《Engineering Applications of Artificial Intelligence》:A practical physics-interpretable hybrid framework for generalizable gas turbine modelling via heterogeneous data fusion
编辑推荐:
现有燃气轮机混合建模方法往往以精度为导向而非以泛化能力为导向,且对异构传感器数据的验证有限。本文提出了一种实用的、物理可解释的混合建模框架,该框架将数据驱动的特性图谱嵌入基于物理的部件匹配骨架中,同时有效融合异构运行数据。通过运行数据训练提升精度,借助基于物理
现有燃气轮机混合建模方法往往以精度为导向而非以泛化能力为导向,且对异构传感器数据的验证有限。本文提出了一种实用的、物理可解释的混合建模框架,该框架将数据驱动的特性图谱嵌入基于物理的部件匹配骨架中,同时有效融合异构运行数据。通过运行数据训练提升精度,借助基于物理的骨架维持泛化能力,并通过透明的部件级建模实现可解释性。物理原理不仅通过骨架和透明的热力学规则得以保留,还通过一种新颖的物理一致性验证规则和基于物理的软传感器(Soft Sensors)得到强化。这些软传感器用于估计关键不可测变量,且采用行业标准方法消除了对计算流体动力学(CFD)的依赖。异构运行数据还通过一种新颖的物理一致性规则进行严格验证,以弥补稳健验证方面的不足。该框架在两台重型燃气轮机SGT5-2000E和GE Frame 9上进行了验证,覆盖不同负荷、环境条件、燃料及控制场景。泛化测试显示出强大的预测能力,在极端排除条件下平均相对误差(Mean Relative Errors)分别低至1.15%(SGT5-2000E)和0.9%(GE Frame 9),保持在可接受范围内。结果表明,该模型作为性能分析、状态监测和燃气轮机优化的高性价比工具具有广泛适用性。
论文解读
一、研究背景与问题
燃气轮机在现代电力系统中扮演着关键角色,开发能够在多种运行条件下准确捕捉其性能的先进模型具有重要工程价值。这类模型可支撑故障诊断、预测性维护、性能优化、控制策略设计以及数字孪生集成等广泛的应用场景。然而,要在这些场景中真正发挥作用,模型必须同时具备高精度和强泛化能力。
现有燃气轮机建模方法主要分为三类:基于物理的模型(Physics-Based Models, PBMs)、数据驱动模型(Data-Driven Models, DDMs)和混合模型。基于物理的建模方法依赖解析方法和部件匹配技术,虽然具有可解释性和泛化能力,但其精度受限于计算流体动力学(CFD)特性图谱的保真度。数据驱动模型完全依赖运行数据,虽然精度高,但缺乏物理基础,可解释性和泛化能力受限。近年来兴起的混合建模策略试图结合两者优势,主要包括替代建模、残差学习和性能自适应三种范式。
然而,现有混合方法存在明显不足。替代建模方法虽然保持了物理洞察力并降低了计算成本,但本质上仍是数据驱动模型对物理模型输出的近似。残差学习方法侧重于通过数据驱动模型捕捉物理模型的残差,但数据驱动模型并未直接嵌入物理知识。性能自适应方法通过自适应因子校准部件模型,但文献中大多只关注压气机或涡轮中的单一部件,很少同时全面处理两者。更关键的是,许多研究在选择输入特征时未严格保持物理模型一致性,导致部件特性图谱不完整或不准确。其中一个核心难点在于,开发完整的部件特性图谱需要若干由不可测变量推导的特征,而这些变量的计算通常依赖燃料传感器数据,但燃料流量计误差较高,因此必须对异构燃料传感器数据进行仔细验证以确保物理一致性。
二、研究内容与核心贡献
针对上述不足,研究人员提出了一个物理可解释的混合建模框架,其核心创新在于:据研究人员所知,这是首次将重型燃气轮机的部件特性图谱替换为数据驱动的替代模型,同时实现两点突破——其一,将覆盖范围从压气机扩展到涡轮;其二,以严格物理模型一致的方式保留部件特性图谱的全部输入输出特征。
该框架保留了完整特征集,仅替换部件图谱,而物理骨架保持不变。这一设计源于一个关键观察:物理仿真的精度主要取决于关键部件的特性图谱,其余过程遵循透明的热力学规则。因此,仅对特性图谱进行数据驱动训练,即可在保持与物理模型同等可解释性和泛化能力的同时提升精度。此外,该框架还追求计算效率的提升,保持模型轻量化,以满足重型燃气轮机实时应用的需求。
该研究的主要贡献可归纳为四点:第一,提出物理可解释且可泛化的框架,首次将压气机和涡轮的完整特性图谱替换为数据驱动替代模型,同时保持与原始物理模型严格的特征对等;第二,对异构数据施加基于物理的验证规则,确保不同燃料传感器数据的物理一致性和可靠性;第三,采用与行业标准对齐且不依赖CFD的方法,使用ISO 2314和ASME PTC 22等标准化轻量级通用物理方法进行校准和软传感器构建,消除了对几何模型或CFD图谱的依赖;第四,在两台重型燃气轮机(SGT5-2000E和GE Frame 9)上进行了涵盖不同负荷、环境、燃料和控制条件的全面验证。
三、关键技术方法
研究人员构建该框架主要采用了以下关键技术方法:一是基于部件匹配原理构建物理可解释骨架,将燃气轮机分解为进气道、压气机、燃烧室、涡轮和排气通道五个主要部件,以环境条件和负荷设定值为边界条件,采用牛顿-拉夫逊(Newton-Raphson)迭代法求解控制方程;二是采用ISO 2314和ASME PTC 22等标准化通用物理方法构建软传感器,用于估计压气机空气流量、涡轮进口温度(Turbine Inlet Temperature, TIT)等关键不可测变量;三是提出一种源自物理和运行经验的新颖物理一致性验证规则,用于严格验证异构运行数据;四是采用神经网络对经过验证的数据训练压气机和涡轮特性图谱,并嵌入物理骨架中。
四、研究结果
物理可解释骨架的构建与求解: 研究人员建立了包含五个主要部件的燃气轮机模型,压气机和涡轮的特性曲线通过数据驱动方法获得,而计算由物理关系支配。性能参数按照部件匹配方法计算,压气机和涡轮的压比以及燃料质量流量作为变量或初始猜测参数,通过迭代收敛以满足控制方程。模型可模拟部分负荷和基本负荷工况,部分负荷模拟时先计算基本负荷功率,再按用户定义的部分负荷百分比求解。
异构数据的物理一致性验证: 研究人员提出了一种源自物理和运行经验的新颖验证规则,对来自不同燃料传感器的异构数据进行严格验证。该规则解决了燃料流量计误差较高导致的物理不一致性问题,确保了训练数据的可靠性。这一验证步骤对于开发完整部件特性图谱至关重要,因为若干所需特征由依赖燃料传感器数据的不可测变量推导而来。
软传感器与无CFD依赖的估计方法: 研究人员采用标准化通用物理方法(ISO 2314、ASME PTC 22)构建软传感器,用于估计关键不可测变量。这些方法消除了对几何模型或CFD图谱的依赖,使得框架具有轻量化和高计算效率的特点,适用于实时应用场景。
数据驱动特性图谱的训练与集成: 压气机和涡轮的特性图谱使用神经网络从经过验证的数据中训练得到,并嵌入物理骨架中。训练仅针对特性图谱进行,物理骨架保持不变,从而在提升精度的同时保持可解释性和泛化能力。
泛化性能验证: 为评估泛化能力,研究人员将选定的运行模式和异构数据从训练集中排除,作为未见数据用于测试。测试结果表明,模型在极端排除条件下仍表现出强大的预测能力,SGT5-2000E的平均相对误差低至1.15%,GE Frame 9低至0.9%,均在可接受范围内。这证明了模型在未训练工况下的鲁棒性和有效泛化能力。
五、讨论与结论
该研究针对现有混合建模方法在泛化能力、异构数据验证和部件覆盖完整性方面的不足,提出了一个物理可解释的混合建模框架。该框架通过将数据驱动的特性图谱嵌入物理部件匹配骨架,同时覆盖压气机和涡轮,并严格保持物理模型一致性,实现了精度、泛化能力和可解释性的平衡。物理一致性验证规则有效解决了异构燃料传感器数据的验证问题,标准化物理方法构建的软传感器消除了对CFD的依赖,使模型保持轻量化。在两台不同型号重型燃气轮机上的验证结果表明,该模型在极端排除条件下仍保持较低的预测误差,证明了其作为性能分析、状态监测和燃气轮机优化工具的有效性和通用性。该框架为重型燃气轮机的实时建模和数字孪生应用提供了一种兼具精度、可解释性和泛化能力的技术路径。