Aus [1] ist eine Analyse von Einflussgrößen auf einen Brenn- vorgang in einer Brennkammer bekannt.

Bei dieser Analyse werden lineare Methoden, wie eine Regres- sionsanalyse, verwendet, um Abhängigkeiten zwischen den Ein- flussgrößen und deren Einflussnahme auf den Brennvorgang zu untersuchen.

Da allerdings ein in einer Brennkammer ablaufender Brennvor- gang ein komplexer, nicht linearen Abhängigkeiten von Ein- flussfaktoren gehorchender Prozess ist, liefern solche"line- aren"Analyseverfahren, wie aus [1], keine zuverlässigen und hinreichend genauen Ergebnisse hinsichtlich des Einflusses von Einflussgrößen auf den Brennvorgang.

Aus [2] ist eine weiterführende Analyse eines Brennvorgangs, in diesem Fall eines Brennvorgangs in einer Brennkammer einer Gasturbine, einer sogenannte Ringbrennkammer-Gasturbine V84.3A, bekannt.

Ferner ist aus [2] ein Auftreten von Schwingungen bzw. Druck- schwankungen bei einem Brennvorgang in einer Brennkammer ei- ner Gasturbine, in diesem Fall der Ringbrennkammer-Gasturbine V84.3A, und von durch resultierende Vibrationen bedingten Schädigungen der Brennkammer bekannt.

Es ist in [2] beschrieben, dass diese Schwingungen bzw. Vib- rationen, ein sogenanntes Brummen bzw. Brennkammerbrummen, entstehen durch eine Mitkopplung von gleichzeitig ablaufenden Brennvorgängen in der Brennkammer der Gasturbine.

Die Vibrationen bedingen eine instabile Flammenfront, die ih- rerseits eine stärkere Erhitzung der Brennkammer bewirkt.

Diese kann zu Schädigungen der Brennkammer der Gasturbine führen.

Um geeignete Abhilfemaßnahmen gegen das Problem der Verbren- nungsschwingungen ergreifen zu können, wird in [2] das Schwingungsphänomen eingehend untersucht und Möglichkeiten zur Beseitigung, insbesondere aktive und passive Methoden, verglichen und diskutiert.

[2] stellt fest bzw. schlägt vor, die schädigenden Schwingun- gen durch konstruktive Optimierung einer Brennkammergeometrie zu eliminieren.

Gegen eventuell erneut auftretende Schwingungsprobleme bei einer Erweiterung eines Arbeitsbereichs der Gasturbine schlägt [2] eine Aktive Instabilitätskontrolle (AIC) auf Ba- sis einer antizyklischen Modulation eines Kraftstoffstroms vor.

Allerdings verlangt die AIC eine aufwendige und teure Senso- rik und Aktorik, was ihre Einsatzmöglichkeit beschränkt.

Ferner ist bekannt, dass sich dieses schädigende Brummen auch durch Reduktion einer Last auf die Gasturbine reduzieren oder vermeiden lässt, d. h. es ist bekannt, dass die Last auf eine Gasturbine einen großen Einfluss auf das bzw. eine starke Ab- hängigkeit oder Korrelation mit dem (schädliche) Brennkammer- brummen aufweist.

Die Reduktion der Last zur Reduzierung oder Vermeidung von Schädigungen einer Brennkammer einer Gasturbine ist aller- dings eine nur bedingt praktikable Lösungsmöglichkeit.

In der Regel werden nämlich von Betreibern von Kraftwerken Leistungszusagen gegenüber ihren Abnehmern gegeben, die bei einer Leistungsreduktion der Gasturbinen in Gefahr geraten, nicht erfüllt zu werden.

Demzufolge ist es von Interesse, weitere Einflussgrößen auf den Brennvorgang bzw. auf das Brummen neben die der Last, der Geometrie und des Kraftstoffstroms zur Reduzierung oder Ver- meidung des schädlichen Brennkammerbrummens zu kennen.

Im allgemeinen ist es somit wünschenswert, den Einfluss ein- zelner Einflussgrößen auf den Brennvorgang wie auch Abhängig- keiten von Einflussgrößen untereinander qualitativ und/oder quantitativ mit hinreichender Genauigkeit zu kennen.

Diese Kenntnis könnte insbesondere ermöglichen, allgemeine Problemstellungen im Umfeld von Brennvorgängen zu lösen sowie das Problem Brennkammerbrummen im Speziellen durch andere Einflussgrößen bzw. geeignete Kombinationen anderer Größen wirksamer oder preiswerter reduzieren zu können Datenanalyse unter Verwendung eines Netzwerks Es ist allgemein bekannt, Netzwerke aus Knoten und Verbindun- gen auf einem Gebiet einer Datenanalyse dazu zu verwenden, um komplexe Datenstrukturen und Abhängigkeiten von Daten in den Datenstrukturen zu erkennen und zu beschreiben.

Aus [3] ist eine solche Datenanalyse unter Verwendung eines Netzwerks vom Typ"kausales Netz"bekannt.

Anschaulich gesehen ist ein solches kausales Netz ein statis- tisches Modell der dadurch beschriebenen Daten.

Ein solches kausales Netz, wie aus [3], ist ferner insbeson- dere geeignet, um statistische Eigenschaften von Daten, bei- spielsweise eine statistische Abhängigkeit bzw. Unabhängig- keit zwischen zwei Variablen, zu erkennen und zu beschreiben.

Ferner ist aus [3] ein Verfahren zum Entfernen von bestimmba- ren Verbindungen aus dem Netzwerk bekannt, ein sogenanntes Polynomial-Complexity-Verfahren (PC-Verfahren).

Eine Datenanalyse unter Verwendung eines kausalen Netzes, welches vom Subtyp Bayesianisches bzw. Bayessches Netz [4] ist, ist ebenfalls aus [3] bekannt.

Bei dieser Datenanalyse mittels des Bayesianischen Netzes werden statistische Abhängigkeiten bzw. statistische Unabhän- gigkeiten, im allgemeinen statische Eigenschaften, zwischen den Daten ermittelt (gelernt). Die statistischen Eigenschaf- ten der Daten können dann graphisch unter Verwendung des Netzwerkes aus Knoten und Verbindungen dargestellt (Fig. 3) werden.

Fig. 3 zeigt diese graphischen Darstellung mit dem Netzwerk 300 aus Knoten 310 und Verbindungen 320. Jeweils zwei Knoten 310 des Netzwerks 300 sind durch eine Verbindung 320 mitein- ander verbunden.

Ein Knoten 310 des Netzwerks 300 repräsentiert ein Datum (Va- riable). Eine Verbindung 320 repräsentiert eine statistische Abhängigkeit zwischen den durch diese Verbindung 320 verbun- denen Knoten 310 bzw. Variablen. Nicht verbundene Knoten 310 sind statistisch unabhängig voneinander.

Fig. 4 zeigt schematisch eine Vorgehensweise 400 bei einer Da- tenanalyse gemäß dem aus [3] bekannten PC-Verfahren, welche

zu der (beispielhaft) in Fig. 3 dargestellten Netzwerkstruktur 300 führt.

Ziel der Datenanalyse ist die Ermittlung von Abhängigkeiten bzw. Unabhängigkeiten zwischen zu analysierenden Daten und eine Darstellung der Abhängigkeiten bzw. Unabhängigkeiten zwischen den Daten, damit einer in den Daten enthaltenen Struktur, durch eine Netzwerkstruktur bzw. durch ein Netz- werk.

Unter einer in den Daten enthaltenen Struktur ist im allge- meinen eine statistische Abhängigkeit und/oder eine statisti- sche Unabhängigkeit zwischen den Variablen zu verstehen.

Die Daten für die Datenanalyse sind Variablen v, w, x, y, und z. Gegeben sind Datentupel (v, w, x, y, z) i mit i=l... N (N = Anzahl der vorgegeben Datentupel).

Bei der Analyse wird eine statistische Abhängigkeit bzw. Un- abhängigkeit zwischen den Variablen v, w, x, y und z ermit- telt.

In Fig. 5 ist ein Netzwerk 500 dargestellt aus Knoten A 510, B 511, C 512, D 513 und E 514, welche die Variablen v, w, x, y und z repräsentieren.

In einem ersten Schritt 410 der Vorgehensweise 400 wird unter Verwendung eines statistischen Textverfahrens, einem x2-Test, welcher in [5] beschrieben ist, eine statistische Unabhängig- keit bzw. statistische Abhängigkeit jeweils zwischen zwei Va- riablen, beispielsweise (v, w), (x, z) oder (v, y), ermittelt (statistische Unabhängigkeit bzw. Abhängigkeit 0. Ordnung).

In einem zweiten Schritt 420 werden aus dem Netzwerk 500, welches eine Startkonfiguration aufweist, bei der alle Knoten untereinander mit Verbindungen verbunden sind, solche Verbin- dungen 521 entfernt, welche jeweils zwei Knoten, beispiels-

weise (A, E), (C, D) und (C, E), verbinden, für deren zugehörige Variablen eine statistische Unabhängigkeit ermittelt wurde, beispielsweise (v, z), (x, y) und (x, z).

In einem dritten Schritt 430 wird für jeweils zwei Variablen, für welche eine statistische Abhängigkeit ermittelt wurde, eine bedingte statistische Abhängigkeit bzw. Unabhängigkeit unter der Bedingung einer dritten Variablen ermittelt, bei- spielsweise (v, xlw), (v, ylw) oder (w, xlv) (statistische Unab- hängigkeit bzw. Abhängigkeit 1. Ordnung). Dazu wird ebenfalls der x2-Test, welcher in [5] beschrieben ist, verwendet.

In einem vierten Schritt 440 werden in dem Netzwerk 500 sol- che Verbindungen 522 entfernt, welche jeweils zwei Knoten, beispielsweise (A, C), (B, D) und (D, E), verbinden, für deren zugehörige Variablen eine bedingte statistische Unabhängig- keit ermittelt wurde.

Nach dem vierten Schritt weist das Netzwerk 500 eine Struktur auf (Endkonfiguration), welche die statistischen Eigenschaf- ten der Daten beschreibt.

Bayessche Netzwerke Aus [4] ist ein kausales Netz, ein Bayesianisches (Bayess- ches) Netzwerk, bekannt.

Ein Bayessches Netzwerk B ist ein spezieller Typ der Darstel- lung einer gemeinsamen multivariaten Wahrscheinlichkeitsdich- tefunktion (WDF) einer Menge von Variablen X durch ein gra- phisches Modell.

Es ist durch einen gerichteten azyklischen Graphen (directed acyclic graph, DAG) G definiert, in welchem jeder Knoten i = 1,..., n einer Zufallsvariablen Xi entspricht.

Die Kanten zwischen den Knoten repräsentieren statistische Abhängigkeiten und können als Kausalzusammenhänge zwischen ihnen interpretiert werden. Der zweite Bestandteil des Bay- esschen Netzwerkes ist die Menge von bedingten WDFen P (Xi 1 Pai, 0, G), welche mittels eines Vektors A parametriert sind.

Diese bedingten WDFen spezifizieren die Art der Abhängigkei- ten der einzelnen Variablen i von der Menge ihrer Elternkno- ten (Parents) Pai. Somit kann die gemeinsame WDF in die Pro- duktform zerlegt werden.

Der DAG eines Bayesschen Netzwerkes beschreibt auf eindeutige Weise die bedingten Abhängigkeits-und Unabhängigkeitsbezie- hungen zwischen einer Menge von Variablen, jedoch hat im Ge- gensatz dazu eine gegebene statistische Struktur der WDF kei- nen eindeutigen DAG zur Folge.

Vielmehr kann gezeigt werden, dass zwei DAG ein und dieselbe WDF beschreiben, dann und nur dann, wenn sie dieselbe Menge von Kanten und dieselbe Menge von"Colliders"aufweisen, wo- bei ein Collider eine Konstellation ist, in welcher wenigs- tens zwei gerichtete Kanten zu demselben Knoten führen.

Aus [6] ist ein weiteres Verfahren zur Ermittlung von zur Entfernung geeigneten Gewichten eines neuronalen Netzes und zur Entfernung von Gewichten aus einem neuronalen Netz, ein sogenanntes Pruning-Verfahren, bekannt.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren an- zugeben, welches eine zuverlässigere und genauer Analyse von Einflussgrößen auf einen Brennvorgang ermöglicht.

Diese Aufgabe wird durch das Verfahren, durch das Computer- programm mit Programmcode-Mitteln und das Computerprogramm- Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer mit den Merkmalen gemäß dem jeweiligen unabhängigen Patentanspruch gelöst.

Das Verfahren zur Analyse von Einflussgrößen auf einen Brenn- vorgang in einer Brennkammer basiert auf eine Verwendung ei- nes trainierbaren, statistischen Modells.

Dieses trainierbare, statistische Modell wird mindestens un- ter Verwendung von vorgegebenen Werten der Einflussgrößen (Trainingsdaten) trainiert, wobei Modellparameter des trai- nierbaren, statistischen Modells verändert bzw. angepasst werden.

Die Veränderung bzw. Anpassung der Modellparameter bei dem Training erfolgt derart, dass das trainierte, statistische Modell den Brennvorgang beschreibt (modelliert).

Unter Verwendung des trainierten, statistischen Modells bzw. der veränderten, angepassten Modellparameter kann dann ein Einfluss der Einflussgrößen auf den Brennvorgang analysiert werden.

Dabei ermöglicht diese Analyse (basierend auf dem trainier- ten, statistischen Modell bzw. dessen angepassten Modellpara- metern) sowohl qualitative als auch quantitative Aussagen ü- ber den Einfluss der Einflussgrößen auf den Brennvorgang.

Abhängigkeiten von den Einflussgrößen untereinander wie auch einzeln und in Kombination auf den Brennvorgang können er- kannt werden.

Die Einflussgrößen können nach Größe ihres Einflusses auf den Brennvorgang geordnet werden. Unwichtige Einflussgrößen kön- nen identifiziert werden.

Ursachenanalysen für Brennvorgangsprobleme, Wirkungsanalysen für vorgebbare Brennvorgangszustände, welche durch vorgegebe- ne Werte für die Einflussgrößen beschrieben werden können, bzw. Simulationen und Prognosen von Brennvorgängen bzw.

Brennvorgangszustände können durchgeführt werden.

Ferner können bei der Analyse Ursache-Wirkungszusammenhänge bei dem Brennvorgang offensichtlich gemacht werden.

Das Computerprogramm mit Programmcode-Mitteln ist eingerich- tet, um alle Schritte gemäß dem erfindungsgemäßen Verfahren durchzuführen, wenn das Programm auf einem Computer ausge- führt wird.

Das Computerprogramm-Produkt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode-Mitteln ist eingerichtet, um alle Schritte gemäß dem erfindungsgemäßen Verfahren durch- zuführen, wenn das Programm auf einem Computer ausgeführt wird.

Das Computerprogramm mit Programmcode-Mitteln, eingerichtet um alle Schritte gemäß dem erfinderischen Verfahren durchzu- führen, wenn das Programm auf einem Computer ausgeführt wird, sowie das Computerprogramm-Produkt mit auf einem maschinen- lesbaren Träger gespeicherten Programmcode-Mitteln, einge- richtet um alle Schritte gemäß dem erfinderischen Verfahren durchzuführen, wenn das Programm auf einem Computer ausge- führt wird, sind insbesondere geeignet zur Durchführung des erfindungsgemäßen Verfahrens oder einer seiner nachfolgend erläuterten Weiterbildungen.

Ferner sei hier angemerkt, dass die erfinderische Vorgehens- weise im Allgemeinen auf andere komplexe, Systeme anwendbar bzw. übertragbar ist, wie industrielle Produktionsprozesse, beispielweise im Gebiet der Papier-und/oder Stahlerzeugung, Energieerzeugungsprozesse und/oder Energieerzeugungsanlagen.

Darüber hinaus muss darauf hingewiesen werden, dass die Er- findung eine allgemeine Herangehensweise schafft, um Problem- lösungen im Umfeld von Brennvorgängen zu ermöglichen und/oder zu erleichtern.

Bevorzugte Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.

Die im weiteren beschriebenen Weiterbildungen beziehen sich sowohl auf die Verfahren als auch auf das Computerprogramm und auf das Computer-Programmprodukt.

Die Erfindung und die im weiteren beschriebenen Weiterbildun- gen können sowohl in Software als auch in Hardware, bei- spielsweise unter Verwendung einer speziellen elektrischen Schaltung, realisiert werden.

Ferner ist eine Realisierung der Erfindung oder einer im wei- teren beschriebenen Weiterbildung möglich durch ein computer- lesbares Speichermedium, auf welchem das Computerprogramm mit Programmcode-Mitteln gespeichert ist, welches die Erfindung oder Weiterbildung ausführt.

Auch kann die Erfindung oder jede im weiteren beschriebene Weiterbildung durch ein Computerprogrammerzeugnis realisiert sein, welches ein Speichermedium aufweist, auf welchem das

Computerprogramm mit Programmcode-Mitteln gespeichert ist, welches die Erfindung oder Weiterbildung ausführt.

Bei dem statistischen trainierbaren Modell, wie einem neuro- nalen Netz, können die Modellparameter Gewichte des trainier- baren, statistischen Modells sein. Bei dem Training eines solchen Modells werden dann die Gewichte unter Verwendung von Trainingsdaten angepasst.

Bei einer Weiterbildung umfassen die Einflussgrößen mindes- tens einige der folgenden Größen und/oder davon abgeleitete Größen: einen Luftdruck außen, einen Gasdruck, einen Druck nach einer Kompression, eine Druckdifferenz an einem Luftfilter, ein Pi- lotgas, einen Pilotgashub, eine Last, eine Lufttemperatur, eine Gastemperatur, eine Temperatur nach einer Kompression, eine Druckreduktion in einer Brennkammer, eine"blade"- /Schaufel-Position, eine Last, eine Gasturbinenleistung , (GtLstg), eine Ansaugtemperatur (air temperature inflow) (SaugT), einen Umgebungsluftdruck (air pressure) (UmgPr), einen Druckverlust über einen Luft-/Ansaugfilter (pressure difference air filter, PrDFi), einen Druck nach einer Kom- pression/einen Verdichterdruck (pressure after compression, stage (VerPr) ), eine Temperatur nach einer Kompression/Ver- dichterendtemperatur (temperature after compression stage (VerdT)), eine Vorleit-Schaufelstellung, einen Druckverlust in einer Brennkammer (pressure difference burning chamber (DrVBr) ), einen Gasdruck (gas pressure (GasDr) ), eine Gastem- peratur (gas temperature (GasT) ), eine Rotationsfrequenz (ro- tation frequency), eine Drehzahl, eine Abgastemperatur (ex- haust gas temperature (AbgasT) ), eine erste Brummgröße (hum- ming pressure amplitude (WD01)), eine zweite Brummgröße (hum- ming pressure amplitude (WD02)).

Darüber hinaus können die Einflussgrößen weitere Größen zur Beschreibung (weiterer) Brennstoffströme, Brennstoffdrücke,

Brennstofftemperaturen oder Verhältnissen von Brennstoffströ- men umfassen.

Weiter kann vorgesehen werden, dass der Brennvorgang unter Verwendung einer ein Brennkammerbrummen beschreibenden Größe beschrieben wird, wobei die Einflussgrößen auf diese das Brennkammerbrummen beschreibende Größe abgebildet werden kön- nen.

Wird so beispielsweise der Brennvorgang unter Verwendung ei- ner eine Nox-Emission beschreibende Größe beschrieben, werden die Einflussgrößen auf diese die Nox-Emission beschreibende Größe abgebildet.

Auch kann vorgesehen werden, dass diese das Brennkammerbrum- men beschreibende Größe, wie die oben genannte die Nox- Emission beschreibende Größe, eine Targetgröße bei dem Trai- ning ist.

Das trainierbare, statistische Modell kann auf verschiedene Arten realisiert werden, beispielsweise durch ein neuronales Netz, insbesondere durch ein Feedforward neuronales Netz, o- der durch ein kausales Netz, beispielsweise vom Typ Bayess- ches Netz, oder durch einen Entscheidungsbaum.

Die Analyse der Einflussgrößen kann unter Verwendung eines Pruning-Verfahrens durchgeführt werden, wobei bei dem Pru- ning-Verfahren ein sogenanntes Pruning der Modellparameter durchgeführt wird.

Bei einer Weiterbildung ist vorgesehen, dass die Brennkammer eine Brennkammer einer Turbine, insbesondere einer Gasturbi- ne, ist.

Weiter ist vorgesehen, eine Weiterbildung im Rahmen einer Sensitivitätsanalyse für die Einflussgrößen eines Brennvor- gangs einer Brennkammer einzusetzen.

Auch kann eine Weiterbildung eingesetzt werden zu einer Er- mittlung einer Reihenfolge einer Wichtigkeit von Einflussgrö- ßen auf ein Brennkammerbrummen einer Brennkammer.

Weiter kann eine Ausgestaltung eingesetzt werden zu einer Er- mittlung einer Reihenfolge einer Wichtigkeit von den Ein- flussgrößen, insbesondere einer Wichtigkeit von Einflussgrö- ßen auf eine Nox-Emission einer Brennkammer.

In Figuren ist ein Ausführungsbeispiel der Erfindung darge- stellt, welches im weiteren näher erläutert wird.

Es zeigen Figur 1 eine Skizze einer Brennkammer einer Gasturbine gemäß einem Ausführungsbeispiel ; Figur 2 eine Skizze eines Input-Datensatzes mit Zustandsvek- toren mit Einflussgrößen (Variablen) auf einen Brenn- vorgang in einer Brennkammer einer Gasturbine gemäß einem Ausführungsbeispiel ; Figur 3 ein Netzwerk aus Knoten und Verbindungen ; Figur 4 Verfahrensschritte bei einem Polynomial-Complexity- Verfahren ; Figur 5 ein Bayesianisches Netz, welches unter Verwendung ei- nes Polynomial-Complexity-Verfahren bearbeitet wird ; Figur 6 eine Vorgehensweise bei einer Analyse eines Systems "Brennkammer"basierend auf einer Ermittlung eines statistischen Modells des Systems"Brennkammer"gemäß einem Ausführungsbeispiel ;

Figur 7 ein vereinfachtes statistisches Modell gemäß einem Ausführungsbeispiel ; Figur 8 eine Skizze mit verschiedenen, bedingten Endstruktu- ren eines Netzwerks, welches das System"Brennkammer" beschreibt, gemäß einem Ausführungsbeispiel ; Figur 9 eine Vorgehensweise bei einer Analyse eines Systems "Brennkammer"basierend auf einer vereinfachten Er- mittlung eines statistischen Modells des Systems "Brennkammer"gemäß einem alternativen Ausführungs- beispiel ; Figur 10 eine Skizze mit einer vereinfachten Endstruktur ei- nes Netzwerks, welches das System"Brennkammer"be- schreibt, gemäß einem alternativen Ausführungsbeispiel ; Figur 11 eine Skizze einer Vorgehensweise zur Identifikation von wichtigen Einflussgrößen auf ein Brennkammerbrum- men ; Figur 12 eine Skizze einer Vorgehensweise zur Identifizierung von Abhängigkeiten von Einflussgrößen.

Ausführungsbeispiel : Analyse eines Brennvorgangs in einer Gasturbinenbrennkammer Fig. 1 zeigt schematisch eine Ringbrennkammer-Gasturbine 100 einer V84.3A Serie, wie sie in [2] beschrieben ist.

Bei dieser Ringbrennkammer-Gasturbine 100 zeigt sich unter gewissen Betriebsbedingungen im Vormischbetrieb ein"Brummen" aufgrund selbsterregter Verbrennungsschwingungen.

Bei der Verbrennung in geschlossenen Brennräumen kann es zu einer Rückkopplung zwischen der Leistungsfreisetzung in der Flamme und der Akustik in der Brennkammer kommen. Dabei wird durch Schwankungen in der Leistungsfreisetzung der Verbren- nung ein Schallfeld im Brennraum angeregt, das wiederum er- neute Schwankungen in der Verbrennungsleistung hervorruft.

Erfolgen die Druck-und Leistungsschwingungen ausreichend in Phase, ist also ein sogenanntes Rayleigh-Kriterium erfüllt, so kommt es zu einer Selbstverstärkung der Oszillationen.

Dieses als selbsterregte Brennkammer-oder Verbrennungs- schwingung bekannte Phänomen ist oft mit sehr hohen Schall- druckamplituden und einem stark erhöhten Wärmeübergang an die Brennkammerwände verbunden, was zu einer verstärkten mechani- schen und thermischen Belastung des Systems führt. Das durch Brennkammerschwingungen verursachte Schadensspektrum reicht von erhöhter Lärmemission über Leistungsminderungen bis zur Beschädigung einzelner Maschinenteile.

Um geeignete Abhilfemaßnahmen gegen das Problem der Verbren- nungsschwingungen (Brennkammerbrummen), wie sie in der V84.3A auftreten, ergreifen zu können, wird ein Verbrennungsvorgang in der Brennkammer, im folgenden als"System Brennkammer"be- zeichnet, eingehender untersucht bzw. analysiert.

Kernpunkte der Untersuchung bzw. Analyse bilden eine Erfas- sung von Brennkammerzuständen, beispielsweise durch Messung von Brennkammerzuständen, Eingabe oder Einlesen von Brennkam- merdaten aus einem Speicher, und eine anschließende mittels eines Rechners durchgeführte statistische Auswertung und Ana- lyse der erfassten Informationen.

Bei der statistischen Auswertung wird in einem ersten Fall ein statistische Modell, ein kausales Netz, für das System "Brennkammer"im allgemeinen gebildet (Modellierung gemäß Fall 1). In einem zweiten Fall wird ein statistisches Modell,

ein neuronales netz vom Typ Feedforward, für ein System eine Art Spezialfall des allgemeinen Falls 1, des System"Brennkammer",-gebildet (Modellierung gemäß Fall 2).

Die statistische Modelle sind jeweils Grundlage für die nach- folgenden Analysen.

Fall 1 : Allgemeines Brennkammermodell (Modell Brennkammer) Bei einer Messung eines Brennkammerzustandes werden aktuelle Parameterwerte gemessen und in Form eines Zustandsvektors in einem Speicher des Rechners gespeichert. Entsprechendes gilt im Falle eines Einlesens oder Eingebens von Brennkammerdaten.

Eine solche Zustandsmessung von Parameterwerten wird in Zeit- schritten von ls ständig bzw. für einen vorgegebenen Zeitraum wiederholt, wobei eine Zeitreihe von Zustandsvektoren gene- riert wird.

Diese werden zusammengefasst und als Datensatz gespeichert.

In Fig. 2 ist ein solcher Datensatz 200 schematisch bzw. ta- bellarisch dargestellt. Fig. 2 zeigt den Datensatz 200 mit ei- ner Vielzahl von Zustandsvektoren 201, deren jeder die Para- meterwerte 202 einer Messung eines Brennkammerzustands um- fasst.

Eine Zustandvektor umfasst beispielsweise jeweils die Werte folgender messbaren Parameter 203 : - GtLstg - SaugT - UmgPr<BR> - PrDFi - VerdPr - VerdT - Schaufel

- DrVBr - PilotG - GasDr - GasT - Drehz - AbgasT - WD01 (erste Wechseldruckamplitude) - WD02 (zweite Wechseldruckamplitude).

Es ist darauf hinzuweisen, dass obige Auflistung von Parame- tern nicht abschließend zu verstehen ist. Ein Zustandsvektor 201 kann auch weitere oder auch weniger oder auch abgeleitete Parameter bzw. Parameterwerte umfassen.

Zur Modellierung des Systems"Brennkammer", insbesondere zur Verifizierung und Analyse von Einflussgrößen auf den Verbren- nungsvorgang sowie zur Ermittlung statistischer Eigenschaf- ten, welche die Einflussgrößen (Variable) des Systems"Brenn- kammer"zueinander aufweisen, werden unter Verwendung der Pa- rameter Variable des Systems"Brennkammer"definiert. Diese sollen einen Brennkammerzustand bzw. den Brennvorgang mög- lichst umfassend beschreiben (vgl. Fig. 6, Verfahrensschritt 601).

Es werden wie nachfolgend beschrieben statistische Abhängig- keiten bzw. Unabhängigkeiten zwischen den Variablen ermittelt (vgl. Fig. 6, Verfahrensschritte 610 bis 680).

Unter Verwendung dieser statistischen Größen wird ein statis- tisches Modell, ein sogenanntes Bayesianisches Netz [4], des Systems"Brennkammer"bestimmt (vgl. Fig. 6,690).

Unter Verwendung des statistischen Modells 685 bzw. des Baye- sianischen Netzes 685 wird anschließend eine weiterführende Analyse des Systems"Brennkammer"und damit eines Brennvor- gangs durchgeführt (vgl. Fig. 6, Verfahrensschritt 690).

Fig. 6 zeigt Verfahrensschritte 601 bis 680, welche bei einer Ermittlung eines statistischen Modells des Systems"Brennkam- mer"685 durchgeführt werden : In einem Initialisierungsschritt 601 werden die Variablen des Systems"Brennkammer"festgelegt.

Die definierten Variablen des Systems"Brennkammer"sind : - GtLsg - SaugT - UmgPr<BR> - PrDFi - VerdPr - VerdT - Schaufel - DrVBr - PilotG - GasDr - GasT - Drehz - AbgasT - WD01 - WD02 und stimmen in diesem Fall mit den messbaren Parametern 203 überein.

Es ist zu betonen, dass diese Übereinstimmung nicht notwendi- gerweise immer gegeben sein muss. Der Satz von Variablen bzw. von Einflussgrößen wie obig kann eine Teilmenge aus den mess- baren Parametern 203 sein oder auch (zumindest zum Teil) durch Kombinationen von bestimmten Parametern 203 gewonnen werden.

Auch ist diese Aufzählung von Variablen nicht als abschlie- ßend zu verstehen. Es können durchaus weitere Variablen defi- niert werden, welche das System"Brennkammer"beschreiben.

Die Variablen werden zu einem sogenannten Modellzustandsvek- tor zusammengefasst, wobei Komponenten des Modellzustandsvek- tors die Variablen sind.

In dem Initialisierungsschritt 601 wird ferner eine Anfangs- struktur eines Netzwerk bestimmt, welches aus Knoten und Ver- bindungen aufgebaut ist und welches eine Struktur, welche in dem System"Brennkammer"enthalten ist, beschreibt.

Die Anzahl der Knoten wird entsprechend der Anzahl der Vari- ablen des Systems"Brennkammer"festgelegt. Jeder Knoten rep- räsentiert eine Variable dieses Systems.

Bei der Anfangsstruktur sind alle Knoten miteinander verbun- den, was eine anfänglich angenommene und später zu verifizie- rende Abhängigkeit zwischen allen Variablen bedeutet.

In einem ersten Schritt 610 wird ein sogenannter Trainingsda- tensatz des Systems"Brennkammer"ermittelt. Unter Verwendung dieses Trainingsdatensatzes wird wie nachfolgend beschrieben das Netzwerk derart bearbeitet bzw. trainiert, dass eine End- struktur des Netzwerks eine in dem System"Brennkammer"ent- haltenen Struktur beschreibt.

Dazu werden aus einem vorgegeben Datensatz Modellzustandsvek- toren extrahiert und zu einem Trainingsdatensatz zusammenge- fasst 610.

Dieses gestaltet sich in diesem Fall sehr einfach, da die Pa- rameter mit den Variablen übereinstimmen, d. h. der Zustands- vektor mit dem Modellzustandsvektor übereinstimmt.

In einem zweiten Schritt 620 wird unter Verwendung eines sta- tistischen Testverfahrens, einem x2-Test, welcher in [5] be- schrieben ist, und des Trainingsdatensatzes (vgl. Schritt 610) eine direkte statistische Unabhängigkeit bzw. direkte statistische Abhängigkeit jeweils zwischen zwei Variablen des

Systems ermittelt (statistische Unabhängigkeit bzw. Abhängig- keit 0. Ordnung).

Es wird ermittelt : - U/A (PilotG, GasDr), - U/A (PilotG, Nox), - U/A (PilotG, Drehz), - U/A (PiltG, GasT), - u. s. w., wobei mit U/A (a, b) die statistische Unabhängigkeit U bzw. die statistische Abhängigkeit A zwischen der Variablen a und der Variablen b bezeichnet wird.

In einem dritten Schritt 630 werden aus dem Netzwerk, welches die Startkonfiguration aufweist, solche Verbindungen ent- fernt, welche jeweils zwei Knoten verbinden, für deren zuge- hörige Variablen eine statistische Unabhängigkeit U ermittelt wurde.

In einem vierten Schritt 640 wird für jeweils zwei Variablen, für welche eine statistische Abhängigkeit ermittelt wurde, eine bedingte statistische Abhängigkeit bzw. Unabhängigkeit unter der Bedingung einer dritten Variablen ermittelt (sta- tistische Unabhängigkeit bzw. Abhängigkeit 1. Ordnung).

Dazu wird ebenfalls der x2-Test, welcher in [5] beschrieben ist, verwendet.

Es wird ermittelt : - U/A (DrVBR, GasDrj PilotG), - U/A (PilotG, Verdi Schaufel), - U/A (PilotG, Noxl UmgPr), - U/A (GtLstg, Verdit SaugT), - u. s. w., wobei mit U/A (a, bic) die statistische Unabhängigkeit U bzw. die statistische Abhängigkeit A zwischen der Variablen a und

der Variablen b unter der Bedingung der Variablen c bezeich- net wird.

In einem fünften Schritt 650 werden für solche Verbindungen, für deren zugehörige Knoten eine bedingte statistische Unab- hängigkeit U ermittelt wurde (vgl. U (a, blc), Schritt 640), Regeln für ein Entfernen dieser Verbindungen formuliert.

Anhand eines nachfolgend dargestellten, einfacheren weiteren Beispiels, dargestellt in Fig. 7, einem Netzwerk 700 mit Kno- ten A (701), B (702), C (703), D (704) und E (705), welche die Variablen v, w, x, y und z repräsentieren, soll diese Vorgehensweise verdeutlicht werden : Es wurden folgende direkte statistischen Unabhängigkeiten und Abhängigkeiten ermittelt und die entsprechenden Verbindungen in dem Netz entfernt (710) : a) direkte statistische Unabhängigkeiten (vgl. Schritt 620 und 630) : - U (A, E) Verbindung (A, E) entfernt, - U (C, D) Verbindung (C, D) entfernt, - U (C, E) Verbindung (C, E) entfernt ; b) direkte statistische Abhängigkeiten (vgl. Schritt 620) : - A (A, B), A (A, C), A (A, D), A (B, C), A (B, D), A (B, E), A (D, E).

Es wurden folgende bedingte statistischen Unabhängigkeiten ermittelt und folgende Regeln für ein Entfernen von Verbin- dungen formuliert (711) : a) U (A, C) B) ; die entsprechende Regel lautet : entferne Verbindung (A, C), wenn Verbindung (A, B) und Verbindung (B, C) in dem Netzwerk vorhanden b) U (A, D ! B) ; die entsprechende Regel lautet : entferne Verbindung (A, D), wenn Verbindung (A, B) und Verbindung (B, D) in dem Netzwerk vorhanden

c) U (B, C ! A) ; die entsprechende Regel lautet : entferne Verbindung (B, C), wenn Verbindung (A, B) und Verbindung (A, C) in dem Netzwerk vorhanden d) U (B, E) D) ; die entsprechende Regel lautet : entferne Verbindung (B, E), wenn Verbindung (B, D) und Verbindung (D, E) in dem Netzwerk vorhanden e) U (D, EIB) ; die entsprechende Regel lautet : entferne Verbindung (D, E), wenn Verbindung (B, D) und Verbindung (B, E) in dem Netzwerk vorhanden.

In einem sechsten Schritt 660 wird eine Interferenz in den Regeln ermittelt. Durch ein Vereinfachen der Regeln wird die- se Interferenz beseitigt. Dadurch werden neue, vereinfachte Regeln formuliert.

Für das obige, weitere Beispiel ergeben sich folgende verein- fachte Regeln (712) : a) U (A, CIB) ; die entsprechende Regel lautet : entferne Verbindung (A, C), wenn Verbindung (B, C) in dem Netzwerk vorhanden b) U (A, DIB) ; die entsprechende Regel lautet : entferne Verbindung (A, D) c) U (B, Cita) ; die entsprechende Regel lautet : entferne Verbindung (B, C), wenn Verbindung (A, C) in dem Netzwerk vorhanden d) U (B, EID) ; die entsprechende Regel lautet : entferne Verbindung (B, E), wenn Verbindung (D, E) in dem Netzwerk vorhanden e) U (D, EIB) ;

die entsprechende Regel lautet : entferne Verbindung (D, E), wenn Verbindung (B, ED) in dem Netzwerk vorhanden.

In einem siebten Schritt 670 werden aus den vereinfachten Re- geln Bedingungen für ein Entfernen der Verbindungen ermit- telt. Verbindungen, welche nur unter einer solchen Bedingung aus dem Netzwerk gelöscht werden, werden als sogenannte unsi- chere Verbindungen bezeichnet.

Für das obige, weitere Beispiel ergeben sich folgende unsi- cheren Verbindungen (713) : a) unsichere Verbindung (A, C) mit der Bedingung : entferne Verbindung (A, C), wenn Verbindung (B, C) in dem Netzwerk vorhanden b) unsichere Verbindung (B, C) mit der Bedingung : entferne Verbindung (B, C), wenn Verbindung (A, C) in dem Netzwerk vorhanden d) unsichere Verbindung (B, E) mit der Bedingung : entferne Verbindung (B, E), wenn Verbindung (D, E) in dem Netzwerk vorhanden e) unsichere Verbindung (D, E) : entferne Verbindung (D, E), wenn Verbindung (B, E) in dem Netzwerk vorhanden.

In einem achten Schritt 680 werden die unsicheren Verbindun- gen aus dem Netzwerk"bedingt entfernt", d. h. es werden in dem Netzwerk die unsicheren Verbindungen gekennzeichnet, bei- spielsweise durch eine gestrichelte Verbindung 714, wobei die gestrichelte Verbindung bedeutet, dass diese Verbindung gege- benenfalls (falls die entsprechende Bedingung in dem Netzwerk erfüllt ist und damit diese unsichere Verbindung gelöscht wurde) nicht vorhanden ist oder dass diese Verbindung (falls die entsprechende Bedingung in dem Netzwerk nicht erfüllt ist und damit diese unsichere Verbindung nicht gelöscht wurde) vorhanden ist.

Somit ergeben sich durch diese Vorgehensweise mehrere ver- schiedene, bedingte Endstrukturen für das Netzwerk, welche in ihrer Gesamtheit die in den Daten vorhandene Struktur besser und flexibler beschreiben als dies nur mit einer einzigen, festen Endstruktur möglich wäre.

In Fig. 8 sind die verschiedenen, bedingten Endstrukturen des Netzwerks 800, welches das System"Brennkammer"beschreibt, dargestellt.

Als Knoten 810 bis 824 sind in Fig. 8 die Variablen : - GtLsg 810 - SaugT 811 - UmgPr 812 - PrDFi 813 - VerdPr u. s. w.

- VerdT - Schaufel - DrVBr - PilotG - GasDr - GasT - Drehz - AbgasT <BR> <BR> <BR> - WD01<BR> <BR> <BR> <BR> <BR> - WD02 dargestellt.

Die Endstrukturen bzw. das Netzwerk 800 weisen bzw. weist : - feste Verbindungen 830, welche jeweils zwei Knoten 850 oh- ne eine zugehörige Bedingung verbinden, - unsichere Verbindungen 840, welche jeweils zwei Knoten 860 unter einer Bedingung verbinden.

Nicht aufgetreten ist bei dem Netzwerk 800 - ein Knoten, welche mit keinem anderen Knoten verbunden ist.

Fall 2 : Modell"Brennkammerbrummen" (Fig. 11) Entsprechend obiger Vorgehensweise bei dem Modell Brennkammer wird nun ein Modell, das Modell Brennkammerbrummen, entwi- ckelt, welches insbesondere geeignet ist, zur Untersuchung und Analyse des Phänomens Brennkammerbrummen [2].

Dieses Modell Brennkammerbrummen erlaubt auf allgemeingültige und zielgerichtete Art und Weise eine Identifikation von wichtigen mit dem Problem des Brennkammerbrummens [2] im Zu- sammenhang stehenden Einflussgrößen.

Zusätzlich erlaubt das Modell Brennkammerbrummen die Auswer- tung eines Effekts von gezielten Änderungen dieser Einfluss- größen.

Dadurch können ohne Eingriff in das durch das Modell model- lierte reale System bzw. in die Turbine Gegenmaßnahmen entwi- ckelt werden, die wirkungsvoll Turbinenbrummen verringern und nicht eine Reduzierung der Last und Stromleistung beinhalten.

Ausgehend von obigen Variablen bzw. dem Trainingsdatensatz werden solche Modellzustandsvektoren, für welche die Turbine das Brummen zeigte, ausgewählt und zu einem weiteren, im Fall 2 verwendeten, zweiten Trainingsdatensatz zusammengefasst.

Unter Verwendung dieses zweiten Trainingsdatensatzes wird ein neuronales Netz vom Typ Feedforward für eine zukünftige Amp- litude des Brennkammerbrummens (oder einer anderen, dem Brum- men entsprechenden Kenngröße) gebildet bzw. trainiert.

Targetgrößen bei dem Training sind ein Brummen und eine Nox- Emission.

Durch ein sogenanntes Pruning [6] von Modellparametern, in diesem Fall von den Gewichten des neuronalen Netzes, wird der

Einfluss jeder Variablen für das Modell Brennkammerbrummen bewertet. Aus der Bewertung wird auf die Wichtigkeit der je- weiligen Variable für das Modell geschlossen.

Sortiert man die Variablen entsprechend dieser Wichtigkeit, erhält man entsprechend auch die Reihenfolge der Wichtigkeit der Variablen für das Auftreten des Turbinenbrummens selbst.

Mit dem Pruning der Modellparametern wird das neuronale Netz zu einer hohen Generalisierungsfähigkeit auf Brummzeiträume gebracht, die nicht in dem Trainingsdatensatz enthalten wa- ren.

Im folgenden werden Weiterführungen und Alternativen zu dem Ausführungsbeispiel beschrieben.

1) Fall 3 : Modell Brennkammerbrummen in Kombination mit Mo- dell Brennkammer Das Modell Brennkammerbrummen nach Fall 2 beschreibt die Tur- bine unter einer momentanen Betriebs-Policy. Dies kann aber nicht ausreichend sein, um vorherzusagen, was der Effekt von Veränderungen dieser Betriebs-Policy ist bzw. welche Verände- rungen vorgenommen werden können, um das Turbinenbrummen zu verhindern.

Dies kann darauf zurückgeführt werden, dass das Modell Brenn- kammerbrummen basierend auf dem neuronalen Netz vom Typ Feed- forward eine Ursache-Wirkungs-Richtung von Zusammenhängen nicht beinhaltet und nicht zwischen direkten und indirekten Abhängigkeiten unterscheidet.

Deshalb wird in Fall 3 in einem ersten Schritt eine Modellie- rung des Brennkammerbrummens gemäß Fall 2 vorgenommen und da- durch die wichtigsten Variablen bzw. Einflussgrößen auf das Turbinenbrummen identifiziert.

Mit den identifizierten, wichtigsten Einflussgrößen wird ein zweiter Schritt durchgeführt, bei dem die Abhängigkeiten zwi- schen den wichtigsten im ersten Schritt identifizierten Ein- flussgrößen untereinander und in Bezug auf das Auftreten von Brummen modelliert werden.

Ziel dieser Modellierung ist die Identifikation von Ursache- Wirkungs-Zusammenhängen oder direkten und indirekten Abhän- gigkeiten bzw. direkten und indirekten Einflussgrößen.

Die Interpretation dieser Abhängigkeiten ermöglicht dann die optimale Identifikation von Einflussgrößen, insbesondere der direkten Einflussgrößen, durch deren Veränderung einem Brum- men unmittelbar entgegengesteuert werden kann.

Dazu wird nun in dem zweiten Schritt eine Modellierung gemäß Fall 1 durchgeführt, d. h. mit einem Trainingsdatensatz umfas- send nur mehr die gemäß Schritt 1 identifizierten wichtigsten Einflussgrößen wird ein kausales Netz trainiert (Fig. 12).

Die nach dem Training vorliegende Netzstruktur 1200 offenbart die gesuchten direkten und indirekten Abhängigkeiten bzw. di- rekten und indirekten Einflussgrößen.

Anzumerken ist, dass beim zweiten Schritt auch Verfahren ba- sierend auf der Theorie graphischer Modelle angewendet werden können.

2) Fall 4 In Weiterführung des Falls 3 kann nun ausgehend von den gemäß Fall 3 identifizierten direkten Einflussgrößen eine Modellie- rung gemäß Fall 2, d. h. eine Modellierung unter Verwendung eines neuronalen Netzes vom Typ Feedforward, vorgenommen wer- den.

Mittels des derart erzeugten neuronalen Netzes können Effekte von Änderungen der gemäß Fall 3 identifizierten direkten Ein- flussgrößen ermittelt werden.

Dadurch können ohne Experimente an der Turbine oder vor deren Einleitung die Wirkungen von Gegenmaßnahmen gegen ein Brummen abgeschätzt werden.

Die wirksamen Gegenmaßnahmen oder Kombinationen daraus werden identifiziert, evaluiert und vorbereitet.

3) In einer Alternative (vgl. Fig. 9 und Fig. 10) zu Fall 1 des Ausführungsbeispiels wird eine vereinfachte Netzwerkstruktur 1000 (685), welche keine unsicheren Verbindungen aufweist, bestimmt.

In diesem Fall werden nur die direkten statistischen Unabhän- gigkeiten bzw. direkten statistischen Abhängigkeiten jeweils zwischen zwei Variablen des Systems ermittelt (vgl. 620, sta- tistische Unabhängigkeit bzw. Abhängigkeit 0. Ordnung).

Nicht mehr ermittelt werden hier die bedingten statistischen Abhängigkeiten bzw. Unabhängigkeiten (vgl. 640, statistische Unabhängigkeit bzw. Abhängigkeit 1. Ordnung).

Es werden somit nur die beschriebenen Verfahrenschritte 601, 610,620 und 630 durchführt, was zu der vereinfachten Netz- struktur 685 bzw. 1000 führt.

In Fig. 10 ist die Endstruktur des Netzwerks 800', welches das System"Brennkammer"beschreibt, dargestellt.

Als Knoten 810 bis 824 sind wie in Fig. 8 die Variablen : - GtLsg 810 - SaugT 811 - UmgPr 812 - PrDFi 813

- VerdPr u. s. w.

- VerdT - Schaufel - DrVBr - PilotG - GasDr - GasT - Drehz - AbgasT <BR> <BR> <BR> - WD01<BR> <BR> <BR> <BR> - WD02 dargestellt.

Die Endstruktur bzw. das Netzwerk 800 weist : - feste Verbindungen 830, welche jeweils zwei Knoten 850 oh- ne eine zugehörige Bedingung verbinden.

Nicht aufgetreten ist bei dem Netzwerk 800' - ein Knoten, welche mit keinem anderen Knoten verbunden ist.

Auch nicht treten mehr auf unsichere Verbindungen 840, welche jeweils zwei Knoten 860 unter einer Bedingung verbinden 2) In einer zweiten Alternative zu Fall 1 des Ausführungsbei- spiels erfolgt die Ermittlung von zur Entfernung geeigneter Verbindungen bzw. von zur Entfernung geeigneter Gewichte ei- nes neuronalen Netzes durch ein sogenanntes Pruning- Verfahren.

In diesem Dokument sind folgende Schriften zitiert : [1] S. M. Candel, Combustion Instability Coupled by Pressure Waves and their Active Control, Invited General Lecture, 25. Int. Symp. On Combustion, Sydney, 1992 ; [2] J. Hermann, et al., Aktive Instabilitätskontrolle an ei- ner 170 MW Gasturbine, VDI-Bericht Nr. 1313,18. Deutsch- Niederländischer Flammentag, TU Delft/NL, 28. -29. August 1997 ; [3] Patentanmeldung mit der Offenlegungsnummer DE 10159262.0, internes Aktenzeichen 2001P12478DE ; [4] F. W. Jensen, F. V. (1996), An introduction to Bayesian networks, UCL Press, London; 178 pages; [5] X2-Test; [6] Patentanmeldung mit der Offenlegungsnummer DE, inter- nes Aktenzeichen 1996P01284DE ;