燃?xì)廨啓C(jī)氣路故障診斷技術(shù)綜述與展望

田書(shū)耘，萬(wàn)震天，謝岳生

（上海發(fā)電設(shè)備成套設(shè)計(jì)研究院有限責(zé)任公司，上海 200240）

燃?xì)廨啓C(jī)故障通常分為機(jī)械故障和氣路故障，后者與空氣動(dòng)力學(xué)和熱力學(xué)相關(guān)，例如壓氣機(jī)與透平的積垢、腐蝕/磨損、熱畸變、外/內(nèi)物損傷等。據(jù)估計(jì)，地面發(fā)電用燃?xì)廨啓C(jī)由于氣路故障造成的事故停機(jī)時(shí)間占燃?xì)廨啓C(jī)發(fā)電系統(tǒng)總停機(jī)時(shí)間的比例高達(dá)46.3%。

燃?xì)廨啓C(jī)發(fā)生氣路故障時(shí)，燃?xì)廨啓C(jī)工作偏離設(shè)計(jì)狀態(tài)，部件的效率和流量特性偏離設(shè)計(jì)值，進(jìn)而導(dǎo)致燃?xì)廨啓C(jī)可測(cè)參數(shù)（如轉(zhuǎn)速、功率、工作面壓力溫度等）偏離設(shè)計(jì)值。而效率和流量在實(shí)際運(yùn)行過(guò)程中不能實(shí)時(shí)測(cè)量，因此燃?xì)廨啓C(jī)的氣路故障診斷就是要通過(guò)可測(cè)量的燃?xì)廨啓C(jī)運(yùn)行參數(shù)對(duì)燃?xì)廨啓C(jī)各部件的健康情況進(jìn)行分析，實(shí)現(xiàn)燃?xì)廨啓C(jī)部件故障的檢測(cè)、分離和診斷。某單軸燃?xì)廨啓C(jī)壓氣機(jī)幾種典型氣路故障、起因、性能參數(shù)（通流能力和效率）變化值（經(jīng)驗(yàn)值）及常規(guī)解決方案如表1所示。

表1 單軸燃?xì)廨啓C(jī)壓氣機(jī)幾種典型氣路故障分析Tab.1 Summary of typical gas path faults in the single shaft gas turbine

目前，燃?xì)廨啓C(jī)的氣路故障機(jī)理還有待進(jìn)一步研究，故障特征數(shù)據(jù)的積累還很缺乏，故障的預(yù)測(cè)與診斷方法還不完善，需要進(jìn)行更加深入的研究。針對(duì)這一現(xiàn)狀，本文系統(tǒng)地介紹了目前國(guó)內(nèi)外常見(jiàn)的氣路故障診斷方法，分析了各自的優(yōu)缺點(diǎn)，指出了研究中亟待解決的問(wèn)題，最后提出了氣路故障診斷的發(fā)展方向，供研究人員參考。

1 氣路故障診斷研究現(xiàn)狀

燃?xì)廨啓C(jī)發(fā)生異常情況時(shí)，需要在準(zhǔn)確監(jiān)視的基礎(chǔ)上，首先排除機(jī)械故障，進(jìn)而進(jìn)行氣路故障診斷。燃?xì)廨啓C(jī)氣路故障診斷方法通?？煞譃槿?lèi)，如圖1所示。下面重點(diǎn)介紹這三類(lèi)中主流的幾種。

圖1 燃?xì)廨啓C(jī)氣路故障診斷方法分類(lèi)Fig.1 Classification of gas path fault diagnosis methods in the gas turbine

1.1 線(xiàn)性和非線(xiàn)性氣路分析法

20世紀(jì)60年代，Urban首先提出了故障方程法，也稱(chēng)為氣路分析法。這種氣路診斷的方法應(yīng)用很廣泛，極大地推動(dòng)了燃?xì)廨啓C(jī)故障診斷技術(shù)的發(fā)展。Urban的氣路分析法是一種基于線(xiàn)性模型的方法，通過(guò)影響系數(shù)矩陣來(lái)描述燃?xì)廨啓C(jī)穩(wěn)態(tài)工況點(diǎn)可測(cè)參數(shù)的偏差與不可測(cè)參數(shù)的偏差之間的關(guān)系。不過(guò)這種方法過(guò)于理想和簡(jiǎn)化，忽略了燃?xì)廨啓C(jī)模型的非線(xiàn)性特點(diǎn)、傳感器的故障與噪聲、影響系數(shù)矩陣的準(zhǔn)確描述等一系列問(wèn)題。因此，在線(xiàn)性模型的基礎(chǔ)上，非線(xiàn)性模型方法逐漸發(fā)展起來(lái)，Urban和Volponi等開(kāi)發(fā)出能夠?qū)崿F(xiàn)非線(xiàn)性故障診斷的Pythia軟件。House在非線(xiàn)性模型的基礎(chǔ)上，應(yīng)用迭代法提高診斷精度，較好地解決了測(cè)量參數(shù)和不可測(cè)量參數(shù)之間的關(guān)系問(wèn)題。但非線(xiàn)性法依然受到測(cè)量不確定性的制約，這與線(xiàn)性模型診斷類(lèi)似。

1.2 卡爾曼濾波算法

卡爾曼濾波采用遞推算法對(duì)燃?xì)廨啓C(jī)氣路問(wèn)題進(jìn)行檢測(cè)。該方法易于實(shí)現(xiàn)動(dòng)態(tài)在線(xiàn)應(yīng)用，同時(shí)它對(duì)于測(cè)量噪聲有過(guò)濾效果，最重要的是可對(duì)不可測(cè)參數(shù)進(jìn)行估計(jì)，因此應(yīng)用廣泛。傳統(tǒng)卡爾曼濾波是針對(duì)線(xiàn)性函數(shù)的，而擴(kuò)展卡爾曼濾波算法在最近一次狀態(tài)處利用一階泰勒展開(kāi)方法進(jìn)行線(xiàn)性化。一般來(lái)講，狀態(tài)空間模型是描述狀態(tài)變量、輸出變量、控制變量以及過(guò)程噪聲和測(cè)量噪聲之間動(dòng)態(tài)關(guān)系的微分方程組。卡爾曼濾波在狀態(tài)空間模型的基礎(chǔ)上引入部件健康參數(shù)，即性能參數(shù)偏離標(biāo)準(zhǔn)工況的程度，得到燃?xì)廨啓C(jī)氣路故障狀態(tài)空間模型。

針對(duì)在解決實(shí)際診斷問(wèn)題時(shí)遇到的一系列問(wèn)題，對(duì)卡爾曼濾波進(jìn)行變形和改進(jìn)顯得尤為重要。黃宜坤等改進(jìn)了燃?xì)廨啓C(jī)濾波用離散非線(xiàn)性模型，提高了模型精度，采用單形采樣構(gòu)建Sigma點(diǎn)卡爾曼濾波器，降低了計(jì)算量。黃鄭等對(duì)強(qiáng)跟蹤卡爾曼濾波法進(jìn)行改進(jìn)，改進(jìn)算法通過(guò)引入氣路部件先驗(yàn)知識(shí)，合理分配各通道的調(diào)節(jié)作用，提高了診斷精度以及動(dòng)態(tài)響應(yīng)速度。胡宇等提出了一種自適應(yīng)平方根容積卡爾曼濾波器的自適應(yīng)濾波方法，直接利用基于三階容積積分方法近似發(fā)動(dòng)機(jī)的非線(xiàn)性統(tǒng)計(jì)特性，從而避免了濾波過(guò)程參數(shù)選取的問(wèn)題。

1.3 神經(jīng)網(wǎng)絡(luò)

最早較為成熟的神經(jīng)網(wǎng)絡(luò)是指誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)，它解決了兩層神經(jīng)網(wǎng)絡(luò)所需要的復(fù)雜計(jì)算量問(wèn)題。神經(jīng)網(wǎng)絡(luò)可分為分類(lèi)和回歸兩種用途，均可用于故障診斷。前者將包含監(jiān)測(cè)數(shù)據(jù)和對(duì)應(yīng)故障類(lèi)型的數(shù)據(jù)組輸入神經(jīng)網(wǎng)絡(luò)，訓(xùn)練之后得到網(wǎng)絡(luò)蘊(yùn)含故障信息，輸入測(cè)試數(shù)據(jù)或?qū)崟r(shí)數(shù)據(jù)可以得到所屬的故障類(lèi)別，從而完成診斷。后者將健康狀態(tài)下燃?xì)廨啓C(jī)監(jiān)測(cè)參數(shù)輸入神經(jīng)網(wǎng)絡(luò)，回歸得到健康狀態(tài)下的指標(biāo)值，將其與實(shí)際值作對(duì)比，并融合故障知識(shí)，得出故障信息。神經(jīng)網(wǎng)絡(luò)雖然可以任意精度逼近非線(xiàn)性函數(shù)，但是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法多是從逼近論的角度擬合監(jiān)測(cè)數(shù)據(jù)并進(jìn)行特征提取，受限于網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練算法和計(jì)算復(fù)雜度的影響，通常只是設(shè)置2～3個(gè)隱層，降低了逼近的精度。同時(shí)，故障樣本的完備性、典型性以及算法的收斂性、訓(xùn)練速度和診斷的實(shí)時(shí)性等制約著基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)的發(fā)展。近年來(lái)，神經(jīng)網(wǎng)絡(luò)應(yīng)用于燃?xì)廨啓C(jī)氣路故障診斷的研究不斷深入，張霄等針對(duì)BP神經(jīng)網(wǎng)絡(luò)算法本身容易陷入局部極值的問(wèn)題，引入了蜻蜓算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行參數(shù)優(yōu)化，提高了診斷的準(zhǔn)確率。黃偉等針對(duì)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)受聚類(lèi)參數(shù)影響較大的問(wèn)題，采用人工蜂群算法對(duì)這些參數(shù)進(jìn)行優(yōu)化，提高了故障識(shí)別的準(zhǔn)確性和穩(wěn)定性，使燃?xì)廨啓C(jī)故障診斷變得更加實(shí)用。

同時(shí)，為解決神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)性等問(wèn)題，深度學(xué)習(xí)應(yīng)運(yùn)而生。它是一種源于人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，其本質(zhì)是通過(guò)在層次結(jié)構(gòu)中堆疊多層非線(xiàn)性信息處理模塊來(lái)模擬數(shù)據(jù)背后的高級(jí)表示，并對(duì)模式進(jìn)行分類(lèi)和預(yù)測(cè)。一種基于多層神經(jīng)網(wǎng)絡(luò)的氣路故障診斷模型如圖2所示，其網(wǎng)絡(luò)訓(xùn)練泛化精度可達(dá)0.1%。針對(duì)燃?xì)廨啓C(jī)氣路部件性能衰退故障，閆麗萍等引入在深度學(xué)習(xí)領(lǐng)域取得重大突破的深度置信網(wǎng)絡(luò)DBN，并使用遺傳算法自適應(yīng)調(diào)整DBN算法中的一些參數(shù)，從而大大提高了故障診斷的精度。

圖2 一種基于多層神經(jīng)網(wǎng)絡(luò)的氣路故障診斷模型Fig.2 A gas path fault diagnosis model based on multilayer neural network

1.4 多元統(tǒng)計(jì)

該類(lèi)方法通過(guò)將高維數(shù)據(jù)變換為低維來(lái)獲得有用信息。目前普遍使用貢獻(xiàn)圖方法，如基于傳感器有效指數(shù)、基于重構(gòu)的貢獻(xiàn)或基于角度的貢獻(xiàn)，進(jìn)行初步的故障識(shí)別與診斷。

多元統(tǒng)計(jì)方法可以在較少的先驗(yàn)知識(shí)前提下提供貢獻(xiàn)圖等指導(dǎo)信息，更適用于沒(méi)有（或很少）故障知識(shí)情況下的故障診斷。

1.5 專(zhuān)家系統(tǒng)

專(zhuān)家系統(tǒng)用來(lái)模擬專(zhuān)家診斷故障時(shí)的推理，實(shí)質(zhì)是故障知識(shí)與相關(guān)推論的對(duì)照。其優(yōu)點(diǎn)在于簡(jiǎn)單易懂，系統(tǒng)易編程，存儲(chǔ)空間??；缺點(diǎn)在于并不是所有故障模式都可以采用科學(xué)理論知識(shí)解釋?zhuān)瑢?duì)于沒(méi)有出現(xiàn)過(guò)的故障，知識(shí)庫(kù)中沒(méi)有儲(chǔ)存相關(guān)的預(yù)兆規(guī)則，這將導(dǎo)致無(wú)法診斷甚至誤診，對(duì)設(shè)備的恢復(fù)造成不利的影響。

1.6 融合診斷方法

隨著燃?xì)廨啓C(jī)系統(tǒng)復(fù)雜度的提高，建立準(zhǔn)確的熱力學(xué)模型并非易事，基于數(shù)據(jù)的方法雖然規(guī)避了這一問(wèn)題，但純數(shù)據(jù)方法未能充分體現(xiàn)燃?xì)廨啓C(jī)系統(tǒng)機(jī)理，診斷過(guò)程難以形象解釋?zhuān)治龉收袭a(chǎn)生原因比較困難?；谥R(shí)的方法在形成氣路故障特征數(shù)據(jù)庫(kù)及診斷知識(shí)庫(kù)時(shí)易形成故障信息缺失、定性評(píng)估易定量評(píng)估難的局面。也就是說(shuō)，單純的基于模型、基于數(shù)據(jù)或基于知識(shí)的方法已經(jīng)不能滿(mǎn)足氣路故障診斷準(zhǔn)確性和診斷效率方面的要求。

因此，國(guó)內(nèi)外學(xué)者已經(jīng)在融合診斷方面做了一些嘗試。Kobayashi等結(jié)合遺傳算法和神經(jīng)網(wǎng)絡(luò)方法對(duì)傳感器和氣路進(jìn)行了檢測(cè)；Dewallef等結(jié)合卡爾曼濾波和貝葉斯信念網(wǎng)絡(luò)技術(shù)，所得算法具有改進(jìn)的識(shí)別能力；歐惠宇結(jié)合統(tǒng)計(jì)分析、神經(jīng)網(wǎng)絡(luò)和模糊邏輯技術(shù)，總結(jié)了一套發(fā)動(dòng)機(jī)性能預(yù)測(cè)和診斷的方法。另外，通過(guò)多元統(tǒng)計(jì)方法得到低維定性、定量（或模糊化）信息，送入基于知識(shí)的系統(tǒng)，基于知識(shí)的系統(tǒng)再結(jié)合過(guò)程行為、過(guò)程知識(shí)等模擬專(zhuān)家進(jìn)行故障診斷，也是一種融合診斷的思路。

以上各種診斷方法首次投入使用的時(shí)間、模型復(fù)雜度、計(jì)算速度、處理噪聲能力和處理誤差能力的對(duì)比結(jié)果如表2所示。

表2 診斷方法的對(duì)比Tab.2 Comparison of diagnosis methods

2 氣路故障診斷亟待解決的問(wèn)題

回顧氣路故障診斷技術(shù)發(fā)展的歷程，燃?xì)廨啓C(jī)氣路故障診斷方法研究還存在一些問(wèn)題：

（1）燃?xì)廨啓C(jī)系統(tǒng)復(fù)雜度增加，熱力學(xué)模型的復(fù)雜度隨之增加，基于模型的故障診斷方法的精度下降，故障診斷計(jì)算更加耗時(shí)。

（2）現(xiàn)有熱力學(xué)模型建立在部件性能衰退或損傷的程度不大的假設(shè)基礎(chǔ)之上，且只適用于固定幾何部件的燃?xì)廨啓C(jī)準(zhǔn)穩(wěn)態(tài)工況診斷情況。

（3）卡爾曼濾波對(duì)突變故障的處理需進(jìn)一步研究。另外，Volponi等比較了BP神經(jīng)網(wǎng)絡(luò)和基于卡爾曼濾波器的氣路故障診斷方法，發(fā)現(xiàn)在精度方面前者略差，因此需要精度更高的數(shù)據(jù)驅(qū)動(dòng)算法。

（4）純數(shù)據(jù)方法診斷過(guò)程通常是黑箱過(guò)程，且未能充分體現(xiàn)系統(tǒng)機(jī)理，因此診斷故障原因比較困難。如何運(yùn)用基于定性的知識(shí)和定量的數(shù)據(jù)實(shí)現(xiàn)故障診斷，如何結(jié)合先驗(yàn)知識(shí)對(duì)不可認(rèn)知故障進(jìn)行識(shí)別并具有學(xué)習(xí)能力，這些仍是需要解決的問(wèn)題。

3 氣路故障診斷技術(shù)發(fā)展方向

3.1 自適應(yīng)動(dòng)態(tài)非線(xiàn)性熱力建模診斷技術(shù)

目前氣路故障診斷技術(shù)局限于燃?xì)廨啓C(jī)穩(wěn)態(tài)或準(zhǔn)穩(wěn)態(tài)工況和固定幾何部件，且在燃?xì)廨啓C(jī)損傷或衰退比較嚴(yán)重時(shí)，現(xiàn)有診斷方法的準(zhǔn)確性和可靠性都無(wú)法保證。因此，研究自適應(yīng)動(dòng)態(tài)非線(xiàn)性熱力建模診斷技術(shù)顯得尤為重要。

3.2 卡爾曼濾波的改進(jìn)及非線(xiàn)性濾波算法

常見(jiàn)的卡爾曼濾波器可以準(zhǔn)確跟蹤漸變氣路故障，但對(duì)快變氣路故障診斷存在較大延遲，且容易誤診。因此，改進(jìn)卡爾曼濾波算法，做到同時(shí)準(zhǔn)確跟蹤漸變和快變氣路故障具有重要意義。同時(shí)，研究將各種非線(xiàn)性濾波算法直接應(yīng)用于非線(xiàn)性系統(tǒng)，以獲得更高的計(jì)算精度，更好的穩(wěn)定性，例如無(wú)跡濾波、中心差分卡爾曼濾波器、粒子濾波等。

3.3 先進(jìn)的數(shù)據(jù)驅(qū)動(dòng)算法

與兩層神經(jīng)網(wǎng)絡(luò)不同，多層神經(jīng)網(wǎng)絡(luò)中的層數(shù)增加了很多，更寬、更深的網(wǎng)絡(luò)具備更優(yōu)秀的表示能力，更強(qiáng)的函數(shù)模擬能力。目前深度學(xué)習(xí)學(xué)術(shù)界主要的研究既在于開(kāi)發(fā)新的算法，又在于對(duì)梯度下降算法以及反向傳播算法進(jìn)行不斷的優(yōu)化，最為火熱的技術(shù)包括循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）等，主要方向是圖像理解，將其應(yīng)用在氣路故障診斷中值得進(jìn)一步研究。

3.4 融合故障診斷方法

融合故障診斷包括數(shù)據(jù)融合和算法融合。數(shù)據(jù)融合就是總結(jié)不同渠道的信息數(shù)據(jù)；算法融合就是要實(shí)現(xiàn)不同的故障診斷算法間的優(yōu)勢(shì)互補(bǔ)，提升氣路故障診斷結(jié)果的正確性和診斷效率。

4 結(jié) 論

本文針對(duì)燃?xì)廨啓C(jī)氣路故障診斷國(guó)內(nèi)外研究現(xiàn)狀，分別討論了基于模型、基于數(shù)據(jù)和基于知識(shí)方法進(jìn)行故障診斷的優(yōu)勢(shì)、進(jìn)展、適用范圍及三種方法互相結(jié)合的可能性，重點(diǎn)介紹了近年來(lái)新興的深度學(xué)習(xí)和融合診斷方法，最后總結(jié)了燃?xì)廨啓C(jī)氣路診斷方法研究中還存在的問(wèn)題。針對(duì)這些問(wèn)題，提出了自適應(yīng)動(dòng)態(tài)非線(xiàn)性熱力建模診斷技術(shù)、卡爾曼濾波的改進(jìn)及非線(xiàn)性濾波算法、先進(jìn)的數(shù)據(jù)驅(qū)動(dòng)算法和融合故障診斷方法等四個(gè)氣路故障診斷的發(fā)展方向。