Zur frühzeitigen Warnung vor der Verschmutzung der Schaufeln des Verdichters und Vibrationen wurde eine Methode zur Warnung vor typischen Ausfällen des Gas­-Turbocompressors vorgeschlagen, die ein thermodynamisches Modell und künstliche Intelligenz kombiniert. Auf Basis des modularen Denkens wurde ein Modell zur Simulation der thermodynamischen Leistung des Gas­turbinentriebwerks aufgebaut und die realen Betriebsdaten des Gas­-Turbocompressors zur dynamischen Modellkalibrierung genutzt, was zu einem hochpräzisen Modell zur Analyse der Leistung des Gas­turbinentriebwerks und zur Berechnung von Schlüsselindikatoren wie Abgasmenge, Eintrittstemperatur der Turbine und thermischer Wirkungsgrad des Gas­turbinentriebwerks führte. Auf Basis des Modells zur Simulation der thermodynamischen Leistung wurden in Kombination mit der weitreichenden Erfahrung von Experten für typische Verdichterausfälle und Fachwissen die wichtigsten Parameter, die die Verdichterausfälle beeinflussen, abstrakt dargestellt und ein Warnmodell für die Verschmutzung der Schaufeln des Verdichters und Vibrationen entwickelt. Historische Gesundheitsdaten wurden ausgewählt, und ein Algorithmus für künstliche neuronale Netze wurde zur Modellbildung genutzt, um Abweichungskurven zu erhalten, und durch Überwachung der Abweichungsänderung zwischen den prognostizierten Ausgangswerten des Warnmodells und den gemessenen Werten wurde eine frühzeitige Warnung vor typischen Verdichterausfällen erreicht, und ein Beispiel zur Validierung der Effektivität von echten Daten eines Gas­turboverdichters vom Typ GE 9F wurde präsentiert. Die Ergebnisse zeigen, dass diese Methode typische Verdichterausfälle präzise erfassen kann, und im Vergleich zur traditionellen Grenzwert-Warnmethode das Zeitfenster für die Warnung vergrößert. Diese Forschungsergebnisse können direkt auf der Seite von Gasturbinenkraftwerken implementiert werden und dem Betriebspersonal eine Echtzeitführung bei Wartungs- und Reparaturentscheidungen bieten.

Gasturbinenantriebe, Verdichter, Leistungsmodellierung, Künstliche neuronale Netzwerke, Fehlerwarnung