WO2005033809A1 - VERFAHREN, COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR ANALYSE VON EINFLUSSGRÖßEN AUF EINEN BRENNVORGANG IN EINER BRENNKAMMER UNTER VERWENDUNG EINES TRAINIERBAREN, STATISTISCHEN MODELLS - Google Patents

VERFAHREN, COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR ANALYSE VON EINFLUSSGRÖßEN AUF EINEN BRENNVORGANG IN EINER BRENNKAMMER UNTER VERWENDUNG EINES TRAINIERBAREN, STATISTISCHEN MODELLS Download PDF

Info

Publication number
WO2005033809A1
WO2005033809A1 PCT/EP2004/052319 EP2004052319W WO2005033809A1 WO 2005033809 A1 WO2005033809 A1 WO 2005033809A1 EP 2004052319 W EP2004052319 W EP 2004052319W WO 2005033809 A1 WO2005033809 A1 WO 2005033809A1
Authority
WO
WIPO (PCT)
Prior art keywords
combustion chamber
variables
influencing variables
combustion
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2004/052319
Other languages
English (en)
French (fr)
Inventor
Reimar Hofmann
Volkmar Sterzing
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Priority to DE502004012452T priority Critical patent/DE502004012452D1/de
Priority to US10/574,171 priority patent/US7945523B2/en
Priority to EP04787219A priority patent/EP1668431B1/de
Priority to AT04787219T priority patent/ATE507512T1/de
Publication of WO2005033809A1 publication Critical patent/WO2005033809A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric

Definitions

  • the invention relates to an analysis of influencing variables on a combustion process in a combustion chamber.
  • linear methods such as a regression analysis, are used to examine dependencies between the influencing variables and their influence on the burning process.
  • the vibrations cause an unstable flame front, which in turn causes the combustion chamber to heat up more. This can damage the combustion chamber of the gas turbine.
  • AIC active instability control
  • this damaging hum can also be reduced or avoided by reducing a load on the gas turbine, ie it is known that the load on a gas turbine has a large influence on or a strong dependency or correlation with the (harmful) Combustion chamber hum. Reducing the load to reduce or avoid damage to a combustion chamber of a gas turbine is, however, only a practically feasible solution.
  • Such a data analysis using a "causal network” type network is known from [3]. Such a causal network is clearly a statistical model of the data described.
  • Such a causal network is also particularly suitable for recognizing and describing statistical properties of data, for example a statistical dependency or independence between two variables,
  • [3] also discloses a method for removing determinable connections from the network, a so-called polynomial complexity method (PC method).
  • PC method polynomial complexity method
  • a data analysis using a causal network which is of the subtype Bayesian or Bayesian network [4], is also known from [3].
  • Figure 3 shows this graphical representation with the network
  • connection 320 Two nodes 310 of the network 300 are connected to one another by a connection 320.
  • a node 310 of the network 300 represents a date (variable).
  • a connection 320 represents a statistical dependency between the nodes 310 or variables connected by this connection 320. Unconnected nodes 310 are statistically independent of one another.
  • FIG. 4 schematically shows a procedure 400 for a data analysis according to the PC method known from [3], which leads to the network structure 300 shown (by way of example) in FIG. 3.
  • the aim of the data analysis is the determination of dependencies or independence between the data to be analyzed and a representation of the dependencies or independence between the data, and thus a structure contained in the data, by a network structure or by a network.
  • a structure contained in the data is generally understood to mean a statistical dependency and / or a statistical independence between the variables.
  • the data for data analysis are variables v, w, x, y, and z.
  • a statistical dependency or independence between the variables v, w, x, y and z is determined during the analysis.
  • FIG. 5 shows a network 500 composed of nodes A 510, B 511, C 512, D 513 and E 514, which represent the variables v, w, x, y and z.
  • a statistical independence or statistical dependency is in each case between two variables, for example (v, w), (x, z) or (v, y), determined (statistical independence or 0th order dependency).
  • connections 521 are removed from the network 500, which has a start configuration in which all nodes are connected to one another with connections, which each have two nodes, for example connect wise (A, E), (C, D) and (C, E) for whose associated variables a statistical independence has been determined, for example (v, z), (x, y) and (x, z).
  • a conditional statistical dependency or independence is determined under the condition of a third variable, for example (v, x
  • a third variable for example (v, x
  • a fourth step 440 those connections 522 are removed in the network 500, each of which connects two nodes, for example (A, C), (B, D) and (D, E), for which associated conditional statistical independence is determined for their associated variables has been .
  • the network 500 has a structure (final configuration) that describes the statistical properties of the data.
  • Bayesian Bayesian
  • a Bayesian network B is a special type of representation of a common multivariate probability density function (WDF) of a set of variables X by a graphic model.
  • WDF probability density function
  • DAG directed acyclic graph
  • the second component of the Bayesian network is the set of conditional WDFs P (Xi ⁇ Pa ⁇ , ⁇ , G), which are parameterized using a vector ⁇ .
  • conditional WDFs specify the type of dependency of the individual variables i on the set of their parent nodes (Parents) a ⁇ .
  • the common WDF can be in the product form
  • the DAG of a Bayesian network uniquely describes the conditional dependency and independence relationships between a set of variables, but on the contrary, a given statistical structure of the WDF does not result in a clear DAG.
  • a collider being a constellation in which at least two directed edges to the same node to lead.
  • Another method for determining weights suitable for removal from a neural network and for removing weights from a neural network is known from [6].
  • the invention is based on the object of specifying a method which enables a more reliable and precise analysis of influencing variables on a combustion process.
  • the method for analyzing influencing variables on a combustion process in a combustion chamber is based on the use of a trainable, statistical model.
  • This trainable, statistical model is trained at least using predetermined values of the influencing variables (training data), with model parameters of the trainable, statistical model being changed or adapted.
  • the change or adaptation of the model parameters during the training takes place in such a way that the trained statistical model describes (models) the burning process.
  • an influence of the influencing variables on the burning process can then be analyzed.
  • This analysis (based on the trained, statistical model or its adapted model parameters) enables both qualitative and quantitative statements about the influence of the influencing variables on the burning process.
  • Dependencies on the influencing variables among each other as well as individually and in combination on the burning process can be recognized.
  • the influencing variables can be ordered according to the size of their influence on the burning process. Unimportant influencing factors can be identified.
  • Cause analyzes for burning process problems effect analyzes for predefinable burning process states, which can be described by predetermined values for the influencing variables, or simulations and forecasts of burning processes or burning process states can be carried out.
  • the computer program with program code means is set up to carry out all steps according to the inventive method when the program is executed on a computer.
  • the computer program product with program code means stored on a machine-readable carrier is set up to carry out all steps according to the inventive method when the program is executed on a computer.
  • the computer program with program code means set up to carry out all steps according to the inventive method when the program is executed on a computer
  • the computer program product with program code means stored on a machine-readable medium set up all steps according to the inventive Carrying out methods when the program is executed on a computer are particularly suitable for carrying out the method according to the invention or one of its further developments explained below.
  • the inventive procedure is generally applicable or transferable to other complex systems, such as industrial production processes, for example in the field of paper and / or steel production, energy production processes and / or energy generation plants.
  • the invention provides a general approach to enable and / or facilitate problem solutions in the area of burning processes.
  • the invention or any further development described below can also be implemented by a computer program product which has a storage medium on which the Computer program with program code means is stored, which carries out the invention or further development.
  • the model parameters can be weights of the trainable, statistical model.
  • the weights are then adjusted using training data.
  • the influencing variables include at least some of the following variables and / or variables derived therefrom:
  • the influencing variables can be used to describe (further) fuel flows, fuel pressures, Include fuel temperatures or ratios of fuel flows.
  • combustion process is described using a variable describing a combustion chamber hum, wherein the influencing variables can be mapped to this variable describing the combustion chamber hum.
  • the burning process is described using a quantity that describes a nox emission
  • the influencing variables on this quantity that describes the nox emission are mapped.
  • this quantity describing the combustion chamber hum is a target quantity during the training.
  • the trainable, statistical model can be implemented in various ways, for example by a neural network, in particular by a feedforward neural network, or by a causal network, for example of the Bayesian network type, or by a decision tree.
  • the analysis of the influencing variables can be carried out using a pruning method, with the pruning method performing a so-called pruning of the model parameters.
  • the combustion chamber is a combustion chamber of a turbine, in particular a gas turbine.
  • an embodiment can be used to determine a sequence of an importance of the influencing variables, in particular an importance of influencing variables on a NOx emission of a combustion chamber.
  • Figure 1 is a sketch of a combustion chamber of a gas turbine according to an embodiment
  • FIG. 2 shows a sketch of an input data set with state vectors with influencing variables (variables) on a combustion process in a combustion chamber of a gas turbine according to an exemplary embodiment
  • Figure 3 shows a network of nodes and connections
  • FIG. 4 method steps in a polynomial complexity method
  • FIG. 5 shows a Bayesian network which is processed using a polynomial complexity method
  • FIG. 6 shows a procedure for an analysis of a “combustion chamber” system based on a determination of a statistical model of the “combustion chamber” system according to an exemplary embodiment
  • FIG. 7 shows a simplified statistical model according to an exemplary embodiment
  • FIG. 8 shows a sketch with different, conditional end structures of a network, which describes the “combustion chamber” system, according to an exemplary embodiment
  • FIG. 9 shows a procedure for an analysis of a “combustion chamber” system based on a simplified determination of a statistical model of the “combustion chamber” system according to an alternative exemplary embodiment
  • FIG. 10 shows a sketch with a simplified end structure of a network, which describes the “combustion chamber” system, according to an alternative exemplary embodiment
  • FIG. 11 shows a sketch of a procedure for identifying important influencing variables on a combustion chamber hum
  • FIG. 12 shows a sketch of a procedure for identifying dependencies on influencing variables.
  • FIG. 1 schematically shows an annular combustion chamber gas turbine 100 of a V84.3A series, as described in [2].
  • a "hum" due to self-excited combustion vibrations occurs in the premixing mode under certain operating conditions.
  • combustion chamber This phenomenon, known as self-excited combustion chamber or combustion vibration, is often associated with very high sound pressure amplitudes and a greatly increased heat transfer to the combustion chamber walls, which leads to an increased mechanical and thermal load on the system.
  • the spectrum of damage caused by combustion chamber vibrations ranges from increased noise emissions to reduced performance and damage to individual machine parts.
  • combustion chamber system In order to be able to take suitable remedial measures against the problem of combustion vibrations (combustion chamber hum, as they occur in V84.3A), a combustion process in the combustion chamber, hereinafter referred to as “combustion chamber system”, is examined or analyzed in more detail.
  • the key points of the investigation or analysis are a recording of combustion chamber conditions, for example by measuring combustion chamber conditions, input or reading of combustion chamber data from a memory, and a subsequent statistical evaluation and analysis of the recorded information carried out by means of a computer.
  • the statistical evaluation creates a statistical model, a causal network, for the "combustion chamber” system (modeling according to case 1).
  • a statistical model a neural network of the Feedforward type, for a system "combustion chamber hum” - a kind of special case of the general case 1, the system "combustion chamber", - formed (modeling according to case 2).
  • the statistical models are the basis for the subsequent analyzes.
  • Such a state measurement of parameter values is repeated continuously in time steps of ls or for a predetermined period of time, a time series of state vectors being generated.
  • Such a data record 200 is shown schematically or in a table in FIG. 2 shows the data set 200 with a multiplicity of state vectors 201, each of which comprises the parameter values 202 of a measurement of a combustion chamber state.
  • a state vector comprises, for example, the values of the following measurable parameters 203:
  • a state vector 201 can also include further or also fewer or also derived parameters or parameter values.
  • the parameters of the "combustion chamber system” are used using the parameters " Are defined. These are intended to describe a combustion chamber state or the combustion process as comprehensively as possible (see FIG. 6, method step 601).
  • FIG. 6, method step 690 shows method steps 601 to 680, which are carried out when a statistical model of the "combustion chamber" system 685 is ascertained:
  • the set of variables or influencing variables as above can be a subset of the measurable parameters 203 or can also (at least in part) be obtained by combinations of certain parameters 203.
  • an initial structure of a network is further determined, which is made up of nodes and connections and which describes a structure which is contained in the “combustion chamber” system.
  • the number of nodes is determined according to the number of variables of the "combustion chamber" system. Each node represents a variable of this system.
  • a so-called training data record of the "combustion chamber” system is determined.
  • the network is processed or trained as described below in such a way that an end structure of the network describes a structure contained in the "combustion chamber” system.
  • model state vectors are extracted from a predetermined data set and combined 610 into a training data set.
  • a direct statistical independence or direct statistical dependency is in each case between two variables of Systems determined (statistical independence or 0th order dependency).
  • connections that each connect two nodes are removed from the network that has the start configuration, and a statistical independence U has been determined for their associated variables.
  • a conditional statistical dependency or independence is determined for every two variables for which a statistical dependency has been determined (statistical independence or first-order dependency).
  • a fifth step 650 rules for the removal of these connections are formulated for connections of which the conditional statistical independence U has been determined for the associated nodes (cf. U (a, b
  • step 620 direct statistical dependencies (see step 620): - A (A, B), A (A, C), A (A, D), A (B, C), A (B, D), A ( B, E), A (D, E).
  • a sixth step 660 interference in the rules is determined. By simplifying the rules, this interference is eliminated. This creates new, simplified rules.
  • a seventh step 670 conditions for removing the connections are determined from the simplified rules. Connections that are only deleted from the network under such a condition are known as so-called insecure connections.
  • insecure connection (A, C) with the condition: remove connection (A, C) if connection (B, C) is present in the network
  • insecure connection (B, C) with the condition: remove connection (B, C) if connection (A, C) exists in the network
  • remove connection (B, E) if connection (D, E) exists in the network
  • remove connection (D, E) if connection (B, E) exists in the network.
  • the insecure connections are "conditionally removed" from the network, ie the insecure connections are identified in the network, for example by a dashed connection 714, the dashed connection meaning that this connection may (if the corresponding condition is fulfilled in the network and so that this insecure connection has been deleted) is not present or that this connection (if the corresponding condition in the network is not fulfilled and so that this insecure connection has not been deleted) is present.
  • This procedure results in several different, conditional end structures for the network, which as a whole describe the structure in the data better and more flexibly than would be possible with a single, fixed end structure.
  • FIG 8 shows the various conditional end structures of the network 800, which describes the "combustion chamber” system.
  • the end structures or network 800 have:
  • This combustion chamber hum model allows the identification of important influencing variables related to the combustion hum problem [2] in a generally applicable and targeted manner.
  • combustion chamber hum model allows the evaluation of an effect of targeted changes in these influencing variables.
  • countermeasures can be developed without intervention in the real system modeled by the model or in the turbine, which effectively reduce turbine hum and do not include a reduction in load and power output.
  • model state vectors for which the turbine showed the hum are selected and combined to form a second training data set used in case 2.
  • a neural network of the feedforward type is formed or trained for a future amplitude of the combustion chamber hum (or another characteristic variable corresponding to the hum).
  • Target sizes in the training are a hum and a nox emission.
  • the neural network With the pruning of the model parameters, the neural network is brought to a high level of generalization for humming periods that were not included in the training data set.
  • the combustion chamber hum model according to case 2 describes the turbine under a current operating policy. However, this cannot be sufficient to predict what the effect of changes in this operating policy is or which changes can be made to prevent the turbine buzzing.
  • combustion chamber hum model based on the neural network of the feed-forward type does not contain a cause-effect direction of relationships and does not differentiate between direct and indirect dependencies.
  • a first step in case 3 the combustion chamber hum is modeled according to case 2 and the most important variables and influencing variables on the turbine hum are identified.
  • a second step is carried out with the identified, most important influencing variables, in which the interdependencies between the most important influencing variables identified in the first step are modeled among one another and with regard to the occurrence of hum.
  • the aim of this modeling is to identify cause-effect relationships or direct and indirect dependencies or direct and indirect influencing factors.
  • a modeling according to case 1 is carried out in the second step, i.e. A causal network is trained with a training data record comprising only the most important influencing variables identified in step 1 (FIG. 12).
  • the network structure 1200 present after the training reveals the sought-after direct and indirect dependencies or direct and indirect influencing variables.
  • case 3 a modeling according to case 2, ie modeling using a feedforward type neural network, can now be carried out on the basis of the direct influencing variables identified according to case 3. Using the neural network generated in this way, effects of changes in the direct influencing variables identified in accordance with case 3 can be determined.
  • the effective countermeasures or combinations thereof are identified, evaluated and prepared.
  • a simplified network structure 1000 (685), which has no insecure connections, is determined.
  • conditional statistical dependencies or independence are no longer determined here (cf. 640, statistical independence or dependency of the 1st order).
  • FIG 10 shows the end structure of the network 800 ", which describes the" combustion chamber "system.
  • the end structure or network 800 has: Fixed connections 830, each of which connects two nodes 850 without an associated condition. Network 800 did not occur "

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Feedback Control In General (AREA)
  • Portable Nailing Machines And Staplers (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Turbines (AREA)

Abstract

Die Erfindung betrifft eine Sensitivitätsanalyse von Einflussgrössen auf einen Brennkammerbrennvorgang. Dazu wird ein trainierbares, statistisches Modell derart trainiert, dass es den Brennkammerbrennvorgang beschreibt. Anhand des trainierten, statistischen Modell wird der Einfluss der Einflussgrössen auf den Brennkammerbrennvorgang bestimmt.

Description

Verfahren, Compute-rprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Analyse von Einflussgrößen auf ei- nen Brennvorgang in einer Brennkammer unter Verwendung eines trainierbaren, statistischen Modells
Die Erfindung betrifft eine Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer.
Aus [1] ist eine Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer bekannt.
Bei dieser Analyse werden lineare Methoden, wie eine Regres- sionsanalyse, verwendet, um Abhängigkeiten zwischen den Einflussgrößen und deren Einflussnahme auf den Brennvorgang zu untersuchen.
Da allerdings ein in einer Brennkammer ablaufender Brennvor- gang ein komplexer, nicht linearen Abhängigkeiten von Einflussfaktoren gehorchender Prozess ist, liefern solche "linearen" Analyseverfahren, wie aus [1], keine zuverlässigen und hinreichend genauen Ergebnisse hinsichtlich des Einflusses von Einflussgrößen auf den Brennvorgang.
Aus [2] ist eine weiterführende Analyse eines Brennvorgangs, in diesem Fall eines Brennvorgangs in einer Brennkammer einer Gasturbine, einer sogenannte Ringbrennkammer-Gasturbine V84.3A, bekannt.
Ferner ist aus [2] ein Auftreten von Schwingungen bzw. Druckschwankungen bei einem Brennvorgang in einer Brennkammer einer Gasturbine, in diesem Fall der Ringbrennkammer-Gasturbine V84.3A, und von durch resultierende Vibrationen bedingten Schädigungen der Brennkammer bekannt. Es ist in [2] beschrieben, dass diese Schwingungen bzw. Vibrationen, ein sogenanntes Brummen bzw. Brennkammerbrummen, entstehen durch eine Mitkopplung von gleichzeitig ablaufend-en Brennvorgängen in der Brennkammer der Gasturbine .
Die Vibrationen bedingen eine instabile Flammenfront, die ihrerseits eine stärkere Erhitzung der Brennkammer bewirkt. Diese kann zu Schädigungen der Brennkammer der Gasturbine führen.
Um geeignete Abhilfemaßnahmen gegen das Problem der Verbrennungsschwingungen ergreifen zu können, wird in [2] das Schwingungsphänomen eingehend untersucht und Möglichkeiten zur Beseitigung, insbesondere aktive und passive Methoden, verglichen und diskutiert.
[2] stellt fest bzw. schlägt vor, die schädigenden Schwingungen durch konstruktive Optimierung einer Brennkammergeometrie zu eliminieren.
Gegen eventuell erneut auftretende Schwingungsprobleme bei einer Erweiterung eines Arbeitsbereichs der Gasturbine schlägt [2] eine Aktive Instabilitätskontrolle (AIC) auf Basis einer antizyklischen Modulation eines KraftstoffStroms vor.
Allerdings verlangt die AIC eine aufwendige und teure Senso- rik und Aktorik, was ihre Einsatzmöglichkeit beschränkt.
Ferner ist bekannt, dass sich dieses schädigende Brummen auch durch Reduktion einer Last auf die Gasturbine reduzieren oder vermeiden lässt, d.h. es ist bekannt, dass die Last auf eine Gasturbine einen großen Einfluss auf das bzw. eine starke Abhängigkeit oder Korrelation mit dem (schädliche) Brennkammer- brummen aufweist. Die Reduktion der Last zur Reduzierung oder Vermeidung von Schädigungen einer Brennkammer einer Gasturbine ist allerdings eine nur bedingt praktikable Lösungsmöglichkeit.
In der Regel werden nämlich von Betreibern von Kraftwerken Leistungszusagen gegenüber ihren Abnehmern gegeben, die bei einer Leistungsreduktion der Gasturbinen in Gefahr geraten, nicht erfüllt zu werden.
Demzufolge ist es von Interesse, weitere Einflussgrößen auf den Brennvorgang bzw. auf das Brummen neben die der Last, der Geometrie und des KraftstoffStroms zur Reduzierung oder Vermeidung des schädlichen Brennkammerbrummens zu kennen.
Im allgemeinen ist es somit wünschenswert, den Einfluss einzelner Einflussgrößen auf den Brennvorgang wie auch Abhängigkeiten von Einflussgrößen untereinander qualitativ und/oder quantitativ mit hinreichender Genauigkeit zu kennen.
Diese Kenntnis könnte insbesondere ermöglichen, allgemeine
Problemstellungen im Umfeld von Brennvorgängen zu lösen sowie das Problem Brennkammerbrummen im Speziellen durch andere Einflussgrößen bzw. geeignete Kombinationen anderer Größen wirksamer oder preiswerter reduzieren zu können
Datenanalyse unter Verwendung eines Netzwerks
Es ist allgemein bekannt, Netzwerke aus Knoten und Verbindun- gen auf einem Gebiet einer Datenanalyse dazu zu verwenden, um komplexe Datenstrukturen und Abhängigkeiten von Daten in den Datenstrukturen zu erkennen und zu beschreiben.
Aus [3] ist eine solche Datenanalyse unter Verwendung eines Netzwerks vom Typ "kausales Netz" bekannt. Anschaulich gesehen ist ein solches kausales Netz ein statistisches Modell der dadurch beschriebenen Daten.
Ein solches kausales Netz, wie aus [3] , ist ferner insbeson- dere geeignet, um statistische Eigenschaften von Daten, beispielsweise eine statistische Abhängigkeit bzw. Unabhängigkeit zwischen zwei Variablen, zu erkennen und zu beschreiben,
Ferner ist aus [3] ein Verfahren zum Entfernen von bestimmba- ren Verbindungen aus dem Netzwerk bekannt, ein sogenanntes Polynomial-Complexity-Verfahren (PC-Verfahren) .
Eine Datenanalyse unter Verwendung eines kausalen Netzes, welches vom Subtyp Bayesianisches bzw. Bayessches Netz [4] ist, ist ebenfalls aus [3] bekannt.
Bei dieser Datenanalyse mittels des Bayesianischen Netzes werden statistische Abhängigkeiten bzw. statistische Unabhängigkeiten, im allgemeinen statische Eigenschaften, zwischen den Daten ermittelt (gelernt) . Die statistischen Eigenschaften der Daten können dann graphisch unter Verwendung des Netzwerkes aus Knoten und Verbindungen dargestellt (Fig.3) werden.
Fig.3 zeigt diese graphischen Darstellung mit dem Netzwerk
300 aus Knoten 310 und Verbindungen 320. Jeweils zwei Knoten 310 des Netzwerks 300 sind durch eine Verbindung 320 miteinander verbunden .
Ein Knoten 310 des Netzwerks 300 repräsentiert ein Datum (Variable) . Eine Verbindung 320 repräsentiert eine statistische Abhängigkeit zwischen den durch diese Verbindung 320 verbundenen Knoten 310 bzw. Variablen. Nicht verbundene Knoten 310 sind statistisch unabhängig voneinander.
Fig.4 zeigt schematisch eine Vorgehensweise 400 bei einer Datenanalyse gemäß dem aus [3] bekannten PC-Verfahren, welche zu der (beispielhaft) in Fig.3 dargestellten Netzwerkstruktur 300 führt.
Ziel der Datenanalyse ist die Ermittlung von Abhängigkeiten bzw. Unabhängigkeiten zwischen zu analysierenden Daten und eine Darstellung der Abhängigkeiten bzw. Unabhängigkeiten zwischen den Daten, damit einer in den Daten enthaltenen Struktur, durch eine Netzwerkstruktur bzw. durch ein Netzwerk.
Unter einer in den Daten enthaltenen Struktur ist im allgemeinen eine statistische Abhängigkeit und/oder eine statistische Unabhängigkeit zwischen den Variablen zu verstehen.
Die Daten für die Datenanalyse sind Variablen v, w, x, y, und z. Gegeben sind Datentupel (v, w, x, y, z ) mit i=l...N (N = Anzahl der vorgegeben Datentupel) .
Bei der Analyse wird eine statistische Abhängigkeit bzw. Un- abhängigkeit zwischen den Variablen v, w, x, y und z ermittelt.
In Fig.5 ist ein Netzwerk 500 dargestellt aus Knoten A 510, B 511, C 512, D 513 und E 514, welche die Variablen v, w, x, y und z repräsentieren.
In einem ersten Schritt 410 der Vorgehensweise 400 wird unter 2 Verwendung eines statistischen Testverfahrens, einem χ -Test, welcher in [5] beschrieben ist, eine statistische Unabhängig- keit bzw. statistische Abhängigkeit jeweils zwischen zwei Variablen, beispielsweise (v,w), (x,z) oder (v,y), ermittelt (statistische Unabhängigkeit bzw. Abhängigkeit 0. Ordnung).
In einem zweiten Schritt 420 werden aus dem Netzwerk 500, welches eine Startkonfiguration aufweist, bei der alle Knoten untereinander mit Verbindungen verbunden sind, solche Verbindungen 521 entfernt, welche jeweils zwei Knoten, beispiels- weise (A,E) , (C,D) und (C,E), verbinden, für deren zugehörige Variablen eine statistische Unabhängigkeit ermittelt wurde, beispielsweise (v,z), (x,y) und (x,z).
In einem dritten Schritt 430 wird für jeweils zwei Variablen, für welche eine statistische Abhängigkeit ermittelt wurde, eine bedingte statistische Abhängigkeit bzw. Unabhängigkeit unter der Bedingung einer dritten Variablen ermittelt, beispielsweise (v,x|w), (v,y|w) oder (w,x|v) (statistische Unab- hängigkeit bzw. Abhängigkeit 1. Ordnung) . Dazu wird ebenfalls 2 der χ -Test, welcher in [5] beschrieben ist, verwendet.
In einem vierten Schritt 440 werden in dem Netzwerk 500 solche Verbindungen 522 entfernt, welche jeweils zwei Knoten, beispielsweise (A,C), (B,D) und (D,E), verbinden, für deren zugehörige Variablen eine bedingte statistische Unabhängigkeit ermittelt wurde .
Nach dem vierten Schritt weist das Netzwerk 500 eine Struktur auf (Endkonfiguration) , welche die statistischen Eigenschaften der Daten beschreibt.
Bayessche Netzwerke
Aus [4] ist ein kausales Netz, ein Bayesianisches (Bayess- ches) Netzwerk, bekannt.
Ein Bayessches Netzwerk B ist ein spezieller Typ der Darstellung einer gemeinsamen multivariaten Wahrscheinlichkeitsdich- tefunktion (WDF) einer Menge von Variablen X durch ein graphisches Modell.
Es ist durch einen gerichteten azyklischen Graphen (directed acyclic graph, DAG) G definiert, in welchem jeder Knoten i = 1, ..., n einer Zufallsvariablen X± entspricht. Die Kanten zwischen den Knoten repräsentieren statistische
Abhängigkeiten und können als Kausalzusammenhänge zwischen ihnen interpretiert werden. Der zweite Bestandteil des Bay- esschen Netzwerkes ist die Menge von bedingten WDFen P (Xi \ Pa±, θ, G) , welche mittels eines Vektors θ parametriert sind.
Diese bedingten WDFen spezifizieren die Art der Abhängigkeiten der einzelnen Variablen i von der Menge ihrer Elternkno- ten (Parents) a^ . Somit kann die gemeinsame WDF in die Produktform
(1) J-Äv~ι.ιΛi,-*.) * π wtiifl«. β.
zerlegt werden.
Der DAG eines Bayesschen Netzwerkes beschreibt auf eindeutige Weise die bedingten Abhängigkeits- und Unabhängigkeitsbeziehungen zwischen einer Menge von Variablen, jedoch hat im Ge- gensatz dazu eine gegebene statistische Struktur der WDF keinen eindeutigen DAG zur Folge .
Vielmehr kann gezeigt werden, dass zwei DAG ein und dieselbe WDF beschreiben, dann und nur dann, wenn sie dieselbe Menge von Kanten und dieselbe Menge von "Colliders" aufweisen, wobei ein Collider eine Konstellation ist, in welcher wenigstens zwei gerichtete Kanten zu demselben Knoten führen.
Aus [6] ist ein weiteres Verfahren zur Ermittlung von zur Entfernung geeigneten Gewichten eines neuronalen Netzes und zur Entfernung von Gewichten aus einem neuronalen Netz, ein sogenanntes Pruning-Verfahren, bekannt. Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren anzugeben, welches eine zuverlässigere und genauer Analyse von Einflussgrößen auf einen Brennvorgang ermöglicht.
Diese Aufgabe wird durch das Verfahren, durch das Computerprogramm mit Programmcode-Mitteln und das Computerprogramm- Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer mit den Merkmalen gemäß dem jeweiligen unabhängigen Patentanspruch gelöst.
Das Verfahren zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer basiert auf eine Verwendung eines trainierbaren, statistischen Modells.
Dieses trainierbare, statistische Modell wird mindestens unter Verwendung von vorgegebenen Werten der Einflussgrößen (Trainingsdaten) trainiert, wobei Modellparameter des trainierbaren, statistischen Modells verändert bzw. angepasst werden .
Die Veränderung bzw. Anpassung der Modellparameter bei dem Training erfolgt derart, dass das trainierte, statistische Modell den Brennvorgang beschreibt (modelliert) .
Unter Verwendung des trainierten, statistischen Modells bzw. der veränderten, angepassten Modellparameter kann dann ein Einfluss der Einflussgrößen auf den Brennvorgang analysiert werden.
Dabei ermöglicht diese Analyse (basierend auf dem trainierten, statistischen Modell bzw. dessen angepassten Modellparametern) sowohl qualitative als auch quantitative Aussagen ü- ber den Einfluss der Einflussgrößen auf den Brennvorgang.
Abhängigkeiten von den Einflussgrößen untereinander wie auch einzeln und in Kombination auf den Brennvorgang können erkannt werden. Die Einflussgrößen können nach Größe ihres Einflusses auf den Brennvorgang geordnet werden. Unwichtige Einflussgrößen können identifiziert werden.
Ursachenanalysen für Brennvorgangsprobleme, Wirkungsanalysen für vorgebbare Brennvorgangszustände, welche durch vorgegebene Werte für die Einflussgrößen beschrieben werden können, bzw. Simulationen und Prognosen von Brennvorgängen bzw. Brennvorgangszustände können durchgeführt werden.
Ferner können bei der Analyse Ursache-Wirkungszusammenhänge bei dem Brennvorgang offensichtlich gemacht werden.
Das Computerprogramm mit Programmcode-Mitteln ist eingerichtet, um alle Schritte gemäß dem erfindungsgemäßen Verfahren durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
Das Computerprogramm-Produkt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode-Mitteln ist eingerichtet, um alle Schritte gemäß dem erfindungsgemäßen Verfahren durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
Das Computerprogramm mit Programmcode-Mitteln, eingerichtet um alle Schritte gemäß dem erfinderischen Verfahren durchzuführen, wenn das Programm auf einem Computer ausgeführt wird, sowie das Computerprogramm-Produkt mit auf einem maschinen- lesbaren Träger gespeicherten Programmcode-Mitteln, eingerichtet um alle Schritte gemäß dem erfinderischen Verfahren durchzuführen, wenn das Programm auf einem Computer ausgeführt wird, sind insbesondere geeignet zur Durchführung des erfindungsgemäßen Verfahrens oder einer seiner nachfolgend erläuterten Weiterbildungen. Ferner sei hier angemerkt, dass die erfinderische Vorgehensweise im Allgemeinen auf andere komplexe, Systeme anwendbar bzw. übertragbar ist, wie industrielle Produktionsprozesse, beispielweise im Gebiet der Papier- und/oder Stahlerzeugung, Energieerzeugungsprozesse und/oder Energieerzeugungsanlagen.
Darüber hinaus muss darauf hingewiesen werden, dass die Erfindung eine allgemeine Herangehensweise schafft, um Problem- lösungen im Umfeld von Brennvorgängen zu ermöglichen und/oder zu erleichtern.
Bevorzugte Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.
Die im weiteren beschriebenen Weiterbildungen beziehen sich sowohl auf die Verfahren als auch auf das Computerprogramm und auf das Computer-Programmprodukt.
Die Erfindung und die im weiteren beschriebenen Weiterbildungen können sowohl in Software als auch in Hardware, beispielsweise unter Verwendung einer speziellen elektrischen Schaltung, realisiert werden.
Ferner ist eine Realisierung der Erfindung oder einer im weiteren beschriebenen Weiterbildung möglich durch ein computerlesbares Speichermedium, auf welchem das Computerprogramm mit Programmcode-Mitteln gespeichert ist, welches die Erfindung oder Weiterbildung ausführt.
Auch kann die Erfindung oder jede im weiteren beschriebene Weiterbildung durch ein Computerprogrammerzeugnis realisiert sein, welches ein Speichermedium aufweist, auf welchem das Computerprogramm mit Programmcode-Mitteln gespeichert ist, welches die Erfindung oder Weiterbildung ausführt.
Bei dem statistischen trainierbaren Modell, wie einem neuro- nalen Netz, können die Modellparameter Gewichte des trainierbaren, statistischen Modells sein. Bei dem Training eines solchen Modells werden dann die Gewichte unter Verwendung von Trainingsdaten angepasst.
Bei einer Weiterbildung umfassen die Einflussgrößen mindestens einige der folgenden Größen und/oder davon abgeleitete Größen:
« einen Luftdruck außen, einen Gasdruck, einen Druck nach einer Kompression, eine Druckdifferenz an einem Luftfilter, ein Pi- lotgas, einen Pilotgashub, eine Last, eine Lufttemperatur, eine Gastemperatur, eine Temperatur nach einer Kompression, eine Druckreduktion in einer Brennkammer, eine "blade"- /Schaufel-Position, eine Last, eine Gasturbinenleistung , (GtLstg) , eine Ansaugtemperatur (air temperature inflow) (SaugT) , einen Umgebungsluftdruck (air pressure) (UmgPr) , einen Druckverlust über einen Luft-/Ansaugfilter (pressure difference air filter, PrDFi) , einen Druck nach einer Kompression/einen Verdichterdruck (pressure after compression, stage (VerPr) ) , eine Temperatur nach einer Kompression/ Ver- dichterendtemperatur (temperature after compression stage (VerdT) ) , eine Vorleit-Schaufelstellung, einen Druckverlust in einer Brennkammer (pressure difference burning chamber (DrVBr) ) , einen Gasdruck (gas pressure (GasDr) ) , eine Gastemperatur (gas temperature (GasT) ) , eine Rotationsfrequenz (ro- tation frequency) , eine Drehzahl, eine Abgastemperatur (ex- haust gas temperature (AbgasT) ) , eine erste Brummgröße (hum- ming pressure amplitude (WD01) ) , eine zweite Brummgröße (hum- ming pressure amplitude (WD02)).
Darüber hinaus können die Einflussgrößen weitere Größen zur Beschreibung (weiterer) Brennstoffströme, Brennstoffdrücke, Brennstofftemperaturen oder Verhältnissen von Brennstoffströmen umfassen.
Weiter kann vorgesehen werden, dass der Brennvorgang unter Verwendung einer ein Brennkammerbrummen beschreibenden Größe beschrieben wird, wobei die Einflussgrößen auf diese das Brennkammerbrummen beschreibende Größe abgebildet werden können .
Wird so beispielsweise der Brennvorgang unter Verwendung einer eine Nox-E ission beschreibende Größe beschrieben, werden die Einflussgrößen auf diese die Nox-Emission beschreibende Größe abgebildet.
Auch kann vorgesehen werden, dass diese das Brennkammerbrummen beschreibende Größe, wie die oben genannte die Nox- Emission beschreibende Größe, eine Targetgröße bei dem Training ist.
Das trainierbare, statistische Modell kann auf verschiedene Arten realisiert werden, beispielsweise durch ein neuronales Netz, insbesondere durch ein Feedforward neuronales Netz, o- der durch ein kausales Netz, beispielsweise vom Typ Bayess- ches Netz, oder durch einen Entscheidungsbaum.
Die Analyse der Einflussgrößen kann unter Verwendung eines Pruning-Verfahrens durchgeführt werden, wobei bei dem Pru- ning-Verfahren ein sogenanntes Pruning der Modellparameter durchgeführt wird.
Bei einer Weiterbildung ist vorgesehen, dass die Brennkammer eine Brennkammer einer Turbine, insbesondere einer Gasturbine, ist.
Weiter ist vorgesehen, eine Weiterbildung im Rahmen einer Sensitivitätsanalyse für die Einflussgrößen eines Brennvorgangs einer Brennkammer einzusetzen. Auch kann eine Weiterbildung eingesetzt werden zu einer Ermittlung einer Reihenfolge einer Wichtigkeit von Einflussgrößen auf ein Brennkammerbrummen einer Brennkammer.
Weiter kann eine Ausgestaltung eingesetzt werden zu einer Ermittlung einer Reihenfolge einer Wichtigkeit von den Einflussgrößen, insbesondere einer Wichtigkeit von Einflussgrößen auf eine Nox-Emission einer Brennkammer.
In Figuren ist ein Ausführungsbeispiel der Erfindung dargestellt, welches im weiteren näher erläutert wird.
Es zeigen
Figur 1 eine Skizze einer Brennkammer einer Gasturbine gemäß einem Ausführungsbeispiel;
Figur 2 eine Skizze eines Input-Datensatzes mit Zustandsvek- toren mit Einflussgrößen (Variablen) auf einen Brennvorgang in einer Brennkammer einer Gasturbine gemäß einem Ausführungsbeispiel;
Figur 3 ein Netzwerk aus Knoten und Verbindungen;
Figur 4 Verfahrensschritte bei einem Polynomial-Complexity- Verfahren;
Figur 5 ein Bayesianisches Netz, welches unter Verwendung ei- nes Polynomial-Complexity-Verfahren bearbeitet wird;
Figur 6 eine Vorgehensweise bei einer Analyse eines Systems "Brennkammer" basierend auf einer Ermittlung eines statistischen Modells des Systems "Brennkammer" gemäß einem Ausführungsbeispiel; Figur 7 ein vereinfachtes statistisches Modell gemäß einem Ausführungsbeispiel;
Figur 8 eine Skizze mit verschiedenen, bedingten Endstruktu- ren eines Netzwerks, welches das System "Brennkammer" beschreibt, gemäß einem Ausführungsbeispiel;
Figur 9 eine Vorgehensweise bei einer Analyse eines Systems "Brennkammer" basierend auf einer vereinfachten Ermittlung eines statistischen Modells des Systems "Brennkammer" gemäß einem alternativen Ausführungsbeispiel;
Figur 10 eine Skizze mit einer vereinfachten Endstruktur eines Netzwerks, welches das System "Brennkammer" beschreibt, gemäß einem alternativen Ausführungsbeispiel;
Figur 11 eine Skizze einer Vorgehensweise zur Identifikation von wichtigen Einflussgrößen auf ein Brennkammerbrummen;
Figur 12 eine Skizze einer Vorgehensweise zur Identifizierung von Abhängigkeiten von Einflussgrößen.
Ausführungsbeispiel : Analyse eines Brennvorgangs in einer Gasturbinenbrennkammer
Fig.1 zeigt schematisch eine Ringbrennkammer-Gasturbine 100 einer V84.3A Serie, wie sie in [2] beschrieben ist.
Bei dieser Ringbrennkammer-Gasturbine 100 zeigt sich unter gewissen Betriebsbedingungen im Vormischbetrieb ein "Brummen' aufgrund selbsterregter Verbrennungsschwingungen. Bei der Verbrennung in geschlossenen Brennräumen kann es zu einer Rückkopplung zwischen der Leistungsfreisetzung in der Flamme und der Akustik in der Brennkammer kommen. Dabei wird durch Schwankungen in der Leistungsfreisetzung der Verbrennung ein Schallfeld im Brennraum angeregt, das wiederum erneute Schwankungen in der Verbrennungsleistung hervorruft. Erfolgen die Druck- und Leistungsschwingungen ausreichend in Phase, ist also ein sogenanntes Rayleigh-Kriterium erfüllt, so kommt es zu einer Selbstverstärkung der Oszillationen.
Dieses als selbsterregte Brennkammer- oder Verbrennungsschwingung bekannte Phänomen ist oft mit sehr hohen Schalldruckamplituden und einem stark erhöhten Wärmeübergang an die Brennkammerwände verbunden, was zu einer verstärkten mechanischen und thermischen Belastung des Systems führt. Das durch BrennkammerSchwingungen verursachte Schadensspektrum reicht von erhöhter Lärmemission über Leistungsminderungen bis zur Beschädigung einzelner Maschinenteile.
Um geeignete Abhilfemaßnahmen gegen das Problem der Verbrennungsschwingungen (Brennkammerbrummen), wie sie in der V84.3A auftreten, ergreifen zu können, wird ein Verbrennungsvorgang in der Brennkammer, im folgenden als "System Brennkammer" be- zeichnet, eingehender untersucht bzw. analysiert.
Kernpunkte der Untersuchung bzw. Analyse bilden eine Erfassung von Brennkammerzuständen, beispielsweise durch Messung von Brennkammerzuständen, Eingabe oder Einlesen von Brennkam- merdaten aus einem Speicher, und eine anschließende mittels eines Rechners durchgeführte statistische Auswertung und Analyse der erfassten Informationen.
Bei der statistischen Auswertung wird in einem ersten Fall ein statistische Modell, ein kausales Netz, für das System "Brennkammer" im allgemeinen gebildet (Modellierung gemäß Fall 1) . In einem zweiten Fall wird ein statistisches Modell, ein neuronales netz vom Typ Feedforward, für ein System "Brennkammerbrummen" - eine Art Spezialfall des allgemeinen Falls 1, des System "Brennkammer", - gebildet (Modellierung gemäß Fall 2) .
Die statistische Modelle sind jeweils Grundlage für die nachfolgenden Analysen.
Fall 1: Allgemeines Brennkammermodell (Modell Brennkammer)
Bei einer Messung eines Brennkammerzustandes werden aktuelle Parameterwerte gemessen und in Form eines Zustandsvektors in einem Speicher des Rechners gespeichert. Entsprechendes gilt im Falle eines Einlesens oder Eingehens von Brennkammerdaten.
Eine solche Zustandsmessung von Parameterwerten wird in Zeitschritten von ls ständig bzw. für einen vorgegebenen Zeitraum wiederholt, wobei eine Zeitreihe von Zustandsvektoren generiert wird.
Diese werden zusammengefasst und als Datensatz gespeichert.
In Fig.2 ist ein solcher Datensatz 200 schematisch bzw. tabellarisch dargestellt. Fig.2 zeigt den Datensatz 200 mit ei- ner Vielzahl von Zustandsvektoren 201, deren jeder die Parameterwerte 202 einer Messung eines Brennkammerzustands um- fasst .
Eine Zustandvektor umfasst beispielsweise jeweils die Werte folgender messbaren Parameter 203:
- GtLstg
- SaugT
- UmgPr
- PrDFi - VerdPr
- VerdT
- Schaufel - DrVBr - PilotG - GasDr - GasT - Drehz - AbgasT - WD01 (erste Wechseldruckamplitude) - WD02 (zweite Wechseldruckamplitude) .
Es ist darauf hinzuweisen, dass obige Auflistung von Parametern nicht abschließend zu verstehen ist. Ein Zustandsvektor 201 kann auch weitere oder auch weniger oder auch abgeleitete Parameter bzw. Parameterwerte umfassen.
Zur Modellierung des Systems "Brennkammer", insbesondere zur Verifizierung und Analyse von Einflussgrößen auf den Verbrennungsvorgang sowie zur Ermittlung statistischer Eigenschaften, welche die Einflussgrößen (Variable) des Systems "Brennkammer" zueinander aufweisen, werden unter Verwendung der Pa- rameter Variable des Systems "Brennkammer" definiert. Diese sollen einen Brennkammerzustand bzw. den Brennvorgang möglichst umfassend beschreiben (vgl. Fig.6, Verfahrensschritt 601) .
Es werden wie nachfolgend beschrieben statistische Abhängigkeiten bzw. Unabhängigkeiten zwischen den Variablen ermittelt (vgl. Fig.6, Verfahrensschritte 610 bis 680).
Unter Verwendung dieser statistischen Größen wird ein statis- tisches Modell, ein sogenanntes Bayesianisches Netz [4], des Systems "Brennkammer" bestimmt (vgl. Fig.6, 690).
Unter Verwendung des statistischen Modells 685 bzw. des Baye- sianischen Netzes 685 wird anschließend eine weiterführende Analyse des Systems "Brennkammer" und damit eines Brennvorgangs durchgeführt (vgl. Fig.6, Verfahrensschritt 690) . Fig.6 zeigt Verfahrensschritte 601 bis 680, welche bei einer Ermittlung eines statistischen Modells des Systems "Brennkammer" 685 durchgeführt werden:
In einem Initialisierungsschritt 601 werden die Variablen des Systems "Brennkammer" festgelegt.
Die definierten Variablen des Systems "Brennkammer" sind:
- GtLsg - SaugT
- UmgPr
- PrDFi
- VerdPr
- VerdT - Schaufel
- DrVBr
- PilotG
- GasDr
- GasT - Drehz
- AbgasT
- WD01
- WD02 und stimmen in diesem Fall mit den messbaren Parametern 203 überein.
Es ist zu betonen, dass diese Übereinstimmung nicht notwendigerweise immer gegeben sein muss. Der Satz von Variablen bzw. von Einflussgrößen wie obig kann eine Teilmenge aus den mess- baren Parametern 203 sein oder auch (zumindest zum Teil) durch Kombinationen von bestimmten Parametern 203 gewonnen werden.
Auch ist diese Aufzählung von Variablen nicht als abschlie- ßend zu verstehen. Es können durchaus weitere Variablen definiert werden, welche das System "Brennkammer" beschreiben. Die Variablen werden zu einem sogenannten Modellzustandsvek- tor zusammengefasst, wobei Komponenten des Modellzustandsvek- tors die Variablen sind.
In dem Initialisierungsschritt 601 wird ferner eine Anfangsstruktur eines Netzwerk bestimmt, welches aus Knoten und Verbindungen aufgebaut ist und welches eine Struktur, welche in dem System "Brennkammer" enthalten ist, beschreibt.
Die Anzahl der Knoten wird entsprechend der Anzahl der Variablen des Systems "Brennkammer" festgelegt. Jeder Knoten repräsentiert eine Variable dieses Systems .
Bei der Anfangsstruktur sind alle Knoten miteinander verbun- den, was eine anfänglich angenommene und später zu verifizierende Abhängigkeit zwischen allen Variablen bedeutet.
In einem ersten Schritt 610 wird ein sogenannter Trainingsdatensatz des Systems "Brennkammer" ermittelt. Unter Verwendung dieses Trainingsdatensatzes wird wie nachfolgend beschrieben das Netzwerk derart bearbeitet bzw. trainiert, dass eine Endstruktur des Netzwerks eine in dem System "Brennkammer" enthaltenen Struktur beschreibt.
Dazu werden aus einem vorgegeben Datensatz Modellzustandsvek- toren extrahiert und zu einem Trainingsdatensatz zusammengefasst 610.
Dieses gestaltet sich in diesem Fall sehr einfach, da die Pa- rameter mit den Variablen übereinstimmen, d.h. der Zustands- vektor mit dem Modellzustandsvektor übereinstimmt.
In einem zweiten Schritt 620 wird unter Verwendung eines sta- 2 tistischen Testverfahrens, einem χ -Test, welcher in [5] be- schrieben ist, und des Trainingsdatensatzes (vgl. Schritt 610) eine direkte statistische Unabhängigkeit bzw. direkte statistische Abhängigkeit jeweils zwischen zwei Variablen des Systems ermittelt (statistische Unabhängigkeit bzw. Abhängigkeit 0. Ordnung).
Es wird ermittelt: - U/A(PilotG, GasDr) ,
- U/A(PilotG, Nox) ,
- U/A(PilotG, Drehz),
- U/A(PiltG, GasT) ,
- u. s . . , wobei mit U/A(a,b) die statistische Unabhängigkeit U bzw. die statistische Abhängigkeit A zwischen der Variablen a und der Variablen b bezeichnet wird.
In einem dritten Schritt 630 werden aus dem Netzwerk, welches die Startkonfiguration aufweist, solche Verbindungen entfernt, welche jeweils zwei Knoten verbinden, für deren zugehörige Variablen eine statistische Unabhängigkeit U ermittelt wurde .
In einem vierten Schritt 640 wird für jeweils zwei Variablen, für welche eine statistische Abhängigkeit ermittelt wurde, eine bedingte statistische Abhängigkeit bzw. Unabhängigkeit unter der Bedingung einer dritten Variablen ermittelt (statistische Unabhängigkeit bzw. Abhängigkeit 1. Ordnung).
2 Dazu wird ebenfalls der χ -Test, welcher in [5] beschrieben ist, verwendet.
Es wird ermittelt: - U/A(DrVBR, GasDr | PilotG) ,
- U/A(PilotG, VerdT| Schaufel),
- U/A (PilotG, Nox| UmgPr) ,
- U/A(GtLstg, VerdTl SaugT) ,
- u. s . w. , wobei mit U/A(a,b|c) die statistische Unabhängigkeit U bzw. die statistische Abhängigkeit A zwischen der Variablen a und der Variablen b unter der Bedingung der Variablen c bezeichnet wird.
In einem fünften Schritt 650 werden für solche Verbindungen, für deren zugehörige Knoten eine bedingte statistische Unabhängigkeit U ermittelt wurde (vgl. U(a,b|c), Schritt 640), Regeln für ein Entfernen dieser Verbindungen formuliert.
Anhand eines nachfolgend dargestellten, einfacheren weiteren Beispiels, dargestellt in Fig. 7, einem Netzwerk 700 mit Knoten A (701), B (702), C (703), D (704) und E (705), welche die Variablen v, w, x, y und z repräsentieren, soll diese Vorgehensweise verdeutlicht werden:
Es wurden folgende direkte statistischen Unabhängigkeiten und Abhängigkeiten ermittelt und die entsprechenden Verbindungen in dem Netz entfernt (710) : a) direkte statistische Unabhängigkeiten (vgl. Schritt 620 und 630) : - U(A,E) Verbindung (A,E) entfernt,
- U(C,D) Verbindung (C,D) entfernt,
- U(C,E) Verbindung (C,E) entfernt;
b) direkte statistische Abhängigkeiten (vgl. Schritt 620) : - A(A,B), A(A,C), A(A,D), A(B,C), A(B,D), A(B,E), A(D,E).
Es wurden folgende bedingte statistischen Unabhängigkeiten ermittelt und folgende Regeln für ein Entfernen von Verbindungen formuliert (711) : a) U(A,C|B); die entsprechende Regel lautet: entferne Verbindung (A,C), wenn Verbindung (A,B) und Verbindung (B,C) in dem Netzwerk vorhanden b) U(A,D|B); die entsprechende Regel lautet: entferne Verbindung (A,D), wenn Verbindung (A,B) und Verbindung (B,D) in dem Netzwerk vorhanden c) U(B,C|A); die entsprechende Regel lautet: entferne Verbindung (B,C), wenn Verbindung (A,B) und Verbindung (A,C) in dem Netzwerk vorhanden d) U(B,E|D); die entsprechende Regel lautet: entferne Verbindung (B,E), wenn Verbindung (B,D) und Verbindung (D,E) in dem Netzwerk vorhanden e) U(D,E|B); die entsprechende Regel lautet: entferne Verbindung (D,E), wenn Verbindung (B,D) und Verbindung (B,E) in dem Netzwerk vorhanden.
In einem sechsten Schritt 660 wird eine Interferenz in den Regeln ermittelt. Durch ein Vereinfachen der Regeln wird diese Interferenz beseitigt. Dadurch werden neue, vereinfachte Regeln formuliert.
Für das obige, weitere Beispiel ergeben sich folgende verein- fachte Regeln (712) :
a) U(A,C|B); die entsprechende Regel lautet: entferne Verbindung (A,C), wenn Verbindung (B,C) in dem Netzwerk vorhanden b) U(A,D|B); die entsprechende Regel lautet: entferne Verbindung (A, D) c) U(B,C|A); die entsprechende Regel lautet: entferne Verbindung (B,C), wenn Verbindung (A,C) in dem Netzwerk vorhanden d) U(B,E|D); die entsprechende Regel lautet: entferne Verbindung (B,E), wenn Verbindung (D,E) in dem Netzwerk vorhanden e) U(D,E|B); die entsprechende Regel lautet: entferne Verbindung (D,E), wenn Verbindung (B,ED) in dem Netzwerk vorhanden.
In einem siebten Schritt 670 werden aus den vereinfachten Regeln Bedingungen für ein Entfernen der Verbindungen ermittelt. Verbindungen, welche nur unter einer solchen Bedingung aus dem Netzwerk gelöscht werden, werden als sogenannte unsichere Verbindungen bezeichnet.
Für das obige, weitere Beispiel ergeben sich folgende unsicheren Verbindungen (713) :
a) unsichere Verbindung (A,C) mit der Bedingung: entferne Verbindung (A, C), wenn Verbindung (B,C) in dem Netzwerk vorhanden b) unsichere Verbindung (B,C) mit der Bedingung: entferne Verbindung (B,C), wenn Verbindung (A,C) in dem Netzwerk vorhanden d) unsichere Verbindung (B,E) mit der Bedingung: entferne Verbindung (B,E), wenn Verbindung (D,E) in dem Netzwerk vorhanden e) unsichere Verbindung (D,E): entferne Verbindung (D,E), wenn Verbindung (B,E) in dem Netzwerk vorhanden.
In einem achten Schritt 680 werden die unsicheren Verbindungen aus dem Netzwerk "bedingt entfernt", d.h. es werden in dem Netzwerk die unsicheren Verbindungen gekennzeichnet, bei- spielsweise durch eine gestrichelte Verbindung 714, wobei die gestrichelte Verbindung bedeutet, dass diese Verbindung gegebenenfalls (falls die entsprechende Bedingung in dem Netzwerk erfüllt ist und damit diese unsichere Verbindung gelöscht wurde) nicht vorhanden ist oder dass diese Verbindung (falls die entsprechende Bedingung in dem Netzwerk nicht erfüllt ist und damit diese unsichere Verbindung nicht gelöscht wurde) vorhanden ist. Somit ergeben sich durch diese Vorgehensweise mehrere verschiedene, bedingte Endstrukturen für das Netzwerk, welche in ihrer Gesamtheit die in den Daten vorhandene Struktur besser und flexibler beschreiben als dies nur mit einer einzigen, festen Endstruktur möglich wäre.
In Fig.8 sind die verschiedenen, bedingten Endstrukturen des Netzwerks 800, welches das System "Brennkammer" beschreibt, dargestellt.
Als Knoten 810 bis 824 sind in Fig.8 die Variablen:
- GtLsg 810
- SaugT 811 - UmgPr 812
- PrDFi 813
- VerdPr u.s.w.
- VerdT
- Schaufel - DrVBr
- PilotG
- GasDr
- GasT
- Drehz - AbgasT
- WD01
- WD02 dargestellt.
Die Endstrukturen bzw. das Netzwerk 800 weisen bzw. weist:
- feste Verbindungen 830, welche jeweils zwei Knoten 850 ohne eine zugehörige Bedingung verbinden,
- unsichere Verbindungen 840, welche jeweils zwei Knoten 860 unter einer Bedingung verbinden. Nicht aufgetreten ist bei dem Netzwerk 800
- ein Knoten, welche mit keinem anderen Knoten verbunden ist. Fall 2: Modell "Brennkammerbrummen" (Fig.11)
Entsprechend obiger Vorgehensweise bei dem Modell Brennkammer wird nun ein Modell, das Modell Brennkammerbrummen, entwickelt, welches insbesondere geeignet ist, zur Untersuchung und Analyse des Phänomens Brennkammerbrummen [2] .
Dieses Modell Brennkammerbrummen erlaubt auf allgemeingültige und zielgerichtete Art und Weise eine Identifikation von wichtigen mit dem Problem des Brennkammerbrummens [2] im Zusammenhang stehenden Einflussgrößen.
Zusätzlich erlaubt das Modell Brennkammerbrummen die Auswer- tung eines Effekts von gezielten Änderungen dieser Einflussgrößen.
Dadurch können ohne Eingriff in das durch das Modell modellierte reale System bzw. in die Turbine Gegenmaßnahmen entwi- ekelt werden, die wirkungsvoll Turbinenbrummen verringern und nicht eine Reduzierung der Last und Stromleistung beinhalten.
Ausgehend von obigen Variablen bzw. dem Trainingsdatensatz werden solche Modellzustandsvektoren, für welche die Turbine das Brummen zeigte, ausgewählt und zu einem weiteren, im Fall 2 verwendeten, zweiten Trainingsdatensatz zusammengefasst .
Unter Verwendung dieses zweiten Trainingsdatensatzes wird ein neuronales Netz vom Typ Feedforward für eine zukünftige Amp- litude des Brennkammerbrummens (oder einer anderen, dem Brummen entsprechenden Kenngröße) gebildet bzw. trainiert.
Targetgrößen bei dem Training sind ein Brummen und eine Nox- Emission.
Durch ein sogenanntes Pruning [6] von Modellparametern, in diesem Fall von den Gewichten des neuronalen Netzes, wird der Einfluss jeder Variablen für das Modell Brennkammerbrummen bewertet. Aus der Bewertung wird auf die Wichtigkeit der jeweiligen Variable für das Modell geschlossen.
Sortiert man die Variablen entsprechend dieser Wichtigkeit, erhält man entsprechend auch die Reihenfolge der Wichtigkeit der Variablen für das Auftreten des Turbinenbrummens selbst.
Mit dem Pruning der Modellparametern wird das neuronale Netz zu einer hohen Generalisierungsfähigkeit auf Brummzeiträume gebracht, die nicht in dem Trainingsdatensatz enthalten waren.
Im folgenden werden Weiterführungen und Alternativen zu dem Ausführungsbeispiel beschrieben.
1) Fall 3: Modell Brennkammerbrummen in Kombination mit Modell Brennkammer
Das Modell Brennkammerbrummen nach Fall 2 beschreibt die Turbine unter einer momentanen Betriebs-Policy. Dies kann aber nicht ausreichend sein, um vorherzusagen, was der Effekt von Veränderungen dieser Betriebs-Policy ist bzw. welche Veränderungen vorgenommen werden können, um das Turbinenbrummen zu verhindern.
Dies kann darauf zurückgeführt werden, dass das Modell Brennkammerbrummen basierend auf dem neuronalen Netz vom Typ Feed- forward eine Ursache-Wirkungs-Richtung von Zusammenhängen nicht beinhaltet und nicht zwischen direkten und indirekten Abhängigkeiten unterscheidet.
Deshalb wird in Fall 3 in einem ersten Schritt eine Modellierung des Brennkammerbrummens gemäß Fall 2 vorgenommen und da- durch die wichtigsten Variablen bzw. Einflussgrößen auf das Turbinenbrummen identifiziert. Mit den identifizierten, wichtigsten Einflussgrößen wird ein zweiter Schritt durchgeführt, bei dem die Abhängigkeiten zwischen den wichtigsten im ersten Schritt identifizierten Einflussgrößen untereinander und in Bezug auf das Auftreten von Brummen modelliert werden.
Ziel dieser Modellierung ist die Identifikation von Ursache- Wirkungs-Zusammenhängen oder direkten und indirekten Abhängigkeiten bzw. direkten und indirekten Einflussgrößen.
Die Interpretation dieser Abhängigkeiten ermöglicht dann die optimale Identifikation von Einflussgrößen, insbesondere der direkten Einflussgrößen, durch deren Veränderung einem Brummen unmittelbar entgegengesteuert werden kann.
Dazu wird nun in dem zweiten Schritt eine Modellierung gemäß Fall 1 durchgeführt, d.h. mit einem Trainingsdatensatz umfassend nur mehr die gemäß Schritt 1 identifizierten wichtigsten Einflussgrößen wird ein kausales Netz trainiert (Fig.12) .
Die nach dem Training vorliegende Netzstruktur 1200 offenbart die gesuchten direkten und indirekten Abhängigkeiten bzw. direkten und indirekten Einflussgrößen.
Anzumerken ist, dass beim zweiten Schritt auch Verfahren basierend auf der Theorie graphischer Modelle angewendet werden können.
2) Fall 4
In Weiterführung des Falls 3 kann nun ausgehend von den gemäß Fall 3 identifizierten direkten Einflussgrößen eine Modellierung gemäß Fall 2, d.h. eine Modellierung unter Verwendung eines neuronalen Netzes vom Typ Feedforward, vorgenommen wer- den. Mittels des derart erzeugten neuronalen Netzes können Effekte von Änderungen der gemäß Fall 3 identifizierten direkten Einflussgrößen ermittelt werden.
Dadurch können ohne Experimente an der Turbine oder vor deren Einleitung die Wirkungen von Gegenmaßnahmen gegen ein Brummen abgeschätzt werden.
Die wirksamen Gegenmaßnahmen oder Kombinationen daraus werden identifiziert, evaluiert und vorbereitet.
3) In einer Alternative (vgl. Fig.9 und Fig.10) zu Fall 1 des Ausführungsbeispiels wird eine vereinfachte Netzwerkstruktur 1000 (685 ), welche keine unsicheren Verbindungen aufweist, bestimmt.
In diesem Fall werden nur die direkten statistischen Unabhängigkeiten bzw. direkten statistischen Abhängigkeiten jeweils zwischen zwei Variablen des Systems ermittelt (vgl. 620, sta- tistische Unabhängigkeit bzw. Abhängigkeit 0. Ordnung).
Nicht mehr ermittelt werden hier die bedingten statistischen Abhängigkeiten bzw. Unabhängigkeiten (vgl. 640, statistische Unabhängigkeit bzw. Abhängigkeit 1. Ordnung).
Es werden somit nur die beschriebenen Verfahrenschritte 601, 610, 620 und 630 durchführt, was zu der vereinfachten Netzstruktur 685 λ bzw. 1000 führt.
In Fig.10 ist die Endstruktur des Netzwerks 800", welches das System "Brennkammer" beschreibt, dargestellt.
Als Knoten 810 bis 824 sind wie in Fig.8 die Variablen:
- GtLsg 810 - SaugT 811
- UmgPr 812
- PrDFi 813 - VerdPr u.s.w.
- VerdT
- Schaufel
- DrVBr - PilotG
- GasDr
- GasT
- Drehz
- AbgasT - WD01
- WD02 dargestellt.
Die Endstruktur bzw. das Netzwerk 800 weist: - feste Verbindungen 830, welche jeweils zwei Knoten 850 ohne eine zugehörige Bedingung verbinden. Nicht aufgetreten ist bei dem Netzwerk 800"
- ein Knoten, welche mit keinem anderen Knoten verbunden ist. Auch nicht treten mehr auf unsichere Verbindungen 840, welche jeweils zwei Knoten 860 unter einer Bedingung verbinden
2) In einer zweiten Alternative zu Fall 1 des Ausführungsbei- spiels erfolgt die Ermittlung von zur Entfernung geeigneter Verbindungen bzw. von zur Entfernung geeigneter Gewichte eines neuronalen Netzes durch ein sogenanntes Pruning- Verfahren. In diesem Dokument sind folgende Schriften zitiert:
[1] S.M. Candel, Combustion Instability Coupled by Pressure Waves and their Active Control, Invited General Lecture, 25. Int. Symp. On Combustion, Sydney, 1992;
[2] J. Hermann, et al . , Aktive Instabilitätskontrolle an einer 170 MW Gasturbine, VDI-Bericht Nr. 1313, 18. Deutsch- Niederländischer Flammentag, TU Delft/NL, 28.-29. August 1997;
[3] Patentanmeldung mit der Offenlegungsnummer DE 10159262.0, internes Aktenzeichen 2001P12478DE;
[4] F. W. Jensen, F. V. (1996), An introduction to Bayesian networks, UCL Press, London; 178 pages;
2 [5] χ -Test;
[6] Patentanmeldung mit der Offenlegungsnummer DE , internes Aktenzeichen 1996P01284DE;

Claims

Patentansprüche
1. Verfahren zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer unter Verwendung eines trainier- baren, statistischen Modells,
- bei dem das trainierbare, statistische Modell mindestens unter Verwendung von vorgegebenen Werten der Einflussgrößen trainiert wird, wobei Modellparameter des trainierbaren, statistischen Modells verändert werden derart, dass das trainierte, statistische Modell den Brennvorgang beschreibt,
- bei dem unter Verwendung der veränderten Modellparameter ein Einfluss der Einflussgrößen auf den Brennvorgang analysiert wird.
Verfahren nach Anspruch 1, bei dem die Modellparameter des trainierbaren, statistischen Modells Gewichte des trainierbaren, statistischen Modells sind.
3. Verfahren nach einem der vorangehenden Ansprüche, bei dem die Einflussgrößen mindestens einige der folgenden Größen und/oder davon abgeleitete Größen umfassen: einen Luftdruck außen, einen Gasdruck, einen Druck nach einer Kompression, eine Druckdifferenz an einem Luftfilter, ein Pilotgas, eine Last, eine Lufttemperatur, eine Gastemperatur, eine Temperatur nach einer Kompression, eine Druckreduktion in einer Brennkammer, eine "blade" (Schaufel-) Position, eine Gasturbinenleistung, eine An- saugtemperatur, einen Umgebungsluftdruck, einen Druckverlust über einen Ansaugfilter, einen Verdichterenddruck, eine Verdichterendtemperatur, Vorleitschaufel- stellung, einen Druckverlust in einer Brennkammer, einen Pilotgashub, einen Gasdruck, eine Gastemperatur, eine Drehzahl, eine Abgastemperatur.
4. Verfahren nach einem der vorangehenden Ansprüche, bei dem der Brennvorgang unter Verwendung einer ein Brennkammerbrummen beschreibenden Größe beschrieben wird, wobei die Einflussgrößen auf die das Brennkammerbrummen beschreibende Größe abgebildet werden.
5. Verfahren nach dem vorangehenden Anspruch, bei dem der Brennvorgang unter Verwendung einer eine Nox- Emission beschreibenden Größe beschrieben wird, wobei die Einflussgrößen auf die die Nox-Emission beschreibende Grö- ße abgebildet werden.
6. Verfahren nach dem vorangehenden Anspruch, bei dem die das Brennkammerbrummen beschreibende Größe eine Targetgröße bei dem Training ist.
7. Verfahren nach dem vorangehenden Anspruch, bei dem die die Nox-Emission beschreibende Größe die Targetgröße bei dem Training ist.
8. Verfahren nach einem der vorangehenden Ansprüche,
- bei dem bei dem das trainierbare, statistische Modell ein neuronales Netz, insbesondere ein Feedforward neuronales Netz, oder ein kausales Netz oder ein Entscheidungsbaum ist.
9. Verfahren nach einem der vorangehenden Ansprüche, bei dem die Analyse der Einflussgrößen unter Verwendung eines Pruning-Verfahrens durchgeführt wird.
10. Verfahren nach dem vorangehenden Anspruch, bei dem bei dem Pruning-Verfahren ein Pruning der Modellparameter durchgeführt wird.
11. Verfahren nach einem der vorangehenden Ansprüche, - bei dem die Brennkammer eine Brennkammer einer Turbine, insbesondere einer Gasturbine, ist.
12. Verfahren nach einem der vorangehenden Ansprüche, eingesetzt im Rahmen einer Sensitivitätsanalyse für Einflussgrößen eines Brennvorgangs einer Brennkammer.
13. Verfahren nach einem der vorangehenden Ansprüche, eingesetzt zu einer Ermittlung einer Reihenfolge einer Wichtigkeit von Einflussgrößen auf ein Brennkammerbrummen einer Brennkammer.
14. Verfahren nach einem der vorangehenden Ansprüche, eingesetzt zu einer Ermittlung einer Reihenfolge einer Wichtigkeit von Einflussgrößen auf eine Nox-Emission einer Brennkammer.
15. Computerprogramm mit Programmcode-Mitteln, um alle
Schritte gemäß Anspruch 1 durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
16. Computerprogramm mit Programmcode-Mitteln gemäß dem vo- rangehenden Anspruch, welche Programmcode-Mitteln auf einem computerlesbaren Datenträger gespeichert sind.
17. Computerprogramm-Produkt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode-Mitteln, um alle Schritte gemäß Anspruch 1 durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
PCT/EP2004/052319 2003-09-30 2004-09-27 VERFAHREN, COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR ANALYSE VON EINFLUSSGRÖßEN AUF EINEN BRENNVORGANG IN EINER BRENNKAMMER UNTER VERWENDUNG EINES TRAINIERBAREN, STATISTISCHEN MODELLS Ceased WO2005033809A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE502004012452T DE502004012452D1 (de) 2003-09-30 2004-09-27 Verfahren, computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse von einflussgrössen auf einen brennvorgang in einer brennkammer unter verwendung eines trainierbaren, statistischen modells
US10/574,171 US7945523B2 (en) 2003-09-30 2004-09-27 Method and computer program for analyzing variables using pruning, influencing a combustion process in a combustion chamber, using a trainable statistical model
EP04787219A EP1668431B1 (de) 2003-09-30 2004-09-27 Verfahren, computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse von einflussgrössen auf einen brennvorgang in einer brennkammer unter verwendung eines trainierbaren, statistischen modells
AT04787219T ATE507512T1 (de) 2003-09-30 2004-09-27 Verfahren, computerprogramm mit programmcode- mitteln und computerprogramm-produkt zur analyse von einflussgrössen auf einen brennvorgang in einer brennkammer unter verwendung eines trainierbaren, statistischen modells

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10345440A DE10345440A1 (de) 2003-09-30 2003-09-30 Verfahren, Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer unter Verwendung eines trainierbaren, statistischen Modells
DE10345440.3 2003-09-30

Publications (1)

Publication Number Publication Date
WO2005033809A1 true WO2005033809A1 (de) 2005-04-14

Family

ID=34399085

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2004/052319 Ceased WO2005033809A1 (de) 2003-09-30 2004-09-27 VERFAHREN, COMPUTERPROGRAMM MIT PROGRAMMCODE-MITTELN UND COMPUTERPROGRAMM-PRODUKT ZUR ANALYSE VON EINFLUSSGRÖßEN AUF EINEN BRENNVORGANG IN EINER BRENNKAMMER UNTER VERWENDUNG EINES TRAINIERBAREN, STATISTISCHEN MODELLS

Country Status (6)

Country Link
US (1) US7945523B2 (de)
EP (1) EP1668431B1 (de)
AT (1) ATE507512T1 (de)
DE (2) DE10345440A1 (de)
ES (1) ES2364477T3 (de)
WO (1) WO2005033809A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006004516B3 (de) * 2006-02-01 2007-03-08 Mtu Friedrichshafen Gmbh Bayes-Netz zur Steuerung und Regelung einer Brennkraftmaschine
EP2706422A1 (de) 2012-09-11 2014-03-12 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Überwachung des Betriebs eines technischen Systems, insbesondere einer elektrischen Energieerzeugungsanlage

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007001024B4 (de) 2007-01-02 2008-10-02 Siemens Ag Verfahren zur rechnergestützten Regelung und/oder Steuerung eines technischen Systems insbesondere einer Gasturbine
DE102007017259B4 (de) * 2007-04-12 2009-04-09 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
JP4427074B2 (ja) * 2007-06-07 2010-03-03 株式会社日立製作所 プラントの制御装置
US8135653B2 (en) * 2007-11-20 2012-03-13 Hitachi, Ltd. Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
DE102008020380B4 (de) * 2008-04-23 2010-04-08 Siemens Aktiengesellschaft Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems
US9354618B2 (en) 2009-05-08 2016-05-31 Gas Turbine Efficiency Sweden Ab Automated tuning of multiple fuel gas turbine combustion systems
US9267443B2 (en) 2009-05-08 2016-02-23 Gas Turbine Efficiency Sweden Ab Automated tuning of gas turbine combustion systems
US9671797B2 (en) 2009-05-08 2017-06-06 Gas Turbine Efficiency Sweden Ab Optimization of gas turbine combustion systems low load performance on simple cycle and heat recovery steam generator applications
US8437941B2 (en) 2009-05-08 2013-05-07 Gas Turbine Efficiency Sweden Ab Automated tuning of gas turbine combustion systems
EP2558910B1 (de) 2010-04-12 2018-12-05 Siemens Aktiengesellschaft Verfahren für computerunterstützten geschlossenen und/oder offenen regelkreis eines technischen systems
CN103759290A (zh) * 2014-01-16 2014-04-30 广东电网公司电力科学研究院 大型燃煤机组在线监测与优化控制系统及其实现方法
US10330018B2 (en) 2014-03-24 2019-06-25 Rolls-Royce Corporation Integrating design and field management of gas turbine engine components with a probabilistic model
EP2996001A1 (de) * 2014-09-10 2016-03-16 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Analyse eines Datensatzes aus Beobachtungen
US10417076B2 (en) 2014-12-01 2019-09-17 Uptake Technologies, Inc. Asset health score
CN106885228A (zh) * 2017-02-10 2017-06-23 青岛高校信息产业股份有限公司 一种锅炉风煤比优化方法和系统
US10746405B2 (en) * 2017-04-24 2020-08-18 Honeywell International Inc. Apparatus and method for using model training and adaptation to detect furnace flooding or other conditions
CN107316079A (zh) * 2017-08-08 2017-11-03 珠海习悦信息技术有限公司 终端卷积神经网络的处理方法、装置、存储介质及处理器
JP6881256B2 (ja) * 2017-11-27 2021-06-02 オムロン株式会社 制御装置、制御方法、およびプログラム
US10626817B1 (en) * 2018-09-27 2020-04-21 General Electric Company Control and tuning of gas turbine combustion
CN112486940B (zh) * 2019-09-12 2024-12-03 伊姆西Ip控股有限责任公司 用于事件排序的方法、设备和计算机程序产品
CN116502566A (zh) * 2023-06-27 2023-07-28 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5857321A (en) * 1996-06-11 1999-01-12 General Electric Company Controller with neural network for estimating gas turbine internal cycle parameters

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0692914B2 (ja) * 1989-04-14 1994-11-16 株式会社日立製作所 機器／設備の状態診断システム
US5288645A (en) * 1992-09-04 1994-02-22 Mtm Engineering, Inc. Hydrogen evolution analyzer
US5845271A (en) * 1996-01-26 1998-12-01 Thaler; Stephen L. Non-algorithmically implemented artificial neural networks and components thereof
DE19611732C1 (de) * 1996-03-25 1997-04-30 Siemens Ag Verfahren zur Ermittlung von zur Entfernung geeigneten Gewichten eines neuronalen Netzes mit Hilfe eines Rechners
WO1999049264A1 (de) * 1998-03-20 1999-09-30 Siemens Aktiengesellschaft Brenner und verfahren zur reduzierung von verbrennungsschwingungen beim betrieb
DE19940577A1 (de) * 1999-08-26 2001-03-01 Wilex Biotechnology Gmbh Verfahren zum Trainieren eines neuronalen Netzes
DE10134093C2 (de) 2001-07-13 2003-05-08 Siemens Ag Verfahren und Anordnung zum Entfernen von Verbindungen aus einem Netzwerk mit Knoten und Verbindungen
DE10159262B4 (de) * 2001-12-03 2007-12-13 Siemens Ag Identifizieren pharmazeutischer Targets
US6687597B2 (en) * 2002-03-28 2004-02-03 Saskatchewan Research Council Neural control system and method for alternatively fueled engines
US6882929B2 (en) * 2002-05-15 2005-04-19 Caterpillar Inc NOx emission-control system using a virtual sensor
US7575931B2 (en) * 2002-06-19 2009-08-18 E.I. Du Pont De Nemours And Company Method and apparatus for reducing a nitrogen oxide, and control thereof
US20050282285A1 (en) * 2004-06-21 2005-12-22 Eaton Corporation Strategy for controlling NOx emissions and ammonia slip in an SCR system using a nonselective NOx/NH3

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5857321A (en) * 1996-06-11 1999-01-12 General Electric Company Controller with neural network for estimating gas turbine internal cycle parameters

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
EAKLE DOUGLAS L ET AL: "Optimizing combustion to reduce NOx and improve boiler efficiency using constrained empirical optimization based on Bayesian models", PROCEEDINGS OF THE 1998 SPRING TECHNICAL CONFERENCE OF THE ASME INTERNAL COMBUSTION ENGINE DIVISION FORT LAUDERDALE US, vol. 30, no. 1, 1997, FAIRFIELD, pages 87 - 92, XP009042888 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006004516B3 (de) * 2006-02-01 2007-03-08 Mtu Friedrichshafen Gmbh Bayes-Netz zur Steuerung und Regelung einer Brennkraftmaschine
EP2706422A1 (de) 2012-09-11 2014-03-12 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Überwachung des Betriebs eines technischen Systems, insbesondere einer elektrischen Energieerzeugungsanlage

Also Published As

Publication number Publication date
ATE507512T1 (de) 2011-05-15
US7945523B2 (en) 2011-05-17
EP1668431A1 (de) 2006-06-14
US20090240636A1 (en) 2009-09-24
DE502004012452D1 (de) 2011-06-09
EP1668431B1 (de) 2011-04-27
ES2364477T3 (es) 2011-09-05
DE10345440A1 (de) 2005-05-12

Similar Documents

Publication Publication Date Title
EP1668431B1 (de) Verfahren, computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse von einflussgrössen auf einen brennvorgang in einer brennkammer unter verwendung eines trainierbaren, statistischen modells
EP2108139B1 (de) Verfahren zur rechnergestützten regelung und/oder steuerung eines technischen systems, insbesondere einer gasturbine
EP2649567B1 (de) Verfahren zur rechnergestützten modellierung eines technischen systems
DE102008038347A1 (de) Verfahren zur Analyse der Leistungscharakteristik einer Gasturbine und System zur Analyse der Leistungscharakteristik einer Gasturbine
AT512977B1 (de) Methode zur Ermittlung eines Modells einer Ausgangsgröße eines technischen Systems
DE102019126286B4 (de) System und Verfahren zum Optimieren der Verbrennung eines Kessels
DE102019126310A1 (de) System und Verfahren zum Optimieren der Verbrennung eines Kessels
CH697748A2 (de) Systeme und Verfahren zur modellgestützten Sensorstörungsdetektion und -isolation.
EP0988583A1 (de) System und verfahren zur diagnose von triebwerkszuständen
DE102008002907A1 (de) Systeme und Verfahren für die Anwendung eines Verbrennungsdynamik-Algorithmus bei einer Mehrrohrbrennkammer
EP2880499B1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems
DE102010028884A1 (de) Ursachenanalyse für Verarbeitung komplexer Ereignisse
DE102019128655A1 (de) Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
EP3617912A1 (de) Verfahren und vorrichtung zum rechnergestützten generieren einer komponente für ein technisches system
DE102020111204A1 (de) Verfahren zum Betreiben eines Steuergeräts für ein Kraftfahrzeug sowie entsprechendes Steuergerät
DE102019126293A1 (de) System und Verfahren zum Regeln des Betriebs eines Kessels
WO2005081076A2 (de) Verfahren, zur prognose eines brennkammerzustandes unter verwendung eines rekurrenten, neuronalen netzes
DE102014213866A1 (de) Abstimmung einer Brennkraftmaschine in der Entwicklung durch Kennfeldoptimierung hochdimensionaler Parameterräume
DE102020206327A1 (de) Verfahren und Vorrichtung zum Prüfen eines technischen Systems
WO2020229050A1 (de) Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem
EP2302554A2 (de) Verfahren zur Kennzeichnung eines in einem Computerspeichersystem enthaltenen Computerprogrammabschnitts
DE69329007T2 (de) Kompilierungsmechanismus für Simulationsmodelle
DE102011079034A1 (de) Ansteuerung eines technischen Systems
DE102020202303A1 (de) Verfahren zum Verifizieren von Software
EP4254085A1 (de) Verfahren zur modellierung eines industriellen systems und vorrichtung zur steuerung und/oder überwachung eines industriellen systems

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 2004787219

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 10574171

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 2004787219

Country of ref document: EP