воздуха, и меньшая его часть исходит от выхлопных газов. Источники шума и метод ослабления следующие:

Воздухозаборник

Глушитель на входе должен быть специально разработан с учетом профиля шума газовой турбины и требований площадки. Этот глушитель устанавливается на воздухозаборнике между воздушным фильтром и входом в воздушный компрессор турбины.

Выхлоп

Глушитель выхлопных газов должен быть специально разработан с учетом профиля шума газовой турбины и требований площадки.Высота выхлопной трубы вместе с глушителем является важным фактором. Выпуск горячих выхлопных газов на максимально возможную высоту снижает измеримый шум на уровне земли, а также имеет дополнительное преимущество, заключающееся в уменьшении вероятности рециркуляции горячих выхлопных газов обратно в воздухозаборник. Потеря давления (противодавление) на выхлопе турбины сильно влияет на производительность газовой турбины.

Кожух / коробка передач / ведомое оборудование

Шумопоглощающий кожух (и) может быть установлен непосредственно над оборудованием, например над ограждением для пешеходов на салазках или над зданием, содержащим оборудование, изолированным в соответствии с требованиями, или обоими способами.

Масляный радиатор

Наиболее распространенным методом охлаждения масла является использование воздухообменника / охладителя с вентилятором. Они создают шум вентилятора, который можно регулировать с помощью скорости вращения кончика вентилятора. Использование кожухотрубных охладителей воды может снизить уровень шума при наличии охлаждающей среды.

Типы газовых турбин

можно различить по:

• Режим работы
• Типы камер сгорания
• Конфигурация вала
• Степень упаковки

Виды пошлины

Газотурбинные двигатели

Авиационные газотурбинные или реактивные двигатели имеют сложную конструкцию и имеют малый вес специально для двигателей самолетов.Эти конструкции требуют максимальной мощности или тяги при минимальном весе и максимальной топливной эффективности. Турбины самолетов имеют подшипники качения и имеют высокие температуры горения, требующие экзотической металлургии. Они могут работать на ограниченном количестве видов топлива. Когда реактивный двигатель используется в промышленности, он должен быть соединен с независимой силовой турбиной для выработки мощности на валу.

Тяжелые промышленные газотурбинные двигатели

Основные конструктивные параметры тяжелых промышленных газотурбинных двигателей произошли от промышленных паровых турбин, которые имеют более низкие скорости, тяжелые роторы и большие корпуса, чем реактивные двигатели, для обеспечения более длительного срока службы.Эти газовые турбины способны сжигать самый широкий спектр жидкого или газового топлива.

Газотурбинные двигатели легкой промышленности

Основные конструктивные параметры и технологии, используемые в авиационных турбинах, могут быть объединены с некоторыми конструктивными аспектами тяжелых промышленных газовых турбин для производства более легкой промышленной турбины с сроком службы, приближающимся к сроку службы тяжелой промышленной газовой турбины. Эти двигатели называются легкими промышленными газотурбинными двигателями.

Типы камер сгорания

Радиальная или кольцевая камера сгорания

Эта камера сгорания окружает вращающиеся части газовой турбины и является неотъемлемой частью корпуса двигателя ( Рис.6 ). Эта конструкция используется в авиационных турбинах и легких промышленных газовых турбинах.

• Рис. 6 — Типовой разрез газовой турбины.

Камера сгорания

Это одно- или многотопливная система сгорания, отделенная от вращающейся турбины в виде баков внешнего сгорания ( Рис. 7 ). Конструкции, в которых используется этот тип камеры сгорания, могут сжигать более широкий спектр видов топлива.

• Рис. 7 — Типовая газовая турбина с камерой сгорания (в разрезе).

Конфигурация вала

Один вал

Газовая турбина может иметь одновальную или двухвальную конструкцию. Одновальная конструкция состоит из одного вала, соединяющего воздушный компрессор, турбину газогенератора и силовую турбину как один вращающийся элемент ( Рис. 1 ). Эта конструкция лучше всего подходит для приложений с постоянной скоростью, таких как привод электрогенераторов с постоянной частотой.

Два вала

Двухвальная конструкция имеет воздушный компрессор и газогенератор на одном валу, а силовую турбину — на втором независимом валу.Эта конструкция обеспечивает гибкость скорости, необходимую для более эффективного охвата более широкой карты характеристик приводимого оборудования. Это позволяет производителю газа работать со скоростью, необходимой для развития мощности, необходимой для приводимого в действие оборудования, такого как центробежные компрессоры или насосы. На рис. 6 показан вид типичной двухвальной газовой турбины в разрезе. Основные компоненты включают компрессор, систему сгорания, турбину газогенератора и силовую турбину. Эта конструкция включает двухступенчатую турбину генератора газа и двухступенчатую силовую турбину.

Степень упаковки

Нормой для большинства газовых турбин, используемых в промышленности, является встраивание газовой турбины в базовую раму / салазки со всеми компонентами, необходимыми для основного рабочего агрегата. Сюда входят такие системы, как:

• Пусковая система
• Топливная система
• Система смазки
• Панель местного управления
• В некоторых случаях коробка передач и приводное оборудование.

Дополнительные операционные системы, как правило, представляют собой отдельные предварительно спроектированные комплектные системы, которые могут быть предоставлены и настроены производителем турбины.В эту категорию входят такие системы, как:

• Фильтрация / глушитель на впуске воздуха
• Маслоохладители
• Системы дистанционного управления
• Корпуса со звукоизоляцией
• Глушители выхлопных газов

Выхлопные газы

Ухудшение атмосферы газообразными загрязнителями — важная экологическая проблема. Газовая турбина по конструкции с основным циклом обеспечивает более чистое сгорание и производит более низкий уровень загрязняющих веществ по сравнению с другими первичными двигателями, что является большим преимуществом.Обычно регулируемые загрязняющие вещества газовой турбины:

• Оксиды азота
• Окись углерода
• Углеводороды несгоревшие
• Твердые частицы
• Диоксид серы

Решение некоторых, но не всех, этих проблем загрязнения лежит в камере сгорания газовой турбины. Ниже следует краткое обсуждение.

Оксиды азота (NO

Регулируются только два из семи оксидов азота: NO и NO2, вместе именуемые NO _x .Почти все проблемы с выбросами, связанные с первичными двигателями, связаны с производством NO _x и контролем NO _x . Газовая турбина относительно чиста по сравнению с другими первичными двигателями. Например, газовые турбины, работающие на природном газе, обычно производят от 4 до 12 раз меньше NOx на единицу мощности, чем поршневые двигатели. Однако NOx является основным фактором при разрешении газотурбинных установок.

Окись углерода (CO)

CO также находится на очень низком уровне в выхлопных газах турбин из-за избытка воздуха в процессе сгорания.Поэтому обычно это не проблема. Однако в некоторых областях, где уровень CO в окружающей среде чрезвычайно высок или когда для контроля NO _x в газовой турбине используется закачка воды, CO может быть фактором при получении разрешений.

Несгоревшие углеводороды (UHC)

В отличие от поршневых двигателей, которые производят значительное количество UHC, газовые турбины производят небольшое количество UHC, потому что большое количество избыточного воздуха, участвующего в процессе сгорания газовой турбины, полностью сжигает почти все углеводороды.Следовательно, выбросы UHC редко являются существенным фактором при получении экологических разрешений для газовых турбин.

Твердые частицы

Не были усовершенствованы методы измерения твердых частиц, которые давали бы значимые результаты для выхлопных газов газовых турбин. Это редко является фактором при получении разрешений на газовые турбины, когда в газовой турбине сжигается чистое топливо.

Диоксид серы (SO

Почти все оборудование для сжигания топлива, включая газовые турбины, преобразует всю серу, содержащуюся в топливе, в SO ₂ .Это делает SO ₂ проблемой топлива, а не проблемой, связанной с характеристиками турбины. Единственный эффективный способ контролировать SO ₂ — это ограничить количество серы, содержащейся в топливе, или удалить SO ₂ из выхлопных газов с помощью процесса мокрой очистки.

Контроль выбросов

Необходимость соответствовать или превосходить стандарты выбросов, установленные федеральными, государственными и местными кодексами, потребовала от производителей промышленных газовых турбин разработать турбины с более чистым сгоранием.Системы с сухими выбросами были разработаны с форсунками с предварительным смешиванием бедного топлива, специальной технологией сжигания и средствами управления для снижения выбросов NOx и CO за счет создания более низких максимальных температур пламени и более полного окисления углеводородного топлива. Все производители промышленных газовых турбин имеют сухие продукты с низким уровнем выбросов. Производительность зависит от конкретного продукта из-за различий в конструкции камеры сгорания.

Эти системы сжигания обедненной смеси снижают образование NOx и CO до очень низкого уровня, что делает ненужным использование дорогостоящих каталитических нейтрализаторов, требующих значительного технического обслуживания, для удаления NOx и CO после их образования.В областях с очень высокими эксплуатационными характеристиками может возникнуть необходимость в некоторых газовых турбинах использовать селективные каталитические нейтрализаторы для дальнейшего снижения уровня NOx и CO. В качестве топлива для газовой турбины выбирается чистый сухой природный газ, который производит самые чистые выхлопные газы.

Тепло выхлопных газов

Газовые турбины имеют большую часть тепловых потерь из цикла, выходящего на выхлоп. Это тепло можно рекуперировать и использовать для увеличения общего теплового КПД сжигаемого топлива. Наиболее распространенный метод использования тепла выхлопных газов — производство пара.

Список литературы

Используйте этот раздел для цитирования элементов, на которые есть ссылки в тексте, чтобы показать ваши источники. [Источники должны быть доступны читателю, т. Е. Не внутренний документ компании.]

Интересные статьи в OnePetro

Используйте этот раздел, чтобы перечислить статьи в OnePetro, которые читатель, желающий узнать больше, обязательно должен прочитать

Внешние ссылки

Используйте этот раздел, чтобы предоставить ссылки на соответствующие материалы на веб-сайтах, отличных от PetroWiki и OnePetro.

См. Также

Первичные двигатели

Поршневые двигатели

PEH: Prime_Movers

Прикладные науки | Специальный выпуск: газотурбинный двигатель

Уважаемые коллеги,

Газотурбинные двигатели широко используются в авиации и энергетике.Двигатели разработаны с учетом таких экономичных функций, как высокая эффективность, надежность и доступность. Потребность в энергии как для силовых установок, так и для выработки электроэнергии постоянно растет. В то же время рост цен на топливо является фактором, влияющим на экономику эксплуатации газовых турбин. В дополнение к этому, растет беспокойство по поводу экологических последствий работы двигателя. Контроль за выбросами привлек большое внимание в сообществе производителей газовых турбин.В этих условиях первостепенное значение приобретают новые циклы газовых турбин и совершенствование технологий.

Примером является гибридно-электрическая силовая установка, которая может значительно снизить потребление топлива в авиационной промышленности. Важность гибридных авиационных технологий заключается в улучшении их жизненного цикла и снижении неблагоприятного воздействия на окружающую среду. Следовательно, авиационная промышленность в настоящее время очень заинтересована в технологии распределенных силовых установок для дальнейшей эксплуатации, технологиях, расходе топлива, безопасности, надежности и эффективности.Кроме того, за счет применения этого метода будет достигнуто значительное снижение акустического шума, технического обслуживания, экономических отходов и выбросов в окружающую среду.

Специальный выпуск журнала Applied Sciences «Газотурбинный двигатель — к будущему энергетики» направлен на освещение инновационных технологий в разработке газовых турбин от компонентов до двигателей. Основное внимание уделяется новым циклам и гибридным электроэнергетическим системам.

Доктор Теоклис Николаидис
Проф. Перикл Пилидис
Приглашенные редакторы

Информация для подачи рукописей

Рукописи должны быть представлены онлайн на сайте www.mdpi.com, зарегистрировавшись и войдя на этот сайт. После регистрации щелкните здесь, чтобы перейти к форме отправки. Рукописи можно подавать до установленного срока. Все статьи будут рецензироваться. Принятые статьи будут постоянно публиковаться в журнале (как только они будут приняты) и будут перечислены вместе на веб-сайте специального выпуска. Приглашаются исследовательские статьи, обзорные статьи, а также короткие сообщения. Для запланированных статей название и краткое резюме (около 100 слов) можно отправить в редакцию для объявления на этом сайте.

Представленные рукописи не должны были публиковаться ранее или рассматриваться для публикации в другом месте (за исключением трудов конференции). Все рукописи тщательно рецензируются в рамках процесса одинарного слепого рецензирования. Руководство для авторов и другая важная информация для подачи рукописей доступна на странице Инструкции для авторов. Прикладные науки — это международный рецензируемый журнал с открытым доступом, выходящий раз в полгода, издающийся MDPI.

Пожалуйста, посетите страницу Инструкции для авторов перед отправкой рукописи. Плата за обработку статьи (APC) для публикации в этом журнале с открытым доступом составляет 2000 швейцарских франков. Представленные документы должны быть хорошо отформатированы и написаны на хорошем английском языке.