Para lograr la advertencia temprana del ensuciamiento de las álabes del compresor y las vibraciones, se propone un método de alerta de fallas típicas del compresor de la turbina de gas que combina un modelo termodinámico e inteligencia artificial. Sobre la base del pensamiento modular, se construyó un modelo de simulación del rendimiento termodinámico de la turbina de gas y se utilizaron datos reales de operación de la turbina de gas para calibrar el modelo dinámicamente, lo que resultó en un modelo de análisis del rendimiento de alta precisión de la turbina de gas y el cálculo de indicadores clave como el flujo de escape, la temperatura de entrada de la turbina y la eficiencia térmica de la turbina de gas. Sobre la base del modelo de simulación del rendimiento termodinámico, en combinación con la experiencia de expertos en fallas típicas del compresor y el conocimiento especializado, se identificaron los principales parámetros que afectan las fallas del compresor, que representan en abstracto el modelo de advertencia de ensuciamiento de las álabes del compresor y las vibraciones. Se seleccionaron datos históricos de salud y se utilizó un algoritmo de red neuronal artificial para entrenar el modelo, obtener curvas de desviación, y monitorear la variación de la desviación entre los valores de salida previstos del modelo de alerta y los valores medidos, se logró la advertencia temprana de las fallas típicas del compresor, y se presentó un ejemplo de validación de la eficacia de datos reales de un compresor de turbina de gas de tipo GE 9F. Los resultados muestran que este método puede capturar con precisión las fallas típicas del compresor, y en comparación con el método de alerta de umbral tradicional, aumenta la ventana temporal de alerta. Estos resultados de investigación pueden implementarse directamente en el lado de las centrales eléctricas de turbinas de gas, y proporcionar una guía en tiempo real para las decisiones de mantenimiento y reparación al personal de operación.

Turbina de gas, Compresor, Modelado del rendimiento, Redes neuronales artificiales, Alerta de fallas