[发明专利]基于关键部件失效模型的燃气轮机系统性能预测方法

权利要求书

1.一种基于关键部件失效模型的燃气轮机系统性能预测方法，其特征在于，包括以下步骤：

步骤S1、基于燃气轮机系统结构和功能特点对燃气轮机系统进行三层分解，将燃气轮机系统分解成子系统、关键设备和关键部件三个层次；

步骤S2、通过对燃气轮机系统从上到下结构和功能的梳理，利用层次分析法进行部件到系统的影响权重分析，得到关键部件与系统之间的权重系数；

所述步骤S2中的层次分析法包括以下步骤：

步骤S201、确定燃气轮机系统发生故障的各因素；所述因素是结合燃气轮机专家系统和现场实际确定的；

步骤S202、按照属性的不同将各因素分组形成互不相交的层次，上一层的元素对相邻的下一层元素全体或部分起支配作用，形成按层次自上而下的逐层支配关系；

其中，第一层包括动力系统、传动系统和控制系统三个子系统；第二层包括，动力系统支配的低压压气机、高压压气机、燃烧室、低压透平和高压透平在内的关键设备，传动系统支配的齿轮、皮带和变速箱在内的关键设备，控制系统支配的控制开关和控制元器件在内的关键设备；第三层为将关键设备细化得到的关键部件，包括主轴、叶轮、叶片、抽气机、气缸、燃料喷嘴、点火器、联燃管、旁路机构、扭力管和透平碰嘴；

步骤S203、在建立递阶层次结构后，确定上下层之间元素的隶属关系，运用两两比较法建立两两比较判断矩阵A:A＝(a_ij)_n×n来确定各因素的权重，所述n表示判断矩阵的阶数；其中，a_ij＞0；

步骤S204、根据各层因素的权重计算其中，n表示判断矩阵的阶数，λ_max为判断矩阵的最大特征值；

步骤S205、对CI进行判断，如果不大于0.1，进行步骤S206；如果大于0.1，跳回到步骤S202，重新确定各因素的层次结构；

步骤S206、通过计算目标层与层之间的权重影响系数，并最终确定部件到系统的权重系数；

步骤S3、对燃气轮机系统的关键部件进行性能衰退趋势预测，得到关键部件的可靠度变化趋势；

步骤S4、根据关键部件的可靠度变化趋势，利用层次分析中得到的关键部件与系统之间的权重系数，计算出整个燃气轮机系统的可靠度变化趋势；

所述整个燃气轮机系统的可靠度变化趋势用公式表示，其中n为关键部件数，R(i)为各关键部件可靠度，σ_i为各关键部件对应的权重。

2.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的燃气轮机系统关键部件性能衰退趋势运用SVM预测模型进行分析和预测，包括以下步骤：

步骤S301、设定关键部件的终止阈值；

步骤S302、利用SVM预测模型对关键部件退化数据进行训练和预测；

步骤S303、对预测的关键部件的特征退化曲线进行归一化；

步骤S304、确定与特征退化曲线拟合的威布尔分布的形状参数m和尺度参数η；

步骤S305、把所述形状参数m和尺度参数η带入威布尔分布的表达式得到关键部件全寿命可靠度的预测数据。

3.根据权利要求2所述的预测方法，其特征在于，

所述SVM训练具体过程如下：

(1)在全寿命周期的振动信号中，等间隔时间提取特征信号x_i(N)，形成特征信号序列{x₁(N),x₂(N),…,x_m(N)}；其中m为等间隔时间分割后的特征信号数；

(2)计算序列的包括RMS和峭度在内的特征量，将之作为性能退化特征量，形成性能退化特征量序列{D_p,…,D_m}，0＜p＜m；

(3)通过性能退化特征量序列{D_p,…,D_m}训练支持向量机SVM模型；

(4)利用训练好的支持向量机SVM模型来实现对未知数据的预测。

4.根据权利要求3所述的预测方法，其特征在于，所述特征信号是包括轴承振动信号在内的，能够反映关键部件故障特征，影响关键部件可靠度的信号。