用于控制具有多个燃烧器的内燃机的方法和装置
阅读说明：本技术 用于控制具有多个燃烧器的内燃机的方法和装置 (Method and device for controlling an internal combustion engine having a plurality of burners ) 是由 H-G·布鲁梅尔 U·菲佛 V·斯特金 于 2020-03-19 设计创作，主要内容包括：用于控制具有多个燃烧期待额内燃机的方法和装置。根据本发明为相应燃烧器(BN1,BN2)以特定于燃烧器的方式检测燃烧测量数据(VD1,VD2)并且分配给标识相应燃烧器(BN1,BN2)的燃烧器标识符(BK1,BK2)。此外检测所述内燃机(GT)的性能测量数据(PD),基于所述性能测量数据来确定性能值。借助于所述燃烧测量数据(VD1,VD2)、分配的燃烧器标识符(BK1,BK2)以及所述性能测量数据(PD)来训练机器学习模型(NN),以生成特定于燃烧器的控制数据(SD1,SD2),当通过所述控制数据(SD1,SD2)以特定于燃烧器的方式操控所述燃烧器(BN1,BN2)时,所述控制数据优化所述性能值。输出由经过训练的机器学习模型(NN)生成的控制数据(SD1,SD2),以用于特定于燃烧器地操控所述燃烧器(BN1,BN2)。(A method and apparatus for controlling an internal combustion engine having a plurality of combustion expectations. According to the invention, the combustion measurement data (VD 1, VD 2) are detected for the respective burner (BN 1, BN 2) in a burner-specific manner and are assigned to a burner identifier (BK 1, BK 2) which identifies the respective burner (BN 1, BN 2). Furthermore, performance measurement data (PD) of the internal combustion engine (GT) are detected, on the basis of which performance values are determined. Training a machine learning model (NN) by means of the combustion measurement data (VD 1, VD 2), the assigned burner identifiers (BK 1, BK 2) and the performance measurement data (PD) to generate burner-specific control data (SD 1, SD 2) which optimize the performance values when the burners (BN 1, BN 2) are manipulated in a burner-specific manner by means of the control data (SD 1, SD 2). Outputting control data (SD 1, SD 2) generated by a trained machine learning model (NN) for burner-specific handling of the burner (BN 1, BN 2).)
背景技术
诸如燃气轮机、喷气发动机或内燃发动机的现代内燃机通常具有多个燃烧器，这些燃烧器在单独的或公共的燃烧室中产生高温和体积流，所述体积流将被转化为动能。在燃烧过程期间通常会激励出压力振荡并产生或排放诸如氮氧化物、一氧化碳或未燃烧的碳氢化合物的污染物。
在许多内燃机中，燃烧器中的燃烧过程是通过调整不同的燃料级来结构化的。在此，具有不同流量、引入压力和/或燃料-空气混合比的燃料流以区分为不同燃料级的方式并行输送到相应的燃烧器。对于每个燃料级，通常设置单独的环形管路，所述环形管路通向所有燃烧器。通过适当调整各个燃料级，可以优化内燃机的运行。在此，通常寻求减少燃烧室中的压力波动或温度峰值、燃料喷嘴的堵塞和/或污染物排放，以及增加内燃机的功率或效率。然而，所追求的优化目标通常是相互对立的，并且只能近似地达到。
发明内容
本发明的任务是创造用于控制具有多个燃烧器的内燃机的方法和装置，所述方法和所述装置允许更好地优化内燃机的运行。
所述任务通过具有权利要求1的特征的方法、通过具有权利要求13的特征的装置、通过具有权利要求14的特征的计算机程序产品以及通过具有权利要求15的特征的计算机可读存储介质解决。
根据本发明，为了控制具有多个燃烧器的内燃机，为相应燃烧器以特定于燃烧器的方式检测燃烧测量数据并且分配给标识相应燃烧器的燃烧器标识符。所述内燃机特别可以是燃气轮机、喷气发动机或内燃发动机。在此，相应的燃烧器也可以具有多个燃烧位置和/或被设计为燃烧器组。此外，检测所述内燃机的性能测量数据，基于所述性能测量数据来确定性能值。借助于所述燃烧测量数据、分配的燃烧器标识符以及所述性能测量数据来训练机器学习模型，以生成特定于燃烧器的控制数据，当通过所述控制数据以特定于燃烧器的方式操控所述燃烧器时，所述控制数据优化所述性能值。在此，优化也应特别是理解为对由预给定标准确定的最优值的近似。这样的标准可以在所谓的奖励函数、损失函数或成本函数中针对所述性能值加以评估。输出由经过训练的机器学习模型生成的控制数据，以用于特定于燃烧器地操控所述燃烧器。
作为燃烧测量数据特别是可以以特定于燃烧器的方式检测燃烧室中的压力波动、污染物排放、气体温度、空间温度分布、燃料供给流、混合比或燃烧过程的其他参数。性能值可以特别是涉及内燃机生成的功率或效率、燃烧室中的压力波动、温度分布、气体入口温度、局部温度峰值、污染物排放、燃料喷嘴堵塞、燃料消耗或内燃机的磨损。通过所述控制数据，特别是可以以特定于燃烧器的方式控制燃料和空气之间的混合比、燃料供给流或喷射压力。
为了执行根据本发明的方法，设置了一种用于控制内燃机的装置、一种计算机程序产品以及一种计算机可读存储介质。
根据本发明的方法和根据本发明的装置可以例如借助于一个或多个处理器、计算机、专用集成电路（ASIC）、数字信号处理器（DSP）和/或所谓的现场可编程门阵列（FPGA）来执行或实施。
本发明的一个优点特别是在于，通过特定于燃烧器的测量数据检测和性能优化，能够以协调的方式补偿各个燃烧器之间的个体差异，这些差异可能由制造公差或不同的管路引导引起。以此方式，在许多情况下可以降低温度极限、压力或污染物极限、材料疲劳、磨损或污染物排放，和/或提高效率或生成的功率。通过使用机器学习模型，还可以相对准确地对特定于燃烧器的燃烧测量数据、性能测量数据和以特定于燃烧器的方式优化的控制数据之间的复杂的相互依赖性或相关性进行建模。这尤其也适用于内燃机的不同运行状态。
本发明的有利实施方式和扩展在从属权利要求中说明。
在本发明的一个有利的实施方式中，可以根据控制数据以特定于燃烧器的方式将到相应燃烧器的燃料供给流划分到多个燃料级。借助于不同的燃料级，可以将多个燃料流引导到每个燃烧器，所述多个燃料流在它们的燃料/空气混合比、它们的引入压力或其他引入参数方面不同。以这种方式，可以在每个燃烧器中在空间上、时间上、物理上和/或化学上结构化燃烧过程并且因此特别是在性能值方面以特定于燃烧器的方式优化所述燃烧过程。
优选地，可以通过特定于燃烧器和/或特定于燃料级的多路阀将燃料供给流划分到燃料级。通过使用多路阀，通常可以显著减少用于内燃机的管道耗费。
有利地，为了短暂中断或减少燃料供给流，操控跨燃烧器的阀。通过这种方式，可以共同地快速向下调节多个燃烧器，而与它们特定于燃烧器的操控无关。
根据本发明的一个有利的扩展，可以以特定于燃料级的方式检测燃烧测量数据并且分别分配给燃料级标识符，所述燃料级标识符附加地用于机器学习模型的训练。通过这种方式，燃烧测量数据与性能测量数据或控制数据之间的特定于燃料级的相互依赖性也可以通过机器学习模型进行建模。在优化性能值时可以有利地考虑这些相互依赖性。
根据本发明的一个特别有利的实施方式，可以通过强化学习方法来训练所述机器学习模型。这种强化学习方法通常也称为reinforcement-learning。作为强化学习方法，例如可以使用所谓的PGNRR方法（PGNRR：Policy Gradient Neural Rewards Regression，策略梯度神经奖励回归）、VOP-PGNRR方法（VOP-PGNRR：Variable Objective Policy PGNRR，可变目标策略PGNRR）或基于模型的强化学习方法，例如RCNN方法（RCNN：RecurrentControl Neural Network，递归控制神经网络）。特别地，通过所述训练可以生成一个或多个所谓的封闭控制策略。这种封闭的控制策略通常可以非常快速地执行并因此允许内燃机控制时的高时间分辨率。
所述机器学习模型和/或控制策略可以优选地包括人工神经网络、递归神经网络、卷积神经网络、贝叶斯神经网络、自动编码器、深度学习架构、支持向量机、数据驱动的可训练回归模型、k-最近邻分类器、物理模型和/或决策树。
根据本发明的另一有利实施方式，可以基于当前检测的燃烧测量数据和性能测量数据在内燃机的正在进行的运行期间进一步训练所述机器学习模型。这允许持续的运行优化并且允许适配于由运行时间或环境引起的内燃机变化。
此外，可以在校准阶段借助于训练内燃机和/或借助于内燃机的仿真模型对所述机器学习模型进行预训练。这种仿真模型通常也称为设计模型或数字孪生。作为训练内燃机，优选地可以使用内燃机的结构相同或相似的模型。通过这种预训练，对内燃机的训练通常可以大大缩短。
所述机器学习模型可以有利地包括多个特定于相应燃烧器的子模型，每个子模型生成特定于相应燃烧器的控制数据。通过这种方式，训练任务可以分解为更小的子任务，这些子任务的相互依赖性通常更容易建模，并且通常可以更快地执行。
特别地，子模型可以并行执行以生成特定于燃烧器的控制数据。通过这种方式，执行时间通常可以显著缩短。
根据本发明的一个有利扩展，可以训练另外的机器学习模型以生成另外的控制数据，通过所述另外的控制数据设置燃烧器之间的燃料流分布，特别是总燃料流分布和/或设置燃烧温度并且优化所述性能值和/或另外的性能值。燃烧测量数据、分配的燃烧器标识符和性能测量数据可以用作训练数据。此外，来自内燃机或其一部分的仿真的仿真数据可以用于训练所述另外的机器学习模型。仿真数据的使用是有利的，因为一般来说，相对较少的合适的训练数据可用于这种跨燃烧器的控制过程。燃烧器之间的燃料流分布的设置对于环形燃烧室特别有利，在环形燃烧室中燃烧器布置在公共环形燃烧室中。由于每个燃烧器通常会影响整个环形燃烧室，因此可以通过控制跨燃烧器的燃料分配来补偿跨燃烧器的波动。
附图说明
下面将基于附图更详细地解释本发明的实施例。在此分别在示意图中：
图1示出了带有多个燃烧器的燃气轮机，
图2示出了用于说明在根据现有技术的燃气轮机情况下的燃料输送的图，
图3示出了用于说明在根据本发明的燃气轮机的情况下的燃料输送的图，以及
图4示出了用于控制根据本发明的燃气轮机的装置。
具体实施方式
图1在示意图中示出了作为内燃机的燃气轮机GT。燃气轮机GT具有用于压缩流入空气的压缩机V、用于燃烧输送的燃料的多个燃烧器BN1和BN2以及用于通过燃烧产生的热能和动能转换为旋转能的涡轮机T。所述旋转能尤其通过驱动轴AW传输到压缩机V以驱动压缩机V。
本发明在燃气轮机上的应用应理解为仅作为示例。替代地或附加地，本发明还可以用于控制其他内燃机，例如喷气发动机或内燃发动机。
图2示出了用于说明在根据现有技术的燃气轮机的情况下的燃料输送的图。所述燃气轮机具有多个燃烧器，为了清楚起见，图2中仅示出了其中的两个燃烧器BN1和BN2。所述燃气轮机还具有多个燃料级，其中为了清楚起见，在图2中同样仅明确指示了其中的两个燃料级FSA和FSB。在不同的燃料级FSA和FSB中，多个不同的燃料流分别通过单独的燃料喷嘴被引入到相应的燃烧器BN1或BN2中。燃料流例如可以在它们的流量、燃料-空气混合比或引入压力方面彼此不同。以这种方式，在每个燃烧器BN1或BN2中，燃烧过程可以在空间上、时间上、物理上和/或化学上被结构化并因此特别是被优化。
根据现有技术，对于燃烧级FSA和FSB分别设置了单独的、特定于级的环形管路FRA和FRB，其分别通向所有燃烧器BN1和BN2。环形管路FRA和FRB分别通过可控制的、特定于燃料级的阀VA和VB连接到燃气轮机的主供给管路MSL。阀VA和VB将总燃料流F划分到各个燃料级FSA和FSB。
由于通过环形管路FRA或FRB向相应的燃料级FSA或FSB输送，燃料供给流的划分没有区别地作用于所有燃烧器BN1和BN2。然而，由于管路引导的几何差异以及由于制造公差或由于运行时间引起的燃烧器BN1和BN2的变化，至各个燃烧器BN1和BN2的燃料供给流以及各个燃烧过程至少略有不同。这些差异通常还会导致各个燃烧器BN1和BN2中不同的污染物排放、温度峰值或压力波动，并且无法通过位于环形管路FRA和FRB上游的阀VA和VB来补偿。因此，根据现有技术的内燃机的控制器通常基于具有最差燃烧值的燃烧器来配置。然而，由此其他燃烧器没有以最佳方式运行。
图3示出了用于说明在根据本发明的燃气轮机的情况下的燃料输送的图。根据本发明的燃气轮机具有多个燃烧器，其中为了清楚起见仅明确示出了两个燃烧器BN1和BN2。相应的燃烧器BN1或BN2在此也可以具有多个燃烧位置和/或被设计为燃烧器组。此外，根据本发明的燃气轮机具有多个燃料级，为了清楚起见，在图3中同样仅明确指示了其中的两个燃料级FSA和FSB。如上所述，燃料级FSA和FSB用于将燃料供给流划分到各个燃烧器BN1和BN2。然而，与结合图2描述的根据现有技术的燃气轮机相比，在根据本发明的燃气轮机中对于每个燃烧器BN1和BN2或每个燃烧器组单独地进行该划分。
为了将燃料供给流划分到各个燃料级FSA和FSB，设置了可控的特定于燃烧器的多路阀MV1和MV2。因此，向每个燃烧器BN1和BN2分别专门分配了多路阀MV1和MV2。多路阀MV1和MV2通过跨级的环形管路FR连接到燃气轮机的主供应管路MSL，经由该主供应管路将总燃料流F引导到多路阀MV1和MV2。
优选地，为了暂时中断或减少燃料供给流，在多路阀MV1和MV2的上游连接跨燃烧器的阀（未示出）。燃料供给流的这种中断通常也称为跳闸，并且燃料供给流的这种减少通常称为卸载。
通过将燃料流特定于燃烧器地划分到各个燃料级FSA和FSB，可以补偿特定于燃烧器的燃烧过程差异，此外还可以特定于燃烧器地优化所述燃烧过程差异。特别是可以针对每个燃烧器单独优化污染物排放、局部温度峰值、压力波动、功率、效率、燃料消耗、使用寿命、磨损、疲劳和/或燃料喷嘴的堵塞。通过可能省略的特定于级的环形管路，在许多情况下还可以减少管道耗费。
此外，各个燃烧器BN1或BN2可以有针对性地在不同的功率点、不同的燃烧温度和/或不同的燃料量下运行。因此通常可以有效地减少一氧化碳的形成，特别是在较低负荷下，和/或氮氧化物的形成。因此，在许多情况下燃气轮机可以在遵守排放法规的同时在非常低的功率下运行并保持待机状态。
图4以示意图示出了用于控制根据本发明的燃气轮机GT的装置。对于在图4中使用的与图3中相同的附图标记而言，通过这些附图标记表示与图3中相同的实体。这些实体特别是可以如图3中描述的那样设计。
燃气轮机GT具有实施根据本发明的控制方法的涡轮机控制器CTL。在图4中，涡轮机控制器CTL在燃气涡轮GT的外部示出。替代地，涡轮机控制器CTL也可以完全或部分地在燃气涡轮机GT中实施。所述涡轮机控制器具有一个或多个用于执行涡轮机控制器CTL的方法步骤的计算机或处理器PROC，以及一个或多个用于存储将由涡轮机控制器CTL处理的数据的存储器MEN。特别地，为了控制实施根据本发明的方法的计算机程序，在涡轮机控制器CTL中设置非易失性存储器。
燃气轮机GT具有多个燃烧器，为了清楚起见，图4中仅示出了其中的两个燃烧器BN1和BN2。在此，相应的燃烧器BN1或BN2也可以具有多个燃烧位置和/或被设计为燃烧器组。每个燃烧器BN1和BN2分别通过电或液压的多路阀MV1和MV2以特定于燃烧器的方式进料。多路阀MV1和MV2将到燃烧器BN1和BN2的燃料供给流以特定于燃烧器或特定于燃烧器组的方式划分到各个燃料级，如已结合图3所述的。
多路阀MV1和MV2分别由特定于燃烧器的控制数据（在这里分别是SD1和SD2）操控，通过这些数据为每个多路阀MV1和MV2以特定于燃烧器或特定于燃烧器组的方式设置燃料供给流向不同燃烧级的划分。此外，通过控制数据SD1和SD2也可以以特定于燃烧器或特定于燃烧器组的方式设置燃料和空气之间的混合比、喷射压力或其他控制参数。
在相应的燃烧器BN1和BN2处，分别布置有特定于燃烧器的传感器AS1和AS2，所述传感器分别优选实时地测量所涉及燃烧器BN1和BN2的特定于燃烧器的燃烧测量数据VD1和VD2。在本实施例中，特别是测量由相应燃烧室内的压力波动产生的相应燃烧器BN1和BN2的声学振动。在此，声学振动的强度分别在多个频率范围内，优选在15Hz和10kHz之间针对每个燃烧器BN1和BN2单独检测，并且分别作为燃烧测量数据VD1和VD2输出。附加地，通过传感器AS1和AS2还可以检测特定于燃烧器的污染物排放（特别是氮氧化物、一氧化碳或未燃烧的碳氢化合物的污染物排放）、污染物的化学成分、燃烧温度或燃烧温度分布、入口温度或废气温度、压力、燃料-空气混合比、燃料供给流或其他燃烧参数作为燃烧测量数据VD1和VD2。
将由相应的传感器AS1和AS2测量和输出的燃烧测量数据VD1和VD2分别分配给标识所涉及燃烧器BN1和BN2的燃烧器标识符BK1和BK2，并且传送到涡轮机控制器CTL。
此外，燃气轮机GT具有性能传感器PS，所述性能传感器优选实时地测量燃气轮机GT的性能测量数据PD。性能传感器PS可以全部或部分地包括传感器AS1和AS2。性能测量数据PD可以以特定于燃烧器的方式或跨燃烧器地加以测量，并且必要时可以是由传感器AS1和AS2测量的燃烧测量数据VD1和VD2的一部分。性能测量数据PD可以特别是包括与燃气轮机GT的功率、效率、燃料消耗或磨损有关，与燃烧室中的压力波动有关，与污染物（特别是氮氧化物、一氧化碳或未燃烧的碳氢化合物）的排放有关，与入口温度有关，与废气温度有关，与局部温度峰值有关或与燃料喷嘴的堵塞有关的测量数据，以及与涉及燃气轮机GT的性能的其他运行变量有关的测量数据。
燃烧测量数据VD1以分配给燃烧器标识符BK1的方式并且燃烧测量数据VD2以分配给燃烧器标识符BK2的方式分别传送到涡轮机控制器CTL的机器学习模型NN。性能测量数据PD同样由性能传感器PS传送到机器学习模型NN。性能测量数据PD与分配给燃烧器标识符BK1和BK2的燃烧测量数据VD1和VD2一起用作训练数据，以数据驱动地训练机器学习模型NN。
在本实施例中，机器学习模型NN由人工神经网络实施。优选地借助于强化学习方法（Reinforcement-Learning）来训练人工神经网络。在此，在奖励函数中评估性能测量数据PD，该奖励函数基于性能测量数据PD确定燃气轮机GT的性能值，该性能值将通过所述训练优化。这样的奖励函数通常也称为Reward-Function。大量已知的强化学习方法可用于执行所述训练。优选地，可以将所谓的PGNRR方法（PGNRR：策略梯度神经奖励回归）、所谓的VOP-PGNRR方法（VOP-PGNRR：可变目标策略PGNRR）或诸如所谓的RCNN方法（RCNN：递归控制神经网络）的基于模型的强化学习方法用于所述训练。
在本实施例中，对于燃气轮机GT的每个燃烧器（这里是BN1和BN2），机器学习模型NN分别包括特定于燃烧器的子模型ML1和ML2，该子模型借助于训练数据PD以及VD1、BK1和VD2、BK2被训练为分别通过相应的燃烧器BN1和BN2生成特定的控制数据，这里是SD1和SD2。并行训练子模型ML1和ML2，并且在燃气轮机GT的生产运行中并行执行经过训练的子模型ML1和ML2。通过子模型ML1和ML2的并行执行，可以大大加快经过训练的机器学习模型NN的应用，从而在生成控制数据SD1和SD2时可以实现高时间分辨率。
在这种关联下——遵循本领域的传统语言用法，训练应理解为将机器学习模型的输入数据（这里是NN）映射为一个或多个目标变量，该映射根据预给定标准在训练阶段期间加以优化。在此，形成机器学习模型NN的面向预给定标准优化的训练结构。该训练结构可以例如包括神经网络的神经元的联网结构和/或神经元之间连接的权重，它们通过训练被构造为使得尽可能好地满足预给定标准。可以在要优化的奖励函数中映射所述预给定标准。
在本实施例中，机器学习模型NN从燃气轮机GT接收分别分配给所涉及燃烧器标识符BK1和BK2的特定于燃烧器的燃烧测量数据VD1和VD2作为输入数据。作为另外的输入数据，机器学习模型NN接收性能测量数据PD。将机器学习模型NN的输出数据作为特定于燃烧器的控制数据SD1和SD2送回燃气轮机GT。借助于控制数据SD1如上所述地操控多路阀MV1，并且借助于控制数据SD2如上所述地操控多路阀MV2。
机器学习模型NN被训练为使得其输出数据（在这里是特定于燃烧器的控制数据SD1和SD2）在通过控制数据SD1和SD2以特定于燃烧器的方式操控多路阀MV1和MV2时优化性能值，由此在一定程度上优化性能测量数据PD。使用性能测量数据PD作为机器学习模型NN的优化标准在图4中由虚线箭头表示。所述训练因此简化为优化问题，对该优化问题有大量优化方法可用。
通过性能值的优化，机器学习模型NN被训练为从特定于燃烧的燃烧测量数据VD1和VD2中为燃气轮机GT的运行生成有利的、即提高性能的控制数据SD1和SD2。借助于以特定于燃烧器的方式优化的控制数据SD1和SD2，通常可以提高燃气轮机GT的效率和/或减少燃气轮机GT的污染物排放或磨损。此外，可以避免局部温度峰值，或者可以减少燃料喷嘴的堵塞。
优选地在燃气轮机GT的正在进行的生产运行中基于当前检测的燃烧测量数据和性能测量数据进一步训练机器学习模型NN。特别地，可以设置用于连续优化的闭合调节回路，以便因此连续地使燃气轮机GT适配于由环境或运行时间引起的变化。
根据本发明的一种实施变型，燃烧测量数据VD1和VD2也可以通过传感器AS1和AS2以特定于燃料级的方式检测，并且可以向所述燃烧测量数据分配标识相应燃料级的燃料级标识符。然后，特定于燃烧器的和特定于燃料级的燃烧测量数据VD1和VD2可以以分配给相应燃料级标识符的方式作为输入数据传送到机器学习模型NN，以训练该机器学习模型。按照燃料级的额外区分使得也可以对特定于燃料级的相互依赖性进行建模并且在优化性能值时考虑所述相互依赖性。
根据本发明的另一实施变型，可以设置另外的机器学习模型（未示出），该另外的机器学习模型被训练为生成另外的控制数据，通过所述另外的控制数据设置燃烧器BN1和BN2之间的燃料流分布并且附加地优化性能值和/或另外的性能值。