CH708978A2 - System und Verfahren zur Detektion einer fehlerhaften Brennkammer. - Google Patents

Abstract

Ein System (100) zur Detektion einer fehlerhaften Brennkammer (104) enthält einen Sensor (106), der eingerichtet ist, um Verbrennungsdynamikdruckdaten (110) von der Brennkammer (104) zu erfassen, und eine Rechenvorrichtung (102), die mit dem Sensor (106) in elektronischer Verbindung steht und eingerichtet ist, um die Verbrennungsdynamikdruckdaten (110) von dem Sensor (106) zu empfangen. Die Rechenvorrichtung (102) ist programmiert, um die Verbrennungsdynamikdruckdaten (110) in ein Frequenzspektrum umzuwandeln, das Frequenzspektrum in mehrere Frequenzintervalle aufzuteilen, ein Merkmal aus dem Frequenzspektrum zu extrahieren, Merkmalswerte für das Merkmal innerhalb eines entsprechenden Frequenzintervalls über eine Zeitdauer zu generieren, und die Merkmalswerte zu speichern, um eine historische Datenbank zu generieren. Die Rechenvorrichtung (102) ist ferner programmiert, um einen maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte auszuführen, um die Rechenvorrichtung (102) zu trainieren, damit sie ein Merkmalsverhalten erkennt, das für eine fehlerhafte Brennkammer (104) kennzeichnend ist.

Description

GEBIET DER ERFINDUNG

[0001] Die vorliegende Erfindung umfasst allgemein eine Gasturbine. Insbesondere betrifft die Erfindung ein System und Verfahren zur Detektion einer fehlerhaften Brennkammer während eines Betriebs der Gasturbine.

HINTERGRUND ZU DER ERFINDUNG

[0002] Eine Turbomaschine, wie beispielsweise eine Gasturbine, enthält allgemein einen Einlassabschnitt, einen Verdichterabschnitt, einen Verbrennungsabschnitt, der mehrere Brennkammern enthält, einen Turbinenabschnitt und einen Auslassabschnitt. Der Einlassabschnitt reinigt und konditioniert ein Arbeitsfluid (z.B. Luft) und liefert das Arbeitsfluid zu dem Verdichterabschnitt. Der Verdichterabschnitt verdichtet das Arbeitsfluid in zunehmendem Masse und liefert ein verdichtetes Hochdruck-Arbeitsfluid zu den Brennkammern, in denen es mit einem Brennstoff vermischt und in einem Brennraum verbrannt wird, um Verbrennungsgase zu erzeugen, die eine hohe Temperatur und einen hohen Druck aufweisen. Die Verbrennungsgase strömen entlang eines Heissgaspfads in den Turbinenabschnitt hinein, in dem sie expandieren, um Arbeit zu verrichten. Zum Beispiel kann eine Expansion der Verbrennungsgase in dem Turbinenabschnitt eine Welle drehend antreiben, die mit einem Generator verbunden ist, um Elektrizität zu erzeugen.

[0003] Jede Brennkammer enthält verschiedene Verbrennungsausrüstungsbauteile. Zum Beispiel kann eine herkömmliche Gasturbinenbrennkammer eine oder mehrere Brennstoffdüsen, ein Flammrohr, eine Kühlströmungshülse, einen Übergangskanal, eine Aufprallhülse, eine Kappenanordnung und/oder verschiedene Befestigungsausrüstungsteile, wie beispielsweise Klammern und radiale Kompressions- oder Hula-Dichtungen enthalten. Im Laufe der Zeit können verschiedene Faktoren, zu denen thermische Wechselbeanspruchungen, Schwingungen und/oder Druckimpulse innerhalb der Brennkammer gehören, eine Beeinträchtigung der Verbrennungsbauteile zur Folge haben, was dazu führen kann, dass eine Brennkammer ausserhalb eines zulässigen Leistungsbereiches arbeitet oder dass sie vollständig ausfällt. Infolgedessen müssen regelmässig geplante Stillstände zur Inspektion und Reparatur durchgeführt werden, was die Verfügbarkeit der Maschine beeinträchtigt.

[0004] Um eine akzeptable Systemhaltbarkeit und -Zuverlässigkeit zu erreichen, sollte die Funktionsfähigkeit einzelner Brennkammern und/oder des gesamten Verbrennungssystem sorgfältig überwacht und zwischen den planmässigen Stillständen kontrolliert werden. Folglich würde ein System und Verfahren zur Detektion und/oder Vorhersage einer fehlerhaften Brennkammer während eines Betriebs der Brennkammer von Nutzen sein.

KURZ BESCHREIBUNG DER ERFINDUNG

[0005] Aspekte und Vorteile der Erfindung sind nachstehend in der folgenden Beschreibung dargelegt oder können aus der Beschreibung offenkundig sein, oder sie können durch Umsetzung der Erfindung in die Praxis erfahren werden.

[0006] Eine Ausführungsform der vorliegenden Erfindung ist ein System zur Detektion einer fehlerhaften Brennkammer. Das System enthält eine Brennkammer, einen Sensor, der eingerichtet ist, um Verbrennungsdynamikdruckdaten von der Brennkammer zu erfassen, und eine Rechenvorrichtung, die mit dem Sensor in elektronischer Verbindung steht und eingerichtet ist, um die Verbrennungsdynamikdruckdaten von dem Sensor zu empfangen. Die Rechenvorrichtung ist programmiert, um die Verbrennungsdynamikdruckdaten in ein Frequenzspektrum umzuwandeln, das Frequenzspektrum in mehrere Frequenzintervalle aufzuteilen, ein Merkmal aus dem Frequenzspektrum zu extrahieren, Merkmalswerte für das Merkmal innerhalb eines entsprechenden Frequenzintervalls über eine Zeitdauer zu generieren und die Merkmalswerte zu speichern, um eine historische Datenbank zu generieren. Die Rechenvorrichtung ist ferner programmiert, um einen maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte auszuführen, um die Rechenvorrichtung zu trainieren, ein Merkmalsverhalten, das eine fehlerhafte Brennkammer anzeigt, zu erkennen.

[0007] In dem zuvor erwähnten System können die Merkmalswerte auf einer Spitzenamplitude basieren, die bei einer entsprechenden Frequenz innerhalb des entsprechenden Frequenzintervalls gemessen wird.

[0008] Alternativ oder zusätzlich kann jedes Frequenzintervall einem Brennkammerton entsprechen.

[0009] In dem System einer beliebigen vorstehend erwähnten Art kann die Rechenvorrichtung programmiert sein, um jeden generierten Merkmalswert mit einem Zeitstempel zu versehen.

[0010] In einer Konfiguration ist die Brennkammer mit einer Gasturbine gekoppelt, wobei das Merkmal einem Betriebsmodus der Gasturbine entspricht.

[0011] In einer weiteren Konfiguration ist die Brennkammer mit einer Gasturbine gekoppelt, wobei die Rechenvorrichtung programmiert ist, um einen statistischen Merkmalswert auf der Basis wenigstens der historischen Datenbank der Merkmalswerte und/oder verschiedener Betriebsparameter einer Gasturbine zu generieren.

[0012] In dem System einer beliebigen vorstehend erwähnten Art kann der maschinelle Lernalgorithmus einen unüberwachten Trainingsalgorithmus aufweisen.

[0013] Alternativ kann die historische Datenbank Merkmalswerte aufweisen, die für einen fehlerfreien Brennkammerbetrieb und einen fehlerhaften Brennkammerbetrieb kennzeichnend sind.

[0014] Zusätzlich kann der maschinelle Lernalgorithmus in dem System der zuvor erwähnten Art einen überwachten Trainingsalgorithmus aufweisen.

[0015] Eine weitere Ausführungsform der vorliegenden Erfindung ist ein Verfahren zur Detektion einer fehlerhaften Brennkammer unter Verwendung von Verbrennungsdynamikdruckdaten und einer Rechenvorrichtung. Das Verfahren enthält ein Empfangen von Verbrennungsdynamikdruckdaten an der Rechenvorrichtung von einem Sensor, der mit einer ersten Brennkammer in elektronischer Kommunikationsverbindung steht. Die Verbrennungsdynamikdruckdaten der ersten Brennkammer werden in ein Frequenzspektrum umgewandelt, und das Frequenzspektrum wird in mehrere Frequenzintervalle aufgeteilt. Aus dem Frequenzspektrum wird ein Merkmal extrahiert, und es werden Merkmalswerte, die dem Merkmal innerhalb eines entsprechenden Frequenzintervalls über eine Zeitdauer hinweg entsprechen, generiert. Die Merkmalswerte werden anschliessend mittels der Rechenvorrichtung gespeichert, um eine historische Datenbank der Merkmalswerte zu schaffen. Ein maschineller Lernalgorithmus wird unter Verwendung der historischen Datenbank der Merkmalswerte ausgeführt, um die Rechenvorrichtung zu trainieren, damit sie ein Merkmalsverhalten, das eine fehlerhafte Brennkammer anzeigt, erkennt.

[0016] In dem zuvor erwähnten Verfahren kann die historische Datenbank Merkmalswerte aufweisen, die für einen fehlerfreien Brennkammerbetrieb und einen fehlerhaften Brennkammerbetrieb kennzeichnend sind, wobei der Schritt des Ausführens eines maschinellen Lernalgorithmus ein Ausführen eines überwachten Trainingsalgorithmus aufweisen kann.

[0017] Alternativ kann die historische Datenbank abnormale Merkmalswerte aufweisen, wobei der Schritt des Ausführens eines maschinellen Lernalgorithmus ein Ausführen eines unüberwachten Trainingsalgorithmus aufweisen kann.

[0018] In dem Verfahren einer beliebigen vorstehend erwähnten Art kann der Schritt des Ausführens eines maschinellen Lernalgorithmus in Echtzeit während eines Betriebs der Brennkammer ausgeführt werden.

[0019] In einer Implementierung kann das Verfahren einer beliebigen vorstehend erwähnten Art ferner aufweisen: Umwandeln der Verbrennungsdynamikdruckdaten einer zweiten Brennkammer in ein Frequenzspektrum; Aufteilen des Frequenzspektrums in mehrere Frequenzintervalle; Extrahieren eines Merkmals aus dem Frequenzspektrum, das dem Merkmal entspricht, der aus der ersten Brennkammer extrahiert wird; Generieren eines Merkmalwertes für das Merkmal über eine Zeitdauer hinweg, wobei der Merkmalswert innerhalb desselben Frequenzintervalls wie das Frequenzintervall der ersten Brennkammer generiert wird; und Vergleichen eines Verhaltens des Merkmals der zweiten Brennkammer mit dem Verhalten des Merkmals der ersten Brennkammer.

[0020] In der zuvor erwähnten Implementierung des Verfahrens kann der Schritt des Vergleichens des Verhaltens des Merkmals der zweiten Brennkammer mit dem Verhalten des Merkmals der ersten Brennkammer während eines Betriebs der zweiten Brennkammer durchgeführt werden.

[0021] Zusätzlich oder alternativ kann das zuvor erwähnte Verfahren ferner ein Speichern der Merkmalswerte der zweiten Brennkammer, um eine historische Datenbank der Merkmalswerte der zweiten Brennkammer zu generieren, und Ausführen eines maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte der zweiten Brennkammer aufweisen.

[0022] In dem Verfahren der zuletzt erwähnten Art kann die historische Datenbank der Merkmalswerte der zweiten Brennkammer Merkmalswerte aufweisen, die einem fehlerfreien Brennkammerbetrieb und einem fehlerhaften Brennkammerbetrieb entsprechen, wobei das Ausführen eines maschinellen Lernalgorithmus ein Ausführen eines überwachten Trainingsalgorithmus aufweisen kann.

[0023] Alternativ kann die historische Datenbank der Merkmalswerte der zweiten Brennkammer abnormale Merkmalswerte aufweisen, wobei das Ausführen eines maschinellen Lernalgorithmus ein Ausführen eines unüberwachten Trainingsalgorithmus aufweisen kann.

[0024] In einer weiteren Alternative oder weiter zusätzlich kann der Schritt des Ausführens eines maschinellen Lernalgorithmus in Echtzeit während eines Betriebs der zweiten Brennkammer ausgeführt werden.

[0025] Fachleute auf dem Gebiet werden die Merkmale und Aspekte derartiger Ausführungsformen und anderer bei einer Durchsicht der Beschreibung besser erkennen.

KURZE BESCHREIBUNG DER ZEICHNUNGEN

[0026] Eine umfassende und befähigende Offenbarung der vorliegenden Erfindung, einschliesslich deren bester Ausführungsart, für Fachleute auf dem Gebiet ist in grösserer Genauigkeit in der restlichen Beschreibung dargeboten, die eine Bezugnahme auf die beigefügten Figuren enthält, in denen zeigen: <tb>Fig. 1<SEP>ein Funktionsblockschaltbild einer beispielhaften Gasturbine innerhalb des Umfangs der vorliegenden Offenbarung; <tb>Fig. 2<SEP>eine quergeschnittene Seitenansicht einer beispielhaften Brennkammer, wie sie verschiedene Ausführungsformen der vorliegenden Offenbarung aufnehmen kann; <tb>Fig. 3<SEP>ein Blockschaltbild eines Systems zur Erfassung einer fehlerhaften Brennkammer gemäss wenigstens einer Ausführungsform der vorliegenden Offenbarung; <tb>Fig. 4<SEP>eine graphische Darstellung von beispielhaften Verbrennungsdynamikdaten, die als Druck im Verhältnis zur Frequenz gemessen werden, gemäss der vorliegenden Offenbarung; <tb>Fig. 5<SEP>eine graphische Darstellung eines beispielhaften Frequenzspektrums, das aus den Verbrennungsdynamikdaten, wie in Fig. 4 veranschaulicht, generiert wurde, gemessen als Amplitude im Verhältnis zur Frequenz, gemäss der vorliegenden Offenbarung; <tb>Fig. 6<SEP>eine graphische Darstellung eines beispielhaften Frequenzspektrums, wie in Fig. 5 veranschaulicht, das in Frequenzintervalle aufgeteilt ist, gemäss einer Ausführungsform der vorliegenden Offenbarung; <tb>Fig. 7<SEP>eine Darstellung beispielhafter Tabellen oder Listen, die durch eine Rechenvorrichtung generiert wurden und Merkmalswerte der Merkmale repräsentieren, die aus Verbrennungsdynamikdaten, wie in Fig. 6 veranschaulicht, extrahiert wurden, gemäss einer Ausführungsform der vorliegenden Offenbarung; und <tb>Fig. 8<SEP>ein Flussdiagramm eines Verfahrens zur Detektion einer fehlerhaften Brennkammer unter Verwendung von Verbrennungsdynamikdruckdaten.

DETAILLIERTE BESCHREIBUNG DER ERFINDUNG

[0027] Es wird nun im Einzelnen auf vorliegende Ausführungsformen der Erfindung Bezug genommen, von denen ein oder mehrere Beispiele in den beigefügten Zeichnungen veranschaulicht sind. Die detaillierte Beschreibung verwendet Bezeichnungen in Form von Zahlen und Buchstaben, um auf Merkmale in den Zeichnungen Bezug zu nehmen. Gleiche oder ähnliche Bezeichnungen in den Zeichnungen und der Beschreibung werden verwendet, um auf gleiche oder ähnliche Teile der Erfindung Bezug zu nehmen.

[0028] In dem hierin verwendeten Sinne können die Ausdrücke «erste», «zweite» und «dritte» in austauschbarer Weise dazu verwendet werden, eine Komponente von einer anderen zu unterscheiden, und sie sollen keine Lage oder Wichtigkeit der einzelnen Komponenten angeben. Die Ausdrücke «stromaufwärts» und «stromabwärts» beziehen sich auf die relative Richtung in Bezug auf eine Fluidströmung in einem Fluidpfad. Z.B. bezieht sich «stromaufwärts» auf die Richtung, von der das Fluid aus strömt, und «stromabwärts» bezieht sich auf die Richtung, zu der das Fluid hin strömt. Wenn Elemente von Aspekten der vorliegenden Offenbarung oder deren Ausführungsformen eingeführt werden, sollen die Artikel «ein», «eine», «der», «die» und «das» bedeuten, dass ein oder mehrere der Elemente vorhanden sind. Die Ausdrücke «aufweisen», «enthalten» und «haben» sollen im einschliesslichen Sinne gemeint sein und bedeuten, dass ausser den aufgeführten Elementen weitere Elemente vorhanden sein können.

[0029] Jedes Beispiel ist zur Erläuterung der Erfindung, nicht zur Beschränkung- der Erfindung vorgesehen. In der Tat wird es für Fachleute auf dem Gebiet offensichtlich sein, dass Modifikationen und Veränderungen an der vorliegenden Erfindung vorgenommen werden können, ohne dass von deren Umfang oder Rahmen abgewichen wird. Z.B. können Merkmale, die als Teil einer Ausführungsform veranschaulicht oder beschrieben sind, bei einer anderen Ausführungsform verwendet werden, um noch eine weitere Ausführungsform zu ergeben. Somit besteht die Absicht, dass die vorliegende Erfindung derartige Modifikationen und Veränderungen mit umfasst, wie sie in den Umfang der beigefügten Ansprüche und ihrer Äquivalente fallen.

[0030] Obwohl beispielhafte Ausführungsformen der vorliegenden Erfindung für die Zwecke der Veranschaulichung allgemein in dem Zusammenhang mit einer industriellen/landgestützten Gasturbine beschrieben sind, wird ein Fachmann auf dem Gebiet ohne Weiteres erkennen, dass Ausführungsformen der vorliegenden Erfindung auf eine beliebige Gasturbine, wie beispielsweise eine Flugzeug- oder Schiffsgasturbine, angewandt werden können und nicht auf eine industrielle/landgestützte Gasturbine beschränkt sind, sofern dies nicht speziell in den Ansprüchen angegeben ist.

[0031] Hinsichtlich der Figuren zeigt Fig. 1 eine schematische Darstellung einer Gasturbine 10, die einen Verdichter 12, ein Verbrennungssystem, das eine oder mehrere Brennkammern 14 enthält, eine Turbine 16, die mit dem Verdichter 12 antriebsmässig verbunden ist, und eine Steuerung oder ein Steuersystem 18 enthält. Ein Einlasskanal 20 leitet Umgebungsluft an einer oder mehreren Einlassleitschaufeln 22 vorbei und in den Verdichter 12 hinein. Der Verdichter 12 verdichtet die Umgebungsluft zunehmend und leitet die verdichtete Luft zu den Brennkammern 14, in denen sie mit einem Brennstoff vermischt und verbrannt wird, um Verbrennungsgase zu erzeugen. Die Verbrennungsgase werden durch die Turbine 16 geleitet, wodurch eine Drehung einer Welle 24 herbeigeführt wird. Die Verbrennungsgase können anschliessend von einem Auslass der Turbine 16 in einen Auslasskanal 26 geleitet werden, der verschiedene Emissionssteuerungs- und/oder Schalldämmvorrichtungen und/oder ein Wärmerückgewinnungssystem enthalten kann. Die Turbine 16 kann einen Generator 28 über die Welle 24 antreiben, um elektrische Leistung zu erzeugen, oder andere mechanische Arbeit verrichten.

[0032] In einer bestimmten Konfiguration sind verschiedene Sensoren 30 mit dem Steuersystem 18 elektronisch gekoppelt. Die Sensoren 30 können Durchflusssensoren, Geschwindigkeitssensoren, Flammendetektorsensoren, Ventilstellungssensoren, Leitschaufelwinkelsensoren, Temperatursensoren, akustische Sensoren, Drucksensoren und/oder andere Sensoren enthalten, die verschiedene Parameter in Bezug auf den Betrieb der Brennkammer 14 und/oder des Gasturbinensystems 10 erfassen. Ein Brennstoffsteuerungssystem 32 regelt den Brennstoff, der von einer Brennstoffversorgung zu der (den) Brennkammer(n) 14 strömt, und steuert die Brennstoffaufteilung auf die Brennstoffkreisläufe, die eine Flusssteuerung des Brennstoffs in verschiedene Brennstoffdüsen innerhalb jeder Brennkammer 14 ermöglichen. Das Brennstoffsteuersystem 32 kann ferner die Art des Brennstoffs für die Brennkammer 14 auswählen, die Temperatur des Brennstoffs unter anderen Betriebsweisen regeln. Das Brennstoffsteuersystem 32 kann eine gesonderte Einheit sein oder kann eine Komponente des Steuersystems 18 sein.

[0033] Fig. 2 zeigt eine seitliche Schnittsansicht einer beispielhaften Brennkammer 14, wie sie verschiedene Ausführungsformen der vorliegenden Erfindung enthalten kann. Wie veranschaulicht, ist die Brennkammer 14 wenigstens teilweise von einem Verdichterauslass- oder äusseren Gehäuse 34 umgeben. Eine Endabdeckung 36 ist mit dem äusseren Gehäuse 34 verbunden. Eine oder mehrere Brennstoffdüsen 38 erstrecken sich von der Endabdeckung 36 aus im Wesentlichen in eine axial stromabwärtige Richtung und teilweise durch eine Brennstoffdüsenkappenanordnung 40 hindurch. Eine kreisringförmige Auskleidung, wie beispielsweise ein Flammrohr 42 und/oder ein Übergangskanal 44, erstreckt sich stromabwärts von den Brennstoff düsen 38 und/oder der Kappenanordnung 40, um einen Heissgaspfad 46 zur Leitung der heissen Verbrennungsgase in Richtung auf einen Einlass 48 zu der Turbine 16. Eine kreisringförmige Strömungshülse 50 kann wenigstens teilweise das Flammrohr 42 umgeben, und eine kreisringförmige Prallhülse 52 kann wenigstens teilweise den Übergangskanal 44 umgeben, um einen kreisringförmigen Kühlströmungskanal 54 dazwischen auszubilden. Stromabwärts von den Brennstoffdüsen 38 ist ein Brennraum 56 definiert.

[0034] In dem hierin verwendeten Sinne entspricht eine «fehlerfreie» Brennkammer einer Brennkammer, die in einem akzeptablen Leistungsbereich arbeitet. Im Gegensatz hierzu entspricht eine «fehlerhafte» Brennkammer einer Brennkammer, die ausserhalb eines akzeptablen Leistungsbereiches arbeitet oder die vollständig ausgefallen ist. Im Laufe der Zeit können verschiedene Faktoren, wie beispielsweise thermische Belastung und mechanische Ermüdung, die Leistung und/oder Zuverlässigkeit einer Brennkammer beeinträchtigen, was schliesslich zu einer fehlerhaften Brennkammer führen kann. Um eine akzeptable Systemdauerhaltbarkeit und -Zuverlässigkeit zu erreichen, sollte folglich die Funktionsfähigkeit der einzelnen Brennkammern und/oder des gesamten Verbrennungssystems sorgfältig überwacht und kontrolliert werden. Die vorliegende Offenbarung liefert ein System und Verfahren zur Detektion und/ oder Vorhersage einer fehlerhaften Brennkammer auf der Basis von Echtzeit-Verbrennungsdynamikdaten, die während eines Betriebs der Brennkammer erfasst werden.

[0035] Fig. 3 zeigt ein Blockschaltbild eines Systems zur Detektion einer fehlerhaften Brennkammer 14, das hierin als das «System 100» bezeichnet wird, gemäss wenigstens einer Ausführungsform der vorliegenden Erfindung. In einer Ausführungsform enthält das System 100 eine Rechenvorrichtung 102, eine Brennkammer 104 und einen Sensor 106, der mit der Brennkammer 104 gekoppelt und mit der Rechenvorrichtung 102 in elektronischer Kommunikationsverbindung steht.

[0036] In bestimmten Ausführungsformen kann die Brennkammer 104 in der gleichen oder ähnlichen Weise wie die Brennkammer 14 konfiguriert sein, die in Fig. 2 veranschaulicht und beschrieben ist. Obwohl das System 100 allgemein beschrieben ist, wie es eine einzige Brennkammer 104 und einen einzigen Sensor 106 aufweist, und Fig. 3 das System veranschaulicht, wie es sechs Brennkammern 104 und sechs Sensoren 106 aufweist, wird ein Fachmann auf dem Gebiet, der durch die hierin gelieferten Lehren geleitet ist, erkennen, dass Ausführungsformen des Systems 100 nicht auf Konfigurationen mit einer einzigen Brennkammer 104 und einem einzigen Sensor 106 oder mit sechs Brennkammern 104 und sechs Sensoren 106 beschränkt sind. Vielmehr kann das System 100 eine beliebige Anzahl von Brennkammern 104 und/oder Sensoren 106 enthalten, die mit der Rechenvorrichtung 102 in Kommunikationsverbindung stehen.

[0037] In einer Ausführungsform ist der Sensor 106 eingerichtet, um statischen und/oder dynamischen Druck im Innern der Brennkammer 104 zu erfassen und/oder zu messen. Z.B. weist der Sensor 106 in einer Ausführungsform einen dynamischen Drucksensor oder eine dynamische Drucksonde auf, der bzw. die eingerichtet ist, um Verbrennungsdynamikdruckdaten 110 von der Brennkammer 104 zu erfassen oder zu messen. Der Sensor 106 ist eingerichtet, um ein Signal 108, das die Verbrennungsdynamikdruckdaten 110 kennzeichnet, zu der Rechenvorrichtung 102 zu übertragen oder dieser mitzuteilen. Z.B. kann der Sensor 106 mit einer drahtlosen Vorrichtung gekoppelt sein, die mit der Rechenvorrichtung 102 in Kommunikationsverbindung steht, oder er kann mit der Rechenvorrichtung 102 über eine Drahtverbindung verbunden sein.

[0038] Die Rechenvorrichtung 102, wie sie hierin beschrieben ist, enthält einen oder mehrere Prozessoren oder Verarbeitungseinheiten, Systemspeicher und irgendeine Form eines computerlesbaren Mediums. Die Rechenvorrichtung 102 kann eine gesonderte Komponente sein oder kann in dem Steuersystem 18 integriert sein. Als ein Beispiel und nicht beschränkend können die computerlesbaren Medien Computerspeichermedien und Kommunikationsmedien enthalten. Computerspeichermedien können flüchtige und nicht flüchtige, herausnehmbare und nicht herausnehmbare Medien enthalten, die gemäss einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen, wie beispielsweise computerlesbarer Instruktionen, Datenstrukturen, Programmmodule oder anderer Daten, implementiert sind. Kommunikationsmedien verkörpern gewöhnlich computerlesbare Instruktionen, Datenstrukturen, Programmmodule oder andere Daten in einem modulierten Datensignal, wie beispielsweise einer Trägerwelle oder einem anderen Transportmechanismus, und sie können ein beliebiges Informationszuführmedium enthalten. Kombinationen von beliebigen der Vorstehenden sind in dem Umfang eines computerlesbaren Mediums enthalten.

[0039] Die Rechenvorrichtung 102 kann in einer vernetzten Umgebung unter Verwendung logischer Verbindungen zu einem oder mehreren entfernten Computern, wie beispielsweise einem Ferncomputer, arbeiten. Obwohl sie in Verbindung mit einer beispielhaften Computersystemumgebung beschrieben ist, sind Ausführungsformen der vorliegenden Offenbarung mit zahlreichen anderen Universalzweck- oder Spezialzweck-Computersystemumgebungen oder -konfigurationen betreibbar. Die Computersystemumgebung soll keine Beschränkung auf den Umfang der Nutzung oder Funktionalität irgendeines Aspektes der vorliegenden Offenbarung suggerieren. Ausserdem sollte die Computersystemumgebung nicht so interpretiert werden, als würde sie irgendeine Abhängigkeit oder Anforderung in Bezug auf irgendeine einzelne oder eine Kombination von in der beispielhaften Betriebsumgebung veranschaulichten Komponenten haben.

[0040] Beispiele für allgemein bekannte Rechensysteme, Umgebungen und/oder Konfigurationen, die sich zur Verwendung mit Aspekten der vorliegenden Offenbarung eignen, umfassen, ohne jedoch darauf beschränkt zu sein, Personalcomputer, Servercomputer, tragbare oder Laptop-Vorrichtungen, Multiprozessorsysteme, mikroprozessorbasierte Systeme, Set-Top-Boxen, programmierbare Verbraucherelektronik, Mobiltelefone, Netzwerk-PCs, Minicomputer Mainframecomputer, verteilte Rechenumgebungen, die irgendein bzw. irgendeine der vorstehenden Systeme oder Vorrichtungen enthalten, und dergleichen.

[0041] Ausführungsformen der vorliegenden Offenbarung können in dem allgemeinen Zusammenhang mit computerausführbaren Instruktionen oder Algorithmen, wie beispielsweise Programmmodulen, die von einem oder mehreren Computern oder anderen Vorrichtungen ausgeführt werden beschrieben sein. Die Algorithmen können zu einer bzw. einem oder mehreren computerausführbaren Komponenten oder Modulen organisiert sein. Allgemein umfassen Programmmodule, ohne jedoch darauf beschränkt zu sein, Routinen, Programme, Objekte, Komponenten und Datenstrukturen, die bestimmte Aufgaben erfüllen oder bestimmte abstrakte Datentypen implementieren.

[0042] Aspekte der vorliegenden Offenbarung können bei einer beliebigen Anzahl und Organisation derartiger Komponenten oder Module implementiert sein. Z.B. sind Aspekte der vorliegenden Offenbarung nicht auf die spezifischen Algorithmen oder die spezifischen Komponenten oder Module beschränkt, die in den Figuren veranschaulicht und hierin beschrieben sind. Andere Ausführungsformen der vorliegenden Offenbarung können andere Algorithmen oder Komponenten mit grösserer oder geringerer Funktionalität enthalten, als hierin veranschaulicht und beschrieben ist. Aspekte der vorliegenden Offenbarung können auch in verteilten Rechenumgebungen in die Praxis umgesetzt werden, wo Aufgaben durch entfernte Verarbeitungsvorrichtungen ausgeführt werden, die durch ein Kommunikationsnetzwerk miteinander verbunden sind. In einer verteilten Rechenumgebung können Programmmodule sowohl in lokalen als auch in entfernten Computerspeichermedien, einschliesslich Speichergeräte, angeordnet sein. Aspekte der vorliegenden Offenbarung können einen Universalzweckcomputer in eine Spezialzweck-Rechenvorrichtung umwandeln, wenn er konfiguriert wird, um die hierin beschriebenen Instruktionen auszuführen.

[0043] Die Reihenfolge der Ausführung oder Ableistung der Operationen in hierin veranschaulichten und beschriebenen Ausführungsformen der vorliegenden Offenbarung ist nicht wichtig, sofern nicht was anderes angegeben ist. D.h., die Operationen können in einer beliebigen Reihenfolge ausgeführt werden, sofern nicht anders angegeben, und Ausführungsformen der vorliegenden Offenbarung können zusätzliche oder wenigere Operationen als die hierin offenbarten enthalten. Z.B. ist es vorgesehen, dass die Ausführung oder Ableistung einer bestimmten Operation vor, gleichzeitig mit oder nach einer anderen Operation innerhalb des Umfangs von Aspekten der vorliegenden Offenbarung liegt.

[0044] In einer Ausführungsform, wie in Fig. 3 veranschaulicht, enthält die Rechenvorrichtung 102 eine Anzeige 112, wenigstens einen Prozessor 114 und einen Speicher oder einen Datenspeicherabschnitt 116. Die Anzeige 112 kann z.B. eine kapazitive Berührungsbildschirmanzeige sein, die in der Rechenvorrichtung 102 integriert ist oder die für die Rechenvorrichtung 102 extern ist. Eine Benutzereingabefunktionalität kann in der Anzeige 112 vorgesehen sein, die als eine Benutzereingabeauswahlvorrichtung dient. In einer Ausführungsform kann die Rechenvorrichtung eine Alarmvorrichtung 118 enthalten und/oder mit einer Alarmvorrichtung 118 in Verbindung stehen.

[0045] In einer Ausführungsform ist die Rechenvorrichtung 102 eingerichtet, um das Signal 108, das die Verbrennungsdynamikdruckdaten 110 aufweist, von dem Sensor 106 zu empfangen. Z.B. kann die Rechenvorrichtung 102 mit dem Sensor 106 über eine drahtgebundene und/oder eine drahtlose Verbindung kommunizieren. Die Verbrennungsdynamikdruckdaten 110 werden allgemein als Druckwerte 120 empfangen, und die Rechenvorrichtung 102 kann programmiert sein, um die Druckwerte 120 in Bezug auf die Zeit 122 zu verfolgen, wie in Fig. 4 veranschaulicht.

[0046] In einer Ausführungsform ist die Rechenvorrichtung 102 programmiert, um die Verbrennungsdynamikdruckdaten 110 in ein Frequenzspektrum 124 umzuwandeln, das eine Amplitude 126 im Verhältnis zur Frequenz 128 aufweist, wie in Fig. 5 veranschaulicht. Dies kann bewerkstelligt werden, indem ein oder mehrere bekannte Algorithmen mittels der Rechenvorrichtung 102 ausgeführt werden.

[0047] In einer Ausführungsform ist die Rechenvorrichtung 102 programmiert, um das Frequenzspektrum 124 in Frequenzintervalle 130 oder «Töpfe» aufzuteilen, die mit bestimmten Leistungs- und/oder Dynamikverhalten der Brennkammer 104 und/ oder der Gasturbine 10 korrelieren, wie in Fig. 6 veranschaulicht. Es sollte für einen Fachmann auf dem Gebiet offensichtlich sein, dass dies mittels eines beliebigen für einen Fachmann auf dem Gebiet bekannten Algorithmus zur Segmentierung von Datenpunkten, der durch die Rechenvorrichtung 102 ausgeführt werden kann, bewerkstelligt werden kann.

[0048] Da das Brennstoff- und Luft-Gemisch in der Brennkammer 104 verbrannt wird, beeinflussen verschiedene Betriebsparameter der Gasturbine 10, wie beispielsweise die Brennstofftemperatur, Brennstoffart, Brennstoffluftaufteilungen, Umgebungsluftbedingungen, Brennkammerbauteilkonfiguration, Brennkammerbauteilzustand und Betriebsmodus oder Betriebszustand der Gasturbine, das dynamische Verhalten der Brennkammer, wie beispielsweise die Verbrennungsdynamikdruckpulsationen oder Druckwellen innerhalb der Brennkammer 14. Die Druckwellen weisen definierte Amplituden und Frequenzen auf, die akustischen Eigenmodi oder Tönen des Verbrennungssystems und/oder der einzelnen Brennkammern 104 entsprechen. Im Ergebnis können sich die Auswirkungen des dynamischen Verhaltens der Brennkammer(n) 104 unmittelbar in den Verbrennungsdynamikdruckdaten 12 widerspiegeln, wie sie durch den (die) Sensor (en) 106 erfasst werden.

[0049] In bestimmten Ausführungsformen, wie in Fig. 6 veranschaulicht, können die Frequenzintervalle 130 basierend auf den verschiedenen akustischen Modi oder Tönen segmentiert werden. Z.B. können die Intervalle 130 in einer Ausführungsform als Ausblaston 132, niedriger Ton 134, mittlerer Ton 136 und hoher Ton 138 segmentiert werden. Als ein Beispiel kann der Ausblaston 132 einem Frequenzintervallbereich zwischen etwa null Hertz und etwa fünfzig Hertz entsprechen, während der niedrige Ton 134 einem Frequenzbereich zwischen etwa fünfzig Hertz und etwa einhundert Hertz entsprechen kann, der mittlere Ton 136 einem Frequenzbereich zwischen etwa einhundert Hertz und etwa fünfhundert Hertz entsprechen kann und der hohe Ton 138 einem Frequenzbereich von mehr als etwa fünfhundert Hertz entsprechen kann.

[0050] Die Verbrennungsdynamikdruckdaten 110 können mit einer hohen Frequenz/Abtastrate, in einigen Fällen in der Grössenordnung von mehreren zehntausenden von Abtastungen pro Sekunde oder mit einer Abtastrate von zig kHz, erfasst werden. Im Ergebnis werden grosse Mengen von Verbrennungsdynamikdruckdatenpunkten generiert, die grossen Mengen von Datenpunkten innerhalb des Frequenzspektrums 124 entsprechen. In einer Ausführungsform ist die Rechenvorrichtung 102 programmiert, um einen Computeralgorithmus, wie beispielsweise eine Operation zur «Auswahl maximaler Spitzenwerte» oder zur «Unterabtastung «, auszuführen, um die Anzahl von Frequenzdatenpunkten innerhalb des Frequenzspektrums innerhalb jedes Frequenzintervalls 130 zu reduzieren.

[0051] In einer Ausführungsform, wie in Fig. 6 veranschaulicht, identifiziert die Operation zur Auswahl maximaler Spitzenwerte eine maximale Amplitude 140 bei einer bestimmten Frequenz 128 innerhalb eines bestimmten Frequenzintervalls 130. Die Rechenvorrichtung 102 kann die maximale Amplitude 140 und die zugehörige Frequenz 128, die als ein Spitzenwertpaar bezeichnet werden können, für jedes Frequenzintervall 130 speichern. Der Algorithmus zur Auswahl maximaler Spitzenwerte kann einen Zeitstempel für die maximale Amplitude 140 und die zugehörige Frequenz 128 generieren und/oder kann eine Familie von Parametern identifizieren, die den Betriebszustand oder -modus der Brennkammer 104 und/oder der Gasturbine 10 beschreiben. In bestimmten Ausführungsformen gibt es ein einziges Spitzenwertpaar pro jedes Frequenzintervall 130 bei einem zugehörigen Zeitstempel oder Betriebsbedingungsdeskriptor.

[0052] In einer Ausführungsform ist die Rechenvorrichtung 102 programmiert, um ein «Merkmal» oder mehrere Merkmale aus dem Frequenzspektrum 124 und/oder aus einem oder mehreren der Frequenzintervalle 130 zu extrahieren. Z.B. kann die Rechenvorrichtung 102 programmiert sein, um einen Merkmalsextraktionsalgorithmus auszuführen. Der Merkmalsextraktionsalgorithmus kann ein Merkmal durch Durchführung verschiedener Operationen an einem oder mehreren Spitzenwertpaar(en) (Amplitude + Frequenz) innerhalb eines entsprechenden Frequenzintervalls 130 extrahieren. Als Beispiel kann die Operation an dem (den) Spitzenwertpaar(en) ein Messen eines gleitenden Durchschnitts im Laufe der Zeit oder Normieren eines Trends enthalten. Zusätzlich oder alternativ kann das Merkmal generiert werden, in dem das (die) Spitzenwertpaar(en) über die Frequenzintervalle 130 hinweg kombiniert wird (werden).

[0053] Das Merkmal kann z.B., jedoch nicht zur Beschränkung, eine mathematische Transformation oder eine Berechnung von statistischen Grössen der Spitzenwerte aufweisen. In einer Ausführungsform basiert das Merkmal im Wesentlichen auf der Physik der Brennkammer 104, die eine unmittelbare oder mittelbare Auswirkung auf die Verbrennungsdynamikdruckdaten 110, die von der Brennkammer 104 erfasst werden, haben kann. Z.B. kann das Merkmal auf der Brennkammerbauteilkonfiguration, den Brennkammerbauteilkomponenten, der Brennkammerbauart, den Schwingungsintensitäten, der Ausrichtung der Brennkammer an der Gasturbine 10 oder der Anzahl von Brennkammern an der Gasturbine 10 basieren.

[0054] In einer Ausführungsform, wie in Fig. 7 veranschaulicht, ist die Rechenvorrichtung 102 programmiert, um Merkmalswerte 142 für das extrahierte Merkmal 144 innerhalb eines entsprechenden Frequenzintervalls 130 über eine Zeitdauer hinweg zu generieren. Die Merkmalswerte 142 können das Produkt aus der Amplitude und der Frequenz des Spitzenwertpaars (der Spitzenwertpaare) sein oder können die Summe aus der Amplitude und Frequenz des Spitzenwertpaars (der Spitzenwertpaare) sein, oder sie können ein beliebiger anderer Wert sein, der aus dem Spitzenwertpaar extrahiert wird. Wie veranschaulicht, kann die Rechenvorrichtung 102 einen Zeitstempel 146 für jeden generierten oder berechneten Merkmalswert 142 liefern.

[0055] Das Merkmal 144 behält mehrere wichtige Beziehungen zu dem (den) ursprünglichen Spitzenwertpaar(en). Z.B. entspricht das Merkmal 144 einer einzelnen Brennkammer 104, es entspricht einem spezifischen Frequenzintervall 130, und das Merkmal 144 entspricht einem Zeitstempel und/oder einem Turbinenbetriebszustand oder -modus. Auf diese Weise kann die Rechenvorrichtung 102 programmiert sein, um Listen, Tabellen oder Matrizen, wie in Fig. 7 veranschaulicht, zu erzeugen, die das Verhalten des Merkmals 144 und/oder der Merkmalswerte 142 im Laufe der Zeit verfolgen. Wie veranschaulicht, kann die Rechenvorrichtung 102 programmiert sein, um Merkmalswerte für mehrere Merkmale über die Zeit hinweg zu generieren und zu verfolgen, und sie kann programmiert sein, um Merkmalswerte für mehrere Brennkammern 104, die mit einer gemeinsamen Gasturbine 10 gekoppelt sind, zu generieren und zu verfolgen.

[0056] In einer Ausführungsform ist die Rechenvorrichtung 102 programmiert, um die Merkmalswerte 142 elektronisch zu speichern, so dass auf diese Weise eine historische Datenbank der Merkmalswerte 142 geschaffen wird. Z.B. kann der Speicher 112 dazu verwendet werden, die Merkmalswerte 142 zu speichern. In bestimmten Ausführungsformen kann der Speicher 112 ferner dazu verwendet werden, Brennkammer-Historiendaten, benutzerdefinierte Schwellen und akustische Schwingungsdaten zu speichern.

[0057] In einer Ausführungsform kann die Rechenvorrichtung 102 ferner programmiert sein, um ein oder mehrere statistische Merkmale zu generieren, die auf verschiedenen Betriebs-Parametern der Brennkammer 104 und/oder der Gasturbine 10 basieren, zu denen einschliesslich, jedoch nicht darauf beschränkt, die Abgastemperatur, Verbrennungsventileinstellungen, Gasturbinenlast oder Betriebsbedingung, Brenntemperatur der Brennkammer, Brennstofftemperatur, Brennstoffaufteilung und Brennstoffart gehören. Zusätzlich oder alternativ hierzu kann das statistische Merkmal zum Teil auf der historischen Datenbank der Merkmalswerte basieren. Das statistische Merkmal kann (die statistischen Merkmale können) Daten liefern, die mit generischen Unterschieden zwischen Betriebsprofilen von fehlerfreien und fehlerhaften Brennkammern 104 in Beziehung stehen. Das statistische Merkmal kann (die statistischen Merkmale können) auf statistischen Mittelwerten, Trends, Ausreissern oder dergleichen basieren.

[0058] In einer Ausführungsform ist die Rechenvorrichtung 102 programmiert, um einen maschinellen Lernalgorithmus auszuführen. Der maschinelle Lernalgorithmus kann online oder in Echtzeit ausgeführt werden, um den Zustand der Brennkammer oder der Brennkammern zu bewerten, während sie im Betrieb ist bzw. sind. Der maschinelle Lernalgorithmus trainiert die Rechenvorrichtung 102, damit sie ein Merkmalsverhalten erkennt, das eine fehlerfreie Brennkammer und eine fehlerhafte Brennkammer kennzeichnet.

[0059] In einer Ausführungsform, bei der die historische Datenbank Merkmalswerte enthält und/oder die Rechenvorrichtung 102 Daten enthält, die einen fehlerfreien Brennkammerbetrieb und einen fehlerhaften Brennkammerbetrieb kennzeichnen, kann der maschinelle Lernalgorithmus einen überwachten Trainingsalgorithmus enthalten, um die Rechenvorrichtung 102 zu trainieren, ein Merkmalsverhalten, das eine fehlerfreie Brennkammer und eine fehlerhafte Brennkammer kennzeichnet, zu erkennen. Der maschinelle Lernalgorithmus kann logistische Regression, neuronale Netzwerke, Support-Vektor-Maschinen oder dergleichen enthalten.

[0060] In einer Ausführungsform verwendet der maschinelle Lernalgorithmus einen unüberwachten Trainingsalgorithmus, um abnormale Verhalten in der Brennkammer und/oder den mehreren Brennkammern der Gasturbine aufzufinden, wie beispielsweise eine Clusteranalyse oder k-Means-Klassifizierung. Der unüberwachte Trainingsalgorithmus kann verwendet werden, wenn es nicht bekannt ist, wie sich ein Brennkammerfehler in den Verbrennungsdynamikdaten zeigt, jedoch vorhergesagt wird, dass das abnormale Verhalten für eine fehlerhafte Brennkammer kennzeichnend sein kann.

[0061] Sobald die Rechenvorrichtung 102 unter Verwendung des maschinellen Lernalgorithmus trainiert worden ist, können Merkmale, die aus Verbrennungsdynamikdaten 110 von anderen Brennkammern anderer Gasturbinen extrahiert werden, während diese im Einsatz sind oder während diese im Betrieb sind, in die Rechenvorrichtung 102 eingegeben oder dieser zugeführt werden. Auf diese Weise kann ein fehlerhaftes Brennkammerverhalten vorhergesagt oder detektiert werden, bevor die Brennkammer 104 ausfällt. Ein derartiger Detektionsalgorithmus für unterschiedliche mögliche Fehler kann wiederum individuell sichere, passende oder rechtzeitige Inspektions-, Instandhaltungs- oder Steuerungsoperationen der Turbine auslösen.

[0062] Die verschiedenen Ausführungsformen, wie sie hierin beschrieben und wie sie hierin veranschaulicht sind, ergeben ein Verfahren 200 zur Detektion einer fehlerhaften Brennkammer unter Verwendung von Verbrennungsdynamikdruckdaten 110 von einer ersten Brennkammer 104 und der Rechenvorrichtung 102. Wie in Fig. 8 veranschaulicht, enthält das Verfahren 200 im Schritt 202 ein Empfangen der Verbrennungsdynamikdruckdaten 110 an der Rechenvorrichtung 102 von einem Sensor 106, der mit der ersten Brennkammer 104 gekoppelt ist. Im Schritt 204 enthält das Verfahren ein Umwandeln der Verbrennungsdynamikdruckdaten 110 der ersten Brennkammer 104 in das Frequenzspektrum 124. Im Schritt 206 enthält das Verfahren 200 ein Aufteilen (Segmentieren) des Frequenzspektrums 124 in mehrere Frequenzintervalle 130. Im Schritt 208 enthält das Verfahren ein Extrahieren eines Merkmals 144 aus dem Frequenzspektrum 124.

[0063] Im Schritt 210 enthält das Verfahren 200 ein Generieren von Merkmalswerten, die dem Merkmal innerhalb eines entsprechenden Frequenzintervalls entsprechen. Im Schritt 212 enthält das Verfahren 200 ein Speichern der Merkmalswerte, um eine historische Datenbank der Merkmalswerte zu schaffen. Im Schritt 214 enthält das Verfahren 200 ein Ausführen eines maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte, um die Rechenvorrichtung zu trainieren, damit sie ein für eine fehlerhafte Brennkammer kennzeichnendes Merkmalsverhalten erkennt.

[0064] In einer Ausführungsform, in der die historische Datenbank Merkmalswerte aufweist, die einen fehlerfreien Brennkammerbetrieb und einen fehlerhaften Brennkammerbetrieb kennzeichnen, kann der Schritt 214 ein Ausführen eines überwachten Trainingsalgorithmus enthalten. In einer Ausführungsform, in der die historische Datenbank abnormale Merkmalswerte aufweist, kann der Schritt 214 ein Ausführen eines unüberwachten Trainingsalgorithmus enthalten. In einer Ausführungsform kann der Schritt 214 in Echtzeit während eines Betriebs der ersten Brennkammer 104 ausgeführt werden.

[0065] In einer Ausführungsform kann das Verfahren 200 ferner ein Umwandeln von Verbrennungsdynamikdruckdaten einer zweiten Brennkammer in ein Frequenzspektrum, Aufteilen des Frequenzspektrums in mehrere Frequenzintervalle, Extrahieren eines Merkmals aus dem Frequenzspektrum, das dem aus der ersten Brennkammer extrahierten Merkmal entspricht, Generieren eines Merkmalswertes für das Merkmal über eine Zeitdauer hinweg, wobei der Merkmalswert innerhalb desselben Frequenzintervalls wie das Frequenzintervall der ersten Brennkammer generiert wird, und Vergleichen eines Verhaltens des Merkmals der zweiten Brennkammer mit dem Verhalten des Merkmals der ersten Brennkammer enthalten, um einen fehlerhaften Brennkammerbetrieb der zweiten Brennkammer zu detektieren und/oder vorherzusagen. Der Schritt des Vergleichs des Verhaltens des Merkmals der zweiten Brennkammer mit dem Verhalten des Merkmals der ersten Brennkammer wird während eines Betriebs der zweiten Brennkammer ausgeführt.

[0066] Das Verfahren kann ferner ein Speichern der Merkmalswerte der zweiten Brennkammer zur Generierung einer historischen Datenbank der Merkmalswerte der zweiten Brennkammer und Ausführen eines maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte der zweiten Brennkammer enthalten. Wenn die historische Datenbank der Merkmalswerte der zweiten Brennkammer Merkmalswerte aufweist, die einem fehlerfreien Brennkammerbetrieb und einem fehlerhaften Brennkammerbetrieb entsprechen, kann das Ausführen des maschinellen Lernalgorithmus ein Ausführen eines überwachten Trainingsalgorithmus enthalten. Wenn die historische Datenbank der Merkmalswerte der zweiten Brennkammer abnormale Merkmalswerte aufweist, kann das Ausführen des maschinellen Lernalgorithmus ein Ausführen eines unüberwachten Trainingsalgorithmus aufweisen. Das Verfahren kann ferner ein Ausführen des maschinellen Lernalgorithmus in Echtzeit während eines Betriebs der zweiten Brennkammer enthalten.

[0067] Diese schriftliche Beschreibung verwendet Beispiele, um die Erfindung, einschliesslich der besten Ausführungsart, zu offenbaren und auch um jeden Fachmann auf dem Gebiet zu befähigen, die Erfindung in die Praxis umzusetzen, wozu die Schaffung und Verwendung jeglicher Vorrichtungen oder Systeme und die Durchführung jeglicher enthaltener Verfahren gehören. Der patentierbare Umfang der Erfindung ist durch die Ansprüche definiert und kann weitere Beispiele enthalten, die Fachleuten auf dem Gebiet einfallen. Derartige weitere Beispiele sollen in dem Umfang der Ansprüche enthalten sein, wenn sie strukturelle Elemente aufweisen, die sich von dem Wortsinn der Ansprüche nicht unterscheiden, oder wenn sie äquivalente strukturelle Elemente mit unwesentlichen Unterschieden gegenüber dem Wortsinn der Ansprüche enthalten.

[0068] Ein System zur Detektion einer fehlerhaften Brennkammer enthält einen Sensor, der eingerichtet ist, um Verbrennungsdynamikdruckdaten von der Brennkammer zu erfassen, und eine Rechenvorrichtung, die mit dem Sensor in elektronischer Verbindung steht und eingerichtet ist, um die Verbrennungsdynamikdruckdaten von dem Sensor zu empfangen. Die Rechenvorrichtung ist programmiert, um die Verbrennungsdynamikdruckdaten in ein Frequenzspektrum umzuwandeln, das Frequenzspektrum in mehrere Frequenzintervalle aufzuteilen, ein Merkmal aus dem Frequenzspektrum zu extrahieren, Merkmalswerte für das Merkmal innerhalb eines entsprechenden Frequenzintervalls über eine Zeitdauer zu generieren, und die Merkmalswerte zu speichern, um eine historische Datenbank zu generieren. Die Rechenvorrichtung ist ferner programmiert, um einen maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte auszuführen, um die Rechenvorrichtung zu trainieren, damit sie ein Merkmalsverhalten erkennt, das für eine fehlerhafte Brennkammer kennzeichnend ist.

Bezugszeichenliste

[0069] <tb>10<SEP>Gasturbine <tb>12<SEP>Verdichter <tb>14<SEP>Brennkammer <tb>16<SEP>Turbine <tb>18<SEP>Steuersystem <tb>20<SEP>Einlasskanal <tb>22<SEP>Leitschaufein <tb>24<SEP>Welle <tb>26<SEP>Auslasskanal <tb>28<SEP>Generator <tb>30<SEP>Sensoren <tb>32<SEP>Brennstoffsteuersystem <tb>34<SEP>äusseres Gehäuse <tb>36<SEP>Endabdeckung <tb>38<SEP>Brennstoffdüse <tb>40<SEP>Kappenanordnung <tb>42<SEP>Flammrohr <tb>44<SEP>Übergangskanal <tb>46<SEP>Heissgaspfad <tb>48<SEP>Einlass <tb>50<SEP>Strömungshülse <tb>52<SEP>Prallhülse <tb>53–99<SEP>nicht verwendet <tb>100<SEP>System <tb>102<SEP>Rechenvorrichtung <tb>104<SEP>Brennkammer <tb>106<SEP>Sensor <tb>108<SEP>Signal <tb>110<SEP>Brennkammerdynamikdaten <tb>112<SEP>Anzeige <tb>114<SEP>Prozessor <tb>116<SEP>Datenspeicherabschnitt <tb>118<SEP>nicht verwendet <tb>120<SEP>Druckwerte <tb>122<SEP>Zeit <tb>124<SEP>Frequenzspektrum <tb>126<SEP>Amplitude <tb>128<SEP>Frequenz <tb>130<SEP>Frequenzintervalle <tb>132<SEP>Ausblaston <tb>134<SEP>niedriger Ton <tb>136<SEP>mittlerer Ton <tb>138<SEP>hoher Ton <tb>140<SEP>maximale Amplitude <tb>142<SEP>Merkmalswerte <tb>144<SEP>Merkmal <tb>146<SEP>Zeitstempel

Claims (10)

1. System zur Detektion einer fehlerhaften Brennkammer, das aufweist: eine Brennkammer; einen Sensor, der eingerichtet ist, um Verbrennungsdynamikdruckdaten von der Brennkammer zu erfassen; und eine Rechenvorrichtung, die mit dem Sensor in Kommunikationsverbindung steht und eingerichtet ist, um die Verbrennungsdynamikdruckdaten von dem Sensor zu empfangen, wobei die Rechenvorrichtung programmiert ist, um: die Verbrennungsdynamikdruckdaten in ein Frequenzspektrum umzuwandeln; das Frequenzspektrum in mehrere Frequenzintervalle aufzuteilen; ein Merkmal aus dem Frequenzspektrum zu extrahieren; Merkmalswerte für das Merkmal innerhalb eines entsprechenden Frequenzintervalls über eine Zeitdauer zu generieren; die Merkmalswerte elektronisch zu speichern, um eine historische Datenbank der Merkmalswerte zu schaffen; und einen maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte auszuführen, um die Rechenvorrichtung zu trainieren, ein für eine fehlerhafte Brennkammer kennzeichnendes Merkmalsverhalten zu erkennen.

2. System nach Anspruch 1, wobei die Merkmalswerte auf Spitzenamplituden basieren, die bei einer entsprechenden Frequenz innerhalb des entsprechenden Frequenzintervalls gemessen wird; und/oder wobei jedes Frequenzintervall einem Brennkammerton entspricht; und/oder wobei die Rechenvorrichtung programmiert ist, um jeden generierten Merkmalswert mit einem Zeitstempel zu versehen.

3. System nach Anspruch 1 oder 2, wobei die Brennkammer mit einer Gasturbine gekoppelt ist, wobei das Merkmal einem Betriebsmodus der Gasturbine entspricht; und/oder wobei die Brennkammer mit einer Gasturbine gekoppelt ist, wobei die Rechenvorrichtung programmiert ist, um einen statistischen Merkmalswert auf der Basis von der historischen Datenbank der Merkmalswerte und/oder verschiedenen Betriebsparametern einer Gasturbine zu generieren.

4. System nach einem der Ansprüche 1–3, wobei der maschinelle Lernalgorithmus einen unüberwachten Trainingsalgorithmus aufweist; oder wobei die historische Datenbank Merkmalswerte aufweist, die für einen fehlerfreien Brennkammerbetrieb und einen fehlerhaften Brennkammerbetrieb kennzeichnend sind, und wobei der maschinelle Lernalgorithmus vorzugsweise einen überwachten Trainingsalgorithmus aufweist.

5. Verfahren zur Detektion einer fehlerhaften Brennkammer unter Verwendung von Verbrennungsdynamikdruckdaten und einer Rechenvorrichtung, das aufweist: Empfangen von Verbrennungsdynamikdruckdaten an der Rechenvorrichtung von einem Sensor in Kommunikationsverbindung mit einer ersten Brennkammer; Umwandeln der Verbrennungsdynamikdruckdaten der ersten Brennkammer in ein Frequenzspektrum; Aufteilen des Frequenzspektrums in mehrere Frequenzintervalle; Extrahieren eines Merkmals aus dem Frequenzspektrum; Generieren eines Merkmalswertes, der dem Merkmal innerhalb eines entsprechenden Frequenzintervalls entspricht, über eine Zeitdauer hinweg; Speichern der Merkmalswerte, um eine historische Datenbank der Merkmalswerte zu schaffen; Ausführen eines maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte, um die Rechenvorrichtung zu trainieren, ein für eine fehlerhafte Brennkammer kennzeichnendes Merkmalsverhalten zu erkennen.

6. Verfahren nach Anspruch 5, wobei die historische Datenbank Merkmalswerte aufweist, die für einen fehlerfreien Brennkammerbetrieb und einen fehlerhaften Brennkammerbetrieb kennzeichnend sind, wobei der Schritt des Ausführens eines maschinellen Lernalgorithmus ein Ausführen eines überwachten Trainingsalgorithmus aufweist; oder wobei die historische Datenbank abnormale Merkmalswerte aufweist, wobei der Schritt des Ausführens eines maschinellen Lernalgorithmus ein Ausführen eines unüberwachten Trainingsalgorithmus aufweist; wobei der Schritt des Ausführens eines maschinellen Lernalgorithmus in Echtzeit während eines Betriebs der Brennkammer ausgeführt werden kann.

7. Verfahren nach Anspruch 5, das ferner aufweist: Umwandeln der Verbrennungsdynamikdruckdaten einer zweiten Brennkammer in ein Frequenzspektrum; Aufteilen des Frequenzspektrums in mehrere Frequenzintervalle; Extrahieren eines Merkmals aus dem Frequenzspektrum, das dem von der ersten Brennkammer extrahierten Merkmal entspricht; Generieren eines Merkmalswertes für das Merkmal über eine Zeitdauer hinweg, wobei der Merkmalswert innerhalb desselben Frequenzintervalls wie das Frequenzintervall der ersten Brennkammer generiert wird; und Vergleichen eines Verhaltens des Merkmals der zweiten Brennkammer mit dem Verhalten des Merkmals der ersten Brennkammer.

8. Verfahren nach Anspruch 7, wobei der Schritt des Vergleichens des Verhaltens des Merkmals der zweiten Brennkammer mit dem Verhalten des Merkmals der ersten Brennkammer während eines Betriebs der zweiten Brennkammer ausgeführt wird.

9. Verfahren nach Anspruch 7, das ferner ein Speichern der Merkmalswerte der zweiten Brennkammer, um eine historische Datenbank der Merkmalswerte der zweiten Brennkammer zu generieren, und Ausführen eines maschinellen Lernalgorithmus unter Verwendung der historischen Datenbank der Merkmalswerte der zweiten Brennkammer aufweist.

10. Verfahren nach Anspruch 9, wobei die historische Datenbank der Merkmalswerte der zweiten Brennkammer Merkmalswerte aufweist, die einem fehlerfreien Brennkammerbetrieb und einem fehlerhaften Brennkammerbetrieb entsprechen, wobei das Ausführen eines maschinellen Lernalgorithmus ein Ausführen eines überwachten Trainingsalgorithmus aufweist; oder wobei die historische Datenbank der Merkmalswerte der zweiten Brennkammer abnormale Merkmalswerte aufweist, wobei das Ausführen eines maschinellen Lernalgorithmus ein Ausführen eines unüberwachten Trainingsalgorithmus aufweist; wobei der Schritt des Ausführens eines maschinellen Lernalgorithmus in Echtzeit während eines Betriebs der zweiten Brennkammer ausgeführt werden kann.