Neural network controller of a gas turbine plant low emission combustor


Citar

Texto integral

Resumo

One of the most important gas turbine engine components is the combustion chamber, the main source of harmful emissions. The study is devoted to the central issues of designing and testing of an automatic control system of harmful emissions and pressure pulsations in flame tubes of a gas turbine plant with a capacity of 16 MW GTP-16 based on a PI-controller with a built-in neural network mathematical model of a low-emission combustor (LEС). Algorithms for a neural network controller of emission of nitrogen oxides and carbon monoxide into the atmosphere, as well as pressure pulsations in the LEC’s flame tubes were developed. The algorithms are given in a graphical programming environment and integrated into the automatic control system of GTP-16, implemented on the PXI NI hardware and software platform. The performance of the emission controller was checked during bench tests on the GTP-16 simulator with LEС neural network model serving as a virtual emission sensor. The errors in estimating the emission of nitrogen and carbon oxides and pressure pulsations in the flame tubes were determined. The normality of the error distribution of the developed nitrogen oxide emission model was proven. A conclusion about the prospects of using neural networks for the development of an adaptive control system of emissions and flame tube pressure pulsations for LECs of the gas turbine plants was drawn.

Sobre autores

V. Avgustinovich

Perm National Research Polytechnic University

Autor responsável pela correspondência
Email: kanc@pstu.ru

Doctor of Science (Engineering), Professor

Rússia

T. Kuznetsova

Perm National Research Polytechnic University

Email: tatianaakuznetsova@gmail.com
ORCID ID: 0009-0003-9967-6798

Candidate of Science (Engineering), Associate Professor

Rússia

A. Sukharev

Perm National Research Polytechnic University;
JSC “ODK – Aviadvigatel”

Email: aasukharev95@yandex.ru

Postgraduate Student;
Engineer of the Department of Computation and Experimental Works and Design of ACS (Automated Control Systems)

Rússia

Bibliografia

  1. Avgustinovich V.G., Kuznetsova T.A., Nugumanov A.D. Development of neural systems for monitoring and controlling emission of gas-transmission and power gas turbine units. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering. 2019. V. 330, no. 8. P. 7-17. (In Russ.). doi: 10.18799/24131830/2019/8/2207
  2. Malloy D.J., Webb A.T., Kidman D.S. F-22/F119 propulsion system ground and flight test analysis using modeling and simulation techniques. Proceedings of the ASME Turbo Expo 2002: Power for Land, Sea, and Air (June, 3-6, 2002, Amsterdam, Netherlands). V. 1. doi: 10.1115/GT2002-30001
  3. Lauer M., Farber J., Reib F., Masalme J.E. Model based prediction of off-design operation condition NOx emission from dle gas turbine combustors. Proceedings of the ASME Turbo Expo 2017: Turbomachinery Technical Conference and Exposition (June, 26-30, 2017, Charlotte, North Carolina, USA). V. 4A. doi: 10.1115/GT2017-63063
  4. Lamont W.G., Roa M., Lucht R. Application of artificial neural networks for the prediction of pollutant emissions and outlet temperature in fuel staged gas turbine combustion rig. Proceedings of the ASME Turbo Expo 2014: Turbine Technical Conference and Exposition (June, 16-20, 2014, Düsseldorf, Germany). V. 4A. doi: 10.1115/GT2014-25030
  5. Besekerskiy V.A., Popov E.P. Teoriya sistem avtomaticheskogo upravleniya [Theory of automatic control]. St. Petersburg: Professiya Publ., 2003. 752 p.
  6. Ang K.H., Chong G., Li Y. PID control system analysis, design, and technology. IEEE Transactions on Control Systems Technology. 2005. V. 13, Iss. 4. P. 559-576. doi: 10.1109/TCST.2005.847331
  7. Kuznetsova T.A., Naborshchikov A.A. Optimal automatic control of NOx emissions from combustion chambers of gas turbine aeroengine based on the Bellman method. AIP Conference Proceedings. 2023. V. 2700. doi: 10.1063/5.0137228
  8. Teoriya avtomaticheskogo regulirovaniya. Kn. 1. Matematicheskoe opisanie, analiz ustoychivosti i kachestva sistem avtomaticheskogo regulirovaniya [Theory of automatic control. Book 1. Mathematical description, analysis of stability and quality of automatic control systems / ed. by V.V. Solodovnikov]. Moscow: Mashinostroenie Publ., 1967. 770 p.
  9. Kuznetsova T., Repp P. Neural network model of industrial plant’s harmful emissions. Proceedings of ITNT 2021 - 7th IEEE International Conference on Information Technology and Nanotechnology (September, 20-24, 2021, Samara, Russian Federation). doi: 10.1109/ITNT52450.2021.9649159
  10. Lutz M. Programming Python. O'Reilly Media, Inc., 2010. 1632 p.
  11. Bendat J.S., Piersol A.G. Engineering applications of correlation and spectral analysis. John Wiley & Sons, Inc., 1980. 458 p.
  12. Gmurman V.E. Teoriya veroyatnostey i matematicheskaya statistika [Probability theory and mathematical statistics]. Moscow: Vysshaya Shkola Publ., 2004. 479 p.
  13. Kuznetsova T.A. Some features of quality improvement of a neural network identifying a aeroengine low-emission combustion chamber. Proceedings of the 3rd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2021 (November, 10-12, 2021, Lipetsk, Russian Federation). V. 3. P. 44-50. doi: 10.1109/SUMMA53307.2021.9632262
  14. Yasnitskiy L.N. Intellektual'nye sistemy [Intelligent systems]. Moscow: Laboratoriya Znaniy Publ., 2016. 221 p.
  15. Kuznetsova T.A., Repp P.V., Fofanov V.O. Aeroengine NOx-emissions automatic control based on neural network model. Proceedings of ITNT 2022 - 8th IEEE International Conference on Information Technology and Nanotechnology (May, 23-27, 2022, Samara, Russian Federation). doi: 10.1109/ITNT55410.2022.9848526
  16. Rabinovich S.G. Pogreshnosti izmereniy [Measurement errors]. Lenigrad: Energiya Publ., 1978. 262 p.
  17. Siebert W.M. Circuits, signals, systems. Cambridge: MIT Press, 1986. 651 p.
  18. Teoriya avtomaticheskogo upravleniya [Theory of automatic control / ed. by V.A. Netushil]. Moscow: Vysshaya Shkola Publ., 1976. 400 p.
  19. Siebert W.M. Circuits, signals, systems. Cambridge: MIT Press, 1986. 651 p.
  20. Kuznetsova T.A., Sukharev A.A. The neural network controller for the dry low emission combustor of gas-turbine power plants. Proceedings of 2023 IEEE International Russian Smart Industry Conference (SmartIndustryCon) (March, 27-31, 2023, Sochi, Russia) doi: 10.1109/SmartIndustryCon57312.2023.10110733

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML

Declaração de direitos autorais © VESTNIK of Samara University. Aerospace and Mechanical Engineering, 2024

Creative Commons License
Este artigo é disponível sob a Licença Creative Commons Atribuição–Compartilhalgual 4.0 Internacional.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».