Control Ann Turbina de Gas-1-106.en - Es

Modelando, simulación y control de
Turbinas de gas usando redes
neuronales artificiales
Hamid Asgari
Una tesis presentada para el cumplimiento parcial de
los requisitos para el grado de
Doctor en Filosofía
en
Ingeniería mecánica
en el
Universidad de Canterbury,
Christchurch, Nueva Zelanda
Febrero 2014
Esta tesis está dedicada a
Mis Estimados padres
por su infinito amor, el apoyo y el aliento
a lo largo de toda mi vida.

RESUMEN
Esta tesis investiga nuevas metodologías para el modelado, la simulación y el control de las turbinas de gas utilizando RNAs. En el
campo de modelado y simulación, dos tipos diferentes de turbinas de gas se modelan y se simularon utilizando tanto modelos basados
de redes neuronales Simulink y. conjuntos de datos simulados y operacionales se emplean para demostrar la capacidad de las redes
neuronales en la captura de la dinámica no lineal complejas de turbinas de gas. Para el modelado basado en ANN, la aplicación tanto
estática (MLP) y redes dinámicas (NARX) se exploran. modelos de Simulink y NARX están preparados para explorar tanto en estado
estacionario y comportamientos transitorios.
Desarrollar una metodología de identificación del sistema basado en ANN fuera de línea para una turbina de gas de baja potencia, se
genera código amplio programa informático que incluye 18720 ANN estructuras diferentes y ejecutar en MATLAB para crear y formar a
diferentes modelos de RNA con la estructura de alimentación directa perceptrón multicapa (MLP). Los resultados demuestran que el
método basado en ANN se puede aplicar con precisión y fiabilidad para la identificación del sistema de turbinas de gas.
En este estudio, los modelos de Simulink y NARX se crean y se validaron utilizando datos experimentales establece para explorar
comportamiento transitorio de una turbina de gas planta de energía industrial pesado (Ipgt). Los resultados muestran que tanto los modelos de
Simulink y NARX éxito la captura dinámica del sistema. Sin embargo, el enfoque NARX puede modelar el comportamiento de la turbina de gas con
una mayor precisión en comparación con enfoque Simulink. Además, un modelo complejo separada de la operación de puesta en marcha de la
misma Ipgt se construyó y se verificó mediante el uso de modelos NARX. Los modelos se establecen y verifica en la base de conjuntos de datos de
series de tiempo medidos. Se observa que los modelos NARX tienen el potencial para simular la operación de puesta en marcha y para predecir el
comportamiento dinámico de las turbinas de gas.
En el área del diseño del sistema de control, un controlador convencional proporcional-integral-derivativo (PID) y controladores
basados en redes neuronales que constan de ANN-modelo basado linealización predictivo (MPC) y retroalimentación controladores
(NARMA-L2) están diseñados y empleados para el control
yo
velocidad de rotación de una turbina de gas. Los parámetros relacionados para todos los controladores están sintonizados y establecieron de
acuerdo con los requisitos del diseño controladores. Se demuestra que los controladores basados en redes neuronales (en este caso
NARMA-L2) pueden realizar incluso mejor que los controladores convencionales. El tiempo de establecimiento, el tiempo de subida y el máximo
sobreimpulso para la respuesta de NARMA-L2 es menor que los factores correspondientes para el controlador PID convencional. También sigue
a la entrada cambia con más precisión que el PID.
En general, se llegó a la conclusión de esta tesis de que a pesar de todas las cuestiones controvertidas en relación con el uso de
redes neuronales artificiales para aplicaciones industriales, tienen un potencial alto y fuerte como para ser considerada como una
alternativa fiable a las metodologías de modelado, simulación y control convencionales. Los modelos desarrollados en esta tesis se
pueden utilizar fuera de línea para fines de diseño y de fabricación, o en línea en sitios de monitoreo de condición, detección de fallas y
solución de problemas de las turbinas de gas.
ii
PUBLICACIONES
Durante el transcurso de esta investigación, varias publicaciones se han hecho sobre la base del trabajo presentado en esta
tesis. Se enumeran aquí como referencia:
Capítulo del libro:
• Asgari. H., Chen. XQ, y Sainudiin, R. (2013). Modelado y Simulación Enfoques para la optimización del
sistema de la turbina de gas. En MK Habib y JP Davim (Eds.), Creative Design Ingeniería en Robótica y
Mecatrónica. Ch. 14, pp. 240-264, IGI Global. DOI: 10.4018 / 978-1-4666-4225-6.ch014.
Artículos de revista:
• Asgari, H., Venturini, M., Chen, XQ, y Sainudiin, R. (2014). Modelado y simulación del comportamiento
transitorio de una turbina de energía industrial Planta de Gas. ASME Diario de Ingeniería de Turbinas de Gas y
Energía. 136 (6), 061601. 10 páginas. DOI: 10.1115 / 1.4026215
• Asgari, H., Chen, XQ, Menhaj, MB y Sainudiin, R. (2013). Red Neuronal Artificial identificación del sistema
basado en una turbina de gas de un solo eje. ASME Diario de Ingeniería de Turbinas de Gas y Energía. 135
(9), 092601. 7 páginas. DOI: 10.1115 / 1.4024735
• Asgari, H., Chen, XQ, y Sainudiin, R. (2013). Modelado y Simulación de turbinas de gas. Revista
Internacional de Modelado, identificación y control (IJMIC). 20 (3), 253-270.
DOI: 10.1504 / IJMIC.2013.057137
• Asgari, H., Chen, XQ, y Sainudiin, R. (2013). Análisis del enfoque de modelado basado en ANN para
aplicaciones industriales. Revista Internacional de la Innovación, Gestión y Tecnología (IJIMT). 4 (1),
165-169. DOI: 10.7763 / IJIMT.2013.V4.383
• Asgari, H., Chen, XQ, Menhaj, MB y Sainudiin, R. (2012). Identificación del sistema basado en ANN, Modelado y
Control de Turbinas de Gas - Una revisión. Materiales Avanzados de Investigación. Vol. 622-623, pp.611-617. DOI:
10.4028 / www.scientific.net / AMR.622-623.611
+ 1 bajo revisión:
• Asgari, H., Fathi J., M., Chen, XQ, y Sainudiin, R. (2014). Un Diseño de controladores basados convencionales y redes
neuronales para una turbina de gas de un solo eje.
iii
Papeles de conferencia:
• Asgari, H., Chen, XQ, Sainudiin, R., Morini, M., Pinelli, M., Spina, PR, Venturini, M. (2014). Modelado y
simulación de la operación de puesta en marcha de una turbina de gas Heavy-Duty Usando modelos NARX.
Turbo-Expo 2014 (Congreso Internacional). Düsseldorf, Alemania.
• Asgari, H., Chen, XQ, y Sainudiin, R. (2012). Análisis del enfoque de modelado basado en ANN para
aplicaciones industriales. Conferencia Internacional sobre Aplicaciones Industriales e innovaciones (ICIAI
2012). Hong Kong. 5 pp (Contribución Conferencia - ponencia completa).
• Asgari, H., Chen, XQ, Menhaj, MB y Sainudiin, R. (2012). Identificación del sistema basado en ANN, Modelado
y Control de Turbinas de Gas - Una revisión. Conferencia Internacional sobre Energía e Ingeniería de la Energía
(ICPEE 2012), la isla de Phuket, Tailandia. 7 pp (Contribución Conferencia - ponencia completa).
• Asgari, H., Chen, XQ, y Sainudiin, R. (2012). La aplicación de redes neuronales artificiales a equipos rotativos.
3ª Conferencia sobre equipos rotativos de Industrias Eléctricas de aceite y, Teherán, Irán. 10 pp (Contribución
Conferencia - Papel en los procedimientos publicados).
• Asgari, H., Chen, XQ, y Sainudiin, R. (2011). Consideraciones en la Modelación y Control de Turbinas de Gas
- Una revisión. 2ª Conferencia Internacional sobre el Control, Instrumentación y Automatización (ICCIA 2011).
Shiraz, Irán. 6 pp (Contribución Conferencia - Papel en los procedimientos publicados).. DOI: 10.1109 /
ICCIAutom.2011.6356635
iv
EXPRESIONES DE GRATITUD
Quisiera expresar mi sincero agradecimiento a mi profesor del supervisor mayor Xiaoqi Chen en el
Departamento de Ingeniería Mecánica de la Universidad de Canterbury (UC) por darme la oportunidad de
estudiar en la Universidad de California y para toda su inestimable guía, apoyo y asesoramiento durante todo el
curso de los estudios de doctorado. También me gustaría agradecer de todo corazón a otros miembros de mi
equipo de supervisión; El Dr. Raazesh Sainudiin en el Departamento de Matemáticas y Estadística en la UC y
profesor Mohammad Bagher Menhaj en Eléctrica Departamento de Amir Kabir Universidad de Tecnología (AUT)
Ingeniería en Irán, que me han ayudado mucho a lo largo de todo el recorrido. También me gustaría expresar mi
agradecimiento al Dr. Mark Jermy y el Dr. Sid Becker, los Coordinadores de Postgrado en el Departamento de
Ingeniería Mecánica, Profesor Milo Kral,
También agradezco al profesor Pier Ruggero Spina, el profesor Mauro Venturini, el profesor Michele Pinelli y el Dr. Mirko Morini
en “Dipartimento di Ingegneria” a “Università degli Studi di Ferrara” en Italia por su hospitalidad, proporcionando datos
experimentales, una estrecha colaboración y supervisión durante mi estancia de investigación en Italia. También agradezco
calurosamente Profesor Adjunto Mohsen Fathi Jegarkandi al Departamento de la Universidad Tecnológica de Sharif y el Dr. Naser
Rahbar Aeroespacial en la Universidad Malek Ashtar de Tecnología (MUT) que me han ayudado en gran medida por el desarrollo
de los modelos de RNA y el sistema de control de turbinas de gas . Quisiera expresar mi sincero agradecimiento a mis queridos
colegas de Irán Offshore Oil Company (COI) por su apoyo técnico, y una estrecha cooperación durante la visita a las instalaciones y
adquisición de datos.
Es un gran placer para agradecer la ayuda y el apoyo del personal de la UC en la admisión y matriculación bibliotecas, servicios de TIC,
centro de recreación, servicios estudiantiles, y UC. También estoy muy agradecido a todos los técnicos, personal administrativo, mis
compañeros de postgraduados, compañeros de oficina, y amigos en
v
el Departamento de Ingeniería Mecánica de la Universidad de Canterbury, así como todos los otros estudiantes y el personal de la
UC con yo tuvimos el placer de trabajar y cooperar durante mis estudios de doctorado.
El trabajo presentado en esta tesis fue apoyado financieramente a través de la Beca Internacional Premier Doctorado y una beca
especial de 3 meses de extensión; ambos fueron generosamente otorgado por el Departamento de Ingeniería Mecánica de la
Universidad de Canterbury. los derechos de inscripción de conferencias y fondos para viajes fueron parcialmente proporcionado por el
COI y el Departamento de Ingeniería Mecánica de la Universidad de California.
Por último, me gustaría expresar mi especial agradecimiento y reconocimiento a mi familia; mi padre, madre,
hermanos y hermanas, por su infinito amor y apoyo a lo largo de toda mi vida. Sin su apoyo e inspiración, yo no
estaría en el lugar donde estoy hoy de pie.
vi
TABLA DE CONTENIDO
RESUMEN ................................................. .................................................. ...................... i PUBLICACIONES
.......................... .................................................. .................................... ............ iii Agradecimientos
.................................................. ................................... v ÍNDICE ........... ..................................................
...................................... vii LISTA DE fIGURAS ........ ..................................................
................................................ LISTA xiii DE TABLAS ................................................
.................................................. ........ xxiii NOMENCLATURA ........................................
.................................................. ............... xxv
CAPÍTULO 1 INTRODUCCIÓN .............................................. ...................................... 1
1.1. RENDIMIENTO DE TURBINA DE GAS ............................................... ..................... 3
1.2. CLASIFICACIÓN DE LA TURBINA DE GAS ............................................... ................... 5
1.3. CONSIDERACIONES EN GAS TURBINA MODELLING ................................. 6
1.3.1. Tipo de turbina de gas ............................................... .................................................. ............................ 6
1.3.2. Configuración de la turbina de gas ............................................... .................................................. ............ 6
1.3.3. Turbinas de Gas métodos de modelado .............................................. .................................................. 7 ..
1.3.4. Turbinas de Gas de control Tipo y Configuración del Sistema ........................................... ................... 9
1.3.5. Turbinas de Gas Objetivos de modelado .............................................. ............................................... 10
1.3.6. Turbinas de Gas Modelo de construcción Enfoques ............................................. ............................. 12
1.4. DEFINICIÓN DEL PROBLEMA ................................................ ................................ 13
1.5. OBJETIVOS Y ALCANCE DE INVESTIGACIÓN .............................................. ........ 15
1.6. O SQUEMA DE LA TESIS ............................................. ............................... 17
1.7. RESUMEN ................................................. .................................................. ... 18
vii
Capítulo 2: Revisión de la literatura ............................................. ......................... 19
2.1. Modelos de color blanco-caja de Turbinas de Gas ........................................... ..... 20
2.1.1. De caja blanca Modelos de baja potencia turbinas de gas ........................................ ............................. 20
2.1.2. De caja blanca Modelos Industriales de Potencia de la instalación Turbinas de Gas (IPGTs) ................................... 22
2.1.3. De caja blanca Modelos de Aero Turbinas de Gas .......................................... ....................................... 32
2.2. MODELOS NEGRO-BOX las turbinas de gas ........................................... .... 35
2.2.1. Negro-Box Modelos de baja potencia turbinas de gas ........................................ ............................. 35
2.2.2. Black-Box Modelos Industriales de Potencia de la instalación Turbinas de Gas (IPGTs) ................................... 36
2.2.3. Negro-Box Modelos de Aero Turbinas de Gas .......................................... ........................................ 41
2.3. Aplicaciones de los modelos de turbina de gas PARA EL CONTROL DE DISEÑO DEL SISTEMA
......................................... .............................................. 43
2.3.1. Enfoque de caja blanca en el Control de Diseño de Sistemas .......................................... ........................... 43
2.3.2. Enfoque Negro-Box en el Control de Diseño de Sistemas .......................................... ............................ 46
2.4. ESTADOS F INAL tener en la literatura ............................................ 0.52
2.5. RESUMEN ................................................. .................................................. .... 55
CAPÍTULO 3: BASADO EN ANN SISTEMA DE IDENTIFICACIÓN
Sistemas industriales ................................................ .................................. 57
3.1. Red Neuronal Artificial (ANN) ............................................ ....... 58
3.2. EL MODELO DE ARTIFICIAL NEURON ............................................. ......... 59
3.3. BASADO EN ANN PROCEDIMIENTO MODELO DE CONSTRUCCIÓN ........................................ 61
3.3.1. Análisis del sistema ................................................ .................................................. ........................... 61
3.3.2 Adquisición de datos y preparación ........................................... .................................................. .... 61
3.3.3. Red de arquitectura ................................................ .................................................. .................. 62
3.3.4. Formación de red y validación .............................................. .................................................. 64
viii
3.4. APLICACIONES Ann sistemas industriales .................................... 69
3.5. ANN LIMITACIONES ................................................ ........................................ 71
3.6. RESUMEN ................................................. .................................................. ... 72
CAPÍTULO 4: modelado y simulación de un solo-EJE
TURBINA DE GAS ................................................ .................................................. 73 ..
4.1. TURBINA DE GAS modelo de Simulink .............................................. ............... 74
4.2. ANN A BASE DE IDENTIFICACIÓN DEL SISTEMA ............................................. ...... 82
4.2.1. Datos Generat iones ............................................... .................................................. ............................ 82
4.2.2. Proceso de entrenamiento................................................ .................................................. ........................... 82
4.2.3. Codigo de GENERACION ............................................... .................................................. ........................... 85
4.3. MODELO DE PROCESO DE SELECCIÓN ............................................... ..................... 87
4.4. RESUMEN ................................................. .................................................. ... 98
CAPÍTULO 5: modelado y simulación del transitorio
Comportamiento de un Ipgt .............................................. ................................. 99
5.1. ESPECIFICACIONES DE LA TURBINA DE GAS ............................................... ............... 100
5.2. ADQUISICIÓN DE DATOS Y PREPARACIÓN .............................................. . 101
5.3. La física del modelo BASADA DE Ipgt USANDO SIMULINKMATLAB
......................................... .................................................. ........ 103
5.3.1. Los parámetros medidos ................................................ .................................................. ................ 104
5.3.2. Parámetros calculados o estimados .............................................. ........................................... 104
5.3.3. Modelo de la configuración ................................................ .................................................. .................... 107
5.3.4. La discusión sobre el enfoque de modelado basado en la física ........................................... ................... 112
5.4. NARX MODELO de Ipgt .............................................. ................................... 113
ix
5.5. Comparación de física basado en y NARX MODELOS ....................... 115
5.6. RESUMEN ................................................. .................................................. 125 ..
CAPÍTULO 6: modelado y simulación de LA PUESTA EN MARCHA
Operación de un Ipgt usando modelos NARX .......................... 127
6.1. TURBINA DE GAS DE PUESTA EN MARCHA ............................................. ............................... 128
6.2. ADQUISICIÓN DE DATOS Y PREPARACIÓN .............................................. . 129
6.3. TURBINA DE GAS DE PUESTA EN MARCHA MODELADO utilizando modelos NARX
........................................ .................................................. .......... 131
6.3.1. NARX modelo de formación ............................................... .................................................. ........ 133
6.3.2. NARX Validación del Modelo ............................................... .................................................. ........... 136
6.4. RESUMEN ................................................. .................................................. 144 ..
CAPÍTULO 7: CONTROLADORES DE DISEÑO NEURAL red basada
Para turbinas de gas ............................................... ....................................... 147
7.1. TURBINA DE GAS DEL SISTEMA DE CONTROL .............................................. ............. 148
7.2. Modelo predictivo CONTROL DE ............................................... ................ 150
7.2.1. Diseño de la base de MPC-ANN ............................................ .................................................. ........ 152
7.2.2. ion de Simulat de MPC basado en ANN ........................................... .................................................. ..157
7.3. Control de realimentación LINEALIZACIÓN (NARMA-L2) ......................... 158
7.3.1. Diseño de NARMA-L2 ............................................. .................................................. ................ 159
7.3.2. ion de Simulat de NARMA-L2 ............................................ .................................................. .......... 161
7.4. DE CONTROL PID ................................................ ............................................... 163
7.4.1. Diseño del controlador PID .............................................. .................................................. ........... 164
7.4.2. ion de Simulat de controlador PID ............................................. .................................................. ...... 166
X
7.5. COMPARACIÓN DE CONTROLADORES PERFORMANCE ............................. 166
7.6. Sistemas de fase no mínima ............................................. .............. 169
7.7. RESUMEN ................................................. .................................................. . 171
Capítulo 8: CONCLUSIONES Y TRABAJO FUTURO ........................................... . 173
8.1. CONCLUSIÓN Y contribución a la investigación ................................. 173
8.2. TRABAJO FUTURO ................................................ ............................................ 178
Referencias ................................................. .................................................. ........... 181
xi
xii
LISTA DE FIGURAS
Figura 1.1: Esquemática de una turbina de gas típica de un solo eje. ................................................ 4
Figura 1.2: ciclo típico Brayton en presión-volumen y con temperatura
marcos de entropía [8] .................................................. ........................................... 4
Figura 1.3: Un motor típico turborreactor de un solo carrete [11] . .................................................. 6 ....
Figura 1.4: Un motor típico de turbina de gas de dos árboles [12] . .................................................. . 7
Figura 1.5: Diagrama de bloques de un sistema de control de bucle abierto. ............................................... 9
Figura 1.6: Diagrama de bloques de un sistema de control en lazo cerrado. ............................................. 10
Figura 2.1: Las variaciones de temperaturas en comparación con la potencia de salida neta [49] ................................ 25
Figura 2.2: El diagrama de cómo interactuó software de simulación en tiempo real
con dispositivos de control de hardware [51] . .................................................. ............. 26
Figura 2.3: El modelo de Rowen para la dinámica de turbinas de gas de gran potencia ([37],
[61]) . .................................................. .................................................. ........... 29
Figura 2.4: Un típico motor Rolls Royce Spey [78] . .................................................. ...... 33
Figura 2.5: Un dibujo esquemático del modo de ANN l y la interpretación de
las salidas en una pantalla gráfica [93] .................................................. .......... 38
Figura 2.6: Diagrama de bloques del bucle básico de control de temperatura para un gas
modo de turbina l [127] . .................................................. ..................................... 44
Figura 2.7: Diagrama de bloques de un modelo de turbina de gas a base de ANN para
imization opt sistema consiste en minimizar combustible manteniendo al mismo tiempo empuje [142] .
.................................................. .............................. 48
xiii
Figura 2.8: Una comparación de respuesta de la planta de turbina de gas con PID y ANN
controladores [155] . .................................................. .......................................... 52
Figura 3.1: Una estructura simple de una ANN con la entrada, oculta y de salida
capas. .................................................. .................................................. ......... 59
Figura 3.2: estructura neurona de entrada única. .................................................. ...................... 59
Figura 3.3: estructura neurona de entrada múltiple [196] . .................................................. ......... 60
Figura 3.4: forma de la matriz de la estructura de la neurona de múltiples entradas [196] .................................... 60
Figura 3.5: de tres capas de red neuronal feedforward [197] . ............................................. 63
Figura 3.6: red NARX con una red de alimentación directa de dos capas [197] . ...................... 63
Figura 3.7: funciones de transferencia de redes neuronales. .................................................. ............... 67
Figura 4.1: Un diagrama esquemático de una turbina de gas típica de un solo eje ........................................ .... 75
Figura 4.2: Simplificado modo Simulink l de la turbina de gas .......................................... ....... 77
Figura 4.3: número de subsistema 1 del modelo de GT Simulink para crear
tasa de flujo de masa en el compresor. .................................................. ................ 77
tasa de flujo de masa en la turbina. .................................................. ....................... 77
Figura 4.5: número de subsistema 3 del modelo de GT Simulink para la creación de T 03
y P 03. .................................................. .................................................. ....... 78
Figura 4.6: número de subsistema 4 del modelo de GT Simulink para la creación de T 02. ................. 79
Figura 4.7: número de subsistema 5 del modelo de GT Simulink para la creación de T 04. ................. 80
xiv
ecuación velocidad de rotación. .................................................. ............................. 81
Figura 4.9: Un diagrama esquemático de la estructura de ANN para el motor de turbina de gas. ........................ 84
Figura 4.10: Diagrama de flujo del código informático generado para ANN basada en
identificación del sistema de la GT ............................................. .......................... 86
Figura 4.11: Rendimiento del modelo MLP resultante. .................................................. 89 ..
Figura 4.12: La regresión de la resultante MLP modo l ........................................... ............. 89
Figura 4.13: Rison Compa entre las salidas de los modelos de Simulink y Ann
para la velocidad de rotación. .................................................. ................................ 90
Figura 4.14: Comparación entre las salidas de los modelos de Simulink y Ann
para la temperatura de salida del compresor. .................................................. ......... 90
Figura 4.15: Comparación entre salidas de los ls modo Simulink y Ann
para la temperatura de entrada de la turbina. .................................................. .................. 91
para la temperatura de salida de la turbina. .................................................. ................ 91
para la presión de salida del compresor. .................................................. ............... 92
para la presión de entrada de la turbina. .................................................. ........................ 92
Figura 4.19: Comparación entre salidas de los ls modo Simulink y Ann
para la presión de salida de la turbina. .................................................. ...................... 93
para la tasa de flujo de masa de aire. .................................................. ............................. 93
para la eficiencia del compresor .............................................. ............................ 94
xv
para la eficiencia de la turbina .. ............................................ .................................. 94
para la potencia del compresor. .................................................. ............................ 95
para la potencia de la turbina. .................................................. ................................... 95
de la potencia neta turbina de gas. .................................................. ....................... 96
para la eficiencia de la turbina de gas. .................................................. ....................... 96
para el combustible a la masa de aire proporción de la tasa de flujo. .................................................. ......... 97
para la relación de presión del compresor. .................................................. ................ 97
Figura 5.1: Las variaciones de carga para diferentes maniobras. ................................................ 102
Figura 5.2: Diagrama de bloques del modelo de Simulink de la Ipgt. ..................................... 107
Figura 5.3: modelo de Simulink de la Ipgt. .................................................. ..................... 108
Figura 5.4: número de subsistema 1 del modelo Ipgt Simulink para crear
el modelo de compresor ............................................... .................................... 109
Figura 5.5: número de subsistema 2 del modelo Ipgt Simulink para crear
el modelo de cámara de combustión .............................................. ....................... 110
Figura 5. 6: número de subsistema 3 del modelo Ipgt Simulink para crear
el modelo de turbina ............................................... ............................................ 111
xvi
Figura 5.7: número de subsistema 4 del modelo de Simulink para modelado Ipgt
la ecuación de balance. .................................................. .................................. 112
Figura 5.8: Diagrama de bloques del modo de NARX completa l de la Ipgt. ............................... 114
Figura 5.9: modelo NARX de la Ipgt ............................................. ................................ 114
Figura 5.10: Rendimiento del modelo NARX entrenado ............................................ ....... 115
Figura 5.11: Las variaciones de velocidad de rotación de la maniobra M1 para la verdadera
sistema, modelo Simulink, y el modelo NARX. ............................................... 117
Figura 5.12: Las variaciones de la relación de presión del compresor para la maniobra M1
para el sistema real, modelo de Simulink, y el modelo NARX. ............................. 117
Figura 5.13: Las variaciones de temperatura de salida compresa para la maniobra
M1 para el sistema real, modelo de Simulink, y el modelo NARX. ...................... 118
Figura 5.14: Las variaciones de temperatura de salida de la turbina para la maniobra M1
Figura 5.15: Las variaciones de velocidad de rotación para la maniobra M2 para el
sistema real, modelo de Simulink, y el modelo NARX. ........................................ 119
Figura 5.18: Las variaciones de temperatura de salida de la turbina para la maniobra M2
Figura 5.19: Las variaciones de velocidad de rotación para la maniobra de M3 para el
Figura 5.20: Las variaciones de la relación de presión del compresor para la maniobra de M3
xvii
Figura 5.22: Las variaciones de la turbina a cabo permiten temperatura durante la maniobra de M3
para el sistema real, modelo de Simulink, y el modelo NARX. ............................ 122
Figura 5.23: Las variaciones de velocidad de rotación para la maniobra M4 para la
Figura 5.26: Las variaciones de la turbina a cabo permiten temperatura durante la maniobra M4
Figura 5.27: RMSE (%) de los modelos de Simulink y NARX para main
salidas seleccionadas de todas las maniobras ............................................ ............. 125
Figura 6.1: Tendencia en el tiempo de la velocidad de flujo másico de combustible. .................................................. ...... 130
Figura 6.2: estructura de bucle cerrado de un modelo único NARX ......................................... 132 ..
Figura 6.3: Diagrama de bloques de la completa NARX modo l para Ipgt
simulación. .................................................. .................................................. 132
Figura 6.4: Las variaciones de la velocidad de rotación N para las maniobras de entrenamiento
TR1, TR2 y TR3. .................................................. .................................... 134
Figura 6.5: Las variaciones de la relación de presión del compresor PRC para la formación
maniobras TR1, TR2 y TR3 ............................................ ....................... 134
Figura 6.6: Las variaciones de compresa T02 temperatura de salida para la formación
maniobras TR1, TR2 y TR3 ............................................ ....................... 135
xviii
Figura 6.7: Las variaciones de salida de la turbina T04 temperatura para la formación
maniobras TR1, TR2 y TR3. .................................................. ................ 135
Figura 6.8: RMSE de los modelos NARX para el TR1 maniobras de entrenamiento,
TR2 y TR3. .................................................. ............................................. 136
Figura 6.9: Las variaciones de velocidad de rotación N para el TE1 maniobra prueba. ................. 138
Figura 6.10: Las variaciones de la relación de presión del compresor PRC para la prueba
TE1 maniobrar. .................................................. .......................................... 138
Figura 6.11: Las variaciones de salida del compresor T02 temperatura para la prueba
TE1 maniobrar. .................................................. .......................................... 139
Figura 6.12: Las variaciones de salida de la turbina T04 temperatura para la prueba
TE1 maniobrar. .................................................. .......................................... 139
Figura 6.13: Las variaciones de velocidad de rotación N para el TE2 maniobra prueba. ............... 140
TE2 maniobrar. .................................................. .......................................... 140
TE2 maniobrar. .................................................. .......................................... 141
TE2 maniobrar. .................................................. .......................................... 141
Figura 6.17: Las variaciones de velocidad de rotación N para el TE3 maniobra prueba. ............... 142
TE3 maniobrar. .................................................. .......................................... 142
TE3 maniobrar. .................................................. .......................................... 143
TE3 maniobrar. .................................................. .......................................... 143
xix
Figura 6.21: RMSE de los modelos NARX para el TE1 maniobras de prueba,
TE2 y TE3. .................................................. ............................................. 144
Figura 7.1: El diagrama de lazo cerrado del sistema de control para el gas
sistema de motor de turbina. .................................................. ................................ 148
Figura 7.2: diagrama de bloques de referencia aleatorio. .................................................. .............. 149
Figura 7.3: Una respuesta típica a una señal de prueba estándar con su
características. .................................................. ............................................ 150
Figura 7.4: Una estructura básica MPC [237] .................................................. ....................... 151
Figura 7.5: Red neuronal modelo basado en un controlador predictivo [214] . ............................ 152
Figura 7.6: proceso de formación en un MPC basado en ANN [214] . ........................................... 153
Figura 7.7: modelo basado en ANN bloque de control predictivo [214] . ...................................... 153
Figura 7.8: diagrama de bloques de identificación del sistema de turbina de gas para la MPC. ......................... 154
Figura 7.9: Los datos de entrenamiento para la red neuronal de control predictivo. .................................... 155
Figura 7.10: datos de validación de red neuronal de control predictivo. ............................... 156
Figura 7.11: red Neural control predictivo diagrama de bloques. ..................................... 157
Figura 7.12: Respuesta del sistema de turbina de gas con MPC a paso aleatorio
insumos. .................................................. .................................................. ....... 157
Figura 7.13: Un diagrama de bloques de controlador NARMA-L2 [214] ...................................... 159
Figura 7.14: bloque de control NARMA-L2 [214] .................................................. .............. 159
Figura 7.15: diagrama de bloques de identificación del sistema de turbina de gas para la NARMA-
L2. .................................................. .................................................. ............ 160
xx
Figura 7.16: Respuesta del sistema de turbina de gas con el regulador NARMA-L2 a
entradas paso aleatorios. .................................................. ..................................... 161
Figura 7.17: Los datos de entrenamiento para el regulador NARMA-L2. .................................................. . 162
Figura 7.18: Validación de datos para el controlador NARMA-L2. ................................................ 162
Figura 7.19: Diagrama de bloques de un controlador PID en una trayectoria en serie con el
planta [242] .................................................. .................................................. . 163
Figura 7.20: bloque de control PID en MATLAB [214] . .................................................. ...... 164
Figura 7.21: PID bloque de algoritmo de control PID para los aumentos de sintonía. ..................................... 165
Figura 7.22: Respuesta del sistema de turbina de gas con el regulador PID a azar
entradas de paso. .................................................. .................................................. 166
Figura 7. 23: modo Simulink l de la MPC basado en ANN, NARMA-L2 y
controladores PID para un solo eje de la turbina de gas. .............................................. 167
Figura 7.24: Actuaciones de tres controladores diferentes para un solo eje
turbina de gas................................................ .................................................. ... 168
Figura 7.25: Una perspectiva en primer plano de las actuaciones de tres diferentes
controladores GT. .................................................. ............................................ 168
Figura 7.26: Una perspectiva en primer plano de las respuestas iniciales de tres diferentes
controladores GT. .................................................. ............................................ 169
Figura 7.27: Respuesta gradual de un sistema de fase no mínima [243] . ............................... 170
Figura 7.28: Respuesta gradual de un sistema de fase mínima [243] . ...................................... 170
xxi
xxii
LISTA DE MESAS
Tabla 4.1: Definición de los parámetros en las ecuaciones 4.1, 4.2 y 4.3. .................................... 76
Tabla 4.2: parámetros de entrada de turbina de gas para el modelo basado en ANN .................................. 83
Tabla 4.3: parámetros de salida de turbinas de gas para el modelo ................................ 83 basado en ANN
Tabla 4.4: El mejor rendimiento para diferentes funciones de formación. ........................................... 88
Tabla 5.1: especificaciones de turbinas de gas. .................................................. ............................ 100
Tabla 5.2: los datos de series de tiempo fija para diferentes maniobras. ............................................. 102
Tabla 6.1: conjuntos de datos de la serie TME experimentales. .................................................. ................ 130
Tabla 7.1: ganancias de PID sintonizado para el motor de turbina de gas .......................................... .......... 165
xxiii
xxiv
NOMENCLATURA
ABREVIATURAS
AMPC control predictivo modelo aproximado
ANFIS sistema de inferencia borrosa basado red adaptativa
ANA Red neuronal artificial
ARX autorregresivos con entrada exógena
COMO YO Sociedad Americana de Ingenieros Mecánicos
BPNN red neuronal de retropropagación
CCGT turbina de gas de ciclo combinado
CCPP planta de poder de ciclo combinado
CO monóxido de carbono
CSGT sistema de control de la turbina de gas
Connecticut turbina de compresor
CUSMUS suma acumulativa (técnica)
corriente continua corriente continua
DCS sistema de control distribuido
DLE baja emisión seca
DLN óxido seco bajo nitrógeno
DNN red neuronal dinámica
IED detección de fallos y aislamiento
FFNN red neuronal feedforward
Georgia algoritmo genético
GAST modelo gobernador de turbina de gas
GG generador de gas
GPC control predictivo generalizado
GT turbina de gas
HDGT turbina de gas de servicio pesado
HP alta presión (turbina de gas)
IGV álabes guía de entrada
Ipgt turbina de gas planta de energía industrial
xxv
LP baja presión (turbina de gas)
MGT micro turbina de gas
MIMO -Múltiple entrada y múltiple salida
MLP perceptrón multicapa
MP fase mínima
MPC el control predictivo basado en modelo
MSE cuadrado medio del error
NARMA autorregresivo lineal de media móvil
NARMA-L2 control de linealización por realimentación
NARMAX no lineal de media móvil autorregresivo con entradas exógenas
NARX autorregresivo lineal con entradas exógenas
NMP fase no mínima
NMPC control predictivo modelo no lineal
NN red neuronal
NO oxido de nitrógeno
OEM Fabricante Original de Equipo
PD proporcional-derivado (controlador)
Pi proporcional-integral (controlador)
PID proporcional-integral-derivado (controlador)
PR proporción de presión
PT turbina de potencia
RBF funcion de base radial
RNFBR red función neural de base radial
RL aprendizaje reforzado
RMSE raíz error cuadrático medio
RNN la red neuronal recurrente
SIMO De entrada única y salida múltiple
TDL tiempo de retardo
TETA temperatura de entrada de la turbina
NENE temperatura de salida de la turbina
UPFC controlador de flujo de energía unificada
VSV paleta de estator variables
xxvi
VARIABLES
•• calor específico de la presión constante (J / kg K)
•• calor específico en volumen constante (J / kg K)
HORA tasa de calor (kJ / kWh)
• Momento de inercia (kg. metro 2)
J función de coste
LHV el valor calorífico inferior de combustible (J / kg)
METRO masa (kg)
•̇ tasa de flujo másico (kg / s)
METRO impulso (N m)
• velocidad de rotación (rpm, o 1 / s)
PAG presión de estancamiento (Pa)
Q menor valor térmico (J / kg)
Q potencia de calor (W)
R constante de los gases específica (J / kg K)
S entropía (J / K)
SFC consumo específico de combustible (kg / kWh)
T tiempo (s)
T la temperatura (K)
T determinado externamente variable (entrada del sistema)
u' señal de control tentativo
V volumen ( metro 3)
W trabajar (J)
•̇ potencia (W)
Y variable de interés (salida del sistema)
CONSTANTES
do presión constante
re retrasar
F combustible para masa de aire relación de caudales
J un número natural
K un número natural
K ganancia
xxvii
norte un número natural
norte coeficiente de filtro
norte 1, norte 2, norte 3, ..., Nu horizontes (factores MPC)
PR do relación de presión del compresor
Los subíndices
00 ambiente
01 entrada del compresor
02 salida del compresor
03 entrada de la turbina
04 salida de la turbina
UNA valor medio (por proceso de compresión en el compresor)
do compresor
cc cámara de combustión
re conjunto de datos
F combustible
sol valor medio (por proceso de expansión en la turbina)
gt turbina de gas
En entrada
METRO mesurado
Mech mecánico
Medicina medio
Afuera salida
R referencia (deseada)
T turbina
T entrada del sistema
Y salida del sistema
Símbolos generales
re derivado (controlador)
mi error
F función
yo integral (controlador)
xxviii
METRO maniobra
norte número
nf función no lineal
PAG proporcional (controlador)
Trainbfg algoritmo de entrenamiento BFGS Quasi-Newton
Trainbr algoritmo de entrenamiento regularización bayesiana
Traincgb gradiente conjugado con Powell / Beale reinicia algoritmo de entrenamiento
Traincgf Fletcher-Powell gradiente conjugado algoritmo de entrenamiento
Traincgp algoritmo de entrenamiento de gradiente conjugado Polak-Ribiere
Traingdx tasa de aprendizaje variable de descenso de gradiente algoritmo de entrenamiento
trainlm algoritmo de entrenamiento de Levenberg-Marquardt
Trainoss algoritmo de entrenamiento secante un paso
Trainrp algoritmo de entrenamiento de retropropagación elástica
Trainscg algoritmo de entrenamiento de gradiente conjugado escalado
símbolos griegos
γ relación de calores específicos
η eficiencia
ξ coeficiente de pérdida de presión
Ρ contribución
xxix
xxx
El conocimiento de nada, ya que todas las cosas tienen causas, no se
adquiere o completa si no se conoce por sus causas.
Ibn Sina (Avicena)
persa Polymath, 980-1037
CAPÍTULO 1
INTRODUCCIÓN
Las turbinas de gas (GT) son una de las partes importantes de la industria moderna. Desempeñan un papel clave en la industria
aeronáutica, generación de energía, y principales impulsores mecánicos para grandes bombas y compresores. Modelado y simulación de las
turbinas de gas siempre ha sido una poderosa herramienta para la optimización del rendimiento de este tipo de equipos. actividades de
investigación notables se han llevado a cabo en este campo y una variedad de modelos analíticos y experimentales se ha construido hasta
ahora para obtener conocimiento profundo del comportamiento no lineal y compleja dinámica de estos sistemas. Sin embargo, la necesidad
de desarrollar modelos precisos y fiables de las turbinas de gas para diferentes objetivos y aplicaciones ha sido una fuerte motivación para
que los investigadores continúan trabajando en este campo de investigación fascinante. El estudio en este campo incluye caja blanca y
modelos basados negro-caja y sus aplicaciones en los sistemas de control. Las redes neuronales artificiales (RNA) como una metodología
de recuadro negro han sido considerados como herramientas adecuadas y de gran alcance para el procesamiento de datos, modelado y
control de sistemas no lineales, tales como turbinas de gas. Además, debido a la alta demanda de la
1
mercado de la electricidad, los productores de energía están dispuestos a investigar continuamente nuevos métodos de optimización para el
diseño, fabricación, control y mantenimiento de turbinas de gas.
Turbina de gas es como un motor de combustión interna que utiliza la energía gaseosa de aire para convertir la energía química del
combustible en energía mecánica. Está diseñado para extraer la mayor cantidad posible de la energía del combustible [1]. El servicio de
turbinas de gas en equipos industriales y de servicios públicos situados en las centrales eléctricas y plataformas en alta mar se ha
incrementado en los últimos 50 años. Esta es una gran demanda debido a su múltiples aplicaciones de combustible de bajo peso, tamaño
compacto y [2] . Aunque la historia de las turbinas de gas ha tomado una raíz en la historia, no fue hasta 1930 que el primer GT práctica fue
desarrollada por Frank Whittle y sus colegas en Gran Bretaña por un motor a reacción [3] . Las turbinas de gas se desarrollaron
rápidamente después de la Segunda Guerra Mundial y se convirtió en la primera opción para muchas aplicaciones. Eso fue especialmente
debido a la mejora en las diferentes áreas de la ciencia como la aerodinámica, sistemas de refrigeración, y materiales de alta temperatura
que mejoraron significativamente la eficiencia del motor. Entonces, no es sorprendente que las turbinas de gas han ido aumentando en
popularidad año tras año. Ellos tienen la capacidad de proporcionar un funcionamiento fiable y continuo. El funcionamiento del equipo
mecánico y eléctrico casi todos disponibles y maquinaria en plantas industriales tales como plantas petroquímicas, plataformas de campo
de petróleo, gasolineras y refinerías, depende de la energía producida por las turbinas de gas. La amplia aplicación de las turbinas de gas
en todo el mundo, especialmente en las compañías eléctricas se debe a su fiabilidad, disponibilidad, capacidad de adaptación, [4]. Son
fáciles de silenciar, independiente de agua de refrigeración y pueden funcionar en una variedad de combustibles. Las turbinas de gas
proporcionan altas tasas de crecimiento de la carga en tiempo de verano y responden rápidamente a los cambios de carga [4] .
Durante los últimos años, las actividades de investigación considerables se han llevado a cabo sobre todo en el campo de la
modelización y la simulación de las turbinas de gas. Es sólo por la necesidad y el uso de GT se han vuelto más evidente en la
industria moderna. Hacer modelos de turbinas de gas y sus sistemas de control asociados ha sido una estrategia técnica y ahorro
de costes útil para la optimización del rendimiento de los equipos antes del proceso de diseño final y fabricación. modelos GT y
simuladores pueden ser utilizados para la predicción de rendimiento fuera de diseño, el deterioro del rendimiento,
2
evaluación de las emisiones, turbina de uso vida de fluencia y el sistema de control del motor [5] . La modelización matemática se considera
como una metodología general para el modelado de sistemas. Utiliza el lenguaje matemático para describir y predecir el comportamiento de
un sistema.
Grandes esfuerzos se han hecho en el desarrollo de GTs para superar sus difíciles problemas económicos y de ingeniería
relacionados [6] y tener un diseño fiable y rentable [7] . Uno de los mejores enfoques para la optimización del diseño, funcionamiento y
mantenimiento de turbinas de gas está desconectado modelado y simulación. Se ayuda a los fabricantes y usuarios de diferentes
maneras. Los fabricantes pueden evaluar y optimizar el rendimiento de un modelo específico de turbina de gas durante los procesos de
diseño y fabricación. Los modelos también se pueden utilizar en línea en los sitios de los operadores e ingenieros de sitio para el
monitoreo de condición, la validación del sensor, detección de fallos, localización de averías, etc. Una variedad de modelos analíticos y
experimentales de GT se ha construido hasta ahora. Sin embargo, la necesidad de modelos optimizados para diferentes objetivos y
aplicaciones ha sido una fuerte motivación para que los investigadores continúan trabajando en esta área.
En este capítulo se explica brevemente los principios de funcionamiento de una turbina de gas típico. A continuación se presenta una
clasificación de las turbinas de gas. Principales consideraciones en el modelado de la turbina de gas, incluyendo los tipos de GT y configuraciones,
métodos de modelado, tipos y configuraciones de sistemas de control, así como los objetivos de modelado y enfoques se explican en los siguientes
pasos. La definición del problema, objetivos de la investigación y el esquema de la tesis forman los siguientes apartados de este capítulo.
1.1. RENDIMIENTO DE TURBINA DE GAS
Las turbinas de gas de trabajo basado en el ciclo Brayton. Figura 1.1 muestra una turbina de gas de un solo eje típico y sus principales
componentes, incluyendo compresor, cámara de combustión (combustor), y la turbina. El conjunto de estos componentes se llama núcleo
del motor o generador de gas (GG). Compresor y la turbina están conectados por el eje central y giran juntos.
Figura 1.2 muestra ciclo estándar Brayton en presión-volumen (PV) y la temperatura-entropía (T-
S) enmarca respectivamente [8]. El aire entra en el compresor en la sección 1 y se comprime a través de
3
pasar el compresor. El aire caliente y comprimido entra en la cámara de combustión (combustor) en la sección 2. En la cámara de
combustión, el combustible se mezcla con aire y se enciende. Los gases calientes que son el producto de la combustión son
forzados en la turbina en la sección 3 y girarlo. Turbina acciona el compresor y la salida mecánica GG, que puede ser un alternador
de electricidad en una estación de la planta de energía, una gran bomba o un compresor grande. Los procesos ideales en el
compresor (1-2) y la turbina (3-4) son isentrópico. También es un proceso isobárico en la cámara de combustión (2-3) y el medio
ambiente (4-1) para el ciclo ideal. Sin embargo, los procesos reales en el compresor y la turbina son irreversibles y nonisentropic.
También hay pérdida de presión durante el proceso en la cámara de combustión. Despreciando la pérdida de presión en los filtros
de aire y la cámara de combustión, [9] .
Figura 1.1: Esquemática de una turbina de gas típica de un solo eje.
Figura 1.2: ciclo típico Brayton en presión-volumen y los marcos de temperatura-entropía [8] .
4
1.2. CLASIFICACIÓN DE LA TURBINA DE GAS
Las turbinas de gas se pueden dividir en dos categorías principales, incluyendo las turbinas de gas aeronáuticos y turbinas de gas
estacionarias. En la industria aero, turbina de gas se utiliza como sistema de propulsión para hacer empuje y para mover un avión a través del aire.
El empuje es por lo general genera en base a la tercera ley de acción y reacción de Newton. Hay una gran variedad de turbinas de gas aero
incluyendo motores turborreactores, turbofán, y turbohélice. En las turbinas de gas estacionarias, GG puede estar vinculada a electro generadores,
bombas grandes o compresores para hacer turbogeneradores, turbo-bombas o turbocompresores respectivamente. Si el eje principal del generador
de gas está conectado a un generador electro, se puede utilizar para producir energía eléctrica.
En otra clasificación, las turbinas de gas se pueden dividir en los siguientes cinco grupos [2] , Residencia en
su estructura, la aplicación y la potencia de salida (MW):
• Las micro turbinas de gas (MGT), con una potencia de salida 20-350 kW.
• Las pequeñas turbinas de gas para aplicaciones de ciclo simple, con una potencia de salida 0,5-2,5 MW y la eficiencia 1,525%.
• turbinas de gas Aero-derivados para la industria aeroespacial, con potencia de salida 2,5-50 MW y la eficiencia del 35-45%.
• turbinas de gas de alta resistencia de tipo Frame (HDGT) para grandes unidades de generación de energía, la potencia de salida de 3 a
480 MW y la eficiencia 30-46%.
• turbinas de gas de tipo industrial para un amplio uso en plantas petroquímicas, con potencia de salida 2,5-15 MW y la
eficiencia 30-39%.
En este estudio, las turbinas de micro y pequeña de gas se consideran como las turbinas de gas de baja potencia, y tipos industriales, así
como HDGTs que se utilizan en las plantas de energía para la generación de electricidad se denominan turbinas de gas de plantas de energía
industrial (Ipgt). IPGTs están jugando un papel clave en la producción de energía, especialmente para las plantas que se encuentran lejos de los
campos de petróleo y en el mar, donde no existe la posibilidad de conexión a la red eléctrica general.
5
1.3. CONSIDERACIONES En el modelado TURBINA DE GAS
Antes de hacer un modelo de turbina de gas, algunos factores básicos deben ser considerados cuidadosamente. Tipo de GT, de
configuración GT, métodos de modelado, tipo de sistema de control y configuración, y de modelización objetivos son algunos de los criterios
más importantes en el inicio del proceso de modelado [10].
1.3.1. Tipo de Turbinas de Gas
Como primer paso de modelado, es necesario obtener suficiente información sobre el tipo de turbina de gas que debe ser
modelado. Como ya se indicó, GT puede ser una turbina de gas o estacionario. Aunque hay diferentes tipos de GT sobre la base
de sus aplicaciones en la industria, que tienen las mismas partes principales comunes incluyendo compresor, cámara de
combustión y la turbina. Figura 1.3
muestra un motor de turbina de gas de un solo carrete típico [11] .
Figura 1.3: Un motor típico turborreactor de un solo carrete [11] .
1.3.2. Configuración de la turbina de gas
La configuración de una turbina de gas es otro criterio importante en el modelado GT. A pesar de todas las turbinas de gas casi tienen
la misma estructura básica y el ciclo termodinámico, hay considerables diferencias cuando se investigaron en los detalles. Por ejemplo, para
mejorar ciclo de turbina de gas, la eficiencia del sistema o la potencia de salida, a través de diferentes métodos, tales como
recalentamiento, inter-refrigeración o de intercambio de calor, se utilizan configuraciones GT particulares. Las turbinas de gas se pueden
también clasificarse en función del tipo de sus ejes. Pueden ser de un solo eje o eje dividido (de doble eje, de triple eje). En una turbina de
gas de un solo eje, el mismo rotor de turbina que acciona el compresor está conectado al eje de salida de potencia a través de una
reducción de velocidad. En una turbina de gas split-eje, la turbina generador de gas
6
y la turbina de potencia (PT) están desconectados mecánicamente. generador de turbina de gas, también llamado turbina de compresor (CT)
o de alta presión (HP) de la turbina, es el componente que proporciona la energía requerida para accionar el compresor y los accesorios. Sin
embargo, la turbina de potencia, también llamado de baja presión (LP) de la turbina, hace el trabajo utilizable. Figura 1.4 muestra un motor
típico de turbina de gas de dos árboles [12] .
Figura 1.4: Un motor típico de turbina de gas de dos árboles [12] .
1.3.3. Métodos de modelado de turbinas de gas
La modelación matemática como una metodología general para el modelado sistema utiliza el lenguaje matemático para describir y
predecir el comportamiento de un sistema. avances y desarrollo de campos científicos importantes pueden estar vinculados a la calidad
de los modelos matemáticos y su acuerdo con los resultados de las mediciones experimentales. El modelado basado en la física es
una rama principal de la modelización matemática. Esto implica que el sistema se rige por las leyes de la física, lo que conduce a la
simulación física realista. Basado en la física de modelado emplea ecuaciones de la física matemática, junto con las mediciones de
sensores en tiempo real, para establecer modelos adecuados para el uso operacional. Los modelos matemáticos se pueden clasificar
como modelos “lineales y no lineales”, “determinista y estocástico (probabilística)”, “estático y dinámico”, o “discreta y continua” [13].
7
1.3.3.1. Los modelos lineales y no lineales
Un modelo se llama lineal si todas las funciones objetivo y restricciones del sistema están representados por ecuaciones lineales. De lo
contrario, se considera como un modelo no lineal. Aunque el equipo industrial suele mostrar un comportamiento no lineal, en muchos casos,
el modelo se simplifica para ser analizados linealmente. Existen diferentes métodos para linealizar un sistema no lineal. Sin embargo, en el
establecimiento de un modelo que puede predecir con precisión el comportamiento de los sistemas complejos y sensibles, tales como
turbinas de gas, teniendo en cuenta la dinámica no lineal es inevitable.
1.3.3.2. Modelos estocásticos (probabilísticos) y determinista
Desde otra perspectiva, un modelo puede ser deterministas o estocásticos. En un modelo determinista, todos los estados
variables se determinan de forma única por los parámetros en el modelo y por los conjuntos de estados anteriores de estas
variables. Por lo tanto, un modelo determinista se expresa sin incertidumbre debido a una relación exacta entre las variables
mensurables y derivados. A la inversa, en un modelo estocástico, las cantidades se describen utilizando variables estocásticas o
procesos estocásticos. Por lo tanto, en un modelo estocástico, los estados variables se describen utilizando distribuciones de
probabilidad al azar [13].
1.3.3.3. Modelos estáticos y dinámicos
Las variables que normalmente caracterizan a un cambio de sistema con el tiempo. Si no son directos,
vínculos instantáneos entre estas variables, el sistema se denomina estática. Si las variables de una
cambio de sistema y sin influencia externa directa por lo que sus valores dependen de las señales aplicadas anteriormente, a continuación, el sistema
se denomina dinámico [13] .
1.3.3.4. Modelos discretos y continuos
Un modelo matemático se llama tiempo continuo cuando se describe la relación entre las señales de tiempo continuo.
modelos de tiempo continuo se muestran con una función f (t) que cambia con el tiempo continuo. Un modelo se llama discreta en
el tiempo cuando se expresa directamente las relaciones entre los valores de las señales en los instantes de tiempo discretos.
Relación entre los valores de señal es
8
generalmente se expresa mediante el uso de ecuaciones diferenciales. En las aplicaciones prácticas, las señales son más a menudo obtenerse en
forma muestreada en las mediciones de tiempo discretos [13].
1.3.4. Turbina de gas Tipo de sistema de control y configuración
Uno de los factores más importantes en el modelado y control de turbinas de gas es el tipo y la configuración de su sistema de
control. sistema de control es una parte vital de cualquier equipo industrial. Tipo y la configuración de un sistema de control está en una
estrecha relación con la complejidad de la dinámica del sistema y las tareas definidas durante todo el período de ejecución. A falta de un
sistema de control adecuado puede conducir a problemas graves como el aumento del compresor, sobrecalentamiento, exceso de
velocidad, etc.
[14] . El efecto final de estos problemas puede ser apagado del sistema y daños graves a los componentes principales de GT.
Hay tres funciones principales para el sistema de control de todas las turbinas de gas que incluyen “la puesta en marcha y la secuencia de
apagado de control”, “estado estacionario o control operativo” y “control de protección para la protección contra sobrecalentamiento, exceso de
velocidad, la sobrecarga, la vibración, del apagado y pérdida de lubricación”. En una red de alimentación con varias turbinas de gas, todos los sistemas
de control individuales están estrechamente conectados con un sistema de control distribuido central (DCS) [2] . El sistema de control de turbinas de gas
(CSGT) puede ser de bucle abierto o de bucle cerrado. En un sistema de control de bucle abierto, la variable manipulada se coloca de forma manual o
mediante el uso de un programa pre-determinado. Sin embargo, para controlar un dispositivo en un sistema de control de bucle cerrado, una o más
variables de los parámetros de proceso de datos medidos se utilizan para mover la variable manipulada. Para mantener el sistema de control de bucle
cerrado eficaz y adecuado, el controlador debe estar debidamente relacionado con los parámetros del proceso [2] . Figura 1.5 y Figura 1.6 mostrar en
bucle abierto y diagramas de bloques del sistema de control de bucle cerrado para un proceso típico, respectivamente.
Figura 1.5: Diagrama de bloques de un sistema de control de bucle abierto.
9
Figura 1.6: Diagrama de bloques de un sistema de control de bucle cerrado.
1.3.5. Turbinas de Gas de modelado Objetivos
Hay diferentes objetivos para hacer un modelo de las turbinas de gas tales como monitoreo de la condición, la detección de fallos y
diagnóstico, la validación del sensor, de identificación del sistema, así como el diseño y la optimización del sistema de control. Por lo tanto,
una clara declaración de los objetivos de modelado es necesario hacer un modelo GT éxito.
1.3.5.1. Monitoreo de condición
Uno de los objetivos de hacer un modelo de turbina de gas puede ser de monitorización de estado. monitoreo de la condición se considera
como una parte importante del mantenimiento predictivo. Se evalúa el estado operacional de los GTs e indica el potencial de advertencia (s)
fracaso de antemano, que ayudan a los operadores a tomar la acción apropiada predijo en programa de mantenimiento preventivo [15] . La
monitorización de estado es una herramienta muy útil para la planificación del mantenimiento y se puede utilizar para evitar fallos inesperados.
Pérdida de producción, las horas extraordinarias, y los costos de agilizar pueden prevenirse eficazmente mediante la predicción de fallos antes
de que ocurra cualquier daño grave en el sistema. Para reducir al mínimo los costes de mantenimiento de máquinas muy importantes y
costosos tales como turbinas de gas, es necesario controlar las condiciones operativas de partes vitales y sensibles de los equipos y para
obtener sus datos relacionados de forma continua para el análisis adicional. En buen estado de vigilancia reduce el número de decisiones
equivocadas, minimiza la demanda de piezas de repuesto y reduce los costes de mantenimiento. Un buen sistema de mantenimiento debe ser
capaz de controlar todos los parámetros vitales de una turbina de gas, tales como vibración, temperatura, presión,
10
velocidad de rotación, la carga, el aceite denivel y la calidad, etc. Además, debe ser capaz de predecir el futuro
estado del sistema y para evitar cortes de energía no deseados, así como averías fatales.
1.3.5.2. Detección de fallos y diagnóstico
Un modelo de turbina de gas puede ser creada con el fin de predecir y detectar fallos en el sistema. Diagnóstico de fallos actúa como una
herramienta importante y eficaz cuando los operadores quieren pasar de mantenimiento preventivo para el mantenimiento predictivo con el fin
de reducir el costo de mantenimiento [dieciséis] . Se refiere con la monitorización de un sistema para identificar cuando se ha producido un fallo,
así como para determinar el tipo y la ubicación de la falla.
1.3.5.3. Validación del sensor
modelos de turbina de gas puede ser usado para fines de validación sensor. Los sensores son parte esencial de cualquier equipo
industrial. Sin sensores fiables y precisos, supervisión y control del sistema del equipo no puede funcionar correctamente y puede incluso
hacer frente a la parada. la validación del sensor se trata de la detección, el aislamiento y la reconstrucción de un sensor defectuoso. Se
puede mejorar la fiabilidad y disponibilidad del sistema y reducir los costes de mantenimiento. Mejora la fiabilidad de los equipos y la
seguridad para el personal. la validación del sensor es también una herramienta eficaz para prevenir el mantenimiento o parada
injustificada. Tiene un efecto considerable en el aumento de la vida útil de los equipos y garantizar un rendimiento fiable. Puede fortalecer la
automatización del sistema al proporcionar datos válidos para los sistemas de diagnóstico y monitorización.
1.3.5.4. identificación del sistema
Uno de los principales objetivos de modelado de turbina de gas, es la identificación del sistema. identificación del sistema infiere una
descripción matemática que es un modelo de un sistema dinámico de una serie de mediciones del sistema [17] . A pesar de importantes
investigaciones lleva a cabo en este campo durante las últimas décadas, todavía hay una necesidad de modelos GT con un mayor grado de
precisión y fiabilidad para los propósitos de identificación del sistema. Esto es debido a la naturaleza no lineal y complejo de la dinámica de
GT.
11
1.3.5.5. Diseño y Optimización del Sistema de Control
modelos de turbinas de gas pueden ser creados para diseñar u optimizar sistemas de control GT. Es evidente que cualquier
sistema de control debe ser capaz de medir la salida del sistema usando dispositivos de detección, y para tomar la acción correctiva
requerida si el valor de los datos medidos se desvía de su valor correspondiente deseado [18] . Control como una rama de la ingeniería
se ocupa del comportamiento de los sistemas dinámicos. El rendimiento de salida del equipo que está bajo control se mide por
sensores. Estas mediciones se pueden utilizar para dar retroalimentación a los accionadores de entrada para hacer correcciones hacia
el rendimiento deseado. Hay una creciente demanda de los modelos dinámicos precisos y controladores, con el fin de investigar la
respuesta del sistema a las perturbaciones y mejorar los sistemas de control existentes. Utilizando nuevos métodos de modelado
siempre pueden ser investigados como parte del proceso de optimización.
1.3.6. Enfoques de la construcción de turbinas de gas modelo
Hay muchas fuentes en relación con el modelado y simulación de turbinas de gas en la literatura. Hay varios tipos de modelos se
han construido hasta ahora desde diferentes perspectivas y con diferentes propósitos. Modelos de sistemas industriales se pueden
clasificar en dos categorías principales, incluyendo los modelos de caja negra y caja blanca.
1.3.6.1. Modelos de caja blanca
Un modelo de caja blanca se utiliza cuando hay suficiente conocimiento sobre la física del sistema. En este caso, las ecuaciones
matemáticas con respecto a la dinámica del sistema se utilizan para hacer un modelo. Este tipo de modelo se ocupa de las
ecuaciones dinámicas del sistema que normalmente se acoplan y no lineal [19] . Para simplificar estas ecuaciones con el fin de hacer
un modelo satisfactorio, haciendo algunas suposiciones basadas en condiciones ideales y utilizando diferentes métodos para la
linealización del sistema es inevitable. Hay diferentes programas informáticos tales como Simulink MATLAB y Mathematica, que son
muy útiles en este caso.
12
1.3.6.2. Modelos Negro-Box
Un modelo de recuadro negro se utiliza cuando no hay o hay poca información disponible sobre la física del sistema [19] . En este
caso, el objetivo es dar a conocer las relaciones entre variables del sistema usando los datos de entrada y de salida operacionales
obtenidos de rendimiento del sistema. la red neuronal artificial (ANN) es uno de los métodos más importantes en el modelado de recuadro
negro. ANN es un método de crecimiento rápido que se ha utilizado en diferentes industrias durante los últimos años. La idea principal
para la creación de RNA que es un subconjunto de la inteligencia artificial es proporcionar un modelo simple del cerebro humano con el fin
de resolver problemas científicos e industriales complejos en una variedad de áreas.
1.3.6.3. Modelos de caja gris
Además de caja blanca y negro-box métodos, el gris-box frase puede también ser utilizado cuando se mejora un modelo empírico mediante
la utilización de un cierto nivel disponible de penetración sobre el sistema de [17] . En este caso, los experimentos se pueden combinar con la
construcción de modelos matemáticos para mejorar la exactitud del modelo [19] .
1.4. DEFINICIÓN DEL PROBLEMA
estudio de la literatura muestra que no es una fuente rica de las actividades de investigación en el campo de la modelización, la simulación
y el control de las turbinas de gas. Sin embargo, a pesar de todos los esfuerzos ya realizados en este campo, sigue siendo una gran atención
se debe prestar a esta área con el fin de resolver los problemas disponibles durante los procesos de diseño, fabricación, operación y
mantenimiento de turbinas de gas. Los siguientes problemas pueden ser resaltados en los modelos existentes y sistemas de control de turbina
de gas:
• metodologías de modelo y de control que se basan en enfoques de caja blanca se basan en ecuaciones de equilibrio
termodinámico y la energía están acoplados y tienen un alto grado de no linealidad. Por lo tanto, teniendo en cuenta las
suposiciones y el uso de métodos de linealización para la simplificación y la solución de estas dinámicas complejas son
inevitables. En consecuencia, los modelos y sistemas de control que se basan en tales ecuaciones simplificadas y / o
linealizadas no son lo suficientemente precisos para capturar con precisión la dinámica del sistema. Que, a su vez, conduce a
13
problemas impredecibles, tales como paradas repentinas especialmente durante el funcionamiento de las turbinas de gas
que se construyen sobre la base de o el uso de tales modelos. Estos hechos demuestran la necesidad de utilizar técnicas y
metodologías que son independientes de la dinámica del sistema. Además, el algoritmo de proporcional-integral-derivada
(PID) controladores podría ser difícil de tratar en procesos altamente no lineales y variables en el tiempo [20] . ANN tiene la
capacidad de capturar enormemente compleja dinámica de las turbinas de gas bastante independientes de la física del
sistema. Por lo tanto, la necesidad de la investigación en esta área es obvia.
• componentes de turbinas de gas, como otros equipos mecánicos, se deterioran gradualmente y pierden su funcionalidad y
eficacia con el tiempo. Después de dos años de servicio en la industria, las relaciones termodinámicas ideales y por lo tanto los
modelos de caja blanca correspondientes están sujetos a cambios importantes y no serían válidos más. Por lo tanto, la
predicción del comportamiento de las turbinas de gas de edad es muy difícil. Por otra parte, la sustitución de los viejos GTs por
los nuevos requiere enormes recursos financieros y en la mayoría de los casos no es económicamente viable. Afortunadamente,
los modelos de recuadro negro son muy útiles en este caso debido a su independencia y capacidad de adaptación a las nuevas
condiciones. La formación y el uso de un modelo basado en ANN hasta a la fecha para el monitoreo de condición sobre la base
de los nuevos conjuntos de datos de parámetros GT, puede resolver el problema.
• No notable intento puede ser reconocido en la literatura para desarrollar un modelo dinámico de turbinas de gas (y, en
particular, para la maniobra de puesta en marcha) por medio de negro-box se aproxima a tales modelos NARX y para validar
contra datos experimentales tomadas durante el funcionamiento normal . La construcción de los modelos requeridos en esta
área específica puede ser muy eficaz en la dinámica de la comprensión y el análisis de gas de la turbina, y también puede
proporcionar información sobre el diagnóstico de fallos. Un modelo NARX como una red neuronal recurrente (RNN) tiene la
capacidad de capturar dinámica de los sistemas complicados y se puede emplear para la optimización del diseño y la
fabricación de turbinas de gas. También se puede utilizar para ahorrar tiempo y dinero durante todo el período de operación y
mantenimiento de GTs.
14
• La literatura carece de suficientes fuentes en relación con la comparación de los modelos basados en la física, tales como modelos
de Simulink con modelos basados en RNA en términos de sus desviaciones de los sistemas reales. Es muy interesante e
importante para saber cómo las diferentes metodologías en este trabajo de campo y cuáles son sus ventajas y limitaciones.
• La mayoría de los modelos de turbinas de gas disponibles se han construido sobre la base de la operación en estado estacionario de las
turbinas de gas. Se necesita más investigación para ser llevado a cabo en el área de GT transitoria y procedimientos de puesta en
marcha.
• Todavía hay una gran demanda de mejorar los modelos y sistemas de control que son estables frente a cambios en las
condiciones ambientales y alteraciones del sistema derivados de fallos o de las fluctuaciones de carga en la red de
energía de IPGTs.
• Modelado, simulación y control de las turbinas de gas cubren una amplia gama de actividades de investigación. Hay
diferentes tipos de turbinas de gas y una variedad de métodos de modelado y sistemas de control. Incluso en el campo de
la modelización y el control basado en ANN, hay diversidad de enfoques y Metodologías de estáticas y dinámicas que no
han sido investigados hasta el momento. Por lo tanto, los nuevos desarrollos en necesidad estructura basada en ANN ha de
hacerse por una variedad de tipos de turbinas de gas.
1.5. OBJETIVOS DE LA INVESTIGACIÓN Y ALCANCE
El objetivo principal de este estudio es proporcionar y desarrollar nuevos enfoques y metodologías de modelado, simulación y control de las
turbinas de gas para el estado estacionario y los procedimientos de puesta en marcha mediante el uso de las redes neuronales. las operaciones de
puesta en marcha de las turbinas de gas en estado estacionario y se consideran como physicsbased y se aplican las metodologías basadas en
ANN. basado en la física y los modelos de ANN se construyen y se compararon sobre la base de las ecuaciones termodinámicas, las relaciones de
equilibrio de energía, y el análisis matemático. Tanto simulado y se emplean datos experimentales y se utilizan herramientas de MATLAB
incluyendo Simulink y Neural Network cajas de herramientas.
Teniendo en cuenta los resultados del estudio de la literatura y de los hechos ya discutidos en este capítulo, se realizan los siguientes
objetivos de investigación:
15
• Desarrollo de una metodología basada en la ANN novedoso para la identificación del sistema fuera de línea de las turbinas de gas
sobre la base de combinaciones de diversas funciones de formación, número de neuronas y funciones de transferencia mediante el
uso de la estructura multi-capa de perceptrón (MLP). El modelo se puede aplicar de forma fiable para la identificación de sistemas de
turbinas de gas y puede predecir parámetros de salida de GTs en base a los cambios en las entradas del sistema con una alta
precisión.
• Puesta en marcha y verificación de un modelo no lineal autorregresivo exógena (NARX) de la operación de inicio de un Ipgt
mediante el uso de conjuntos de datos de series de tiempo de experimentación. Se hacen comparaciones entre las salidas
significativos del modelo y los valores de los datos medidos correspondientes. El objetivo es mostrar que los modelos NARX son
capaces de capturar la dinámica del sistema durante la operación de puesta en marcha.
• Modelado y simulación del comportamiento transitorio de un Ipgt mediante el empleo de métodos de Simulink y NARX. El
modelo de Simulink se construye sobre la base de las ecuaciones de equilibrio termodinámico y de la energía en el entorno
MATLAB. Los conjuntos de datos de series de tiempo de medición se utilizan para modelar características de funcionamiento
y para hacer correlaciones entre los parámetros corregidos de los componentes del compresor y la turbina. El modelo NARX
se establece sobre la base de los mismos conjuntos de datos. Se hacen comparaciones entre las salidas significativas de los
modelos de Simulink y NARX con los valores de los datos medidos correspondientes. El objetivo es demostrar y comparar la
capacidad de los modelos de Simulink y NARX para la predicción del comportamiento transitorio de las turbinas de gas.
• Diseño de controladores PID y de base ANN para una turbina de gas de un solo eje. Se emplean dos arquitecturas
diferentes basados en ANN de control incluyendo el control de modelo predictivo (MPC), y el control de realimentación
de linealización (NARMA-L2), ya aplicadas en la ANN caja de herramientas de MATLAB,. Los parámetros de control
relacionados se sintonizan según los requisitos del diseño y se hacen comparaciones entre los funcionamientos de
todos los controladores.
dieciséis
1.6. ESQUEMA DE LA TESIS
Este estudio se ocupa de modelado, simulación y control de las turbinas de gas. Proporciona nuevos enfoques y soluciones
novedosas en esta área. La tesis se estructura de la siguiente manera:
Capitulo 2 presenta una visión global de la literatura en el campo de la modelización, la simulación y el control de las turbinas de
gas. Cubre tanto los modelos de recuadro negro de GT de caja blanca y. La fuentes científicas y actividades de investigación más
relevantes para diferentes tipos de GTs incluyendo baja potencia, planta de energía industrial y turbinas de gas aero se exploran en
este capítulo.
Capítulo 3 discute brevemente la estructura de las redes neuronales artificiales y proceso de construcción del modelo basado en
ANN incluyendo análisis de sistemas, adquisición de datos y preparación, arquitectura de red, así como la formación de redes y
validación. Se explora diferentes retos en el uso de modelos basados en ANN para sistemas industriales y describe las ventajas y
limitaciones de este enfoque.
Capítulo 4 introduce una metodología basada en la ANN novedoso para la identificación del sistema fuera de línea de una turbina de gas de
un solo eje de baja potencia. Los datos procesados se obtiene de un modelo de SIMULINK de una turbina de gas en el entorno MATLAB. Un
amplio código de programa de ordenador se genera y se ejecuta en MATLAB para la creación y la formación de los diferentes modelos de RNA
con la estructura de alimentación directa MLP. El código consta de varias funciones de formación, diferente número de neuronas, así como una
variedad de funciones de transferencia (activación) para capas ocultas y de salida de la red.
Capítulo 5 presenta el modelado del comportamiento transitorio de un Ipgt utilizando modelos de Simulink y NARX. En la primera etapa, el
modelo de Simulink se construye sobre la base de las ecuaciones de equilibrio termodinámico y de la energía en el entorno MATLAB. Los
conjuntos de datos de series de tiempo de medición se utilizan para modelar características de funcionamiento de baja velocidad y para hacer
correlaciones entre los parámetros corregidos de los componentes del compresor y la turbina. El modelo resultante se prueba contra conjuntos
de datos medidos. En la segunda etapa, un modelo NARX está configurado sobre la base de los mismos conjuntos de datos de series de
tiempo y el modelo NARX resultante se aplica a cada uno de los conjuntos de datos. Se hacen comparaciones entre las salidas significativas de
los modelos de Simulink y NARX con los valores de los datos medidos correspondientes.
17
Capítulo 6 da un modelo de la operación de puesta en marcha de un Ipgt de alta resistencia mediante el uso de modelos NARX mediante el uso
de los datos obtenidos experimentalmente durante el procedimiento de puesta en marcha. El modelo NARX está configurado sobre la base de tres
conjuntos de datos de series de tiempo medidos para dos maniobras diferentes. Para verificar los modelos resultantes, que se aplican a otros tres
conjuntos de datos disponibles y se hacen comparaciones entre salidas significativas de los modelos y los valores de los datos medidos
correspondientes.
Capítulo 7 elucida enfoque de red neural para el diseño del controlador de turbinas de gas. A controladores basados en red PID y
neurales convencionales incluyendo controladores MPC y NARMAL2 basados en ANN se describen brevemente, diseñados y emplean
para controlar la velocidad de rotación de una turbina de gas singleshaft. Finalmente actuaciones de todos los controladores son
comparados y discutidos.
Capítulo 8 forma la conclusión general de esta investigación, se analizan las posibles mejoras, y sugiere futuras
actividades de investigación y desarrollo en el área de modelado, simulación y control de las turbinas de gas.
1.7. RESUMEN
Este capítulo presenta las motivaciones para esta investigación seguido de una breve discusión acerca de la necesidad y el objetivo
de modelado y control de las turbinas de gas. Entonces, se proporcionó una clasificación de las turbinas de gas y se presentaron
principales consideraciones en el modelado de turbina de gas. El capítulo explica brevemente los criterios y consideraciones más
importantes al principio de turbinas de gas proceso de modelado incluyendo tipos de GT y configuraciones, métodos de modelización,
tipos y configuraciones de sistemas de control, así como los objetivos y los métodos de modelización. El capítulo también define los
problemas actuales en el área de modelado, simulación y control de las turbinas de gas. Por último, se presentan brevemente alcance y
los principales objetivos de este estudio y el contorno de la tesis.
18
Todas las fuerzas en el mundo no son tan poderoso
como una idea cuyo momento ha llegado.
Victor Marie Hugo
poeta francés, novelista, dramaturgo y, 1802-1885
CAPITULO 2
REVISIÓN DE LITERATURA
Modelado y simulación de las turbinas de gas juega un papel clave en la fabricación de las turbinas de gas más eficientes, fiables y
duraderos. Además, los modelos GT también se pueden utilizar en los sitios industriales para la optimización, monitorización de condiciones, la
validación del sensor, detección de fallos, la resolución de problemas, etc.
Estos hechos han sido una fuerte motivación para que los científicos siguen llevando a cabo investigaciones en este campo. Hay muchas
fuentes en relación con el modelado y control de las turbinas de gas en la literatura y en una variedad de modelos GT se ha construido
hasta ahora desde diferentes perspectivas y con diferentes propósitos. Aunque algunos investigadores como Visser et al. [21] tratado de
introducir un modelo genérico para las turbinas de gas que utilizan software comercial, los modelos presentados en la literatura se basan
en variedades de metodologías y enfoques.
En este capítulo se presenta una descripción completa de los estudios más significativos en el campo de la modelización, simulación y
control de las turbinas de gas en base a la clasificación de los GTs [22]. Cubre tanto de caja blanca y negro-box modelos de GTs; cada uno
incluye modelos de turbinas de gas de baja potencia,
19
turbina de la planta de energía industrial de gas (Ipgt), y turbinas de gas aero. Las nuevas versiones finales de la revisión de la literatura
se presentan al final del capítulo.
2.1. MODELOS de caja blanca las turbinas de gas
modelos de caja blanca de turbinas de gas se pueden clasificar en turbina de gas de baja potencia, la turbina de la planta de energía
industrial de gas (Ipgt), y los modelos de turbina de gas. En una Ipgt, la potencia mecánica generada por la turbina de gas puede ser utilizado
por un alternador para producir energía eléctrica. Sin embargo, en una turbina de gas, el fluido gaseoso de salida se puede utilizar para
generar empuje.
2.1.1. De caja blanca Modelos de baja potencia Turbinas de Gas
Un modelo de espacio de estado no lineal de una turbina de gas de un solo eje de baja potencia para fines de control de bucle
de conformación fue desarrollado por Ailer ([23], [24], [25]) Y Ailer et al. ([26], [27], [28], [29]). La idea principal de estos estudios era
mejorar la respuesta dinámica del motor mediante la implementación de un controlador no lineal desarrollado. El modelo fue
desarrollado y simulado en Simulink MATLAB, basado en los principios de ingeniería, la dinámica de turbinas de gas y ecuaciones
algebraicas constitutivos. verificación del modelo se realizó mediante simulaciones de bucle abierto en contra de la experiencia e
intuición cualitativa operación de ingeniería. Los investigadores tuvieron en cuenta varios supuestos durante el proceso de modelado
con el fin de simplificar el modelo no lineal complicado y obtener un modelo dinámico de orden inferior. Aunque las suposiciones
hechas en el modelo adecuado para fines de control, fueron descuidados algunos aspectos importantes de la dinámica GT durante
su proceso de simplificación.
Abdollahi y Vahedi [30] desarrollado un modelo dinámico de sistemas de generación de micro turbina de un solo eje. Trataron de
presentar un modelo general que puede ser utilizado de diferentes rangos operacionales. Los investigadores hicieron hincapié en la
funcionalidad y la precisión de cada uno de los componentes de MGT y el modelo completo también. Ellos proporcionan un modelo dinámico
para cada componente de la turbina micro incluyendo turbina de gas, DC puente rectificador, generador de imanes permanentes, así como
inversor de potencia. Los modelos fueron implementados en Simulink MATLAB. Ellos demostraron que los modelos eran adecuados
20
para el análisis dinámico de micro turbinas bajo diferentes condiciones, y recomendó que el modelo también podría ser útil para
estudiar el efecto de micro turbinas en el intercambio de carga en la red de distribución de energía.
Aguiar et al. [31] modelado investigado y la simulación de una turbina de micro basado gas natural usando MATLAB. El
objetivo de la investigación era presentar un análisis técnico y económico de la utilización de MGTS para complejo residencial
basado en un modelo de simulación diaria y de acuerdo a las condiciones ambientales. Para evaluar el uso de MGT para
edificios residenciales, los investigadores consideraron y analizaron dos configuraciones diferentes, basándose en el hecho de
que el sistema se dimensiona para satisfacer la térmica o la demanda eléctrica. Los resultados del análisis pueden ser útiles para
los inversores que están interesados para predecir el costo de inversión, operación y mantenimiento de estas turbinas para la
generación de energía.
Ofualagba [32] presentado modelado de un sistema de generación de MGT de un solo eje adecuado para la administración de
energía en aplicaciones de generación distribuida. modelización matemática detallada de los sistemas de control se investigó y simulación
del sistema MGT desarrollado se llevó a cabo mediante el uso de Simulink / MATLAB. El modelo desarrollado tenía la capacidad de hacer
coincidir con los requisitos de potencia de la carga, dentro de la calificación de MGT.
Una expresión aproximada para el rendimiento de carga parcial de una unidad de calor y de recuperación de calor del sistema de
energía de turbina combinada micro fue identificado por Rachtan y Malinowski [33] . Indicaron que la expresión podría facilitar
enormemente el modelado matemático, diseño y operación de plantas de cogeneración en base a MGTS y ayudar en la predicción de
la potencia térmica disponible. Malinowski y Lewandowska [34] explorado un modelo analítico de una MGT para el funcionamiento de
carga parcial. Ellos calcularon destrucción o pérdida de exergía para cada componente MGT. En la termodinámica, exergía es la salida
teórica deseada de un sistema durante un proceso a medida que interactúa al equilibrio [35] . Se emplean fórmulas universales con
coeficientes ajustables para superar los problemas causados por la falta de información sobre los mapas del compresor y del
rendimiento de la turbina; que por lo general no son
21
descrito por los fabricantes. El modelo fue validado en contra y mostró una buena concordancia con los datos experimentales
y el fabricante de.
Hosseinalipour et al. [36] desarrollados modelos dinámicos estáticos y lineales de una MGT. Se emplearon las ecuaciones y los
mapas de los componentes MGT termodinámicos para construir el modelo estático. ecuaciones estáticas y dinámicas y una
metodología de linealización se utilizaron para establecer el modelo dinámico lineal. Los modelos fueron validados y se hizo una
comparación entre los resultados del modelo estático y los resultados del modelo dinámico para la condición de estado estacionario.
2.1.2. De caja blanca Modelos Industriales de Potencia de la instalación Turbinas de Gas (IPGTs)
Rowen [37] presentado un modelo matemático simplificado de una turbina de gas de un solo eje de trabajo pesado. El objetivo de su
estudio fue investigar la estabilidad del sistema de potencia, para desarrollar el envío de estrategia, y para proporcionar la planificación de
contingencia para los trastornos del sistema [37] . Rowen trató de hacer un modelo simplificado que podría cubrir todo el espectro de las
turbinas de gas y las características turbinegenerator apropiadas. Se refirió a diferentes temas relacionados con el modelado incluyendo
operaciones paralelas y aisladas, gas y sistemas de combustible líquido, así como gobernadores isócronas y caer. El modelo resultante era
muy útil en los estudios relacionados con la dinámica del sistema de potencia. Aunque el modelo de Rowen ha sido una base para muchos
investigadores para construir variedades de modelos de turbina de gas utilizando diferentes enfoques, que se limita a los ciclos simples y
turbinas de gas de un solo eje. Él indicó que las consideraciones de ingeniería y evaluación cuidadosa de los fines previstos son esenciales
antes de su uso del modelo [37] . Rowen [38] En otro esfuerzo, investigado un modelo matemático simplificado para la misma turbina de gas
con las características y funciones que afectan a la aplicación de este tipo de turbina de gas para los servicios de transmisión mecánica de
velocidad variable. Las nuevas características que no se incluyeron en su estudio previo [37] cálculo incluido de flujo de escape, el
alojamiento de la temperatura ambiente variable y moduladores de paletas de guía de entrada (IGVS). Tenía la intención de presentar un
modelo simple, pero highlyflexible y bastante precisos. Las características de ambos sistemas de combustible y de control se incorporan en
el modelo. Los estudios de Rowen hicieron posible la simulación de la turbina de gas singleshaft cualquier trabajo pesado.
22
Najjar [39] rendimiento investigado de GTs en los modos de operación de doble eje de un solo eje y utilizando un modelo de una turbina de
gas de alimentación libre de la conducción de un dinamómetro eléctrico. GT datos operativos y sus curvas relacionados sobre parámetros
importantes como la eficiencia térmica, el consumo específico de combustible y potencia de salida neta se consideraron con el fin de estimar el
rendimiento GT. Los resultados mostraron cuando el motor de turbina de energía libre se ejecuta en el modo de un solo eje (especialmente con
una relación de baja velocidad), se aumentó la energía de manera significativa (alrededor del 75% en la región de baja potencia) con cargas
parciales. Sin embargo, ejecutar el motor de turbina de energía libre en el modo de dos ejes mostró mejores características de par a carga parcial,
que es realmente importante para las aplicaciones de transporte y sistemas de tracción [39] .
Bettocchi et al. [40], y Binachi et al. [41] explorado respectivamente modelos dinámicos de turbinas singleshaft y gas multi-eje para
la generación de energía. Una investigación para el uso de gases de escape de una turbina de gas de doble eje de ciclo abierto se
realizó por Mostafavi et al. [42] . Se llevaron a cabo un análisis termodinámico y concluyeron que a relaciones de baja temperatura,
pre-enfriamiento podría aumentar la eficiencia y la red específica del ciclo. Además, dependiendo de la relación de presión del ciclo y
el grado de pre-enfriamiento, el ciclo de pre-enfriado podría funcionar a una mayor relación de relación de presión del compresor y la
temperatura sin aumentar la temperatura de ciclo máximo.
Un modelo para una turbina de gas de doble eje fue estimada por Hannett et al. [43] . Se llevó a cabo una
programa de pruebas de campo para obtener los datos necesarios para la simulación del modelo y la evaluación de la respuesta a las
perturbaciones gobernador GT. Durante el proceso de modelo de derivación, se determinó la estructura del modelo que consiste en
variables pertinentes y parámetros. Los investigadores tuvieron en cuenta las características de estado estacionario de la GT
cuidadosamente con el fin de capturar las respuestas dinámicas de las variables importantes, incluyendo los cambios de carga rápidos y
rechazos de carga. Para ajustar los parámetros del modelo, se empleó un proceso de ensayo y error inteligente hasta partidos razonables
se obtienen entre las pruebas y simulaciones. Esta metodología fue el único procedimiento práctico para el modelo de derivación debido a la
no linealidad del proceso y sus controles. Los investigadores tuvieron que proporcionar los datos de rendimiento requerido para cada
componente GT incluyendo el compresor, cámara de combustión,
23
turbinas. Independientemente del complicado proceso de la modelo de derivación, el modelo resultante podría ser útil para los estudios de la
dinámica del sistema.
Un modelo dinámico para una turbina de gas de doble eje fue desarrollado por Ricketts [44] basado en una metodología genérica
y mediante el uso de datos de diseño y rendimiento. Debido a la importante contribución de los efectos del calor en remojo en los
componentes GT, a la característica dinámica de la turbina de gas, que se incluyeron en el modelo. La complejidad del modelo fue
suficiente para predecir el comportamiento transitorio y para facilitar el diseño de un controlador adaptable apropiada.
Crosa et al. [45] explorado un modelo físico no lineal para predecir el fuera de diseño y de estado estacionario comportamiento
dinámico de una turbina de gas de un solo eje de trabajo pesado usando Simulink-MATLAB. Utilizaron las ecuaciones dinámicas de
masa, momento y balances de energía para modelar el sistema. El aire de purga efecto de enfriamiento, la memoria de masa entre las
fases, y las transformaciones de purga de aire desde el compresor hacia abajo a la turbina se tuvieron en cuenta para el proceso de
construcción de modelos. Rendimiento del modelo resultante fue bastante satisfactorio para la predicción de las variables
termodinámicas.
Nagpal et al. [46] presentaron sus experiencias de campo en las pruebas y la validación de modelos de modelos dinámicos de turbina y los
gobernadores asociados para IPGTs cuando estaban en servicio. Sobre la base de las mediciones de campo, que mostró que el modelo
gobernador turbina de gas (GAST) que es un modelo ampliamente utilizado para representar la dinámica de los sistemas de gobernador GT,
tiene dos deficiencias principales. En primer lugar, el modelo no podía predecir operación GT con precisión en altos niveles de cargas. En
segundo lugar, el ajuste preciso de los parámetros del modelo, de acuerdo con las oscilaciones alrededor de la frecuencia de ajuste final,
puede no ser alcanzado.
Kaikko et al. [47] presentado un modelo no lineal en estado estable de una turbina de gas industrial de doble eje y su
aplicación a condición de monitoreo en línea y el sistema de diagnóstico. Ellos utilizaron parámetros de estado para evaluar el
estado del motor y el impacto de las desviaciones de rendimiento en los costos. El uso de los parámetros de estado, el
rendimiento fue predicho en las condiciones de funcionamiento de referencia para el motor con el estado de salud actual.
Evaluación del desempeño GT
24
parámetros de referencia, los estados reales, que se espera y corregidos permitió a los investigadores para identificar correctamente
las desviaciones y sus causas. También concluyeron que el método de cálculo aplicado en su estudio podría ser adaptado a otro
modelado, monitorización de estado y el diagnóstico de las turbinas de gas. La metodología empleada por los investigadores tenía
algunas ventajas en comparación con los procedimientos componente coincidentes comúnmente aplicados. Su método
recomendado facilitó la selección de los parámetros de modelado, así como la aplicación de los modelos de proporcionar y controlar
los resultados.
Al-Hamdan et al. [48] modelado discutido y simulación de un motor de turbina de gas de un solo eje para la generación de energía
basado en la estructura dinámica y el rendimiento de sus componentes individuales. Utilizaron ecuaciones termodinámicas básicas de un
solo eje de turbina de gas para modelar el sistema. Los investigadores desarrollaron un programa de ordenador para la simulación del
motor que podría ser utilizado como una herramienta útil para investigar el rendimiento GT en condiciones fuera de diseño y diseñar un
sistema de control eficiente apropiado para aplicaciones específicas. Figura 2.1 muestra variaciones de temperaturas en diferentes
secciones de la GT modelado frente a la potencia de salida neta. T 02, T 03, y T 04 son temperaturas de salida del compresor, cámara de
combustión y turbina respectivamente [48].
Figura 2.1: iones Variac de temperaturas en comparación con la potencia de salida neta [48] .
25
Un modelo de rendimiento de escritorio simplificado de una típica turbina de gas de un solo eje de trabajo pesado en los sistemas de
generación de energía fue desarrollado por Zhu y Frey [49] . Construyeron un modelo que podría ser preciso y robusto a las variaciones en
diferentes condiciones operativas. Los investigadores estudiaron una metodología para la evaluación y el análisis rápido de los cambios de
sistema. La metodología podría ser implementado en un entorno de computación de escritorio. Aplicaron el análisis de sensibilidad para
evaluar el modelo para una variedad de combustibles en términos de contenido de composición, de humedad y de carbono. El modelo
también podría utilizarse para evaluar CO 2 las emisiones.
Camporeale et al. [50] investigado un modelo aero-térmico para dos turbinas de gas diferentes de plantas de energía con un
relativamente alto nivel de precisión. Presentaron una nueva metodología para el desarrollo de un código en tiempo real de alta fidelidad en
Simulink MATLAB usando un enfoque orientado a objetos para la simulación de la turbina de gas. La técnica se basa en una representación
no lineal de componentes de turbinas de gas. Los investigadores compuestas y resuelven un conjunto de ecuaciones diferenciales ordinarias
y ecuaciones algebraicas no lineales para presentar el modelo matemático de las turbinas de gas. La flexibilidad del código permitió que se
adapta fácilmente a cualquier configuración de centrales eléctricas. Figura 2.2 muestra cómo el software de simulación en tiempo real
interactuó con los dispositivos de control de hardware de los GTs [50] .
Figura 2.2: El diagrama de cómo el software de simulación en tiempo real interactuó con los dispositivos de control de hardware
[50].
26
Una turbina de gas simulador con todas las funciones se desarrolló e implementó por Klang y Lindholm
[51] . Discutieron el simulador de puesta a punto tanto técnica como económicamente y eligieron una solución de hardware robusto
basado en los requisitos básicos. El simulador puede ser útil para probar el sistema de control GT, prueba de nuevos conceptos y la
formación de los operadores.
Desarrollo de un modelo dinámico de una turbina de gas de un solo eje para una planta de energía de ciclo combinado (CCPP) fue
explorado por Mantzaris y Vournas [52] . Utilizaron Simulink-MATLAB para investigar la estabilidad de la turbina y su sistema de control contra
los cambios de sobrecalentamiento, así como en la frecuencia y la carga. Los resultados mostraron que la existencia de bucles de velocidad,
la frecuencia y de control de aire fuera necesario para la estabilidad de la planta contra las perturbaciones. Para hacer más rápida la
respuesta del modelo, los investigadores ignoran algunos bloques con constantes de tiempo pequeñas en el modelo para reducir el orden del
modelo y simplificar los cálculos. Para permitir un funcionamiento estable y fiable de la planta, también se sugirió que el flujo de aire abriendo
la puerta límites se ampliará durante el funcionamiento a plena carga.
Yee et al. ( [53], [54]) llevado a cabo un análisis comparativo y visión general de los diferentes modelos existentes de turbinas de gas
de la central eléctrica. Identificaron, presentado y discutido varios tipos de modelos GT en términos de su aplicación, la precisión y
complejidad. Se concluyó a partir de la investigación que a pesar de su complejidad, los modelos físicos son los más precisos y
adecuados para el estudio detallado de la dinámica de la turbina de gas. Sin embargo, se indicó que los modelos físicos no son
apropiados para su uso en grandes estudios de sistemas de potencia. También se indicó que para un análisis más detallado de los
sistemas de energía y el comportamiento de sus gobernadores, el modelo dependiente de la frecuencia era la mejor opción. Es
particularmente útil en el caso de los sistemas débiles con grandes variaciones de frecuencia. El estudio también demostró que la
frecuencia y la temperatura ambiente podrían afectar significativamente el funcionamiento de la turbina de gas bajo ciertas condiciones de
funcionamiento. Por desgracia, el estudio no cubre los modelos de recuadro negro de turbinas de gas [53] . Un estudio similar se llevó a
cabo por Shalan et al. [55] para las turbinas de gas en los CCPP. Se realizaron un análisis complementario y comparativo de diferente
respuesta modelos de turbina de gas en términos de sus aplicaciones y precisión. En otro esfuerzo, Liang et al.
[56] llevado a cabo un estudio sobre el rendimiento de los modelos de Simulación de las turbinas de gas. El objetivo era mejorar la precisión de los
modelos de simulación no lineal de los GTs. Se exploró la influencia de las variaciones
27
de relación de aceite a gas, el calor específico, y la presión de salida de la turbina de potencia en el motor con el fin de establecer un
modelo de simulación dinámica no lineal de las turbinas de gas de doble eje. Los resultados de las simulaciones mostraron que el modelo
de simulación propuesto fue más preciso para reflejar la dinámica del motor en comparación con los anteriores. Hosseini et al. [57] empleado
una metodología sistemática para construir un modelo de estructura múltiple de un Ipgt prototipo en funcionamiento normal. Según la
metodología, los modos lineales y no lineales se descompusieron y se tratan por separado. Llegaron a la conclusión de que el algoritmo
se podría emplear para la identificación de IPGTs de un solo eje.
Un modelo de simulación de dimensión cero para el diseño y fuera de diseño del funcionamiento de una turbina de gas de doble eje fue
desarrollado por Lazzaretto y Toffolo [58] . El objetivo del estudio fue de sarna correctamente la operación de las turbinas de gas de plantas de
energía y sus reacciones a las variaciones de carga y la temperatura ambiente. Los investigadores determinaron los valores de las magnitudes
termodinámicas y las actuaciones generales de la planta de turbina de gas. Para predecir el óxido de nitrógeno ( NO X) y monóxido de carbono ( CO)
contaminación, disponibles correlaciones semi-empíricos para las emisiones de contaminantes se adaptaron sintonizando sus coeficientes en
los datos experimentales. Los investigadores concluyeron que la metodología aplicada puede ser empleada para gestionar los aspectos
económicos y ambientales de la operación de la planta.
Razali [59] desarrollado un modelo analítico de una turbina de gas para simular la evolución real del rendimiento GT y para
predecir su degradación. La composición real de los gases de trabajo y la variación del calor específico con la temperatura se
tienen en cuenta para la simulación del modelo. Los valores de los tres parámetros de salida del modelo resultante incluyendo la
temperatura GT de escape, GG temperatura de salida, y la carga real, se compararon con las salidas reales correspondientes, y
las desviaciones se midieron como indicadores de la degradación GT.
Un método modificado fue presentado por Khosravi-el-hossani y Dorosti [60] para determinar la energía de escape en la nueva edición
de ASME PTC 22 que es aproximadamente velocidad de flujo de gas de combustión. El método se basa en cálculos de análisis de
constituyente de gas y de combustión de escape. Se demostró que el método podría mejorar la precisión de ASME PTC 22 en más de un
uno por ciento. También se mejoró La prueba de rendimiento de la turbina de gas sobre la base de los datos de funcionamiento obtenidos.
indicaron
28
que la metodología propuesta podría ser una alternativa apropiada para la prueba de rendimiento estándar turbina de gas y podrían
emplearse para evaluar el rendimiento de la turbina de gas sin medición de componentes del combustible de entrada, lo que podría
reducir el coste de la medición y recogida de datos.
Los parámetros de un HDGT de un solo eje se estimaron usando sus datos operativos basado en el modelo de Rowen [37] por
Tavakoli et al. [61] . Se aplican las leyes físicas simples y supuestos termodinámicos para derivar los parámetros GT utilizando datos
operativos. Sugirieron que el estudio podría ser útil para los propósitos educativos especialmente para los estudiantes y formadores
que estaban interesados en la dinámica de la turbina de gas. Figura 2.3 muestra el diagrama de bloques del modelo de Rowen
incluyendo sistemas de combustible y de control, empleado por los investigadores ([37], [61]) .
Figura 2.3: El modelo de Rowen para la dinámica de turbinas de gas de gran potencia ([37], [61]) .
Los modelos simples de los sistemas para un simulador de planta de energía fueron desarrollados por Roldan-Villasana et al. [62] basado
en los principios de masa, momento y energía. Los sistemas modelados se clasificaron en siete grupos principales, incluyendo agua,
vapor, turbina, generador eléctrico, auxiliares, turbina de gas y auxiliares minimizadas. Llegaron a la conclusión de que el simulador
podría ser muy útil para la formación de los operadores.
29
Yadav et al. [63] gráfico enfoque redes aplicada para analizar y modelar una turbina de gas opencycle de un solo eje. Utilizaron la
teoría de grafos y algoritmos para identificar las caídas de presión y temperatura, velocidades de transferencia de trabajo, la tasa de las
propiedades de calor y otro sistema. Debido a las similitudes en los resultados de este enfoque con los resultados de los métodos
convencionales, se sugirió que la nueva técnica podría ser usada para la optimización de parámetros de proceso GT.
En un par de diferentes esfuerzos, Ibrahim y Rahman ([64], [65]) , Y Rahman et al. ([66], [67])
modelos computacionales desarrollados de una turbina de gas planta de energía en el entorno MATLAB. Se investigaron el efecto de las
condiciones operativas (relación de compresor, relación de aire a combustible, entrada de la turbina y las temperaturas exhust, la eficiencia de
compresor y la turbina) en el rendimiento de la planta de potencia (trabajo del compresor, la tasa de calor, la eficiencia térmica, el consumo
específico de combustible). Se observó que la potencia de salida y la eficiencia térmica disminuyeron linealmente con el aumento tanto de relación
de aire a combustible y la temperatura ambiente. También concluyeron que la potencia de pico, la eficiencia y el consumo específico de
combustible se produjeron en mayor relación de compresor con baja temperatura ambiente.
Weber [68] el modelado de un moderno investigado el rendimiento del motor de turbina de gas planta de energía con carga parcial.
En el primer paso, las características termodinámicas a plena carga para el motor se empleó en software comercial incluyendo MATLAB,
y Python, y luego de rendimiento características termodinámicas de carga parcial se derivaron mediante el uso de un código de
programación informática que era completamente flexibles sin dejar de ser computacionalmente eficiente.
Shalan et al. [69] , En otro esfuerzo, empleado una metodología simple para estimar los parámetros de una
El modelo de Rowen ([37], [38]) para turbinas de gas de un solo eje de trabajo pesado. Los parámetros del modelo se obtuvieron
utilizando el rendimiento y los datos operativos. Una variedad de pruebas simuladas se realizó en el entorno Simulink-MATLAB y los
resultados se compararon con y verificarse en los resultados de estudios anteriores. Los investigadores indicaron que la metodología
propuesta se podría aplicar a cualquier tamaño de las turbinas de gas.
Liu y Su [70] desarrollado un modelo no lineal de un Ipgt con fines de diagnóstico faltas. La turbina de gas era una parte de una unidad
de generación de ciclo combinado. El objetivo de la investigación era construir una
30
vigilancia de la salud modelo termodinámico basado explicar cuantitativamente el fenómeno de la degradación de los componentes de la ruta del
gas de turbinas de gas. Al utilizar el modelo no lineal a nivel de componentes, los errores causados por linealización podrían evitarse. El modelo
dinámico podría evaluar el comportamiento estacionario de la turbina de gas para el rendimiento fuera de diseño. Los resultados mostraron que los
fallos podrían ser detectados y aislados por el uso de un análisis de la trayectoria de gas basado en modelos.
El efecto de la temperatura ambiente en el rendimiento de las turbinas de gas de tres ejes, en virtud de diferentes estrategias de control, fue
investigado por Gao y Huang [71] . Ellos demostraron que la temperatura ambiente afectada en gran medida el rendimiento de las turbinas de gas.
Ellos demostraron que la potencia específica GT y el rendimiento térmico, en particular cuando la turbina de gas trabajaron en condiciones fuera
de diseño, disminuyeron a medida que la temperatura ambiente aumentado. También concluyeron que el efecto de las variaciones de la
temperatura ambiente en las turbinas de gas de tres ejes era diferente en diferentes condiciones de trabajo, y los factores pertinentes adecuados
deben ser considerados para la elección de la estrategia de control apropiada.
Memon et al. [35] investigado un modelo de las centrales eléctricas de turbinas de gas de ciclo sencillo y regenerativos. El objetivo de
la investigación era optimizar los ciclos de maximización de la “eficiencia de salida de potencia, energía y exergía neta” y minimización de
“ CO 2 emisiones y los costes de los ciclos”. Para estimar las variables de respuesta con un alto grado de precisión, las ecuaciones del
modelo se desarrollaron a través de análisis de regresión. Los resultados mostraron que el ciclo regenerativo tenía menor tasa de
destrucción de exergía y por lo tanto una mayor eficiencia para una condición de funcionamiento dada en comparación con los valores
correspondientes en el ciclo simple.
Para investigar las posibilidades potenciales para la mejora de la eficiencia de carga parcial de turbinas de gas que operan bajo
de velocidad variable, el modelo de turbina de gas dinámico para motores tanto de un solo eje y de doble eje fueron exploradas por
Thirunavukarasu [72] . Para este fin, los modelos matemáticos de los componentes individuales GT se han desarrollado sobre la
base de las leyes termodinámicas, y el modelo resultante fue validado para el diseño, fuera de diseño y los casos transitorios
mediante el uso de los datos disponibles en la literatura. Además, para explorar la posible interacción dinámica entre la operación
de GT y los sistemas eléctricos y térmicos, el modelo de motor se integró con el poder
31
generación, distribución, y sistemas térmicos. Por otra parte, un estudio paramétrico de velocidad variable se lleva a cabo utilizando el
modelo de turbina de gas desarrollado. Los resultados mostraron que la eficiencia aumentó como disminución de la carga, y que la mejora
de la eficiencia de los motores de un solo eje era más grande en comparación con los motores de doble eje.
Shaw et al. [73] presentado un modelo basado turbina de gas de un CCPP utilizando los datos existentes reales. Se exploraron los efectos
de variaciones de la temperatura ambiente y se utilizan los datos operativos para validar el modelo. Los resultados mostraron que los cambios
en la temperatura ambiente fuertemente afectados el rendimiento (en particular la potencia de salida) de la parte GT del ciclo de GT, pero sus
efectos sobre el rendimiento del ciclo de vapor era casi insignificante. Llegaron a la conclusión de que la operación CCPP es más estable que
un GT autónomo en tiempo caluroso en verano.
Wiese et al. [74] desarrollado un modelo dinámico basado en la física de una turbina de gas y validado contra datos de ensayo
transitorios. Se concluyó que la dinámica general del sistema podrían ser capturados bien y el modelo dinámico se podrían utilizar en un
controlador de la turbina de gas basado en modelos.
Al-Sood et al. [75] explorado un ciclo Brayton turbina de gas irreversible mediante el desarrollo de un modelo matemático
general. El ciclo incorporado compresor, turbina de gas, intercooler, recalentador, y el regenerador. Propusieron una fórmula
matemática general que mostró el efecto de cada uno de los parámetros de funcionamiento en cada uno de los parámetros de
rendimiento. Indicaron que la fórmula podría ser aplicable en todas las condiciones operativas del ciclo independientemente de los
valores de los otros parámetros.
2.1.3. De caja blanca Modelos de Aero Turbinas de Gas
Kim et al. [76] desarrollado un modelo para un turborreactor de un solo eje usando Simulink-MATLAB. El comportamiento transitorio y
cambios en diferentes parámetros del motor se predijo por el modelbased en las variaciones de la tasa de flujo de combustible. Los
investigadores tuvieron en cuenta diferentes condiciones de vuelo en su simulación, tales como corte de combustible. La comparación de la
salida de la simulación con otro código dinámico para turbinas de gas y mostró resultados satisfactorios.
32
Evans et al. [77] examinado una identificación lineal de la tasa de flujo de combustible al eje dinámica de velocidad de una turbina de
gas de doble eje, que era un motor Rolls Royce Spey militar típico. Estudiaron la estimación directa de los modelos de s-dominio en el
dominio de la frecuencia y mostraron que los modelos de alta calidad de las turbinas de gas podrían lograrse utilizando técnicas de
dominio de la frecuencia. Ellos discuten que la técnica podría ser utilizada para modelar sistemas industriales, donde se requiere una
interpretación física del modelo. En otro esfuerzo, Evans et al. [78] presentado el modelo de múltiples variables lineal de una turbina de gas
de doble eje típico militar Rolls Royce Spey turbofan usando una técnica de identificación de dominio de frecuencia. La técnica se empleó
para estimar los modelos de múltiples variables s-dominio directamente a partir de datos de prueba. Los investigadores examinaron la
relación dinámica entre la tasa de flujo de combustible y la velocidad de rotación en forma de una sola entrada y salida múltiple (SIMO).
La principal ventaja del modelo fue su capacidad para estar directamente en comparación con los modelos termodinámicos linealizado. La
investigación demostró que un modelo de segundo orden podría presentar el modelo más adecuado y la mejor estimación del motor. Los
investigadores sugirieron que las técnicas investigadas en su estudio podrían utilizarse para verificar los modelos termodinámicos
linealizadas de las turbinas de gas. Figura 2.4 muestra el motor Rolls Royce Spey modelado por Evans et al. [78] .
Figura 2.4: Un típico motor Rolls Royce Spey [78] .
33
Arkov et al. [79] ocupados cuatro enfoques de identificación de sistemas diferentes para modelar una turbina de gas de aeronaves
típico utilizando los datos obtenidos a partir de un motor Rolls Royce Spey doble eje. La motivación detrás de su investigación era
reducir al mínimo el costo y mejorar la eficiencia de las técnicas de prueba dinámica de turbinas de gas. Las cuatro técnicas empleadas
por los investigadores incluyeron “técnicas multi-seno y dominio de la frecuencia para ambos modelos lineales y no lineales”, “excitación
de ruido ambiental”, “extendida por mínimos cuadrados algoritmos para la búsqueda de modelos lineales variables en el tiempo” y
“multi-objetivo programación genética para la selección de estructuras de modelos no lineales” [79] . Una descripción de cada técnica y
los méritos relativos de los enfoques también se examinaron en el estudio. En otro esfuerzo, Arkov et al. [80] discutido un soporte del
ciclo de vida para el modelado dinámico de turbinas de gas de motores de aviación. Ellos investigaron diferentes modelos matemáticos
y sus aplicaciones en las etapas del ciclo de vida de los controladores de motor. Ellos desarrollaron una tecnología de la información
unificada y un espacio unificado de información para crear y utilizar modelos matemáticos GT en las etapas del ciclo de vida. Se
emplearon metodologías estándar para el modelado de sistemas y el software apropiado para la aplicación de este nuevo concepto, y
por lo tanto mejora el rendimiento del sistema de control.
Riegler et al. [81] explorado modelización del comportamiento del compresor en los cálculos de rendimiento de la turbina de gas mediante el uso
de una metodología para la extrapolación de los mapas del compresor. La investigación cubrió el régimen de carga parcial extrema de
funcionamiento del compresor. Usando par corregido en lugar de la eficiencia en los mapas podría facilitar el cálculo del comportamiento de turbina
de gas para las condiciones de funcionamiento. Los investigadores indicaron que la metodología empleada en este estudio también podría ser
utilizado para las relaciones típicas de turbomaquinaria en las turbinas.
Behbahani et al. [82] empleada Simulink-MATLAB para desarrollar un modelo dinámico no lineal de un motor de turbina de dos ejes
para diagnósticos y pronósticos propósitos. El modelo tiene la capacidad de ser adaptado con éxito a diversos motores de turbina.
También diseñaron un controlador para controlar la velocidad del rotor. Una revisión de las técnicas de pronóstico para motores de
turbina también se llevó a cabo en la investigación.
34
Un nuevo enfoque de modelado adimensional para la predicción de rendimiento de los parámetros del motor de turbina de gas fue
propuesto por Pourfarzaneh et al. [83]. Establecieron una serie sistemática de experimentos en el motor para obtener parámetros
funcionales de los componentes de GT. Los resultados mostraron una muy buena concordancia entre los valores teóricos y
experimentales. Una nueva metodología analítica flexible para linealización de un modelo de motor de turbina de gas fue investigado y
desarrollado por Chung et al. [84] . Abbasfard [85] explorado un modelo lineal múltiple modificado para un motor de turbina de gas de un
solo eje mediante el uso de una metodología novedosa basada en la computación simbólica para la linealización del sistema. Los
resultados de la simulación mostró que el método propuesto tenía la capacidad de resolución de la detección y aislamiento de fallos
(FDI) problemas del motor.
Lu et al. [86] propuesto un modelo de un motor de turbina de gas para propósitos de diagnóstico de fallos del sensor. La
arquitectura del modelo se compone de dos modelos de motor no lineales, incluyendo el rendimiento de adaptación en tiempo real y
de a bordo modelos de línea de base. También presentaron un nuevo enfoque al sensor umbral de fallo en base a los errores en el
modelo y nivel de ruido. Los investigadores concluyeron que el enfoque propuesto era fácil de diseñar y sintonía con la degradación
de la salud del motor a largo plazo. En otro esfuerzo, Lu et al. [87] emplea un enfoque basado en modelos para la estimación de los
parámetros de salud de un motor de turbina de gas, y afirmó que la metodología propuesta fue eficiente.
2.2. MODELOS NEGRO-BOX las turbinas de gas
A continuación se resumen los estudios más importantes realizados hasta ahora por el uso de modelos de recuadro negro de turbinas de gas. Al
igual que en los modelos de caja blanca, los modelos de recuadro negro se pueden clasificar en baja potencia, planta de potencia industrial, y los
modelos de turbina de gas.
2.2.1. Los modelos de caja negra de baja potencia Turbinas de Gas
Un modelo NARX fue empleado por Jurado [88] para modelar una MGT planta de energía y su dinámica del sistema de distribución
relacionado. Sin embargo, los términos no lineales en el modelo fueron restringidos a la segunda orden. El objetivo de modelado fue
investigar el impacto de este tipo de turbina de gas en
35
la estabilidad a largo plazo transitorio y de los futuros sistemas de distribución. El modelo resultante era capaz de modelar tanto la
dinámica de alta y baja amplitud de MGTS. La calidad del modelo fue examinado por la validación cruzada. El modelo fue probado
bajo diferentes condiciones operativas y las perturbaciones eléctricas. Los resultados mostraron que la metodología NARX podría
ser aplicado con éxito para modelar la dinámica de MGT en modo no aislado [88] .
La aplicación de ANN y el sistema de inferencia borrosa basado red adaptativa (ANFIS) a MGTS fue presentado por Bartolini et al. [89]
. Utilizaron ANN y ANFIS para explorar los datos experimentales no disponibles con el fin de completar los esquemas de rendimiento
MGT. También analizaron y predijeron las emisiones de contaminantes en los tubos de escape y investigaron los efectos de cambios de
las condiciones ambientales (temperatura, presión, humedad) y la carga en la potencia de salida de MGT. Los resultados indicaron que
ANN podría evaluar de manera efectiva tanto el rendimiento MGT y las emisiones. También se demostró que las variaciones de
temperatura ambiente tenían más efecto sobre la potencia de salida de humedad y presión. Además, MGTS fueron menos influenciados
por las condiciones ambientales que carga.
Nikpey et al. [90] desarrollado un modelo basado en la ANN para la supervisión de MGTS de calor y energía combinados
mediante el uso de los datos recogidos a partir de una MGT modificado en un banco de pruebas. Se realizó un análisis
sistemático sensibilidad de cuatro pasos para investigar la relevancia de los parámetros de entrada y de salida así como la
influencia de parámetros de entrada en la precisión de la predicción de cada salida. Los resultados demostraron que las
mediciones de entrada del compresor tuvieron impactos muy significativos en la mejora de la precisión de la predicción del
modelo, y también podrían actuar como representantes de mediciones ambientales, por lo que las mediciones ambientales
podrían ser excluidos de las entradas. Los resultados de análisis de sensibilidad también mostraron que la temperatura de
entrada del compresor, la presión de entrada del compresor, y el poder eran los parámetros de entrada más importantes.
2.2.2. Negro-Box Modelos Industriales de Potencia de la instalación Turbinas de Gas (IPGTs)
Lazzaretto y Toffolo [91] investigado un diseño de dimensión cero y fuera de diseño de modelado de una turbina de gas de un
solo eje usando ANN. Utilizaron método analítico y red neuronal feedforward
36
(FFNN) como dos enfoques diferentes para predecir el rendimiento GT. Se emplearon técnicas de escala apropiado para construir
nuevos mapas para la turbina de gas usando mapas generalizadas disponibles del compresor y la turbina. Los nuevos mapas se
validaron utilizando los datos experimentales obtenidos de plantas reales. rendimiento fuera de diseño de la turbina de gas se obtuvo
usando modificaciones del mapa de compresor de acuerdo con el cierre de paletas de guía de entrada variable. Un simulador comercial
fue empleado para resolver el conjunto de ecuaciones del modelo analítico desarrollado. Diferentes conjuntos de variables
independientes que podrían ser seleccionados de acuerdo a los datos disponibles, permite una gran flexibilidad en la elección de los
criterios de ajuste. Sin embargo, los efectos de las variaciones de parámetros internos sobre el rendimiento GT no se consideraron en el
enfoque analítico. Se utilizaron los resultados del simulador para el entrenamiento de la FFNN. El modelo ANN resultante mostró una
excelente precisión de la predicción con error sólo de uno por ciento. Los investigadores hicieron hincapié en la fiabilidad del modelo
ANN en la fabricación de las correlaciones exactas entre importantes parámetros termodinámicos de sistemas térmicos complejos.
Ogaji et al. [92] aplicado ANN para multi-sensor diagnóstico de fallos de una turbina de gas de doble eje
estacionario usando Neural Network Tool-Box en MATLAB. El rendimiento GT era termodinámicamente similar al
motor Rolls Royce Avon. Los datos necesarios para la formación de las redes se obtuvieron a partir de un modelo
termodinámico aero-lineal del comportamiento del motor. Los investigadores presentaron tres arquitecturas
diferentes ANN. La primera ANN se utilizó para dividir las mediciones del motor en fallos y no hay faltas
categorías. Se empleó la segunda red para clasificar los defectos en cualquiera de un sensor o un fallo de los
componentes. La tercera ANN se aplicó a aislar cualquier sensores defectuosos de uno o dos y luego para
cuantificar la magnitud de cada fallo, a través de la diferencia entre las entradas y salidas de la red. [92] .
Arriagada et al. [93] aplicado ANN para la diagnosis de avería de una turbina de gas industrial de un solo eje. Se obtuvieron los conjuntos
de datos a partir de diez defectuoso y uno saludables condiciones del motor. Se emplearon los conjuntos de datos para entrenar una red
neuronal feedforward MLP. La red entrenada fue capaz de hacer un diagnóstico sobre el estado de la turbina de gas. Los resultados mostraron
que ANN pudo identificar las fallas
37
y generar advertencias en las primeras etapas con una alta fiabilidad. Figura 2.5 muestra un dibujo esquemático de la ANN y la
interpretación de los resultados [93]. Como se puede ver en la figura, las entradas se corresponden con los 14 parámetros medidos en
los motores reales, así como las controladas por los operadores y el sistema de control. Los parámetros incluyen la temperatura
ambiente, el ángulo de IGV, tasa de flujo másico, tasa de flujo de combustible, carga, presión, temperatura, etc. Las salidas deseadas
de la ANN son combinaciones únicas de 28 números binarios dispuestos en una pantalla gráfica. El proceso de formación de la ANN
se detuvo cuando se mostró el mejor rendimiento sobre la base de un número determinado de neuronas ocultas y pesos. La ANN
podría ser nombrado 14-H-28 de acuerdo con su estructura [93] .
Figura 2.5: Un dibujo schemat ic de la ANN modelo y la interpretación de los resultados en una pantalla gráfica [93] .
Basso et al. [94] se aplica un modelo NARX para identificar la dinámica de un pequeño Ipgt de alta resistencia. Su objetivo era hacer
un modelo no lineal de orden reducido precisa utilizando técnicas de identificación de recuadro negro. Se consideran dos modos de
funcionamiento para la turbina de gas; cuando fue aislado a partir de la red de energía como una unidad autónoma y cuando se
conecta a la red eléctrica. La estimación de parámetros del modelo NARX se realizó de forma iterativa utilizando el procedimiento de
Gram-Schmidt. Ambas regresiones hacia adelante y paso a paso se investigaron y se evaluaron muchos índices y
38
en comparación con realizar la selección de subconjunto en el conjunto de base funcional y determinar la estructura del modelo no lineal. Una
variedad de señales de entrada se eligieron para fines de identificación y validación del sistema.
Kaiadi [95] desarrollado un modelado basado en ANN de una planta de electricidad y calor para fines de seguimiento y análisis de
rendimiento mediante el empleo de software comercial para la validación cruzada formación y procesos de prueba. El proceso de
construcción de modelo se divide en dos sub-módulos. Dos modelos de RNA diferentes se desarrollaron por separado y luego unidos entre sí.
Para hacer que el conjunto de datos lo más fiable posible, pre-procesamiento de datos se llevó a cabo antes de la etapa de entrenamiento.
Bettocchi et al. [96] investigado un modelo de red neural artificial de una turbina de gas de un solo eje como una alternativa a
modelos físicos. Trataron de explorar el modelo más adecuado de redes neuronales (NN) en términos de tiempo de cálculo, la
precisión y robustez. Los investigadores consideraron una red con 15 entradas y 6 salidas. Los conjuntos de datos requeridos para la
formación de la red se obtuvieron de un programa de ciclo, previamente calibrado en el motor de turbina de gas. Los datos obtenidos
cubren todo el rango de funcionamiento de la turbina de gas y los investigadores tuvieron en cuenta diferentes estados de salud.
Llegaron a la conclusión de que un MLP de alimentación directa con una sola capa oculta (incluyendo neuronas 60) entrenado con
patrones de entrenamiento por lo menos 2000 fue la cadena más adecuada. Observaron que ANN podría ser muy útil para la
simulación en tiempo real de los GTs sobre todo cuando no había suficiente información sobre la dinámica del sistema. En un estudio
similar, Bettocchi et al. [97]
desarrollado un enfoque de red neural de múltiples entradas y múltiples salidas (MIMO) para el diagnóstico de motores de turbina de gas de un
solo eje. En otra investigación, Spina y Venturini [98] conjuntos de datos de campo utilizados y aplicados ANN para entrenar a los datos operativos
a través de diferentes patrones con el fin de modelar y simular un solo eje de la turbina de gas y su sistema de diagnóstico con un bajo esfuerzo
de cálculo y tiempo.
Simani y Patton [99] utilizado un enfoque basado en modelos para detectar y aislar fallos en un prototipo de turbina de gas
industrial singleshaft. Sugirieron la explotación de un modelo lineal identificada con el fin de evitar la complejidad lineal del sistema.
Para este propósito, los métodos de modelización y estimación de salida de recuadro negro se aplicaron debido a sus ventajas
particulares en términos de algorítmica
39
simplicidad y rendimiento logros. La estrategia de diagnóstico de fallos sugerido era especialmente útil cuando se requieren
soluciones robustas para minimizar los efectos de los errores de modelado y el ruido, al tiempo que maximiza la sensibilidad de
falla. Para verificar la robustez de la solución obtenida, el enfoque IED propuesto se aplicó a los datos simulados de la GT en
presencia de errores de medición y de modelado. Yoru et al. [100] examinado la solicitud de método ANN para análisis exergético
de turbinas de gas que suministran calor y potencia en un sistema de cogeneración de una fábrica. Se compararon los
resultados del método de ANN con valores de exergía del análisis exergético y mostraron que los resultados exergéticos mucho
más cercanos podrían alcanzarse mediante el método de ANN.
Fast et al. [101] datos de simulación aplicada y técnica ANN para examinar el mantenimiento basado en el estado de turbinas de
gas. En otro esfuerzo, Fast et al. [102] datos reales usadas obtenidos a partir de una turbina de gas de un solo eje de trabajo industrial a
plena carga para desarrollar un modelo simple de ANN del sistema con muy alta precisión de la predicción. Una combinación de método
ANN y la técnica de suma acumulativa (CUSMUS) fue utilizado por Fast et al. [103] para el seguimiento y la detección de anomalías en el
rendimiento GT condición. La aplicación de ANN a un diagnóstico y monitorización de estado de un calor y energía planta combinada fue
discutido por Fast et al. [104]. aplicado Fast diferente ANN enfoques para la monitorización de estado de turbina de gas, la validación del
sensor y diagnóstico [105] . Para minimizar la necesidad de calibración de los sensores y para disminuir el porcentaje de paradas
debidas a fallos del sensor, una metodología basada en la ANN fue desarrollado para la validación del sensor en turbinas de gas por
Palmé et al. [106] . Nozari et al. [107] modelos MLP empleado para un Ipgt, basados en un enfoque de identificación del sistema dinámico
no lineal para detectar y aislar las fallas de turbinas de gas. El método propuesto para la detección y aislamiento de fallos se probado y
validado en un Ipgt de un solo eje. Además, para demostrar los beneficios del método, un estudio comparativo con otros trabajos
relacionados con la literatura se llevó a cabo. En otro estudio, Nozari et al. [108] explorado la detección y aislamiento de fallos en el Ipgt
utilizando MLP y método neuro-fuzzy lineal.
40
2.2.3. Negro-Box Modelos de Aero Turbinas de Gas
Un promedio móvil autorregresivo no lineal con entradas exógenas modelo (NARMAX) de una turbina de gas de aeronaves se
estimó por Chiras et al. [109] . Se emplean análisis no paramétrico en los dominios de tiempo y frecuencia para determinar el orden y la
naturaleza de la no linealidad del sistema. Los investigadores de modelado NARMAX de dominio de tiempo combinado, el tiempo y de
análisis de dominio de la frecuencia, las técnicas de identificación y las señales de prueba periódicas para mejorar el modelado no lineal
GT. En otra investigación, Chiras et al. [110] aplicado un algoritmo de estimación ortogonal-regresión hacia adelante para hacer un
modelo NARMAX para un Rolls Royce Spey turbina de gas aviones de doble eje. Una relación no lineal entre la dinámica de la velocidad
de rotación del eje y la velocidad de flujo de combustible también se exploró y discutido en el estudio. Para validar los resultados del
modelo, los investigadores examinaron el comportamiento estático y dinámico del motor de prueba de señal pequeños y grandes. Los
resultados fueron satisfactorios y podrían coincidir con los resultados de otro modelo previamente estimada. En otro esfuerzo, Chiras et
al. [111] usado FFNN para modelar la relación entre la tasa de flujo de combustible y la dinámica del número de revoluciones del eje para
un motor de turbina de gas Spey. Ellos mostraron la necesidad de utilizar un modelo no lineal para modelar la dinámica de alta amplitud
de motores de turbina de gas. Chiras et al.
[112] También se recomienda un modelo no lineal de la dinámica mundial de turbinas de gas que utilizan Estructuras NARMAX.
Investigaron ambos modelos lineales y no lineales de una turbina de gas Rolls Royce Spey doble eje. Su sugerencia para un modelo
no lineal mundial se basa en el hecho de que los modelos lineales varían con puntos operativos. Se discutió un método sencillo para la
identificación de un modelo NARX. El rendimiento de este modelo fue satisfactoria para ambas pruebas pequeñas y de gran amplitud.
Sin embargo, debido a los problemas inherentes a la estimación en tiempo discreto y gran variabilidad de los parámetros del modelo,
se perdió la interpretabilidad física del modelo.
Ruano et al. [113] presentado identificación no lineal de la dinámica de eje de velocidad para una turbina de gas de aeronaves Rolls
Royce Spey bajo operación normal. Se utilizan dos enfoques diferentes, incluyendo modelos NARX y modelos de redes neuronales. Los
investigadores dieron cuenta de que entre las tres estructuras diferentes de NN incluyendo la función de base radial (RBF), MLP y
B-spline, este último suministra la
41
Mejores resultados. Emplearon herramienta de programación genética para los modelos B-spline NARMAX y para determinar la estructura del
modelo.
Dos configuraciones diferentes de backpropagation (BPNN) fueron desarrollados por Torella et al. [114] para estudiar y simular
los efectos de sistema de aire de la turbina de gas en un rendimiento del motor aero. Para la primera configuración, a la mejora de la
precisión del modelo, las diferentes estructuras de la red en términos de métodos de formación y el número de capas ocultas se
investigaron para la simulación ondesign de un gran motor de turboventilador. Para la segunda configuración, los investigadores
derivan un código de ordenador para configurar BPNNs para la simulación de la operación del sistema de aire; trabajar con o sin
defectos. La metodología aplicada era muy útil cuando se investigaron diagnóstico y solución de problemas del sistema de aire. Los
investigadores discuten los problemas, las soluciones más adecuadas y los resultados obtenidos. Hicieron hincapié en que la
formación BPNN no cubría múltiples fallas, así como la influencia del ruido del sensor y fallo en la identificación de fallos del sistema
de aire.
Breikin et al. [115] empleado un enfoque algoritmo genético (GA) para el modelado dinámico de los motores de turbina de gas con fines de
monitorización de estado durante la operación de crucero del motor. Aplicaron datos del motor real para el algoritmo para estimar los parámetros
del modelo de orden reducido lineal. Los investigadores compararon los resultados del enfoque con técnicas de modelado tradicionales que se
utilizan en la industria y se dieron cuenta de que la GA proporciona flexibilidad en la elección de los parámetros de rendimiento.
Badihi et al. [116] redes neuronales artificiales aplicadas para estimar la función de inyección de flujo de combustible a la cámara de
cámara de combustión de un motor a reacción. Utilizaron Simulink MATLAB para hacer un modelo matemático y para generar los datos
necesarios para la formación de una red neuronal feedforward MLP. Ellos demostraron que el modelo ANN resultante tenía la capacidad
para predecir con precisión los parámetros de rendimiento del motor. Mohammadi et al. [117] redes neurales usadas MLP con unidades de
procesamiento dinámico para la detección de fallos en un motor de turbina de gas de doble eje. Ellos verifican la capacidad de la red
entrenada mediante la realización de simulaciones de variedades. Las redes neurales fueron empleados por Loboda et al. [118] para la
identificación de fallos de una turbina de gas. Tanto las redes de base radial MLP y se utilizaron y se compararon en términos de precisión
y el cálculo del tiempo. los
42
Los resultados mostraron que la RBF era un poco más preciso que MLP, pero necesitan mucho más tiempo de cálculo.
Tayarani-Bathaie et al. [119] investigado utilizando un conjunto de red SISO dinámica neural (DNN) modelos de base para la
detección de fallos de un motor de avión. Se llevaron a cabo varias simulaciones para demostrar el rendimiento del esquema de
detección de fallos propuesta. Kulyk et al.
[120] propuesto una metodología para la obtención de prueba y de formación de conjuntos de datos y la formulación de parámetros de entrada de una
red neuronal estática para el diagnóstico de motores de turbina de gas y el reconocimiento de los defectos individuales y múltiples en las unidades de
caminos de aire-gas. Consideraron que el funcionamiento del motor en una amplia gama de modos.
2.3. APLICACIONES DE MODELOS DE TURBINA DE GAS PARA EL CONTROL DEL SISTEMA DE DISEÑO
Modelado y simulación de las turbinas de gas juegan un papel importante en las áreas de control. Diferentes estrategias de control y una
variedad de controladores se pueden emplear y probados en modelos de turbina de gas antes de su aplicación en los sistemas reales. En esta
sección se explican las principales actividades de investigación en este campo y muestra cómo los modelos de turbinas de gas pueden mejorar
los sistemas de control GT y evitar enormes costos asociados con la implementación de controladores en sistemas reales. Las aplicaciones de
modelado de turbina de gas para controlar sistemas también se pueden clasificar en blanco y negro-box-box enfoques.
2.3.1. Enfoque de caja blanca en el Control de Diseño de Sistemas
Ricketts [44] mostró que el modelo dinámico desarrollado para una turbina de gas de doble eje mediante el uso de un genérico conjuntos
metodología y los datos de rendimiento, podría representar una aplicación ideal para esquemas de control adaptativos. Ailer [121] y Ailer et al. ([122],
[123], [124], [125]) llevado a cabo diferentes investigaciones para diseñar y desarrollar sistemas de control para una turbina de gas industrial
de baja potencia en base a los resultados ya alcanzados en el modelado no lineal de la GT. Utilizaron metodología de modelado no lineal
sobre la base de las ecuaciones termo-dinámica para modelar el sistema. Se linealizaron el modelo para ser capaz de diseñar diferentes
tipos de controladores. Agüero et al. [126] modificaciones aplicadas en un sistema de control de turbina de gas planta de energía de alta
resistencia. Una de las desviaciones de velocidad modificaciones limitadas al gobernador, que a su vez, la desviación de potencia limitado
sobre despacho punto de ajuste.
43
Otra modificación podría evitar la descarga no deseada de la turbina. Los investigadores estudiaron el comportamiento dinámico de
la turbina antes y después de haber realizado las modificaciones.
Centeno et al. [127] revisados modelos dinámicos de turbina de gas típicos para los estudios de estabilidad del sistema de potencia. Se
discutieron los lazos de control principales, incluyendo bucles de control de temperatura y aceleración, sus aplicaciones e implementaciones.
También explicaron diferentes aspectos que deben tenerse en cuenta para el modelado de los bucles de control de temperatura y
aceleración. El rendimiento de los bucles de control se simularon contra cambios en la carga de la turbina de gas. Figura 2.6 muestra el
diagrama de bloques del bucle básico de control de temperatura para el modelo GT [127].
Figura 2.6: Diagrama de bloques del bucle básico de control de temperatura para un modelo de turbina de gas [127] .
Ashikaga et al. [128] llevado a cabo un estudio para aplicar el control no lineal para las turbinas de gas. Se informó de dos
aplicaciones de control no lineal. El primero fue el control de arranque mediante el control difuso, y la otra fue la aplicación del método de
optimización para control variable de paletas estatóricas (VSV). El objetivo era incrementar la eficiencia térmica y para disminuir la
emisión de óxido de nitrógeno. Sin embargo, los algoritmos para resolver problemas de optimización se complicaron, consume mucho
tiempo y demasiado grande para ser fácilmente instalado en los ordenadores. Zaiet et al. [129] modelado propuesto y control no lineal de
una turbina de gas en base a los estudios anteriores en la literatura. Indicaron que su metodología podría proporcionar una mayor
flexibilidad en el diseño de estrategias, el control de la velocidad y de la oleada de manera simultánea, y acelerando el compresor sin
que se cale problemas.
44
Lichtsinder y gravamen [130] desarrollado un modelo lineal simple y rápido para un rendimiento transitoria en tiempo real de un control
de motor a reacción. Se formulan las especificaciones del sistema de control para especificar la variación máxima de la orden de flujo de
combustible durante la maniobra transitoria. Definen y emplearon una novela generalizada definición de función y discutieron la aplicación
de esta técnica para el desarrollo del modelo. El modelo resultante mostró una alta precisión para la varianza de la tasa de flujo de
combustible. La comparación de los resultados de la simulación a los modelos convencionales mostró que el nuevo modelo puede
utilizarse con éxito para grandes varianzas de entrada.
Pongraz et al. [131] utilizado un método de linealización de entrada-salida para diseñar un controlador de seguimiento de referencia adaptativa
para un modelo de turbina de gas de baja potencia. Se discutió un modelo de espacio de estado no lineal de tercer orden para una verdadera
turbina de gas de un solo eje de baja potencia basado en ecuaciones dinámicas del sistema. En su modelo, la tasa de flujo de masa de
combustible y la velocidad de rotación se consideraron como entrada y salida, respectivamente. Un controlador adaptativo lineal con estimación de
par de carga también fue diseñado para el modelo linealizado. De acuerdo con los resultados de la simulación, los criterios de rendimiento
requeridos fueron cumplidas por la planta controlada. La robustez suficiente del sistema contra las incertidumbres de los parámetros del modelo y
de las perturbaciones ambientales también se investigaron y aprobado.
Tong y Yu [132] presentado un modelo dinámico de una turbina de micro y su controlador no lineal PID. Su objetivo de la
investigación era mejorar la estabilidad del sistema de micro turbina. Los resultados de la simulación demuestran que aunque el
controlador PID no lineal tiene una mejor adaptabilidad y robustez que la clásica la PID, el sistema de micro turbina no podría
funcionar sin problemas en todos los modos de funcionamiento. Por lo tanto, sugirieron que para conseguir un mejor rendimiento,
era necesario utilizar tanto el control del rechazo automático perturbación y las robustas metodologías de control coordinados no
lineales.
Najimi y Ramezani [133] diseñado un controlador robusto para un modelo identificado de una turbina de gas planta de energía. El modelo
aplicado fue construido sobre la base del modelo de Rowen [38] y mediante el uso de datos reales para el ajuste de los parámetros de GT. Los
objetivos de diseño del controlador eran para ajustar la velocidad de rotación GT y la temperatura del gas de escape al mismo tiempo mediante el
control de señales de combustible y
45
posición IGV compresor. Los resultados de simulación muestran que el controlador propuesto para el modelo no lineal del sistema cumple
bastante los objetivos predefinidos, ya que podría mantener la velocidad de la turbina y la temperatura del gas de escape dentro del intervalo
deseado, bajo perturbaciones de carga e incertidumbres no lineales. En comparación con los controladores MPC y PID, el controlador
robusto disminuyó la amplitud máxima de las desviaciones de velocidad notablemente.
Kolmanovsky et al. [134] desarrollado un sistema de control robusto para turbinas de gas aero. El propósito del estudio era para preservar la
estabilidad y el seguimiento del rendimiento del motor bajo incertidumbres tales como márgenes de sobretensión, y grandes distorsiones de entrada.
Para desarrollar verificables arquitecturas de control estables capaces para motores de turbina de gas, Pakmehr et al. [135] investigado un modelo
dinámico basado en la física no lineal de un motor de aero de doble eje. Un controlador programado ganancia estable fue presentado y una prueba
de estabilidad fue explorado para el sistema de control de bucle cerrado. Además, se estudió un control adaptativo referencia del modelo de
ganancia programada para MIMO plantas no lineales con restricciones en las entradas de control.
También se han producido notables investigaciones académicas, tratando de desarrollar fundamentos teóricos de los PSM.
Una visión general de la tecnología MPC industrial fue presentado por Qin et al. ([136], [137]) . Richalet ([138], [139]) discutidos
aplicaciones industriales de MPC. Una visión pedagógica de algunos de los desarrollos más importantes en la teoría MPC, y sus
implicaciones para el futuro de la teoría y la práctica MPC, fue discutido por Nikolaou [140] . Rawlings proporciona una revisión de
los PSM con fines tutoriales [141] .
2.3.2. Enfoque Negro-Box en el Control de Diseño de Sistemas
Los controladores de red neural suelen sufrir una degradación del rendimiento cuando se trata de modelos inversos inestables.
Además, la estabilidad y robustez de los enfoques de redes neuronales son difíciles de analizar. Sin embargo, los controladores de red
neural son ampliamente conocidos por su excelente capacidad de seguimiento de referencia y su flexibilidad para su aplicación en
diversos sistemas. A pesar de que los controladores PID están siendo ampliamente utilizados en circuitos de regulación en la mayoría
de las plantas industriales, su algoritmo podría ser difícil de tratar en los procesos altamente no lineales y variables en el tiempo [20] . Por
estas razones, la metodología de control basado en el aprendizaje, tales como la red neuronal
46
ha sido ampliamente utilizado en diversas aplicaciones industriales. Hay una fuerte motivación para el desarrollo de un gran número de
esquemas de controladores basados en ANN debido a sus aplicaciones industriales exitosas [142] . modelos basados en ANN para sistemas de
control pueden ser entrenados utilizando los datos generados a partir de un modelo previamente simulado de la planta, o se pueden obtener
directamente a partir de experimentos de bucle abierto especiales realizadas en la planta [143] . Se ha demostrado que los conjuntos de datos de
entrada-salida de los parámetros del sistema obtenido de una planta que está controlado por un controlador lineal se puede utilizar de forma
fiable para el proceso de formación ANN [144] .
notables esfuerzos se han realizado durante las últimas décadas para utilizar las redes neuronales controladores basados en
(NeuroControl) para sistemas industriales. Una encuesta realizada en Science Direct y bases de datos IEEE muestra que el número de
trabajos en el campo de la NeuroControl se ha aumentado significativamente desde 1990 hasta 2008 [145] . Agarwal [142] presenta una
clasificación sistemática de diversos neurocontrols y demostraron que los estudios NeuroControl son esencialmente diferentes a pesar de
todas sus similitudes. Hunt et al. [146] y Balakrishnan y Weil [147] También llevó a cabo un estudio de la literatura en esta área en 1992 y
1996 respectivamente. Rowen y Housen [148] control de flujo de aire GT investigado para la recuperación de calor óptima y sus ventajas en
condiciones de carga parcial de la turbina de gas. Ellos discutieron el rendimiento y la flexibilidad de control de turbinas de gas tanto de un
solo eje y de doble eje en aplicaciones de recuperación de calor industriales y demostraron la capacidad de adaptación de GTs en el
cumplimiento de los requisitos únicos de proceso industrial. Hagan et al. ([149], [150]) presenta una visión general de las redes neuronales y
sus aplicaciones para el control de sistemas. Su investigación cubrió temas diferentes, tales como red neuronal MLP para la función de
aproximación, el algoritmo de retropropagación para MLP formación, varias técnicas para mejorar la generalización, así como tres
arquitecturas de control diferentes, incluyendo control de referencia de modelo adaptativo, control predictivo basado en modelos, y el control
de retroalimentación linealización.
Investigación para la utilización práctica de ANN para controlar sistemas complejos y no lineales se llevó a cabo por Nabney y
Cressy [151] . Ellos utilizan varios controladores ANN para mantener el nivel de empuje para turbinas de gas aero y para controlar las
variables del sistema para un motor de turbina de gas de aeronaves de doble eje en las regiones operativas deseables y seguras. La
idea principal de la investigación era minimizar el consumo de combustible y aumentar la vida útil del motor. Su objetivo era mejorar el
rendimiento
47
del sistema de control mediante el uso de la capacidad de ANN en el mapeo no lineal en lugar de utilizar variedades de controladores lineales. Ellos
utilizan la arquitectura MLP con una sola capa oculta para entrenar las redes. Los investigadores aplicaron un modelo de referencia como una
entrada al controlador ANN. Los resultados mostraron que el rendimiento del controlador de ANN aplicado era mejor que los convencionales. Sin
embargo, no pudieron realizar un seguimiento de los modelos de referencia lo más cerca que esperaban.
Otro esfuerzo se llevó a cabo por Dodd y Martin [152] , Más o menos con los mismos objetivos.
Propusieron una técnica adaptativa basada en la ANN para modelar y controlar un motor de turbina de gas y para mantener el empuje
a un nivel deseado y reducir al mínimo el consumo de combustible en el motor. Sugirieron una técnica que por lo tanto podría dar lugar
a la maximización de empuje para un combustible especificado, bajando la temperatura crítica de los álabes de la turbina y el aumento
de la vida del motor. En su investigación, un FFNN con función de activación sigmoide se utilizó para modelar el sistema. La
simplicidad y la diferenciabilidad de la red neuronal ayudaron a los investigadores a calcular los cambios necesarios en los parámetros
controlables del motor y en consecuencia para mantener el nivel del empuje en un punto de destino. Figura 2.7 muestra el diagrama de
bloques del modelo ANN. Las entradas corresponden a alimentar tasa, área de la boquilla final y ángulo de álabe de guía de entrada.
La única salida es empuje [152] .
Figura 2.7: Diagrama de bloques de un modelo de turbina de gas a base de ANN para el sistema de Optimizat ion consiste en minimizar combustible manteniendo al
mismo tiempo empuje [152] .
Psaltis et al. [153] empleado un procesador de red neural multicapa y utilizado diferentes arquitecturas de aprendizaje para
entrenar el controlador neural para una planta dada. Lietzau y Kreiner ([154], [155])
explorado los principios y las posibles aplicaciones de los conceptos de control basados en modelos para motores a reacción. Se investigaron los
métodos de modelado para la simulación en tiempo real y la adaptación del modelo en línea. Para mejorar el rendimiento de estabilidad transitoria de
un sistema de energía, Dash et al. [156] presentado un radial
48
función de base de red neural (RNFBR) controlador con la arquitectura única y de múltiples neurona para el controlador de flujo
de potencia unificado (UPFC). Observaron que el controlador RBF con estructura multineuron realiza mejor y mostró un
rendimiento del amortiguador superior en comparación con los controladores PI existentes. También demostraron que el modelo
RBF es muy útil para los fines de la aplicación en tiempo real.
Desarrollo de un sistema de control inteligente con una óptima capacidad de generalización de aprendizaje fue explorada por Becerikli
et al. [157] . Utilizaron un DNN como un sistema de control de trayectoria de cebado para superar la naturaleza no dinámica de las
arquitecturas populares en Ann. La DNN entrenado ayudó a generar la política de control inicial próxima al resultado óptimo. Litt et al. [158] explorado
un controlador adaptativo, de múltiples variables para la compensación de deterioro del empuje debido al envejecimiento en una turbina de
gas de motores de aviación. Utilizaron la relación entre el nivel de degradación del motor y el sobreimpulso en la relación de temperatura
del motor, que fue la causa de la variación de la respuesta de empuje, para adaptar el controlador. Un modelo matemático de una turbina
de gas de ciclo combinado (CCGT), como parte de una red de generación de energía a gran escala nacional, fue desarrollado por Lalor y
O'Malley [159] . El objetivo era estudiar la respuesta de ciclo combinado a la perturbación de frecuencia y para investigar los efectos de
aumentar las proporciones de generación de ciclo combinado en la totalidad de la red cuando el modelo se integró en un modelo más
grande.
Junghui y Tien-Chih [20] presentado un nuevo enfoque de control mediante el empleo de un controlador PID y un modelo de red
neural linealizado. Su objetivo de la investigación era hacer un balance entre los diseños de control lineales y no lineales
convencionales con el fin de mejorar el rendimiento de control para los sistemas no lineales. Aunque el método propuesto
proporciona una interpretación física útil de la dinámica del sistema, y era eficaz en la reducción de la varianza de la salida del
sistema causado por perturbaciones, hubo varios inconvenientes tales como problemas de convergencia que podrían tener un
impacto serio en el diseño del controlador.
Algunos de los investigadores trataron de desarrollar MPC basado en ANN para el control de procesos. Sahin et al.
[160] propuesto un enfoque de red neural para un control predictivo basado en modelo no lineal (NMPC). Ellos
49
mostró que el MPC puede ser empleado con eficacia para controlar procesos industriales no lineales sin requisito de
linealización. Ławryńczuk ([161], [162]) discutido detalles de algoritmos NMPC para los procesos de MIMO modeladas por medio
de redes neuronales de una estructura de alimentación directa. Jadlovská et al. [163] presentó clásica y NARX se acerca a
diseñar el algoritmo de control predictivo generalizado (GPC) para un sistema no lineal. Llegaron a la conclusión de que la
neural rendimiento inteligente controlador GPC que utiliza técnicas de linealización mostró tremendas ventajas sobre el
controlador predictivo no lineal convencional. Suarez et al. [143] desarrollado un nuevo esquema de control predictivo basado en
redes neuronales para linealizar sistemas dinámicos no lineales. Cipriano [164]
aplicación discutido de control predictivo difusa para las centrales eléctricas que utilizan modelos no lineales basados en sistemas
expertos difusos, y el uso de la lógica difusa para caracterizar la función objetivo y las restricciones. A NMPC para la frecuencia y control
de la temperatura de un Ipgt de servicio pesado fue desarrollado por Kim et al. [165] . Se demostró que el sistema de control propuesto
tiene un rendimiento superior al control PID en términos de respuestas a perturbaciones en las cargas eléctricas.
Ghorbani et al. ([166], [167]) y Mu y Rees [168] aplicaciones exploradas de MPC basado en ANN a las turbinas de gas. Mu y
Rees [168] modelado no lineal investigado y control de una turbina de gas de aviones Rolls Royce Spey. Utilizaron NARMAX y redes
neuronales para indentify la dinámica del motor bajo diferentes condiciones de operación. Las investigaciones aplican un control
predictivo modelo aproximado (AMPC) para controlar la velocidad de rotación del eje. Los resultados demostraron que el rendimiento
de AMPC como un controlador no lineal global fue mucho mejor que los controladores PID ganancia de programación. AMPC mostró
un rendimiento óptimo para los pequeños y grandes cambios de paso aleatorio, así como contra las perturbaciones y el modelo de
falta de coincidencia. En otro esfuerzo, Mu et al. [169] examinado dos enfoques diferentes para diseñar un controlador no lineal global
para una turbina de gas de aviones. Se comparan y analizan las propiedades de AMPC y NMPC. Los resultados mostraron que
ambos controladores proporcionado un buen rendimiento para todo el rango de operación. Sin embargo, AMPC mostró un mejor
rendimiento frente a las perturbaciones e incertidumbres. Además, AMPC se podría ganar analíticamente, requiere menos tiempo de
cálculo y mínimos locales evitado.
50
Una combinación de RNN y aprendizaje por refuerzo (RL) fue empleado por Schaefer et al. [170]
para controlar una turbina de gas para un funcionamiento estable en carga alta. Alta calidad del sistema de identificación de RNN podría facilitar el
entrenamiento de la red mediante el uso de conjuntos de datos disponibles limitados. Sisworahardjo et al.
[171] presentado un controlador de red neural para la planta de energía MGTS. Aplicaron tanto reguladores PI y ANN para controlar la tensión,
velocidad, temperatura y potencia. Llegaron a la conclusión de que controlador basado en ANN tuvo un mejor desempeño en términos de
medidas de error.
Yamagami et al. [172] desarrollado un sistema de control óptimo para las turbinas de gas de CCPP como resultado del desarrollo de los
sistemas de control para toda la planta de potencia que incluye turbinas de vapor, calderas de recuperación de calor residual, y las
máquinas auxiliares. Implementación de un MPC en una turbina de gas planta de energía de alta resistencia fue investigado por Ghorbani
et al. ([166], [167]) . Construyeron un modelo del sistema basado en un procedimiento matemático y autorregresivo con método de
identificación de entrada exógena (ARX). El objetivo de la investigación era diseñar un controlador que podría ajustar la velocidad de
rotación de la temperatura del gas de escape del eje y por la tasa de flujo de combustible y la posición de IGV. El controlador MPC mostró
un rendimiento superior tanto a controlador PID y sistema de control de SPEEDTRONIC.
Uso de los controladores PID y Ann para una planta de turbina de gas de alta resistencia se investigó por Balamurugan et al. [173]
. Su trabajo se basa en el modelo matemático GT ya desarrollada por Rowen [37] . Aplicaron método Ziegler-Nichols de parámetros
del controlador PID melodía. Además, entrenaron un controlador ANN usando backpropagation método para controlar la velocidad
de la turbina de gas. Los resultados de simulación muestran que el controlador ANN se comportó mejor que el controlador PID. Figura
2.8 muestra una comparación de respuesta de la planta de turbina de gas con los controladores PID y Ann [173] .
Bazazzadeh et al. [174] desarrollado un modelo matemático de un controlador para una turbina de gas mediante el uso de la lógica
difusa y métodos de redes neuronales basados en MLP en el entorno Simulink-MATLAB. Las redes neuronales se emplearon como un
método eficaz para definir las funciones de combustible difusos óptimos. El controlador resultante podría lograr con éxito el rendimiento
y la estabilidad deseada.
51
Figura 2.8: Una comparación de respuesta de la planta de turbina de gas con los controladores PID y Ann [173] .
2.4. ESTADOS final sobre la LITERATURA
Como se puede observar a partir de la literatura, el resultado de la investigación en el campo de la modelización, la simulación y el control
de las turbinas de gas ha sido muy eficaz en la evaluación del rendimiento y optimización GT antes de los procesos de diseño y fabricación
finales. Sin embargo, todavía hay una gran necesidad de una mayor optimización del sistema. Para acercarse a un modelo óptimo lo más
estrechamente posible, los investigadores necesitan para desplegar las incógnitas del comportamiento dinámico no lineal complicado de estos
sistemas con el fin de minimizar los acontecimientos indeseables, tales como cierres impredecibles, el sobrecalentamiento y el exceso de
velocidad durante la operación de GT. Por lo tanto, como se discutió en Capítulo 1 , Otras actividades de investigación y desarrollo deben ser
llevadas a cabo en este campo.
Puesto que es deseable diseñar turbinas de gas con un alto rendimiento, alta fiabilidad y rentabilidad, todavía tiene que ser
dedicado a la comprensión de su dinámica natural y parámetros complejos, junto un gran esfuerzo. Por ejemplo, perturbaciones del
sistema derivados de fallos o de fluctuaciones de la carga en la red de potencia de las turbinas de gas de plantas de energía pueden
conducir a la inestabilidad GTs. Exploración de reacción de turbinas de gas a las perturbaciones del sistema y los cambios en las
condiciones ambientales es todavía una cuestión difícil. Por lo tanto, existe una creciente demanda de los modelos dinámicos
precisos, para investigar la respuesta del sistema a las perturbaciones y mejorar el control existente
52
Los sistemas. Los modelos investigados y sistemas de control que fueron construidos en la base de ecuaciones simplificadas y / o lineralized
no son lo suficientemente precisos para capturar con precisión la dinámica del sistema. Por lo tanto, un análisis preciso necesita ser llevado a
cabo con respecto a los problemas que linealización puede causar para el modelado y control de turbinas de gas ([175], [176]) . La aplicación de
ANN como un método rápido y fiable para estabilizar el sistema contra las perturbaciones pueden ser investigadas adicionalmente. En este
caso, el comportamiento dinámico del sistema se puede predecir y controlar utilizando nuevos métodos de control en presencia de una serie
de incertidumbres, tales como las condiciones ambientales y los cambios de carga.
En el área de los modelos de recuadro negro, hay muchos tipos diferentes de arquitecturas de ANN en términos de topología de la
red, el flujo de datos, tipos de entrada y funciones de activación, como las redes de Hopfield recurrente, RBF y. Los modelos de RNA
también pueden ser entrenados con variedades de algoritmos tales como backpropagation algoritmo de Levenberg-Marquardt, métodos de
formación no basados en gradiente y el algoritmo genético. Como se puede observar a partir de la literatura, cada una de las actividades
de investigación en el campo de la modelización de las turbinas de gas investigado el tema desde un punto de vista específico y tiene su
propia limitación (s). Por ejemplo, Chiras et al. ([109], [110], [111], [112]) , Ruano et al. [113] Y Torella et al. [114] concentrado en el modelado
basado en ANN de turbinas de gas aero. Se emplean una variedad de técnicas basadas en ANN y enfoques tales como MLP, NARMAX,
NARX, RBF, BPNN y Bspline, para explorar la dinámica no lineal de las turbinas de gas aero. Mientras que algunos investigadores como
Jurado
[88] Y Bartolini et al. [89] investigados turbinas de gas micro usando técnicas ANN, otros investigadores exploraron IPGTs
basados en ANN. Las principales contribuciones en esta área incluyen los estudios llevados a cabo por el Lazareto y Toffolo [91]
, Jurado [88] , Bartolini et al. [89] , Basso et al. [94] , Bettocchi et al. ([96], [97], [177], [178]) , Yoru et al. [100] , Simani y Patton [99]
, Palmé et al.
[106] , Fast et al. ([101], [102], [103]) , Rápida y Palmé [104] , Rápido [105] , Spina y Venturini [98] , Ogaji et al. [92] Y Arriagada et al. [93] . Los
resultados de estos estudios han indicado que la ANN puede ser muy útil para la simulación en tiempo real de las turbinas de gas,
especialmente cuando no hay suficiente información sobre la dinámica del sistema. También se ha demostrado que el RNA podría ser
utilizado como una poderosa herramienta de alta velocidad para los problemas de control en tiempo real [92]. ANN tiene la capacidad de
identificar los fallos del sistema y generar advertencias en las primeras etapas de alta fiabilidad [93] .
53
Ogaji et al. [92] , Arriagada et al. [93] , Fast et al. ([101], [102], [103]) , Palmé et al. [106] , Et Fast
Alabama. [104] , y rápido [105] , Explorado aplicaciones de la ANN para la diagnosis de avería, monitorización de condiciones y / o fines de
validación sensor. Fast et al. [103] acabamos de considerar una situación de plena carga de identificación del sistema ANNbased y modelado de
turbinas de gas de un solo eje. En algunos modelos GT, los términos no lineales en el modelo fueron restringidos a la segunda orden [88] .
Además, la mayoría de los modelos ANNbased de turbinas de gas se construyeron sobre la base de una función de formación específica ( trainlm)
y funciones de transferencia ( 'tansig' o tipo 'logsig' en la capa oculta, y tipo 'purelin' en la capa de salida). Además, algunas actividades de
investigación solo se concentraron en el comportamiento dinámico de los principales componentes individuales de las turbinas de gas, tales
como compresores y las cámaras de combustión. Por ejemplo, uno puede referirse a técnicas de redes neuronales empleadas por Ghorbani et
al. ([179], [180]) , Palmé et al [181] , Mozafari et al. [182] Y Sethi et al. [183] .
Como se puede observar a partir de la literatura, ninguna de las últimas actividades de investigación ANN en turbinas de gas lleve a cabo un
extenso estudio comparativo de rendimiento utilizando combinaciones de diferentes arquitecturas de red, algoritmos de entrenamiento y diferente
número de neuronas. Un estudio exhaustivo y comparativo en este campo puede ser muy útil en la identificación del sistema y modelado de motores
de turbina de gas. Aproximando un modelo ANN con capacidades de alta generalización y robustez para IPGTs puede ser ampliamente investigada
usando datos simulados o datos operativos de GTs reales y se basa en la flexibilidad que ofrece ANN para el modelado de diferentes tipos de
sistemas. Para este propósito, ANN diferentes arquitecturas pueden ser explorados para turbinas de gas con el fin de alcanzar un modelo de este tipo
que pueda predecir el comportamiento dinámico del sistema con la mayor precisión posible y también pueden emplearse como una herramienta
poderosa para el monitoreo de condición, solución de problemas y mantenimiento de turbinas de gas. Además, la mayoría de los modelos tanto de caja
blanca y negro de la caja en la literatura se han construido sobre la base de la operación en estado estacionario de las turbinas de gas, cuando GTs ya
han pasado el procedimiento de puesta en marcha y ejecutar en un modo estable. Por desgracia, la literatura carece de suficiente investigación sobre
el modelado y simulación de comportamiento transitorio GT y la operación de puesta en marcha, especialmente para IPGTs. Entre el número limitado
de estudios que cubren este tema, se puede hacer referencia a las obras de Agrawal y Yunis solución de problemas y mantenimiento de turbinas de
gas. Además, la mayoría de los modelos tanto de caja blanca y negro de la caja en la literatura se han construido sobre la base de la operación en
estado estacionario de las turbinas de gas, cuando GTs ya han pasado el procedimiento de puesta en marcha y ejecutar en un modo estable. Por
desgracia, la literatura carece de suficiente investigación sobre el modelado y simulación de comportamiento transitorio GT y la operación de puesta en
marcha, especialmente para IPGTs. Entre el número limitado de estudios que cubren este tema, se puede hacer referencia a las obras de Agrawal y Yunis solución de problemas y
54
Beyene y Fredlund [188] , Kim et al. ([189], [190], [191]) , Shin et al. [192] , Davison y Birk
[193], Huang y Zheng [194] , Xunkai y Yinghong [195] , Sanaye y Rezazadeh [196] , Kocer
[197] , Corbett et al. [198] , Alobaid et al. [199] , Zhang [200] , Rezvani et al. [201] , Daneshvar et al.
[202] , Rahnama et al. [203] , Refan et al. [204] y Sarkar et al. [205] . También hay algunas metodologías whitebox y negro de caja con respecto a
la simulación de comportamiento transitorio de los principales componentes individuales de las turbinas de gas tales como compresores que
pueden aplicarse eficazmente a las turbinas de gas. Por ejemplo, uno puede referirse a técnicas de redes neuronales empleadas por Venturini ([206],
[207]) , Para explorar el comportamiento transitorio de los compresores. Esfuerzos similares se llevaron a cabo por Venturini [208] Y Morini et al. ([209],
[210]) mediante el uso de métodos de caja blanca. Por lo tanto, debido a la importancia y la sensibilidad de estos procedimientos en la vida de
servicio de GT, se necesita más investigación para llevar a cabo en esta área.
La discusión acerca de los detalles de todo el directorio de la investigación en esta tesis no es posible. A pesar de las turbinas de gas
aeronáuticos y turbinas de gas estacionarias tienen las mismas estructuras básicas, tienen muchas diferencias en los detalles. Debido a la alta
demanda del mercado de la electricidad para la optimización de las turbinas de gas de plantas de energía y la necesidad de una amplia
investigación en el modelado y control de este tipo de turbinas de gas, especial atención debe prestarse a esta zona.
2.5. RESUMEN
En este capítulo se presenta un panorama general de la literatura en el campo de la modelización, la simulación y el control de las
turbinas de gas. Se discutió fuentes científicas más relevantes y significativas actividades de investigación en esta área para diferentes tipos
de turbinas de gas. Principal de caja blanca y negro-box modelos y sus aplicaciones para el control de los sistemas fueron investigados por
las turbinas de baja potencia, aerodinámica y gas planta de energía. Se demostró que a pesar de los estudios significativos en esta área, la
investigación adicional necesita ser llevado a cabo para resolver los desafíos impredecibles que surgen en los procesos de fabricación o en el
funcionamiento de plantas industriales. Estos retos se pueden encontrar en una variedad de áreas como el diseño, puesta en marcha,
monitoreo de condiciones, el diagnóstico de fallos, averías, mantenimiento, validación del sensor, control, etc.
55
56
Todas las cosas son artificiales,
porque la naturaleza es el arte de Dios.
Sir Thomas Browne
Autor Inglés, 1605-1682
CAPÍTULO 3
IDENTIFICACIÓN DEL SISTEMA BASADO EN ANN a
sistemas industriales
Dado que la red neuronal artificial se presentó por primera vez por Bernard Widrow de la Universidad de Stanford en 1950, ha sido
un reto constante para los investigadores para encontrar soluciones óptimas basadas en ANN para el diseño, la fabricación, desarrollo y
operación de nuevas generaciones de sistemas industriales, de manera eficiente, fiable y duradera posible. Obtener suficiente
información sobre el sistema que debe ser modelado es la primera etapa de identificación del sistema y proceso de modelado. Además,
una exposición clara de los objetivos de modelado es necesario para la fabricación de un modelo eficiente. sistemas industriales pueden
ser modelados para monitorización de estado, detección de fallos y diagnóstico, la validación del sensor, identificación del sistema o el
diseño y optimización de sistemas de control [211] .
Una variedad de métodos analíticos y experimentales han sugerido hasta ahora para el modelado de sistemas industriales. Uno
de los nuevos enfoques para la identificación del sistema y el modelado de turbinas de gas está empleando técnicas basadas en
ANN. ANN tiene el poder de resolver muchos complejos
57
problemas. Se puede utilizar para la función de ajuste, la aproximación, el reconocimiento de patrones, agrupamiento, comparación de imágenes,
clasificación, extracción de características, reducción de ruido, la extrapolación (basado en datos históricos), modelización dinámica y de predicción.
En este capítulo se presenta brevemente las redes neuronales artificiales y sus principales elementos y estructuras. En la siguiente
etapa, el proceso de construcción de modelos ANN-basado incluyendo el análisis del sistema, adquisición de datos y la preparación,
arquitectura de red, así como la formación de la red y la validación se explica. Diferentes retos en el uso de metodologías basadas en
ANN para sistemas industriales y sus aplicaciones, ventajas y limitaciones también se discuten en este capítulo.
3.1. Red Neuronal Artificial (ANN)
La idea principal detrás de la creación de una red neuronal artificial fue a parecerse al cerebro humano con el fin de resolver
problemas complicados en una variedad de áreas científicas como la ingeniería, la psicología, la lingüística, la filosofía, la
economía, la neurociencia, etc. ANN se define como la computación sistema que se compone de un grupo de elementos
simples, altamente interconectados de procesamiento (neuronas) con funciones lineales o de transferencia no lineal. Estos
elementos procesan la información por su respuesta estado dinámico a entradas externas [212] . Las neuronas están dispuestos
en diferentes capas que incluyen capa de entrada, una capa oculta (s) y la capa de salida. El número de neuronas y las capas
en un modelo ANN depende del grado de complejidad de la dinámica del sistema. ANN aprende la relación entre las entradas y
salidas del sistema a través de un proceso iterativo llamado entrenamiento. Cada entrada en la neurona tiene su propio peso
asociado. Los pesos son los números ajustables que se determinan durante el proceso de formación. La selección de los
parámetros adecuados como entradas y salidas de ANN es muy importante para hacer un modelo preciso y fiable. La
disponibilidad de datos para los parámetros seleccionados, el conocimiento del sistema para la identificación de las
interconexiones entre diferentes parámetros y los objetivos para la fabricación de un modelo son factores básicos en la elección
de las entradas y salidas apropiadas. Figura 3.1
muestra una estructura simple de una ANN típica con cuatro entradas, dos salidas y tres neuronas en una capa oculta.
58
Figura 3.1: Una estructura simple de una ANN con capas de entrada, ocultas y de salida.
3.2. EL MODELO DE neurona artificial
neurona artificial es el elemento básico y fundamental de todas las estructuras de redes neuronales artificiales.
Figura 3.2 muestra un simple neurona de entrada única con su entrada, salida, y componentes incluyendo los bloques de función de suma y [213] .
pag, w, segundo, F, y una, son de entrada escalar, peso escalar, el sesgo, la función de transferencia (de activación), y salida escalar
respectivamente. La salida de la neurona se calcula Ecuación
3.1 . Los parametros w y segundo se puede ajustar por las reglas de aprendizaje para que la relación entre la entrada y la salida de alcanzar la
meta esperada [149] . El sesgo es un peso que no está conectado a otros nodos, y su entrada siempre se establece a uno. El propósito de
sesgo es para compensar el origen de la función de transferencia de más rápida convergencia. Por lo tanto, el sesgo permite que un nodo
tenga una salida incluso si la entrada es cero.
Figura 3.2: estructura neurona-entrada individual.
• = • (• * • + •) (3,1)
59
Una neurona por lo general tiene más de una entrada. Figura 3.3 y Figura 3.4 mostrar estructuras neuronas de entrada múltiple
con uno y múltiples neuronas en la capa oculta respectivamente [149] . R y S
indicar el número de elementos en el vector de entrada, y el número de neuronas en la capa. En este caso, la entrada PAG, el
peso w, y la salida una, sería vectores, y La ecuación 3.1 tendría una naturaleza matriz como se muestra en Figura 3.3 y Figura
3.4. Una red neuronal puede tener varias capas que funcionan en paralelo. Cada capa tiene sus entradas propias, salidas y
componentes.
Figura 3.3: estructura neurona de múltiples entradas [149] .
Figura 3.4: forma de la matriz de la estructura de la neurona mult IPLE-input [149] .
60
3.3. BASADO EN ANN PROCEDIMIENTO DE MODELO DE CONSTRUCCIÓN
ANN, como un modelo impulsado por los datos, se ha considerado como una alternativa adecuada a los modelos de caja blanca durante las
últimas décadas. modelos de RNA para turbinas de gas pueden ser creados usando diferentes enfoques debido a las variedades de estructuras
de red, algoritmos de entrenamiento, el tipo de las funciones de activación, el número de neuronas, el número de capas ocultas, los valores de
pesos y sesgos, así como estructuras de datos. Sin embargo, la mejor estructura para ANN es el único que puede predecir el comportamiento
dinámico del sistema con la mayor precisión posible. A continuación se presentan los principales pasos para configurar un modelo ANNbased.
3.3.1. Análisis del sistema
Antes de la formación de cualquier modelo ANN, normalmente se necesita para hacer un estudio exhaustivo del sistema, incluyendo la
configuración del sistema y el registro de la historia, características técnicas, condiciones de operación, sistema de vigilancia, los parámetros
disponibles, sensores de situación y fiabilidad, accesibilidad de los datos del sistema, la disponibilidad de los resultados curvas, etc. Este paso
es necesario para establecer una estructura de entrada y de salida adecuado para el modelo ANN. También es necesario averiguar el método
que sea más compatible con las expectativas de investigación.
3.3.2 Adquisición de Datos y Preparación
La adquisición de datos es el primer paso y una parte vital de modelado y control de un sistema industrial basado en ANN. modelos
basados en ANN pueden ser creados usando directamente los datos operativos de una GT real disponible en una variedad de plantas de
energía industriales. Los datos se pueden obtener en línea, si el sistema se ejecuta en modo inactivo. Sin embargo, en este caso, el efecto
de los cambios de carga puede no ser investigado.
Cuando los datos operativos no están disponibles, se pueden utilizar los datos simulados de los fabricantes (OEM) el rendimiento del
equipo original o generados por ingeniería y / o software comercial como SimulinkMATLAB. En este último caso, la información del sistema
se alimenta al software para hacer un modelo preliminar para la generación de datos y configurar el modelo de recuadro negro. Los datos
obtenidos deben cubrir toda la gama de funcionamiento del sistema. Todos los datos transitorios durante los procesos de inicio o de
apagar
61
debe ser eliminado de los datos recogidos antes del proceso de modelado. Los datos necesarios para el modelado de IPGTs se pueden
recoger de las turbinas de gas disponibles en una variedad de plantas eléctricas industriales en todo el mundo.
Formato de las estructuras de datos afecta a la formación de la red. vectores de entrada podrían ocurrir al mismo tiempo o secuencialmente en
el tiempo. Para vectores de corriente, las entradas se producen al mismo tiempo o de ninguna secuencia de tiempo particular. En este caso, el orden
no es importante y una serie de redes podría ejecutar en paralelo. Un vector de entrada podría ser presentado a cada una de las redes. Para los
vectores concurrentes, las entradas se producen secuencialmente en el tiempo y el orden en que aparecen los vectores es importante. ANN caja de
herramientas en MATLAB puede emplearse para modelar el sistema y para diseñar el sistema de control apropiado una vez finalizada la etapa de
adquisición de datos.
3.3.3. Red de arquitectura
ANN se pueden clasificar en estático (feedforward) y (retroalimentación) categorías dinámicas. En las redes estáticas, no hay
elemento de retroalimentación o retraso, y la salida se puede calcular directamente de la entrada a través de conexiones de
alimentación directa. En las redes dinámicas, la salida depende tanto de la corriente de entrada a la red y en los actuales o anteriores
entradas, salidas, o estados de la red.
Figura 3.5 muestra una red de alimentación directa neural (FFNN) con tres capas [214] . Figura 3.6 muestra una red NARX con dos
capas [214] .
3.3.3.1. Feedforward red neuronal
Como Figura 3.5 espectáculos, las neuronas en un modelo FFNN se agrupan en capas que están conectados a la dirección de la
señal de paso (de izquierda a derecha en este caso). No hay conexiones laterales dentro de cada capa y también no hay conexiones
de retroalimentación dentro de la red. La ANN más conocido de este tipo es MLP [214] . Hay por lo menos una capa oculta en un
FFNN. MLP es el de la ANN más común utilizado en aplicaciones científicas. Se puede utilizar para la función de ajuste,
reconocimiento de patrones, y clasificación no lineal. Entre las diferentes estructuras de RNA, MLP es la primera opción para el
modelado y simulación del comportamiento no lineal de los sistemas industriales tales como turbinas de gas [215] .
62
Figura 3.5: Tres capas de red neuronal feedforward [214] .
Figura 3.6: red NARX con una red de alimentación directa de dos capas [214] .
3.3.3.2. Comentarios (recurrente) Redes Neuronales
red neuronal retroalimentación, también llamada red neuronal dinámica o recurrente, es un tipo de estructura a ANN que permite el
modelado de comportamientos de dominio de tiempo de un sistema dinámico. Las salidas de un sistema dinámico no sólo dependen de las
entradas actuales, sino también de la historia de los estados y entradas del sistema. Se necesita una estructura de red neuronal actual para
modelar tales comportamientos. Una de las redes neurales de retroalimentación más comúnmente utilizado es la red autorregresivo lineal con
entradas exógenas (NARX). Es una red recurrente con conexiones de retroalimentación que encierran varias capas de la red. NARX red tiene
muchas aplicaciones. Puede ser utilizado para el modelado de sistemas dinámicos no lineales tales como IPGTs. Como predictor, se puede
predecir el siguiente valor de la señal de entrada. También se puede emplear para fines de filtrado no lineales para hacer que la salida de
destino como una versión sin ruido de la señal de entrada. Como Figura 3.6 espectáculos, modelo NARX se pueden implementar mediante el
uso de un FFNN para aproximar la función de F [ 214] . En esta figura, una red de alimentación directa de dos capas se utiliza para la
aproximación. La señal de salida dependiente y (t) es retrocedido en los valores anteriores de la salida
63
señal y los valores anteriores de un (exógena) de señal de entrada independiente. TDL indica el tiempo de retardo
[214] .
3.3.4. Formación de red y validación
De formación o aprendizaje paradigmas para una RNA se pueden clasificar principalmente como supervisado y no supervisado. En el
aprendizaje supervisado, los insumos y los objetivos deseados (salidas) son conocidos y el modelo ANN es entrenado de una manera que los
mapas de entradas a las salidas. El aprendizaje supervisado se emplea para fines de regresión y clasificación. Sin embargo, en un aprendizaje sin
supervisión, los objetivos son desconocidos y la relación subyacente dentro de los conjuntos de datos tiene que ser revelada por la ANN usando el
método de agrupamiento de datos. aprendizaje no supervisado se utiliza para el filtrado y la agrupación de los datos.
Hay dos estilos diferentes de formación en las RNA; la formación gradual y entrenamiento por lotes. En el entrenamiento gradual,
pesos y sesgos de la red se actualizan cada vez que una entrada se presenta a la red. En el entrenamiento por lotes, los pesos y sesgos
sólo se actualizan después de que se presentan todas las entradas. métodos de entrenamiento por lotes son generalmente más eficientes
en el entorno de MATLAB, y se hace hincapié en el software de red neuronal de caja de herramientas. Sin embargo, hay algunas
aplicaciones en las que la formación gradual puede ser útil, por lo que ese paradigma se implementa como así [214] .
El proceso de formación de ANN implica la variación de uno o más parámetros. Por ejemplo, es necesario para
cambiar el número de neuronas en la capa oculta con el fin de alcanzar la mejor red convergente. El número de
neuronas indica la complejidad que se puede aproximar por la red neuronal. Es deseable usar la estructura de red más
sencilla posible con el menor número de parámetros de entrada. El modelo desarrollado puede ser utilizado para validar
nuevas mediciones de proceso. Un verdadero procedimiento de formación de redes neuronales generalmente se basa
en una aproximación iterativa en la que los parámetros se actualizan sucesivamente en varios pasos. Tal paso puede
basarse en un único elemento de datos, en un conjunto de ellos, o en todos los puntos de datos disponibles. En cada
paso, el resultado deseado se compara con el actual y, utilizando el conocimiento de la arquitectura, [214] .
64
Antes de iniciar el entrenamiento, los datos recogidos se dividen en tres subgrupos que incluyen formación, validación y conjuntos de datos
de prueba. El primer subconjunto es el conjunto de entrenamiento, que se utiliza para calcular el gradiente y la actualización de los pesos y
sesgos de la red. El segundo subconjunto es el conjunto de validación que se utiliza para verificar el modelo que se ha creado. El error en el
conjunto de validación se controla durante el proceso de formación. El error de validación disminuye durante la fase inicial de la formación,
como lo hace el error conjunto de entrenamiento. Los pesos y sesgos de red se guardan en el mínimo del error conjunto de validación. Y, por
último, el equipo de prueba se utiliza después del entrenamiento y validación de una prueba final. Prueba de la red neuronal con datos similares
a la utilizada en el conjunto de entrenamiento es uno de los pocos métodos que se utilizan para verificar que la red ha aprendido
adecuadamente el dominio de entrada. En la mayoría de casos, este tipo de técnicas de pruebas demuestran adecuado para la aceptación de
un sistema de red neural.
El conjunto de datos de validación se utiliza para detener el entrenamiento antes de tiempo si la formación continua de los datos primarios
perjudicará a la generalización de los datos de validación. Prueba de rendimiento vector puede ser utilizado para medir qué tan bien la red
generaliza más allá de los datos primarios y validación. Cuando la formación se completa, el rendimiento de la red se puede comprobar para ver si
es necesario realizar el proceso de formación, la arquitectura de la red o de los conjuntos de datos de cualquier cambio. Lo primero que debe
hacer es comprobar la formación registro; tr. Esta estructura contiene toda la información relativa a la formación de la red. Por ejemplo,
tr.trainInd, tr.valInd y tr.testInd contener los índices de los puntos de datos que fueron utilizados en el entrenamiento, validación y de
prueba, respectivamente. los tr estructura también realiza un seguimiento de varias variables durante el curso de formación, tales como
el valor de la función de rendimiento, la magnitud de la pendiente, etc.
3.3.4.1. Número de capas y neuronas ocultas
Elegir el número correcto de capas ocultas y neuronas disponibles en cada capa es muy importante en la formación de una red
neuronal. Ya se ha demostrado que cualquier mapeo no lineal muti-dimensional de cualquier función continua puede llevarse a cabo por
un MLP de dos capas con número elegido adecuado de las neuronas en su capa oculta [216]. Por lo tanto, la tarea principal en el
modelado de sistemas industriales utilizando MLP es determinar el número correcto de las neuronas en la capa oculta para acercarse a
una óptima
sesenta y cinco
ANA. Aunque el aumento del número de neuronas en ocasiones es necesario coger la dinámica no lineal del sistema, esto
no significa que siempre y necesariamente puede mejorar la exactitud del modelo y de generalización.
3.3.4.2. Algoritmos de formación
Diferentes algoritmos de entrenamiento se pueden utilizar para las RNA de formación. Los algoritmos de entrenamiento disponibles en el software
NN caja de herramientas, que utilizan degradado o métodos basados en Jacobiana, son los siguientes [214] :
• trainlm: Levenberg-Marquardt
• trainbr: La regularización bayesiana
• trainbfg: BFGS Quasi-Newton
• trainrp: retropropagación elástica
• trainscg: Scaled gradiente conjugado
• traincgb: Gradiente conjugado con Powell / reinicia Beale
• traincgf: Fletcher-Powell gradiente conjugado
• traincgp: Polak-Ribiere gradiente conjugado
• trainoss: Un paso secante
• traingdx: Variable Tasa de Aprendizaje pendiente de descenso
3.3.4.3. Funciones de transferencia
Transfer (activación) funciones de transformada de nivel de activación de una unidad (neurona) en una señal de salida
[217] . Hay varias funciones de transferencia incluidas en el software de red neuronal de caja de herramientas. Karlik et al. [217] y Debes et al .
[218] discutido diversas funciones de transferencia y sus aplicaciones a las redes neuronales. Las dos funciones de transferencia comunes
que se emplean para MLP son LogSigmoid y Tan-sigmoide. Estas funciones son diferenciables y pueden hacer frente a la no linealidad de los
sistemas industriales. Figura 3.7 muestra diferentes funciones de transferencia que se pueden utilizar para el entrenamiento de las redes
neuronales.
66
Figura 3.7: funciones de transferencia de redes neuronales.
67
3.3.4.4. Los valores de peso
Antes de la formación de una ANN, los valores iniciales de los pesos y sesgos tienen que ser determinados. Inicialización de los pesos y
sesgos puede hacerse automáticamente por el software ANN caja de herramientas o puede ser ajustado manualmente a través de la escritura y
de funcionamiento códigos de MATLAB.
3.3.4.5. Criterios de error
El objetivo en el entrenamiento de una red neuronal es minimizar el error tanto como sea posible. La minimización del error
simplemente significa mejorar el rendimiento de la formación y conseguir un modelo más preciso. Diferentes definiciones y tipos de
errores pueden ser considerados durante el entrenamiento de una red neuronal. Por ejemplo, error absoluto se define como la
diferencia entre la salida medida (real) y la salida deseada (objetivo). Sin embargo, es común el uso de error cuadrático medio ( MSE) o
la raíz del error cuadrado medio ( RMSE) cuando la formación de MLP. MSE y RMSE se definen de acuerdo con la
La ecuación 3.2 y La ecuación 3.3 respectivamente, donde y metro son los datos medidos, y es la predicción del modelo y norte re es el número de
conjuntos de datos. Minimización del error se puede conseguir mediante el cambio de los pesos y / o algoritmos de entrenamiento.
Σ
2
1
MSE
norte
re
•• YYN•
= • i
•
• ymi •
d yo= 1 • mi
• (3,2)
Σ
2
1
RMSE
norte
re
•• YYN•
= • i
• (3.3)
• ymi •
d yo= 1 • mi
•
3.3.4.6. Criterios dejar de entrenar y Overfitting
Cuando el entrenamiento de una red neuronal, un criterio de parada se determina para evitar lo que se denomina sobreentrenamiento o
sobreajuste. ANN tiene la tendencia potencial para overfit durante el proceso de formación. Sobreajuste puede ocurrir durante el proceso de
formación cuando la ANN se pone demasiado especializados para ajustar los datos de entrenamiento muy bien, pero a expensas de ajuste
razonablemente los datos de validación. Sobreajuste se refleja en el aumento constante en el error de validación acompañado de una
disminución constante concomitante en el error de entrenamiento. El bajo rendimiento debido al sobreajuste es uno de los más comunes
68
problemas en las RNA de formación. Se puede superar mediante el uso del método de validación cruzada, disminuyendo el número de
neuronas en la capa (s) oculta, o la adición de un término de penalización a la función objetivo para grandes pesos. Al utilizar el método de
validación cruzada, el rendimiento de la red se mide durante el proceso de formación y si se da ningún incentivo, el entrenamiento se
detiene antes de que se alcanzó el número máximo de épocas. Época es un término red neuronal para la iteración en un proceso de
formación. El número de épocas muestra el número de veces que todos los patrones se presentan a la red neuronal. Más épocas significa
más tiempo de entrenamiento. En cada época de una ANN, todos los valores de peso de las neuronas se actualizan.
3.4. APLICACIONES Ann sistemas industriales
red neuronal artificial como una zona de moda de la investigación tiene una amplia gama de aplicaciones potenciales que se
extiende por la ciencia, el arte, la ingeniería, etc. [219] . Tiene muchas ventajas sobre los métodos de modelización convencionales ([220],
[221]) . Estas ventajas se deben a la estructura especial y el algoritmo de la red. metodología ANN puede ser una alternativa adecuada
para las técnicas de modelización estadística clásica cuando los conjuntos de datos obtenidos indican las no linealidades en el sistema
de ([222], [223]) . Tiene una capacidad demostrada para resolver problemas de optimización combinatoria en plantas industriales [224] .
ANN es una herramienta poderosa para la identificación de sistemas y modelado debido a su excelente capacidad de aproximarse a la
no linealidad incierta a un alto grado de precisión. Se puede realizar el modelado no lineal implícita y filtrado de los datos del sistema [224] y
detectar las relaciones no lineales acoplados entre las variables independientes y dependientes, sin necesidad de ecuaciones dinámicas ([225],
[226]) . ANN ofrece un enfoque rentable y confiable para el monitoreo de condición. Los datos recogidos relativos a la condición del sistema
se pueden clasificar y formados mediante el uso de redes neuronales artificiales con el fin de generalizar una metodología para el análisis
de datos en cualquier momento de la medición. ANN se puede aplicar para examinar el mantenimiento basado en la condición [101] para
detectar anomalías [103] y para aislar los fallos [99]
en el rendimiento de los sistemas industriales. El uso de ANN para la validación del sensor conduce a la más económica
69
mantenimiento eficaz. metodología basada en la ANN puede ser desarrollado para minimizar la necesidad de calibración de los
sensores y para disminuir el porcentaje de paradas debidas a fallos del sensor [106] .
ANN ha sido considerado como una solución aceptable para muchos problemas pendientes en modelado y control de sistemas no
lineales. Los datos reales obtenidos a partir de un sistema industrial se pueden utilizar para desarrollar un modelo simple de ANN del sistema
con muy alta precisión de la predicción [102] . En proceso de diseño de control, una red neural puede implementar directamente el controlador
(diseño directo). En este caso, una red neuronal se formó como un controlador basado en unos criterios especificados. También es posible
diseñar un controlador convencional para un modelo de ANN disponible (diseño indirecta). En este caso, el controlador no es en sí misma
una red neural. En muchos casos, los datos obtenidos de los sistemas localizados en fábricas industriales y plantas pueden incluir datos
ruidosos. Además, algunos tipos de datos pueden ser inexacta o incompleta debido a sensores defectuosos. Estos tienden a ocurrir cuando
el sistema es viejo y / o mantenimiento es pobre. ANN tiene la capacidad de trabajar de un modo bien incluso cuando los conjuntos de datos
son ruidosos o incompleta. Se puede aprender a partir de datos incompletos y ruidosa [227] .
ANN requiere una formación estadística menos formal que desarrollarse [228] . La formación ANN es simple y
no necesita el conocimiento estadístico profesional. Si los conjuntos de datos y software apropiado están disponibles, incluso los recién
llegados al campo pueden manejar el proceso de formación. Sin embargo, la experiencia y antecedentes estadísticos todavía puede ser muy
útil y eficaz durante toda la actuación. ANN se pueden desarrollar utilizando diferentes algoritmos de entrenamiento [228] . También tiene la
capacidad de hacer frente a las variaciones estocásticas del punto de funcionamiento programado con los datos cada vez mayores y puede
ser utilizado para el procesamiento en línea y clasificación [224] .
Además de las aplicaciones de ANN a sistemas industriales, que tiene muchas ventajas generales, tales como elementos simples de
procesamiento, el tiempo de procesamiento rápido, fácil proceso de formación y de alta velocidad de cálculo. La captura de cualquier tipo de
relación y de asociación, la exploración de regularidades dentro de un conjunto de patrones y que tiene la capacidad de ser utilizado para la
muy gran número y diversidad de datos y variables, son otras características de ANN. Proporciona un alto grado de interconexiones de
adaptación entre los elementos y se puede utilizar donde las relaciones entre los diferentes parámetros del sistema son
70
difíciles de descubrir con los enfoques convencionales. ANN no está restringido por variedad de supuestos tales como linealidad,
normalidad e independencia variables, como muchas técnicas convencionales son. Incluso tiene la capacidad de generalizar las
situaciones para las que no ha sido previamente capacitados. En general, se cree que la capacidad de ANN para modelar diferentes tipos
de sistemas industriales en una variedad de aplicaciones pueden disminuir el tiempo necesario en el desarrollo de modelos y por lo tanto
conduce a un mejor rendimiento en comparación con las técnicas convencionales [17] .
3.5. ANN LIMITACIONES
Como cualquier técnica de modelado, la red neuronal artificial tiene sus propias limitaciones en función de la aplicación particular y la
metodología que se examina ([220], [221]) . Los retos fundamentales que debe afrontar incluyen el tiempo de formación, la mejora de las
redes neuronales entrenadas, la selección del vector de formación e integración de tecnologías en el dominio del problema [224] . A pesar de
todas las investigaciones realizadas hasta el momento, ANN como una técnica de recuadro negro todavía se limita a identificar claramente la
importancia de cada parámetro de entrada única durante el proceso de formación [228] . Hay poca información intuitiva sobre lo que realmente
sucede dentro de la red durante el proceso de aprendizaje y difícilmente se puede interpretar de manera intuitiva el funcionamiento interno de
una RNA. Hay muchas cuestiones en cuanto a la metodología que deben ser resueltos [228].
Hay dificultades notables para el uso de modelos de RNA en sitios industriales. En comparación con otros modelos
convencionales, modelos de RNA pueden ser más difíciles de usar en los campos de operación. un software especial y hardware se
requiere para implementar el modelo. La interpretación correcta de la salida no es también fácil. Para implementar un modelo de ANN,
a veces se necesitan muchos recursos computacionales tales como mainframes, minicomputadoras y procesadores. Para sistemas
más complicados, se requieren más recursos [228] .
Para entrenar, validar y probar una RNA, se requieren por lo general gran cantidad de conjuntos de datos. No hay un número fijo de conjuntos de
datos para un proceso de entrenamiento óptimo. Se puede variar caso por caso para diferentes sistemas industriales. Sin embargo, la cantidad de los
datos obtenidos debe ser lo suficientemente grande como para revelar la estructura subyacente del sistema con la mayor precisión posible y para
proporcionar suficiente comprensión
71
de la dinámica del sistema. Los conjuntos de datos pueden estar en el lugar de datos operativos o datos simulados por un modelo previamente
confirmado. La adquisición de datos especialmente en sitios operacionales puede ser un proceso difícil y requiere mucho tiempo. Nuevos conjuntos de
datos no pueden ser alimentados directamente a la RNA entrenada para mejorar su rendimiento y que se necesita para ser entrenado nuevamente en
contra de todos los conjuntos de datos disponibles. La manipulación de los datos de series de tiempo en Ann también es un tema complicado. Un
modelo único ANN está capacitado para resolver sólo un problema específico. Significa conseguir buenos resultados de un modelo ANN para un
problema específico, no garantiza para resolver otros problemas. ANN se basa en el desarrollo empírico. Es una técnica casi nuevo y todavía necesita
ser desarrollado sobre la base de las implementaciones prácticas y experimentos obtenidos por los investigadores.
3.6. RESUMEN
Existen diferentes enfoques y metodologías de identificación de sistemas y modelado de sistemas industriales. red neuronal artificial
se considera cada vez más como una alternativa adecuada a los modelos de caja blanca en los últimos decenios. La naturaleza y la
fuerza de las interrelaciones de las variables del sistema, así como la naturaleza de las aplicaciones son criterios esenciales para la
formación de una red neuronal con lo suficientemente ricos datos empíricos.
En este capítulo se presentó brevemente las redes neuronales artificiales y sus tipos y estructuras. También proporcionó detalles de
un procedimiento de construcción de modelos a base de ANN incluyendo el análisis del sistema, adquisición de datos y la preparación,
arquitectura de red, así como la formación de la red y de validación. Aplicaciones y limitaciones de enfoque ANN para la identificación
del sistema y el modelado también se discutieron en este capítulo. Es importante notar que la aproximación y el error son partes
inseparables de cualquier método de identificación del sistema y ANN no es una excepción. Muchas cuestiones deben tenerse en cuenta
cuando se hace una comparación entre la ANN y cualquiera de las técnicas de modelado convencionales.
72

Control Ann Turbina de Gas-1-106.en - Es

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Control Ann Turbina de Gas-1-106.en - Es

Hochgeladen von

Copyright:

Verfügbare Formate

Modelando, simulación y control de

Turbinas de gas usando redes

Una tesis presentada para el cumplimiento parcial de

los requisitos para el grado de

Christchurch, Nueva Zelanda

Mis Estimados padres

por su infinito amor, el apoyo y el aliento

a lo largo de toda mi vida.

estacionario y comportamientos transitorios.

comportamiento dinámico de las turbinas de gas.

(NARMA-L2) están diseñados y empleados para el control

a la entrada cambia con más precisión que el PID.

solución de problemas de las turbinas de gas.

tesis. Se enumeran aquí como referencia:

Capítulo del libro:

DOI: 10.1504 / IJMIC.2013.057137

Departamento de Ingeniería Mecánica de la Universidad de Canterbury (UC) por darme la oportunidad de

equipo de supervisión; El Dr. Raazesh Sainudiin en el Departamento de Matemáticas y Estadística en la UC y

Ingeniería Mecánica, Profesor Milo Kral,

compañeros de postgraduados, compañeros de oficina, y amigos en

UC con yo tuvimos el placer de trabajar y cooperar durante mis estudios de doctorado.

COI y el Departamento de Ingeniería Mecánica de la Universidad de California.

estaría en el lugar donde estoy hoy de pie.

RESUMEN ................................................. .................................................. ...................... i PUBLICACIONES

.......................... .................................................. .................................... ............ iii Agradecimientos

.................................................. ................................... v ÍNDICE ........... ..................................................

...................................... vii LISTA DE fIGURAS ........ ..................................................

................................................ LISTA xiii DE TABLAS ................................................

.................................................. ........ xxiii NOMENCLATURA ........................................

.................................................. ............... xxv

CAPÍTULO 1 INTRODUCCIÓN .............................................. ...................................... 1

1.1. RENDIMIENTO DE TURBINA DE GAS ............................................... ..................... 3

1.2. CLASIFICACIÓN DE LA TURBINA DE GAS ............................................... ................... 5

1.3. CONSIDERACIONES EN GAS TURBINA MODELLING ................................. 6

1.3.1. Tipo de turbina de gas ............................................... .................................................. ............................ 6

1.3.2. Configuración de la turbina de gas ............................................... .................................................. ............ 6

1.3.3. Turbinas de Gas métodos de modelado .............................................. .................................................. 7 ..

1.3.5. Turbinas de Gas Objetivos de modelado .............................................. ............................................... 10

1.3.6. Turbinas de Gas Modelo de construcción Enfoques ............................................. ............................. 12

1.4. DEFINICIÓN DEL PROBLEMA ................................................ ................................ 13

1.5. OBJETIVOS Y ALCANCE DE INVESTIGACIÓN .............................................. ........ 15

1.6. O SQUEMA DE LA TESIS ............................................. ............................... 17

1.7. RESUMEN ................................................. .................................................. ... 18

2.1. Modelos de color blanco-caja de Turbinas de Gas ........................................... ..... 20

2.1.3. De caja blanca Modelos de Aero Turbinas de Gas .......................................... ....................................... 32

2.2. MODELOS NEGRO-BOX las turbinas de gas ........................................... .... 35

2.2.1. Negro-Box Modelos de baja potencia turbinas de gas ........................................ ............................. 35

2.2.3. Negro-Box Modelos de Aero Turbinas de Gas .......................................... ........................................ 41

2.3.1. Enfoque de caja blanca en el Control de Diseño de Sistemas .......................................... ........................... 43

2.3.2. Enfoque Negro-Box en el Control de Diseño de Sistemas .......................................... ............................ 46

2.4. ESTADOS F INAL tener en la literatura ............................................ 0.52

2.5. RESUMEN ................................................. .................................................. .... 55

CAPÍTULO 3: BASADO EN ANN SISTEMA DE IDENTIFICACIÓN

Sistemas industriales ................................................ .................................. 57

3.1. Red Neuronal Artificial (ANN) ............................................ ....... 58

3.2. EL MODELO DE ARTIFICIAL NEURON ............................................. ......... 59

3.3. BASADO EN ANN PROCEDIMIENTO MODELO DE CONSTRUCCIÓN ........................................ 61

3.3.1. Análisis del sistema ................................................ .................................................. ........................... 61

3.3.2 Adquisición de datos y preparación ........................................... .................................................. .... 61

3.3.3. Red de arquitectura ................................................ .................................................. .................. 62

3.3.4. Formación de red y validación .............................................. .................................................. 64

3.5. ANN LIMITACIONES ................................................ ........................................ 71

3.6. RESUMEN ................................................. .................................................. ... 72