Pour réaliser l'alerte précoce de l'encrassement des aubes de compresseurs et des vibrations, une méthode d'alerte des pannes typiques des compresseurs de turbomachines à gaz fusionnant un modèle thermodynamique et l'intelligence artificielle a été proposée. Sur la base de la pensée modulaire, un modèle de simulation des performances thermodynamiques des turbomachines à gaz a été construit et les données réelles de fonctionnement des turbomachines à gaz ont été utilisées pour réaliser le calibrage dynamique du modèle, aboutissant à un modèle d'analyse des performances des turbomachines à gaz de haute précision et au calcul des indicateurs clés tels que le débit d'extraction, la température d'entrée de la turbine, et le rendement thermique des turbomachines à gaz. Sur la base du modèle de simulation des performances thermodynamiques, en combinaison avec l'expérience des experts en pannes typiques de compresseurs et des connaissances spécialisées, les principaux paramètres influençant les pannes de compresseurs, qui représentent de manière abstraite le modèle d'alerte de l'encrassement des aubes de compresseurs et des vibrations, ont été déterminés. Des données historiques de santé ont été sélectionnées, et un algorithme de réseau de neurones artificiels a été utilisé pour entraîner le modèle, obtenir des courbes de déviation, et en surveillant la variation de la déviation entre les valeurs prédites de sortie du modèle d'alerte et les valeurs mesurées, l'alerte précoce aux pannes typiques de compresseurs a été réalisée, et un exemple de validation de l'efficacité des données réelles d'un compresseur de turbomachine à gaz de type GE 9F a été présenté. Les résultats montrent que cette méthode peut capturer avec précision les pannes typiques des compresseurs, et par rapport à la méthode d'alerte seuil traditionnelle, elle augmente la fenêtre temporelle d'alerte. Ces résultats de recherche peuvent être déployés directement sur le côté des centrales électriques à turbines à gaz, et fournir un guide en temps réel pour les décisions de maintenance et de réparation, pour le personnel d'exploitation.

Turbomachines à gaz, Compresseur, Modélisation des performances, Réseaux de neurones artificiels, Alerte des pannes