基于LSTM-SVM的燃?xì)廨啓C(jī)壓氣機(jī)故障預(yù)警研究

彭道剛，姬傳晟，涂 煊，王丹豪

(1. 上海電力大學(xué) 自動(dòng)化工程學(xué)院， 上海 200090; 2. 上海工業(yè)自動(dòng)化儀表研究院有限公司， 上海 200233)

壓氣機(jī)是燃?xì)廨啓C(jī)的重要部件之一[1]，其運(yùn)行狀態(tài)直接影響燃?xì)廨啓C(jī)的安全性和可靠性。但由于壓氣機(jī)長(zhǎng)期在高轉(zhuǎn)速、高溫環(huán)境中運(yùn)行，經(jīng)常會(huì)出現(xiàn)葉片積垢、磨損腐蝕等故障。如果能夠在早期發(fā)現(xiàn)壓氣機(jī)的故障趨勢(shì)，提前進(jìn)行維修和保護(hù)，可以降低因這些故障引起的燃?xì)廨啓C(jī)不穩(wěn)定運(yùn)行或非計(jì)劃停機(jī)的風(fēng)險(xiǎn)[2]。因此，壓氣機(jī)故障預(yù)警對(duì)燃?xì)廨啓C(jī)的穩(wěn)定運(yùn)行具有重要意義。

目前，對(duì)壓氣機(jī)的研究主要集中在壓氣機(jī)故障類型對(duì)燃?xì)廨啓C(jī)機(jī)組性能的影響上，而對(duì)壓氣機(jī)故障預(yù)警方面的研究較少。劉濤等[3]采用多元狀態(tài)估計(jì)和偏離度的方法對(duì)電廠風(fēng)機(jī)故障進(jìn)行預(yù)警。通過多元狀態(tài)估計(jì)建立風(fēng)機(jī)的參數(shù)模型，利用偏離度監(jiān)測(cè)模型輸出結(jié)果，捕捉故障發(fā)展過程，實(shí)現(xiàn)預(yù)警。滕衛(wèi)明等[4]提出了基于相似性原理的發(fā)電設(shè)備故障預(yù)警系統(tǒng)，將歷史數(shù)據(jù)通過數(shù)學(xué)分析建立矩陣模型，比較實(shí)際值與模型輸出估計(jì)值，若超過預(yù)定偏差就報(bào)警。崔亞輝等[5]提出了利用灰色理論和相似性原理建立汽輪發(fā)電機(jī)組動(dòng)態(tài)預(yù)警模型，采用超球相似度分析技術(shù)能夠及時(shí)發(fā)現(xiàn)設(shè)備的異常狀態(tài)，為設(shè)備故障預(yù)警提供了新方法。上述方法雖然沒有應(yīng)用于燃?xì)廨啓C(jī)領(lǐng)域，但有一定的參考價(jià)值，壓氣機(jī)結(jié)構(gòu)復(fù)雜，其不同故障類型之間對(duì)應(yīng)的特征參數(shù)變化關(guān)聯(lián)性強(qiáng)，增加了壓氣機(jī)早期故障預(yù)警的難度。

因此，筆者提出了一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)和支持向量機(jī)(LSTM-SVM)的燃?xì)廨啓C(jī)壓氣機(jī)故障預(yù)警方法。根據(jù)文獻(xiàn)研究和壓氣機(jī)故障案例分析確定特征參數(shù)，并根據(jù)壓氣機(jī)歷史數(shù)據(jù)建立相應(yīng)的長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)單輸入單輸出預(yù)測(cè)模型。將特征參數(shù)運(yùn)行數(shù)據(jù)代入相應(yīng)的預(yù)測(cè)模型，通過監(jiān)測(cè)模型輸出的預(yù)測(cè)值與實(shí)際值之間的殘差曲線，設(shè)定報(bào)警閾值，超限報(bào)警；再將報(bào)警點(diǎn)的報(bào)警信息通過正負(fù)偏離度進(jìn)行數(shù)據(jù)處理后作為支持向量機(jī)的輸入?yún)?shù)，從而預(yù)測(cè)壓氣機(jī)的故障類型，實(shí)現(xiàn)燃?xì)廨啓C(jī)壓氣機(jī)故障預(yù)警。

1 長(zhǎng)短期記憶網(wǎng)絡(luò)與支持向量機(jī)

1.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

LSTM是遞歸神經(jīng)網(wǎng)絡(luò)的一種，適用于預(yù)測(cè)時(shí)間序列樣本[6]。燃?xì)廨啓C(jī)壓氣機(jī)的數(shù)據(jù)是按照時(shí)間周期進(jìn)行采樣，且采樣時(shí)間固定。因此，在處理時(shí)間序列數(shù)據(jù)方面，LSTM對(duì)燃?xì)廨啓C(jī)壓氣機(jī)的預(yù)測(cè)效果良好。LSTM擁有能夠跨越時(shí)間點(diǎn)的自連接隱藏層，隱藏層的輸出不僅進(jìn)入輸出端，還進(jìn)入下一個(gè)時(shí)間步驟的隱藏層，所以它能夠持續(xù)保留信息，根據(jù)歷史狀態(tài)判斷出將來的狀態(tài)。LSTM中包括遺忘門、輸入門和輸出門3種門限，每個(gè)門限都包含sigmoid激活函數(shù)。sigmoid激活函數(shù)將取值約束在[0,1]，這個(gè)特點(diǎn)可以保留和移除原來的信息。

遺忘門是將上一時(shí)刻(t-1時(shí)刻)的輸出ht-1和t時(shí)刻的輸入數(shù)據(jù)xt作為輸入，通過sigmoid激活函數(shù)得到輸出ft。

ft=σ(Wf×[ht-1,xt]+bf)

(1)

式中：Wf為t時(shí)刻遺忘門權(quán)重;bf為遺忘門的偏置量;σ為sigmoid激活函數(shù)。

it=σ(Wi×[ht-1,xt]+bi)

(2)

(3)

(4)

輸出門ot用來控制該層的細(xì)胞狀態(tài)有多少被過濾:

ot=σ(Wo×[ht-1,xt]+bo)

(5)

ht=ot×tanh(Ct)

(6)

式中：Wo為t時(shí)刻輸出門ot的權(quán)重;bo為偏置量。

LSTM預(yù)測(cè)模型通過將燃?xì)廨啓C(jī)壓氣機(jī)特征參數(shù)的運(yùn)行數(shù)據(jù)導(dǎo)入并進(jìn)行歸一化，設(shè)置網(wǎng)絡(luò)參數(shù)，利用遺忘門、輸入門和輸出門對(duì)壓氣機(jī)的歷史數(shù)據(jù)進(jìn)行處理，使壓氣機(jī)特征參數(shù)的歷史狀態(tài)不斷更新，從而調(diào)節(jié)輸出，使其具有較好的預(yù)測(cè)效果。

1.2 偏離度

筆者通過監(jiān)測(cè)壓氣機(jī)特征參數(shù)的殘差曲線進(jìn)行故障報(bào)警，選取壓氣機(jī)進(jìn)氣質(zhì)量流量、壓氣機(jī)效率、入口溫度、出口溫度、入口壓力、出口壓力和級(jí)組壓比7個(gè)特征參數(shù)來反映燃?xì)廨啓C(jī)壓氣機(jī)的狀態(tài)，分別記為xi{i=1，2，3，…，7}。由于7個(gè)特征參數(shù)的量綱不同，需要對(duì)報(bào)警信息進(jìn)行處理，因此引入偏離度(見式(7))，將信息進(jìn)行偏離計(jì)算。為了區(qū)分偏離的方向性，定義了正、負(fù)偏離度。將超過高報(bào)警限定義為正偏離度即殘差監(jiān)測(cè)超上限，低于低報(bào)警限定義為負(fù)偏離度即殘差監(jiān)測(cè)超下限，如果沒有報(bào)警信息則定義為0。通過LSTM預(yù)測(cè)模型監(jiān)測(cè)7個(gè)特征參數(shù)，將報(bào)警信息構(gòu)成向量Mk[m1,m2,…,m7](k為樣本數(shù))，作為SVM模型的輸入。取訓(xùn)練樣本為20，測(cè)試樣本為80。

(7)

式中：mi為第i個(gè)特征參數(shù)的報(bào)警點(diǎn)偏離度;xi實(shí)為第i個(gè)特征參數(shù)報(bào)警點(diǎn)的實(shí)際值;xi預(yù)測(cè)為第i個(gè)特征參數(shù)報(bào)警點(diǎn)的預(yù)測(cè)值。

1.3 支持向量機(jī)

支持向量機(jī)[7]對(duì)有限樣本數(shù)據(jù)具有很好的分類效果。筆者利用LSTM預(yù)測(cè)模型，通過監(jiān)測(cè)模型輸出的殘差曲線獲得報(bào)警向量，作為支持向量機(jī)的輸入，并利用SVM進(jìn)行分類，判斷出壓氣機(jī)的故障類型。

支持向量機(jī)的訓(xùn)練集T如下：

T={(M1,y1),(M2,y2),…,(Mi,yi),…,

(Mk,yk)}

(8)

式中：Mi為第i個(gè)報(bào)警向量；yi為壓氣機(jī)故障類型標(biāo)記,yi取-1或1,i=1,2,…,k。

目標(biāo)函數(shù)和約束條件如下：

(9)

s.t.yi(ω·Mi+b)≥1,i=1,2,…,k

(10)

式中：ω為劃分壓氣機(jī)故障類型的超平面法向量；b為劃分壓氣機(jī)故障類型的超平面偏移項(xiàng)。

SVM一般需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后建立規(guī)劃模型對(duì)樣本數(shù)據(jù)進(jìn)行分類，具有較高的準(zhǔn)確率。SVM一般是解決二分類問題，由于所研究壓氣機(jī)有4個(gè)故障類別，所以需要考慮多分類的情況。對(duì)于支持向量機(jī)四分類問題，采取“一類對(duì)其余類”的方法，即先分出一類確定類別，把另外三類劃分成另一類，構(gòu)成一個(gè)樣本集，同理，就會(huì)有4個(gè)樣本集，構(gòu)成了4個(gè)二分類問題。每個(gè)樣本集都會(huì)有分類結(jié)果，選取最大值作為最終的分類結(jié)果。

2 燃?xì)廨啓C(jī)壓氣機(jī)故障類型預(yù)警

燃?xì)廨啓C(jī)壓氣機(jī)故障的形成都有早期征兆，這些征兆隱藏在壓氣機(jī)運(yùn)行參數(shù)的變化中，挖掘出這些征兆參數(shù)并建立預(yù)測(cè)模型，對(duì)模型輸出預(yù)測(cè)值與實(shí)際值的殘差曲線進(jìn)行監(jiān)測(cè)，捕捉壓氣機(jī)故障發(fā)展過程，提取報(bào)警信息，然后利用支持向量機(jī)進(jìn)行模式識(shí)別，實(shí)現(xiàn)燃?xì)廨啓C(jī)壓氣機(jī)的故障類型預(yù)警。

2.1 特征參數(shù)選取

燃?xì)廨啓C(jī)壓氣機(jī)常見的4種故障為葉片積垢[8]、葉片磨損腐蝕[9]、進(jìn)氣口結(jié)冰[10]和喘振[11]。壓氣機(jī)故障的發(fā)生會(huì)伴隨特征參數(shù)的變化。國(guó)內(nèi)有些學(xué)者對(duì)壓氣機(jī)的故障類型與其特征參數(shù)之間的關(guān)系進(jìn)行了研究。韓朝兵等[12]通過對(duì)PG9351FA型燃?xì)廨啓C(jī)進(jìn)行實(shí)驗(yàn)仿真，證明燃?xì)廨啓C(jī)壓氣機(jī)葉片積垢會(huì)使壓氣機(jī)的進(jìn)氣質(zhì)量流量和壓比減小，效率降低。孫海鷗等[13]對(duì)單級(jí)軸流式壓氣機(jī)NASA Stage35模型進(jìn)行研究，所得結(jié)果類似。王浩[14]通過專家經(jīng)驗(yàn)和案例分析建立了燃?xì)廨啓C(jī)故障知識(shí)庫，認(rèn)為燃?xì)廨啓C(jī)壓氣機(jī)葉片磨損腐蝕會(huì)使壓氣機(jī)出口壓力降低、進(jìn)氣質(zhì)量流量減小、入口溫度不變等。陳仁貴等[15]通過熱力學(xué)模型驗(yàn)證進(jìn)氣口結(jié)冰會(huì)導(dǎo)致空氣流量減小、壓氣機(jī)效率降低等。劉健鑫等[16]研究表明燃?xì)廨啓C(jī)壓氣機(jī)喘振會(huì)使進(jìn)氣質(zhì)量流量減小，入口溫度升高，壓氣機(jī)效率降低。

壓氣機(jī)故障對(duì)其特征參數(shù)具有較大影響，同時(shí)特征參數(shù)的變化也能夠反映壓氣機(jī)的狀態(tài)，因此選取合理的特征參數(shù)顯得至關(guān)重要。

2.2 故障預(yù)警流程

根據(jù)選取的7個(gè)特征參數(shù)，利用正常歷史數(shù)據(jù)分別建立LSTM單輸入單輸出的預(yù)測(cè)模型，使其具有良好的預(yù)測(cè)效果。然后把特征參數(shù)運(yùn)行數(shù)據(jù)代入訓(xùn)練好的預(yù)測(cè)模型，對(duì)各模型輸出的殘差曲線進(jìn)行監(jiān)測(cè)，設(shè)立報(bào)警閾值，超限則報(bào)警，為了能夠預(yù)警出壓氣機(jī)將來發(fā)生什么故障，需要將所有的報(bào)警信息進(jìn)行故障特征提取，采用正負(fù)偏離度來進(jìn)行數(shù)據(jù)處理，構(gòu)成的向量作為SVM模型的輸入。SVM模型對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后對(duì)樣本進(jìn)行分類，從而預(yù)警出壓氣機(jī)的故障類型，實(shí)現(xiàn)了燃?xì)廨啓C(jī)壓氣機(jī)的故障預(yù)警，其流程圖如圖1所示。

圖1 燃?xì)廨啓C(jī)壓氣機(jī)故障預(yù)警流程圖

3 仿真分析

3.1 LSTM預(yù)測(cè)模型

以PG9351FA型燃?xì)廨啓C(jī)為例，選取某電廠2017年5月10日的壓氣機(jī)正常歷史數(shù)據(jù)3 000組，測(cè)試數(shù)據(jù)300組。大氣壓力為101.3 kPa,壓氣機(jī)輸出功率為255.6 MW，壓氣機(jī)壓比為15.4。通過對(duì)7個(gè)特征參數(shù)進(jìn)行訓(xùn)練，觀察各LSTM預(yù)測(cè)模型輸出的預(yù)測(cè)值與實(shí)際值曲線，如圖2所示。從圖2可以看出，預(yù)測(cè)值與實(shí)際值曲線吻合度較好，殘差曲線波動(dòng)范圍為±0.5%，表明LSTM預(yù)測(cè)模型輸出的預(yù)測(cè)誤差在0.5%以內(nèi)，驗(yàn)證了該模型對(duì)壓氣機(jī)這7個(gè)特征參數(shù)適應(yīng)性較好。

為了能夠捕捉燃?xì)廨啓C(jī)壓氣機(jī)的故障趨勢(shì)，選取一段壓氣機(jī)葉片積垢時(shí)進(jìn)氣質(zhì)量流量的早期故障數(shù)據(jù)代入LSTM預(yù)測(cè)模型，得到壓氣機(jī)葉片積垢時(shí)進(jìn)氣質(zhì)量流量的預(yù)測(cè)值與實(shí)際值曲線(見圖3)。從圖3可以看出，壓氣機(jī)葉片積垢時(shí)進(jìn)氣質(zhì)量流量實(shí)際值開始向下偏移，壓氣機(jī)性能開始衰退。通過監(jiān)測(cè)壓氣機(jī)進(jìn)氣質(zhì)量流量預(yù)測(cè)值與實(shí)際值的殘差曲線(見圖4)，可以看出殘差曲線剛開始的波動(dòng)比較均勻，到第116點(diǎn)低于報(bào)警線進(jìn)行報(bào)警，報(bào)警點(diǎn)的進(jìn)氣質(zhì)量流量實(shí)際值為616.48 kg/s，預(yù)測(cè)值為623.08 kg/s,根據(jù)偏離度公式和低報(bào)警限，得到負(fù)偏離度為-1.05。

圖3 葉片積垢時(shí)壓氣機(jī)進(jìn)氣質(zhì)量流量預(yù)測(cè)值和實(shí)際值

圖4 葉片積垢時(shí)壓氣機(jī)進(jìn)氣質(zhì)量流量殘差

由圖5可知，對(duì)于壓氣機(jī)葉片積垢故障，壓氣機(jī)效率也出現(xiàn)下降趨勢(shì)。通過監(jiān)測(cè)此時(shí)壓氣機(jī)效率預(yù)測(cè)值與實(shí)際值的殘差曲線(見圖6)可知，壓氣機(jī)葉片積垢時(shí)效率殘差剛開始的波動(dòng)比較正常，到第148點(diǎn)低于報(bào)警線，于是報(bào)警。報(bào)警點(diǎn)的壓氣機(jī)效率實(shí)際值為87.15%，預(yù)測(cè)值為87.92%。根據(jù)偏離度公式和低報(bào)警限，得到負(fù)偏離度為-0.87。

圖6 葉片積垢時(shí)壓氣機(jī)效率殘差

根據(jù)上述對(duì)報(bào)警信息的處理方法，同理獲得壓氣機(jī)葉片積垢時(shí)其他特征參數(shù)的正負(fù)偏離度，構(gòu)成1個(gè)報(bào)警向量M1[-1.05，-0.87,0，0.93，0，-0.97，-1.12]，再利用正負(fù)偏離度進(jìn)行故障特征提取，并將故障信息代入SVM模型中進(jìn)行故障識(shí)別，對(duì)壓氣機(jī)的故障類型進(jìn)行預(yù)警。

3.2 故障類型預(yù)警結(jié)果對(duì)比

針對(duì)PG9351FA型燃?xì)廨啓C(jī)，將葉片積垢、葉片磨損腐蝕、進(jìn)氣口結(jié)冰和喘振4種故障類型分別記為1,2,3,4。將每種故障類型的早期運(yùn)行數(shù)據(jù)代入LSTM預(yù)測(cè)模型，產(chǎn)生的報(bào)警信息通過正負(fù)偏離度處理作為SVM模型的輸入，從而進(jìn)行故障類型識(shí)別。首先在每種故障類型中選取5個(gè)報(bào)警向量組進(jìn)行訓(xùn)練，共有20個(gè)訓(xùn)練樣本，結(jié)果如圖7所示，可以看出預(yù)警結(jié)果準(zhǔn)確性較高。

圖7 訓(xùn)練樣本LSTM-SVM的預(yù)警結(jié)果

在每種故障類型中選取20個(gè)報(bào)警向量組進(jìn)行測(cè)試，共80個(gè)測(cè)試樣本，分別采用SVM算法與隨機(jī)森林(Random Forest,RF)算法進(jìn)行對(duì)比，LSTM-SVM的預(yù)警結(jié)果如圖8所示。從圖8可以看出，LSTM-SVM的準(zhǔn)確率達(dá)到98.7%。LSTM-RF的預(yù)警結(jié)果如圖9所示。從圖9可以看出，LSTM-RF的準(zhǔn)確率為96.25%。LSTM-SVM的準(zhǔn)確率要比LSTM-RF的準(zhǔn)確率高，因此采用LSTM-SVM的燃?xì)廨啓C(jī)壓氣機(jī)故障預(yù)警方法能夠較好地對(duì)壓氣機(jī)的故障類型進(jìn)行預(yù)警。

圖8 測(cè)試樣本LSTM-SVM的預(yù)警結(jié)果

圖9 測(cè)試樣本LSTM-RF的預(yù)警結(jié)果

4 結(jié) 論

本文利用LSTM-SVM模型實(shí)現(xiàn)燃?xì)廨啓C(jī)壓氣機(jī)的故障預(yù)警，通過監(jiān)測(cè)壓氣機(jī)特征參數(shù)的殘差曲線，能夠觀察到壓氣機(jī)是否偏離正常運(yùn)行狀態(tài)，當(dāng)殘差曲線超過報(bào)警限時(shí)進(jìn)行故障預(yù)警，捕捉壓氣機(jī)早期的故障趨勢(shì)。所研究的故障預(yù)警方法可以利用壓氣機(jī)7個(gè)特征參數(shù)的報(bào)警信息反映出壓氣機(jī)的4種故障類型，能夠判斷出壓氣機(jī)將要發(fā)生的故障，為工作人員的檢修和維護(hù)提供了參考。