基于高斯混合模型的汽輪機轉(zhuǎn)軸故障診斷方法

羅嬋純，李德忠，楊柳，胡蓉，任資龍，謝小鵬，向春波

(1.大唐華銀攸縣能源有限公司，湖南 株洲 412307； 2.湖南大唐先一科技有限公司，長沙 410007)

基于高斯混合模型的汽輪機轉(zhuǎn)軸故障診斷方法

羅嬋純1，李德忠2，楊柳2，胡蓉2，任資龍2，謝小鵬2，向春波2

(1.大唐華銀攸縣能源有限公司，湖南 株洲 412307； 2.湖南大唐先一科技有限公司，長沙 410007)

基于K均值聚類算法與高斯混合模型，通過對某電廠320 MW機組歷史運行數(shù)據(jù)的訓(xùn)練，建立汽輪機轉(zhuǎn)軸的高斯混合模型，計算實時狀態(tài)信息與模型中各工況中期望值的相似度，進行工況隸屬分類，再結(jié)合汽輪機轉(zhuǎn)軸故障征兆知識庫中的故障模式進行故障類型匹配，最終實現(xiàn)了汽輪機轉(zhuǎn)軸的故障診斷。

汽輪機轉(zhuǎn)軸；高斯混合模型；K均值聚類算法；故障診斷

0 引言

汽輪機是發(fā)電系統(tǒng)的重要設(shè)備，復(fù)雜的設(shè)備結(jié)構(gòu)和特殊的運行環(huán)境使其非常容易發(fā)生異常振動等故障，給電力系統(tǒng)的正常運行造成不利的影響。因此，加強對汽輪機故障診斷技術(shù)的研究，對于提高電力系統(tǒng)的運行效率和供電質(zhì)量具有重要的現(xiàn)實意義[1]。

智能故障診斷技術(shù)主要原理是利用人工智能技術(shù)來實現(xiàn)實時故障診斷，是未來的診斷發(fā)展方向。智能故障診斷方法目前有多種，其中應(yīng)用較廣、學(xué)者比較認(rèn)可的有專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)以及支持向量機方法等[2-6]。神經(jīng)網(wǎng)絡(luò)具有很好的泛化能力，容錯性較高，但是神經(jīng)網(wǎng)絡(luò)算法采用的是經(jīng)驗風(fēng)險最小化原則，容易陷入局部極小點，而且收斂速度慢，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜[7]。高斯混合模型是一種半?yún)?shù)的密度估計方法，它融合了參數(shù)估計法和非參數(shù)估計法的優(yōu)點，不局限于特定的概率密度函數(shù)形式，模型的復(fù)雜度僅與所研究問題的復(fù)雜度有關(guān)，與樣本集合的大小無關(guān)[8]。因此，本文采用混合高斯模型進行汽輪機轉(zhuǎn)軸故障診斷[9-10]。

1 高斯混合模型

假設(shè)x∈RD(D為向量x的維度)是來自多工況過程的歷史數(shù)據(jù)，其概率密度函數(shù)可以用高斯混合表示為[11]

式中：K為高斯分量的數(shù)目；ωk為第k個高斯分量的權(quán)重；μk，∑k分別為局部高斯模型的均值和協(xié)方差；g(x|μk,∑k)為第k個高斯分量的多元高斯密度函數(shù)，由下式表示

(1)E-step。

式中：p(s)(Ck|xi)為第s次迭代后第i個訓(xùn)練樣本xi屬于第k個高斯分量的后驗概率。

(2)M-step。

在得到高斯混合模型的數(shù)學(xué)求解結(jié)果后，計算機基于EM算法不斷求解迭代可以得到各個模型參數(shù)。在現(xiàn)場得到的實時數(shù)據(jù)將與高斯混合模型中的

M個模型期望值進行相似度比較，相似度最高的聚類中心將作為實時數(shù)據(jù)的期望值。

對于2個d維數(shù)據(jù)(a1，a2，…，ad),(b1，b2，…，bd)，相似度計算公式如下。

2 汽輪機轉(zhuǎn)軸故障診斷的實現(xiàn)

本文選取某電廠320 MW機組的高壓主蒸汽溫度、再熱蒸汽溫度、轉(zhuǎn)速、軸承回油溫度等47個測點值作為特征參數(shù)輸入，選取合適的步長，將該電廠某機組1 a的歷史數(shù)據(jù)共8 700條作為樣本數(shù)據(jù)進行訓(xùn)練，基于K均值聚類和高斯混合模型，建立汽輪機轉(zhuǎn)軸工況分類模型，具體步驟如圖1所示。

圖1 高斯混合模型聚類流程

(1)選取反映設(shè)備狀態(tài)的特征參數(shù)、環(huán)境參數(shù)、工況參數(shù)作為設(shè)備預(yù)警監(jiān)測模型參數(shù)。

(2)確定時間步長，從實時數(shù)據(jù)庫選取設(shè)備最近一年的運行數(shù)據(jù)，建立設(shè)備預(yù)警模型的原始訓(xùn)練樣本數(shù)據(jù)。

(3)清除不滿足設(shè)備運行模式的數(shù)據(jù)，按時間順序?qū)颖緮?shù)據(jù)中的異常樣本點進行查找并重構(gòu)，形成訓(xùn)練樣本。

(4)采用K均值聚類分析方法對步驟(3)的訓(xùn)練樣本進行初步聚類分析，初步分類的結(jié)果作為輸入?yún)?shù)再次對訓(xùn)練樣本進行聚類分析。聚類后產(chǎn)生代表整個樣本的訓(xùn)練矩陣，訓(xùn)練矩陣中每條行向量代表選定歷史樣本中某個典型的工況信息。

(5)從火電廠分散控制系統(tǒng)(DCS)中采集設(shè)備預(yù)警模型測點的實時數(shù)據(jù)，計算實時數(shù)據(jù)與訓(xùn)練矩陣中各狀態(tài)向量的歐氏距離，生成相似關(guān)系矩陣。根據(jù)相似關(guān)系表計算出實時數(shù)據(jù)與訓(xùn)練矩陣各向量的隸屬度矩陣，通過隸屬度矩陣和高斯矩陣的點積計算得到與實時數(shù)據(jù)對應(yīng)的期望值。

(6)實時數(shù)據(jù)與步驟(5)產(chǎn)生的期望值進行相似度計算，當(dāng)相似度值小于設(shè)定的最小相似度且連續(xù)超過一定時間時，預(yù)警值觸發(fā)。

3 故障征兆知識庫

汽輪機轉(zhuǎn)軸故障診斷的目的是預(yù)測汽輪機轉(zhuǎn)軸的早期故障并安排運行人員及時排除，其基本方法是：收集汽輪機轉(zhuǎn)軸的各種故障集和征兆集，通過大量的真實數(shù)據(jù)訓(xùn)練形成一個知識庫，當(dāng)監(jiān)測汽輪機的運行參數(shù)出現(xiàn)征兆集中對應(yīng)的某些征兆時，就可以判斷為相應(yīng)的故障。本文針對某電廠320 MW機組汽輪機轉(zhuǎn)軸的特性，確定了9個典型故障類型，訓(xùn)練樣本的知識庫見表1(表中：1表示特征參數(shù)數(shù)據(jù)異常，0表示正常)。

表中的列為特征參數(shù)：(1)轉(zhuǎn)速值；(2)低壓缸排汽溫度(發(fā)電機端)；(3)低壓缸排汽溫度(調(diào)速器端)；(4)冷油器出口油溫；(5)轉(zhuǎn)子偏心；(6)差脹；(7)#1軸承振動(X向)；(8)#1軸承轉(zhuǎn)子振動(Y向)；(9)#1軸承金屬溫度1；(10)#1軸承金屬溫度2；(11)#1軸承瓦振；(12)汽機#1軸承回油溫度；(13)#2軸承振動(X向)；(14)#2軸承轉(zhuǎn)子振動(Y向)；(15)#2軸承金屬溫度；(16)#2軸承瓦振；(17)汽機#2軸承回油溫度；(18)#3軸承振動(X向)；(19)#3軸承轉(zhuǎn)子振動(Y向)；(20)#3軸承金屬溫度1；(21)#3軸承金屬溫度2；(22)#3軸承瓦振；(23)汽機#3軸承回油溫度；(24)#4軸承振動(X向)；(25)#4軸承轉(zhuǎn)子振動(Y向) ；(26)#4軸承金屬溫度1；(27)#4軸承金屬溫度2；(28)#4軸承瓦振；(29)汽機#4軸承回油溫度；(30)#5軸承金屬溫度1；(31)#5軸承金屬溫度2；(32)#5軸承振動(X向)；(33)#5軸承轉(zhuǎn)子振動(Y向)；(34)#5軸承瓦振；(35)汽機#5軸承回油溫度；(36)#6軸承金屬溫度1；(37)#6軸承金屬溫度2；(38)#6軸承振動(X向)；(39)#6軸承轉(zhuǎn)子振動(Y向)；(40)#6軸承瓦振；(41)汽機#6軸承回油溫度；(42)汽機后推力軸承回油溫度；(43)汽機前推力軸承回油溫度；(44)汽機軸位移1；(45)汽機軸位移2；(46)汽機軸位移3；(47)汽機軸位移4。

表1 汽輪機轉(zhuǎn)軸故障模式知識庫

表中的行為征兆集：(1)排汽溫度高；(2)#1軸承異常；(3)#2軸承異常；(4)#3軸承異常；(5)#4軸承異常；(6)#5軸承異常；(7)#6軸承異常；(8)推力軸承異常；(9)潤滑油冷油器管路阻塞，冷卻水流量低，冷油器內(nèi)部傳熱問題，潤滑油品質(zhì)問題。

4 故障診斷流程及方法

故障診斷的大致步驟為：先確定汽輪機轉(zhuǎn)軸故障征兆知識庫，然后對健康樣本數(shù)據(jù)進行訓(xùn)練，建立設(shè)備故障診斷的高斯混合模型，再將從DCS上采集的實時狀態(tài)信息與高斯混合模型中各聚類中心進行相似度比較，選擇相似度最大的一類進行隸屬分類；與高斯混合模型中得到的相似度閥值進行比較，判斷實時狀態(tài)是否異常，若異常，則計算狀態(tài)信息與汽輪機轉(zhuǎn)軸故障模式知識庫中各故障模式的匹配度，選擇匹配度最高的一類故障，根據(jù)預(yù)先設(shè)定的匹配度限值來確定故障類型，如果不滿足所有故障類型，則輸出為疑似故障，最終由相關(guān)專業(yè)人員進行故障分析，將其加入故障征兆知識庫或定義為正常狀態(tài)。具體流程如圖2所示。

圖2 汽輪機轉(zhuǎn)軸故障診斷軟件流程

圖3、圖4展示了汽輪機轉(zhuǎn)軸工況相似度與相似度閥值隨時間的變化趨勢，以及某一時刻狀態(tài)信息中的特征值與高斯混合模型中期望值的相似度，當(dāng)設(shè)備狀態(tài)相似度低于相似度限值時，系統(tǒng)將出現(xiàn)告警并進一步進行故障類型診斷。柱狀圖為某一時刻單個特征值與期望值的相似度，當(dāng)相似度大于相似度閥值，則將特征值的狀態(tài)置為1，反之置為0，然后將所有特征值的狀態(tài)構(gòu)造成向量，與汽輪機轉(zhuǎn)軸故障征兆知識庫進行匹配度計算，選擇匹配度最大的一類，從而實現(xiàn)汽輪機轉(zhuǎn)軸的故障診斷。

圖3 工況相似度變化趨勢

圖4 參數(shù)相似度柱狀圖

5 結(jié)論

本文研究了基于K均值聚類和高斯混合模型的汽輪機轉(zhuǎn)軸故障診斷方法，選取反映設(shè)備狀態(tài)的特征參數(shù)、環(huán)境參數(shù)、工況參數(shù)作為設(shè)備預(yù)警監(jiān)測模型參數(shù)，進行汽輪機轉(zhuǎn)軸故障診斷的建模，取得了期望的診斷效果，實現(xiàn)了火電廠汽輪機轉(zhuǎn)軸的故障診斷。模型所采用的數(shù)據(jù)是針對某電廠320 MW機組汽輪機轉(zhuǎn)軸建立的，對于后期汽輪機轉(zhuǎn)軸故障診斷系統(tǒng)的不斷擴充，該知識庫仍需要完善，但可以作為同型號汽輪機轉(zhuǎn)軸故障診斷的依據(jù)及研究參考。

[1]王波.汽輪機故障診斷技術(shù)探討[J].機電信息,2014(15):102-103.

[2]郭海峰.汽輪機轉(zhuǎn)子典型振動故障診斷模型訓(xùn)練系統(tǒng)[J].應(yīng)用能源技術(shù),2016(11)：4-5.

[3]董文斌. 一種基于SVM的汽輪機故障診斷方法[J].信息系統(tǒng)工程,2016(7):104,106.

[4]羅綿輝,梁嘯.小波包分析及高斯混合模型在汽輪機振動故障診斷中的應(yīng)用[J].華電技術(shù),2008,30(12):21-23.

[5]陳遠帆,李舜酩.基于高斯混合模型與改進網(wǎng)格搜索法的軸承故障診斷[J].重慶理工大學(xué)學(xué)報(自然科學(xué)版),2016,30(3):34-39.

[6]楊宇,于德介,程軍圣.基于EMD與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[J].振動與沖擊,2005,24(1):85-88.

[7]LI B,CHOW M Y,TIPSUWAN Y,et al.Neural-network-based motor rolling bearing fault diagnosis[J].IEEE transactions on industrial electronics，2000,47(5):1060-1069.

[8]BISHOP C M.Neural networks for pattern recognition[M].New York:Oxford University Press,1996.

[9]孫賢昌,田學(xué)民,張妮.一種基于GMM的多工況過程故障診斷方法[J].計算機與應(yīng)用化學(xué),2014,31(1)：33-39.

[10]李元,孫健.基于高斯混合模型和變量重構(gòu)組合法的故障診斷與分離[J].南京航空航天大學(xué)學(xué)報,2011，43(S1)：207-210.

[11]YU J,QIN S J.Multimode process monitoring with bayesian inference-based finite gaussian mixture models[J].Aiche journal,2008,54(7):1811-1829.

TK 268

A

1674-1951(2017)10-0006-04

2017-03-06；

2017-10-11

(本文責(zé)編：劉芳)

羅嬋純(1990—)，女，湖南攸縣人，工程師，從事電廠熱工控制工作(E-mail:704270770@qq.com)。