Entwicklung und Demonstration eines integrierten Systems zur Zustandsüberwachung von Gasturbinen

Abstract

Die Leistungsfähigkeit von Gasturbinen nimmt im Laufe der Betriebsdauer aufgrund von Alterungsmechanismen und in Folge von Einzelereignissen ab. Das Ziel der Zustandsüberwachung ist es, die Leistungsfähigkeit der Gasturbine zu jedem Zeitpunkt möglichst exakt zu bestimmen und eine Prognose für den zukünftigen Zustandsverlauf zu erstellen. Dabei müssen auftretende Ereignisse zeitnah erkannt (Detektion), die betroffenen Komponenten der Gasturbine bestimmt (Identifikation) und die Leistungsparameter der jeweiligen Komponente berechnet werden (Diagnose). Während sich Alterungsmechanismen in gradueller Weise auf alle Komponenten der Gasturbine auswirken, sind Einzelereignisse dadurch charakterisiert, zeitlich diskret aufzutreten und nur einige wenige Komponenten der Gasturbine zu betreffen. Da die Charakteristiken dieser beiden Mechanismen sehr unterschiedlich sind, gestaltet sich die Durchführung der Zustandsüberwachung mit einem einzelnen Algorithmus sehr schwierig. In der vorliegenden Arbeit wurde daher ein Konzept zur Zustandsüberwachung von Gasturbinen entwickelt, welches mehrere Algorithmen miteinander verbindet, um die Anforderungen der verschiedenen Aspekte der Zustandsüberwachung zu erfüllen. Der entscheidende Vorteil dieses integrierten Konzeptes gegenüber bisher in der Literatur dokumentierten Systemen besteht in der funktionalen Trennung von Alterungs- und Einzelereignisdiagnose. Durch die anschließende Zusammenführung der Ergebnisse ist es möglich, Einzelereignisse und alterungsbedingte Verschlechterungen auch dann zu analysieren, wenn sie in überlagerter Form auftreten. Für die automatisierte Erkennung von Einzelereignissen wurde ein neuartiger Detektionsalgorithmus entwickelt, der durch die Anwendung einer speziellen Logik die gegensätzlichen Anforderungen einer schnellen Reaktion und eines hohen Glättungsgrades gleichzeitig erfüllt. Aufgrund der Kombination verschiedener Elemente zur Detektion (Bayes Faktoren, kumulative Bayes Faktoren, Lauflängen) ermöglicht der entwickelte Algorithmus die Detektion von Ereignissen, deren Auswirkungen auf die Messwerte kleiner als das Dreifache ihrer Standardabweichungen sind. Das entwickelte Verfahren zur Diagnose von Einzelereignissen basiert auf kombinatorischen Least-Squares-Lösungen, die mit Hilfe von Fuzzy-Logik-Regeln ausgewertet werden. Durch die spezielle Auswertelogik bedarf es keiner a-priori Informationen über die betroffenen Leistungsparameter, weder über ihre Anzahl noch über ihre Kombination. Darüber hinaus werden keinerlei Annahmen über die Beziehungen zwischen den Leistungsparametern getroffen. Es können beliebige Kombinationen an betroffenen Leistungsparametern diagnostiziert werden, wobei die maximal diagnostizierbare Anzahl an Leistungsparametern der Anzahl der vorhandenen Messwerte entspricht. Die Diagnose ist auf der Basis einzelner Messzeitpunkte durchführbar, d.h. es ist keine zeitliche Beobachtung der Messwerte notwendig. Das Diagnoseergebnis der Methode besteht nicht nur in der Berechnung der Abweichungen der Leistungsparameter, sondern auch aus der Berechnung des Fuzzy Index jedes Parameters. Der Fuzzy Index kann als Wahrscheinlichkeit interpretiert werden, mit der der entsprechende Leistungsparameter vom Fehler betroffen ist. Die Diagnose gradueller Verschlechterungen wurde mit bereits bekannten Verfahren der Nichtlinearen Optimierung durchgeführt. Dabei wurden verschiedene Definitionen von Nebenbedingungen und eine Startwertsuche mittels eines Genetischen Algorithmus untersucht. Es konnte gezeigt werden, dass beide Maßnahmen insbesondere für schlecht beobachtbare Leistungsparameter zu deutlichen Verbesserungen des Optimierungsergebnisses führen. Das entwickelte Konzept wurde mit Hilfe von 31680 generischen Testzyklen statistisch bewertet. Dabei wurden Detektionsraten von bis zu 99%, Identifikationsraten von bis zu 96% und Diagnoseraten von bis zu 99% erreicht. Abschließend wurde das Konzept im Rahmen der Entwicklung einer Diagnosesoftware mit dem Namen HealthGT umgesetzt. Durch die Verwendung einer grafischen Benutzeroberfläche verfügt HealthGT über eine einfache Bedienbarkeit. Darüber hinaus gestattet die modulare Programmierweise von HealthGT eine einfache Erweiterung um zukünftige Funktionalitäten.

The performance of a gas turbine degrades over time due to deterioration mechanisms and single fault events. The aim of Engine Condition Monitoring (ECM) is to assess the performance of the gas turbine at any time and to give a prognosis of its future development. In that process, occurring changes have to be detected, the changes have to be assigned to individual gas turbine components (identification) and the performance parameters of the affected components have to be calculated (diagnosis). While deterioration mechanisms affect several components of a gas turbine, single fault events are characterised by influencing only a small number of components and by occurring accidentally. An ECM system has to be capable of dealing with these two different mechanisms. As the characteristics of these two mechanisms are very different, it is difficult for a single diagnostic technique to be able to deal with both mechanisms. Hence, an ECM concept has been developed that combines several algorithms in order to meet the requirements of the different ECM aspects. The advantage of the this integrated approach compared to systems documented in the literature lies in the functional split between deterioration and single fault diagnosis. By combining the results, it is possible to analyse both mechanisms occurring at the same time. In order to detect single fault events, a novel detection algorithm has been developed, that is able to meet the contradictory requirements of a fast response while providing a high degree of smoothing. By combining several mathematical elements like Bayes Factors, cumulative Bayes Factors and run lengths the detection algorithm enables the detection of events that lead to changes in the measurements smaller than three times the measurements' standard deviations. The developed method for single fault event diagnosis is based on combinatorial Least-Squares solutions that are subsequently assessed with Fuzzy-Logic systems. The special assessment logic enables a diagnosis that need no a-priori information about the affected performance parameters, neither their number nor their combination. Furthermore, no assumptions have to be made that specific performance parameters hold fixed relationships with each other. Any combinations of affected performance parameters can be diagnosed. The maximum number of diagnosable performance parameters equals the number of available measurements. The diagnosis is not based on the observation of a time series of measurements but on single snapshots. The diagnostic results not only comprises the performance parameter deviations, but also the Fuzzy Index, which can be interpreted as the probability of a performance parameter to be actually affected by the fault. For the diagnosis of gradual degradation (deterioration) state-of-the-art techniques for constrained non-linear optimisation are applied. Several definitions for the constraints as well as the calculation of an initial value for the non-linear optimisation with a Genetic Algorithm have been investigated. It could be shown, that both measures yield improvements of the non-linear optimisation, especially for performance parameters with a low observability. The developed system was statistically assessed by the use of 31680 generic test cycles and yielded detection rates of up to 99%, identification rates of up to 96% and diagnosis rates of up to 99%. Finally, the concept was implemented in the framework of the development of a ECM software called HealthGT including a graphical user interface. HealthGT is programmed in a modular fashion, which enables an easy implementation of future additional functions.