基于模型與數(shù)據(jù)混合驅(qū)動的燃氣輪機氣路故障診斷方法

靳堯飛，應(yīng)雨龍，李靖超，周宏宇

（1.上海電力大學能源與機械工程學院，上海 200090；2.上海電機學院電子信息學院，上海 201306）

燃氣輪機是一種內(nèi)燃機，其使用連續(xù)流動的氣體作為工質(zhì)來驅(qū)動葉輪高速旋轉(zhuǎn)，并將燃料的化學能轉(zhuǎn)化為有用功。燃氣輪機在運行過程中，除了要承受機組內(nèi)部高溫、高壓、高轉(zhuǎn)速、高機械應(yīng)力和熱應(yīng)力等惡劣的工作條件外，還可能遭受周圍污染的環(huán)境影響。隨著燃氣輪機運行時間的增加，其主要部件（例如壓氣機、燃燒室和透平）會發(fā)生各種性能衰退或損傷的情況，例如積垢、泄漏、腐蝕、熱畸變、內(nèi)物損傷等，并且可能會導致各種嚴重故障的發(fā)生[1]。

當前，國內(nèi)外電廠燃氣輪機的日常維修策略通常采用預(yù)防性維修保養(yǎng)，即通常根據(jù)燃氣輪機制造商提供的當量運行小時數(shù)（EOH）來確定是否需要進行小修、中修或者大修[2]。從用戶角度出發(fā)，無論是在計劃內(nèi)還是計劃外，燃氣輪機停機檢修始終意味著高昂的運維成本。為了使燃氣輪機能夠穩(wěn)定、高效、經(jīng)濟地運行，同時最大程度地延長使用壽命并減少運維成本，燃氣輪機用戶需要根據(jù)燃氣輪機的實際性能和健康狀況采取相應(yīng)的維修策略，例如通過監(jiān)測、診斷和預(yù)測的手段根據(jù)機組實際情況制定相應(yīng)的維修策略，即采用視情維修。氣路分析（GPA）就是這樣一種技術(shù)手段，可針對正在演變的或即將發(fā)生的惡化情況發(fā)出預(yù)警信息[3]。

目前，根據(jù)燃氣輪機故障診斷機理，氣路分析方法可分為基于熱力模型決策的氣路診斷方法[4]和基于數(shù)據(jù)驅(qū)動的人工智能診斷方法[5]。燃氣輪機的性能和健康狀態(tài)通?？梢杂芍饕鞑考慕】祬?shù)表示，例如壓氣機和透平的流量特性指數(shù)（表征部件通流能力）和效率特性指數(shù)（表征部件運行效率）以及燃燒室的燃燒效率特性指數(shù)[6]。但是，這些重要的健康狀態(tài)信息無法直接測量得到，因此不容易對其進行監(jiān)測和診斷。在燃氣輪機運行過程中，當某些部件發(fā)生性能衰退或損傷時，部件的內(nèi)在性能參數(shù)（如壓比、質(zhì)量流量、等熵效率等）將會發(fā)生變化，并導致外部氣路可測參數(shù)（如溫度、壓力、轉(zhuǎn)速等）變化。因此，基于熱力模型決策的燃氣輪機氣路故障診斷是一個逆求解的數(shù)學過程，其中通過熱力耦合關(guān)系從壓氣機的氣路可測參數(shù)中求解得到部件性能參數(shù)，然后進一步獲得部件氣路健康參數(shù)，用于評估機組總體性能的健康狀況[7]。

基于熱力模型決策的氣路診斷方法的特點是不需要累積部件故障數(shù)據(jù)樣本集，并且可以對診斷結(jié)果進行量化，進一步獲得詳細的診斷信息。根據(jù)使用的熱力模型的復(fù)雜性，基于熱力模型決策的氣路診斷方法可以進一步分為小偏差線性化診斷方法[8]和非線性診斷方法[9]。由于小偏差線性化診斷方法的診斷準確性在受到邊界條件（環(huán)境條件和操作條件）和傳感器測量噪聲的干擾時會產(chǎn)生極大的影響，因此非線性診斷方法一直以來是研究的主流。非線性氣路診斷方法的驅(qū)動求解算法主要包括局部優(yōu)化算法（如Newton-Raphson 算法[10]和卡爾曼濾波算法[11]）和全局優(yōu)化算法（如粒子濾波算法[12]或遺傳算法[13]）。為了解決由熱力系統(tǒng)線性化引起的診斷可靠性低的內(nèi)在問題，以及診斷精度對傳感器測量噪聲和偏差敏感的問題，學者們進行了較多改進[14-15]。但是，當燃氣輪機電廠中部署上述非線性氣路診斷方法時，實際上存在以下3 個難點：

1）當前的燃氣輪機正向熱力學計算（即燃氣輪機性能模擬）具有很高的準確性和可靠性。然而，燃氣輪機逆向熱力學計算（即基于熱力模型決策的氣路故障診斷）的準確性和可靠性尚待實際工程檢驗，目前主要還停留在理論測試階段。

2）目前我國大多數(shù)燃氣輪機電廠都是調(diào)峰電廠。燃氣輪機經(jīng)常在非設(shè)計條件下運行，例如頻繁動態(tài)加減載、快速啟停等瞬態(tài)變工況下，這很容易導致在實時監(jiān)測診斷過程中出現(xiàn)算法發(fā)散現(xiàn)象。

3）對于燃氣輪機用戶而言，另一個實際問題是用戶通常不具備燃氣輪機熱力建模技術(shù)，更無法實現(xiàn)基于熱力模型決策的燃氣輪機氣路故障診斷技術(shù)。

對于數(shù)據(jù)驅(qū)動的人工智能診斷方法，例如神經(jīng)網(wǎng)絡(luò)[16-17]、貝葉斯網(wǎng)絡(luò)、模糊邏輯[18-19]、支持向量機[20]和粗糙集理論等，通常需要建立現(xiàn)有部件的故障數(shù)據(jù)樣本集。而對于故障數(shù)據(jù)樣本集中不涉及的故障類型，這些方法很難給出準確的診斷結(jié)果。

對于新投運的燃氣輪機，通常存在標記故障數(shù)據(jù)樣本少和故障數(shù)據(jù)樣本不平衡的問題。首先，在故障診斷過程中獲得的信息通常是不完整的。傳統(tǒng)的機器學習算法通常需要大量標記的數(shù)據(jù)樣本作為訓練集，但在實際情況下，需要手動標記大量的數(shù)據(jù)樣本，這會產(chǎn)生極大的人力和時間成本。因此如何利用專家技術(shù)和知識進一步來標記高質(zhì)量的數(shù)據(jù)樣本，以及如何利用系統(tǒng)智能來篩選出更多的高價值標記的數(shù)據(jù)樣本，也是一個值得討論的問題。其次，不同類型故障的發(fā)生頻率不一致。由于原始數(shù)據(jù)類別的不平衡，模型的學習將偏向具有大量樣本的類別。在實際的故障分類過程中，模型的偏差將導致系統(tǒng)忽略少量樣本的特征，因此，需要更加注意少量故障樣本的分類。如何通過場景生成和數(shù)據(jù)增強等技術(shù)手段來獲取大量有價值的標記數(shù)據(jù)樣本，需要進一步研究。上述問題限制了傳統(tǒng)的數(shù)據(jù)驅(qū)動型人工智能診斷技術(shù)的應(yīng)用。

本文結(jié)合基于熱力模型和數(shù)據(jù)驅(qū)動的氣路故障診斷方法的優(yōu)缺點，提出了一種模型與數(shù)據(jù)混合驅(qū)動的燃氣輪機氣路故障診斷方法，通過基于自適應(yīng)熱力建模策略構(gòu)建的燃氣輪機熱力模型獲得包含不同故障類型的數(shù)據(jù)集，再利用深度學習進行回歸建模，得到燃氣輪機氣路故障診斷模型，通過已訓練的診斷模型來實時診斷輸出各氣路部件的健康參數(shù)向量。通過仿真實驗表明，通過本文所提出的方法，可以準確地得到各個通流部件量化的健康參數(shù)。

1 模型與數(shù)據(jù)混合驅(qū)動的氣路故障診斷方法

針對上述燃氣輪機存在的氣路診斷問題，結(jié)合基于熱力模型和數(shù)據(jù)驅(qū)動的氣路故障診斷方法的優(yōu)缺點，用燃氣輪機部件健康參數(shù)作為機組健康狀況的評價指標（各部件健康參數(shù)見表1），提出了一種基于模型與數(shù)據(jù)混合驅(qū)動的燃氣輪機氣路故障診斷方法，如圖1所示。

表1 燃氣輪機部件健康參數(shù)Tab.1 Health parameters of the gas turbine component

圖1 基于模型與數(shù)據(jù)混合驅(qū)動的燃氣輪機氣路故障診斷方法Fig.1 A gas path fault diagnosis method for gas turbine based on model and data hybrid drive

具體診斷步驟如下：

1）基于氣路可測參數(shù)、部件特性線的自適應(yīng)熱力建模策略[21]，建立待診斷對象的燃氣輪機熱力模型。將該燃氣輪機熱力模型用作模擬各種氣路故障的基準模型。

2）根據(jù)不同的通流部件故障類型以及燃氣輪機所處的氣候條件和操作條件，通過設(shè)置不同的模型入口邊界條件，模擬得到大量與部件健康參數(shù)、燃氣輪機邊界條件參數(shù)和氣路可測參數(shù)相對應(yīng)的知識數(shù)據(jù)。基于該基準模型的部件健康參數(shù)值和不同的邊界條件，生成1 個數(shù)據(jù)集（知識數(shù)據(jù)庫），如圖2所示。該數(shù)據(jù)集中的部件健康參數(shù)向量與邊界條件參數(shù)和氣路可測參數(shù)向量之間具有一一對應(yīng)的關(guān)系。

圖2 知識數(shù)據(jù)庫的生成Fig.2 The generation of knowledge database

4）訓練完成的深度學習模型被部署到相應(yīng)的燃氣輪機電廠。當燃氣輪機運行時，根據(jù)燃氣輪機實際的入口邊界條件參數(shù)和氣路可測參數(shù)，訓練后的診斷模型將實時診斷出所述的各氣路部件健康參數(shù)。

基于氣路可測參數(shù)、部件特性線的自適應(yīng)熱力建模策略構(gòu)建的熱力模型具有高準確性和可靠性的特點[21]，通過該模型模擬得到的數(shù)據(jù)樣本更加符合實際。同時，在通過熱力模型模擬得到故障樣本數(shù)據(jù)集時，通過設(shè)置不同的部件健康參數(shù)和入口邊界條件準確地表征發(fā)生的故障類型，節(jié)省了標記數(shù)據(jù)的人力和時間成本，并且每種故障類型的樣本數(shù)量相同，避免了在模型訓練過程中因樣本數(shù)據(jù)不平衡而導致的模型偏差問題。以上所述，保證了本文中用于訓練深度學習網(wǎng)絡(luò)的數(shù)據(jù)集的質(zhì)量。

通過本文提出的方法，可以準確且定量地得到各氣路部件的健康參數(shù)。

2 試驗結(jié)果與分析

以某重型燃氣輪機為研究對象，其詳細部件健康參數(shù)見表1，熱力學工作原理如圖3所示，詳細邊界條件參數(shù)和氣路可測參數(shù)見表2。

表2 燃氣輪機邊界條件參數(shù)和氣路可測參數(shù)Tab.2 The boundary condition parameters and gas-path measurable parameters of the gas turbine

圖3 重型燃氣輪機熱力學工作原理Fig.3 The thermodynamic working principle diagram of heavy-duty engine

不同氣路部件故障類型對部件健康參數(shù)和部件退化范圍的影響[22]見表3 和表4。

表3 各類氣路故障對部件流通能力與運行效率的影響[22]Tab.3 The effects of various component faulty modes on the component health parameters[22]

根據(jù)燃氣輪機的不同氣路部件故障類型（表3）、假設(shè)的氣候條件（圖4）和假設(shè)的運行條件（圖5），通過基于此基準模型設(shè)置不同的部件健康參數(shù)值（表4）和不同的模型入口邊界條件，模擬部件健康參數(shù)和燃氣輪機邊界條件參數(shù)以及氣路可測參數(shù)，可以得到分別對應(yīng)的15 620 個知識數(shù)據(jù)樣本。

圖4 環(huán)境溫度變化Fig.4 Change of the ambient temperature

圖5 燃氣輪機負載變化Fig.5 Change of the gas turbine load

表4 常見部件故障以及組件退化范圍[22]Tab.4 The common component degradations and the range of component degradations[22]

為該知識數(shù)據(jù)庫的回歸建模設(shè)計深度學習模型，如圖6所示。

圖6 用于知識數(shù)據(jù)庫回歸建模的深度學習模型Fig.6 A deep learning model for regression modeling of the knowledge database

為了測試該方法的有效性，隨機選擇了12 496 個知識數(shù)據(jù)樣本來訓練深度學習模型，其余3 124 個知識數(shù)據(jù)樣本用于測試。將3 種常見的廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）、BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)[23]作為對比的機器學習模型，這些方法的相對誤差如圖7—圖11所示，其均方根誤差見表5。

本文深度學習模型的結(jié)構(gòu)見表6。

表6 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Tab.6 The structure of deep learning model

結(jié)合表5 和圖7—圖11 可以看出，與其他傳統(tǒng)機器學習模型相比，所提出的深度學習模型表現(xiàn)出了最佳的診斷準確性，并且深度學習模型的總體均方根誤差不超過0.033%，深度學習模型的最大相對誤差不超過0.36%，說明該方法具有很大的應(yīng)用潛力。

圖11 透平效率特性指數(shù)ST,EF 的相對誤差Fig.11 The relative errors of turbine isentropic efficiency index ST,EF

表5 測試樣本的均方根誤差Tab.5 The root mean square errors of the test sample

圖7 壓氣機流量特性指數(shù)SC,FC 的相對誤差Fig.7 The relative errors of the compressor flow characteristic index SC,FC

圖8 壓氣機效率特性指數(shù)SC,EF 的相對誤差Fig.8 The relative errors of compressor isentropic efficiency index SC,EF

圖9 燃燒室效率特性指數(shù)SB,EF 的相對誤差Fig.9 The relative errors of combustion efficiency index SB,EF

圖10 透平流量特性指數(shù)ST,FC 的相對誤差Fig.10 The relative errors of turbine flow characterisitc index ST,FC

3 結(jié)論

1）針對上述燃氣輪機氣路故障診斷問題，結(jié)合基于熱力學模型和數(shù)據(jù)驅(qū)動的燃氣輪機氣路故障診斷方法的優(yōu)缺點，提出了一種基于模型與數(shù)據(jù)混合驅(qū)動的燃氣輪機氣路故障診斷方法。與用于異常檢測或故障分類的傳統(tǒng)數(shù)據(jù)驅(qū)動的診斷方法不同，本文提出的方法可以準確并且定量地輸出所述的各氣路部件健康參數(shù)。

2）通過基準模型生成部件健康參數(shù)向量與邊界條件參數(shù)和氣路可測參數(shù)向量一一對應(yīng)的數(shù)據(jù)集（知識數(shù)據(jù)庫），并利用深度學習進行回歸建模，訓練完成的模型無需任何燃氣輪機熱力建模技術(shù)即可讓燃氣輪機電廠用戶進行使用。

3）與其他傳統(tǒng)機器學習模型相比，提出的深度學習模型表現(xiàn)出最佳的診斷準確性，并且深度學習模型的總體均方根誤差不超過0.033%，最大相對誤差不超過0.36%，表明所提出的方法具有很大的應(yīng)用潛力。