《Processes》:Healthy-State Performance Modeling of a Multistage Natural Gas Centrifugal Compressor Using a CFD-Generated Baseline and Factory-Data Correction
编辑推荐:
准确的多工况健康状态性能建模对工业离心压缩机的状态评估至关重要。然而,传统的健康状态基线难以满足复杂真实气体及多工况环境下离心压缩机实时状态评估的需求。为解决该问题,本研究提出了一种双层框架,将基于计算流体力学(CFD)的物理基准与利用有限工厂数据的数据驱动残
准确的多工况健康状态性能建模对工业离心压缩机的状态评估至关重要。然而,传统的健康状态基线难以满足复杂真实气体及多工况环境下离心压缩机实时状态评估的需求。为解决该问题,本研究提出了一种双层框架,将基于计算流体力学(CFD)的物理基准与利用有限工厂数据的数据驱动残差校正相结合。研究人员重建并验证了一台三级全通道离心压缩机在真实气体条件下的三维全机CFD模型,并据此生成了1440个健康状态运行点。研究人员评估了XGBoost、LightGBM、随机森林(Random Forest)和多层感知器(MLP)作为基准代理模型的适用性,随后训练了残差校正模型以补偿CFD预测与实际机器性能之间的系统性偏差。消融测试对比了CFD基线、仅工厂数据模型以及所提出的混合模型。在线计算仅需代理模型推理和残差校正,在Intel64平台上每个运行点的推理延迟为0.6585 ms,与60 s的SCADA(Supervisory Control and Data Acquisition,数据采集与监视控制)采样间隔兼容。校正后,功率(power)、多变头(polytropic head)和多变效率(polytropic efficiency)的最大误差分别为0.611%、0.481%和0.899%。大修后的现场验证表明,出口压力、功率和多变效率的最大误差分别为1.650%、3.048%和1.708%。该框架为健康状态参考提供了物理基础和计算效率,尽管其可迁移性仍需利用额外的站场特定数据进行验证。
天然气管道输送因其大容量、高稳定性和强安全性,是远距离能源输送最重要的方式之一。在大型输气系统中,离心压缩机对于补偿压降、维持流动连续性及提高运行效率具有不可替代的作用。然而,工业离心压缩机的运行性能同时受到气体组成、入口热力学状态、环境条件及负荷变化的影响,导致现场监测数据无法直接反映机器的本征健康状态。工程实践中,新制造或大修后的压缩机通常被视为处于健康状态,而长期服役可能导致磨损、结垢、泄漏等退化现象。因此,建立可靠的健康状态基线是进行定量状态评估的前提条件。
实际测量性能与运行条件变化高度耦合,入口压力、入口温度、转速和流量的变化与物理退化引起的变化相互叠加,使得区分偏差是由非设计工况还是机器本身退化引起变得困难。传统经验模型对此往往力不从心,因为工业离心压缩机的热力性能高度非线性,且同时依赖于内部流动物理和外部运行条件。高精度健康状态建模不仅对设备状态评估和故障预警具有重要意义,还对数字孪生、智能管线调控以及物理机制与人工智能的融合具有重要价值。
现有研究可分为物理驱动和数据驱动两大方向。物理驱动研究主要依赖CFD仿真和实验来分析内部流动结构、传热、气动损失及结构优化,在理解叶片载荷、扩压器行为、机壳传热及局部输运机制方面取得了实质性进展。然而,这些研究多聚焦于单级压缩机、单个部件、简化构型或设计优化任务,更适用于特定条件下的机理分析、性能评估或图谱构建,而非直接支持多工况真实气体环境下全机工业压缩机的健康状态基线建模。数据驱动方法则结合经验关联式、相似概念、实验和机器学习算法构建性能预测模型,在计算效率和在线预测能力方面优势明显,但其实际应用强烈依赖于测量数据的数量和代表性,在复杂真实气体和多工况工业环境中物理可解释性和外推稳健性有限,尤其在健康状态现场数据稀缺时缺乏可靠的物理基准。
尽管CFD辅助数据生成和机器学习代理建模已广泛应用于涡轮机械研究,但现有研究主要面向气动设计、部件级优化或性能图谱插值,直接用于服役全机工业压缩机健康状态参考的研究仍显不足,特别是当压缩机在多种入口压力、入口温度、转速和流量下运行真实天然气时。本研究的贡献不在于CFD与机器学习的通用组合,而在于开发并验证了一种面向多级天然气离心压缩机的实用双层健康状态基线框架。该框架首先利用经过验证的全机真实气体CFD模型生成离线的物理驱动健康数据库,然后引入工厂数据残差校正层以补偿CFD基线与实际机器之间的系统性差异。
研究人员以中国在用的三级离心压缩机为工业案例,通过三维激光扫描和逆向建模结合原始工厂结构参数重建压缩机流通部分几何,生成结构化网格。鉴于研究关注稳定运行性能而非瞬态不稳定性,流动按稳态处理:入口为给定压力和温度的压力入口边界,出口为质量流量出口边界。采用SST k-ω湍流模型和Peng-Robinson真实气体状态方程描述天然气热力学性质,并与GERG-2008对比验证了状态方程的适用性。网格独立性验证确定了857.5万网格的计算方案,经与五个代表性工厂测点的出口压力、出口温度、功率(流体功率)、多变头和多变效率对比,CFD预测与工厂数据吻合良好,最大相对误差处于可接受工程范围内,验证了CFD模型的可靠性。
基于验证后的CFD模型,研究人员围绕设计工况构建了全因子运行条件矩阵,涵盖5个入口压力、4个入口温度、6个转速及对应12个流量水平,共生成1440个运行点的健康状态数据库。利用256核CPU平台进行并行仿真,总耗时约480小时。在基线代理模型构建中,研究人员比较了XGBoost、LightGBM、随机森林和MLP四种算法,以R2、RMSE(Root Mean Square Error,均方根误差)和MAE(Mean Absolute Error,平均绝对误差)评估预测性能。结果显示,四种模型对出口压力、出口温度、功率和多变头预测精度均较高(R2>0.990),但在多变效率预测上差异显著,其中MLP表现最优(R2=0.99812),最终被确定为基线代理模型。
研究人员采用工厂数据残差校正策略以提升工程保真度。将344组工厂测试数据按热力学稳态标准筛选,划分300组用于残差校正模型训练,44组(Dataset A)作为独立评估子集。残差校正模型与基线模型共享输入向量(入口压力、入口温度、转速、入口容积流量),输出为基线预测与工厂实测之间的系统性偏差。最终校正模型表达为基线预测与残差校正之和,既保留CFD基线的物理一致性,又实现对实际机器性能的更好吻合。校正后,出口压力、温升、功率、多变头和多变效率的最大相对误差分别降至0.451%、0.918%、0.611%、0.481%和0.899%。
消融研究对比了三种方案:CFD基线无校正、仅工厂数据模型、以及提出的混合模型。结果表明,CFD基线保持物理合理趋势但存在系统性偏差;仅工厂数据模型受益于直接测量数据,但受限于小样本量和较弱的外推稳健性;混合模型取得最低验证误差,证明CFD基线与工厂数据校正提供互补信息。
研究人员采用SHAP(SHapley Additive exPlanations,沙普利加性解释)方法进行可解释性分析。全局重要性分析揭示:转速是出口压力、温度、功率和多变头预测的主导因素;入口容积流量则是多变效率预测的主导因素。这符合离心压缩机的物理相似律——转速直接决定叶轮周向速度从而控制比功,压力上升和多变头与周速平方密切相关;多变效率对流量更敏感是因为流量决定运行点相对于最佳效率区的位置,偏离最优范围时冲角损失、扩散损失、分离损失、二次流损失和泄漏相关损失均可能增加。SHAP依赖图进一步显示各输入特征的贡献方向,确认最终模型具有物理可解释性而非纯黑箱预测器。
实时部署方面,在线推理仅需基线代理和残差校正模型前向传播。在Intel64 Family 6平台上,单样本平均推理时间为0.6584 ms,95%分位延迟为0.8891 ms,中位延迟0.6176 ms,最大延迟3.2946 ms。由于压缩机站SCADA采样间隔为60 s,在线推理时间远小于数据采集周期,满足实时状态评估需求。
大修后现场数据用于验证模型在实际站场条件下的适用性。按与工厂数据相同的稳态准则筛选准稳态样本后,模型预测与实测数据高度一致:出口压力、功率和多变效率的平均相对误差分别为0.626%、1.228%和0.807%,最大相对误差分别为1.650%、3.048%和1.708%。大修后误差大于工厂验证子集,可能归因于大修后装配和间隙偏差、测量噪声、传感器漂移、工厂与现场气体组成差异、转速变化期间的残余瞬态效应,以及工厂测试条件与站场运行的差异。工程中需注意,3.048%的最大功率误差意味着校正健康状态模型不宜单独诊断极小的功率偏差,预测不确定性应作为状态评估阈值定义的噪声基底。
研究结论部分指出:所提出框架为所研究的压缩机提供了物理基础的健康状态参考;消融研究表明混合模型优于未校正CFD基线和同等样本量的仅工厂数据模型;SHAP分析确认模型具有物理可解释性;后大修现场验证证明了框架在实际站场条件下的稳定预测能力。该框架的显著优势在于高成本CFD仿真仅离线执行,训练后的代理和校正模型在线预测低于1 ms,兼容实时应用。但模型的可迁移性尚未完全验证,同类型压缩机在其他站场应用时,CFD生成的基线可作为可复用的物理参考,但需站场特定的残差重新标定和独立验证。