燃?xì)廨啓C(jī)性能監(jiān)測與故障預(yù)警系統(tǒng)開發(fā)及工程應(yīng)用研究

萬震天，謝岳生，田書耘，劉 平，丁盛豪，郝 寧，范雪飛，楊志鵬

（1.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；2.上海漕涇熱電有限責(zé)任公司，上海 201507）

燃?xì)廨啓C(jī)運(yùn)行過程中會產(chǎn)生大量工業(yè)數(shù)據(jù)，但是目前對這些數(shù)據(jù)的利用效率不高，基本只停留在數(shù)據(jù)可視化、邏輯控制和保護(hù)的層次。通過對燃?xì)廨啓C(jī)運(yùn)行數(shù)據(jù)進(jìn)行深度挖掘分析，可以實(shí)時(shí)監(jiān)測燃?xì)廨啓C(jī)運(yùn)行狀態(tài)參數(shù)，有利于將傳統(tǒng)的定期維修轉(zhuǎn)變?yōu)榛跔顟B(tài)的視情維修，提高設(shè)備可靠性和可用率[1-2]。傳統(tǒng)的報(bào)警監(jiān)測技術(shù)主要采用閾值報(bào)警，當(dāng)運(yùn)行參數(shù)達(dá)到閾值上下限時(shí)，才會有報(bào)警提示，而限值范圍內(nèi)設(shè)備的劣化狀態(tài)及異常情況無法被關(guān)注和處理[3]?；谌?xì)廨啓C(jī)運(yùn)行數(shù)據(jù)的故障預(yù)警模型，可以在測點(diǎn)數(shù)據(jù)達(dá)到報(bào)警閾值前，根據(jù)數(shù)據(jù)行為異常預(yù)警設(shè)備故障，大幅提高預(yù)警時(shí)間窗口。

國外燃?xì)廨啓C(jī)制造商及相關(guān)學(xué)者都在致力于開發(fā)燃?xì)廨啓C(jī)智能監(jiān)控系統(tǒng)，基于燃?xì)廨啓C(jī)運(yùn)行數(shù)據(jù)為燃?xì)廨啓C(jī)電廠提供運(yùn)行狀態(tài)分析[4]。美國通用電氣（GE）推出了Predix 平臺，運(yùn)用大數(shù)據(jù)深度挖掘與分析，科學(xué)解決燃?xì)廨啓C(jī)運(yùn)維難題；德國西門子（Siemens）開發(fā)了基于云的物聯(lián)網(wǎng)操作系統(tǒng)MindSphere 平臺，燃?xì)廨啓C(jī)可以無縫接入從而獲得運(yùn)行和決策支持；日本三菱（Mitsubishi）搭建的燃?xì)廨啓C(jī)遠(yuǎn)程監(jiān)控中心（remote monitoring center，RMC），可以協(xié)助指導(dǎo)燃?xì)廨啓C(jī)運(yùn)行檢修[5-6]；Choi等人[7]開發(fā)了基于Android 的工業(yè)燃?xì)廨啓C(jī)遠(yuǎn)程監(jiān)控系統(tǒng)；Ayodele 等人[8]則使用實(shí)際功率測量值和其他密切相關(guān)參數(shù)對燃?xì)廨啓C(jī)的發(fā)電性能進(jìn)行監(jiān)測。國內(nèi)眾多高校也在燃?xì)廨啓C(jī)性能監(jiān)測及診斷技術(shù)方面開展了相關(guān)研究[9-11]。其中，清華大學(xué)[12]采用基于模型的燃?xì)廨啓C(jī)故障診斷方法，利用燃?xì)廨啓C(jī)的運(yùn)行數(shù)據(jù)和熱力學(xué)模型預(yù)估燃?xì)廨啓C(jī)各部件運(yùn)行的性能參數(shù)，實(shí)現(xiàn)故障檢測、分析和診斷；上海交通大學(xué)則先后開發(fā)了基于熱參數(shù)的燃?xì)廨啓C(jī)故障診斷系統(tǒng)分析軟件[13]，提出了一種基于動態(tài)過程的燃?xì)廨啓C(jī)性能降級診斷方法[14]，并采用非線性卡爾曼濾波技術(shù)建立了燃?xì)廨啓C(jī)故障診斷系統(tǒng)[15]，近年來又在基于注意力機(jī)制的燃?xì)廨啓C(jī)故障診斷方法開展相關(guān)研究[16]。

但是，目前國內(nèi)并沒有完全掌握重型燃?xì)廨啓C(jī)性能實(shí)時(shí)監(jiān)測與故障預(yù)警技術(shù)。其原因主要有以下幾點(diǎn)：1）缺乏精確的性能分析算法和故障預(yù)警算法來對數(shù)據(jù)進(jìn)行處理、分析和價(jià)值提??；2）現(xiàn)有分析方法時(shí)效性差，無法實(shí)現(xiàn)燃?xì)廨啓C(jī)運(yùn)行狀況的實(shí)時(shí)分析與評估；3）沒有積累有效的故障預(yù)警模型庫和故障診斷知識庫；4）國內(nèi)研究基本停留在理論層面，缺乏對在役燃?xì)廨啓C(jī)機(jī)組的工程應(yīng)用研究。因此，開展燃?xì)廨啓C(jī)性能監(jiān)測與故障預(yù)警系統(tǒng)開發(fā)與工程應(yīng)用研究，逐步掌握燃?xì)廨啓C(jī)關(guān)鍵設(shè)備異常檢測及早期預(yù)警技術(shù)，對提高燃?xì)廨啓C(jī)電廠數(shù)字化智能化水平及運(yùn)行經(jīng)濟(jì)性和安全性意義重大。

1 零代碼、組態(tài)式建模技術(shù)

采用C++、JavaScript、html5、java 等語言開發(fā)了適用于燃?xì)廨啓C(jī)性能監(jiān)測和故障預(yù)警診斷模型的一系列可拖拽式組件，包括燃?xì)廨啓C(jī)組件、水和水蒸氣物性組件、機(jī)器學(xué)習(xí)組件、數(shù)學(xué)組件、連接器組件以及數(shù)據(jù)組件等。定義一套完整的組件開發(fā)流程和代碼規(guī)范，可以通過共用組件庫接口進(jìn)行組件的定制化開發(fā)，可為不同應(yīng)用場景，比如機(jī)器學(xué)習(xí)、熱平衡計(jì)算、規(guī)則計(jì)算、數(shù)值優(yōu)化等提供組件，實(shí)現(xiàn)組態(tài)式建模。

其中燃?xì)廨啓C(jī)組件包括壓氣機(jī)、燃燒室、透平以及發(fā)電機(jī)等，以非線性方程組求解技術(shù)為基礎(chǔ)，組件內(nèi)置空氣系統(tǒng)的流量守恒和能量守恒、燃燒系統(tǒng)的流量守恒、能量守恒和物質(zhì)守恒以及關(guān)鍵熱力部件的特性方程等。水和水蒸氣物性組件以水和水蒸氣計(jì)算模型（IAPWS-IF97）為基礎(chǔ)，用于組態(tài)化建模中的壓縮、膨脹和燃燒過程的熱力計(jì)算。機(jī)器學(xué)習(xí)組件以深度學(xué)習(xí)算法為基礎(chǔ)，可基于傳感器數(shù)據(jù)完成組態(tài)化人工智能模型搭建，包括自回歸模型和預(yù)測模型，可根據(jù)需要自定義深度學(xué)習(xí)算法的計(jì)算層數(shù)以及每一層的節(jié)點(diǎn)數(shù)，完成對數(shù)據(jù)的深度挖掘與分析。數(shù)學(xué)組件用于模型內(nèi)部的數(shù)學(xué)運(yùn)算以及邏輯判斷。連接器組件用于數(shù)據(jù)的傳遞與采集，以及模型的圖層管理。數(shù)據(jù)組件主要用于數(shù)據(jù)的調(diào)取、存儲、圖形展示等。

以燃?xì)廨啓C(jī)透平組件開發(fā)為例，其開發(fā)過程如下：1）定義組件物理過程，推導(dǎo)燃?xì)廨啓C(jī)透平組件系統(tǒng)計(jì)算方程，包括：流量守恒方程（透平進(jìn)出口煙氣流量守恒）、能量守恒方程（透平膨脹做功與進(jìn)出口膨脹過程能量轉(zhuǎn)換間的守恒方程）、等熵效率特性方程（通過引入設(shè)計(jì)效率相對折合轉(zhuǎn)速、相對壓比的特性曲線，實(shí)現(xiàn)燃?xì)廨啓C(jī)透平性能高精度計(jì)算分析）、流量特性方程（通過引入設(shè)計(jì)流量相對于折合流量的特性曲線，實(shí)現(xiàn)燃?xì)廨啓C(jī)透平性能高精度計(jì)算分析）；2）將計(jì)算方程轉(zhuǎn)為程序語言，進(jìn)行組件開發(fā)編程；3）組件上傳及管理。

2 燃?xì)廨啓C(jī)性能監(jiān)測與分析

2.1 關(guān)鍵測點(diǎn)參數(shù)

燃?xì)廨啓C(jī)性能監(jiān)測與故障預(yù)警系統(tǒng)所需數(shù)據(jù)均來源于機(jī)組現(xiàn)有測點(diǎn)，關(guān)鍵測點(diǎn)參數(shù)見表1。

表1 關(guān)鍵測點(diǎn)參數(shù)Tab.1 Key measurement point parameters

關(guān)鍵測點(diǎn)參數(shù)主要包括以下兩類：

1）燃?xì)廨啓C(jī)設(shè)計(jì)數(shù)據(jù)、性能試驗(yàn)數(shù)據(jù)及歷史運(yùn)行數(shù)據(jù)，用于燃?xì)廨啓C(jī)性能監(jiān)測及故障預(yù)警模型的標(biāo)定、校準(zhǔn)及訓(xùn)練；

2）燃?xì)廨啓C(jī)實(shí)時(shí)運(yùn)行數(shù)據(jù)，用于燃?xì)廨啓C(jī)運(yùn)行狀態(tài)的監(jiān)測與性能指標(biāo)的計(jì)算。其中燃料氣成分及熱值通過調(diào)壓站的色譜儀檢測計(jì)算得出。

2.2 性能計(jì)算公式

以廣東某GE 9E 重型燃?xì)廨啓C(jī)為研究對象，根據(jù)其熱力學(xué)工作原理，劃分為8 個截面。工作原理及截面劃分如圖1 所示。

圖1 重型燃?xì)廨啓C(jī)工作原理及截面劃分Fig.1 Working principle and section division of heavy-duty gas turbine

各截面性能參數(shù)的計(jì)算公式見表2。表2 中：α為冷卻空氣系數(shù)；σB為燃燒室總壓恢復(fù)系數(shù)。

表2 性能計(jì)算公式Tab.2 Performance calculation formula

2.3 性能監(jiān)測模型

以熱平衡圖和熱平衡方程為依據(jù)，基于機(jī)理開發(fā)的燃?xì)廨啓C(jī)性能監(jiān)測模型如圖2 所示。該模型包含的熱力組件有壓氣機(jī)、燃燒室、透平、發(fā)電機(jī)、進(jìn)氣段、排氣段等?？蓪簹鈾C(jī)入口壓力、入口溫度、出口壓力、出口溫度、IGV 開度、燃料流量、透平排氣溫度、燃?xì)廨啓C(jī)功率等關(guān)鍵性能參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測，可對壓氣機(jī)流量、透平級前溫度、壓氣機(jī)效率、透平效率、燃?xì)廨啓C(jī)效率等關(guān)鍵性能指標(biāo)（基于《火力發(fā)電廠技術(shù)經(jīng)濟(jì)指標(biāo)計(jì)算方法》（DL/T 904—2015））進(jìn)行實(shí)時(shí)計(jì)算分析。燃?xì)廨啓C(jī)性能指標(biāo)計(jì)算如圖3 所示。

圖2 燃?xì)廨啓C(jī)性能監(jiān)測模型示意Fig.2 Schematic diagram of gas turbine performance monitoring model

圖3 燃?xì)廨啓C(jī)性能指標(biāo)Fig.3 Changes of performance indexes of the gas turbine

燃?xì)廨啓C(jī)性能監(jiān)測模型搭建完成后，需根據(jù)熱平衡圖、設(shè)計(jì)數(shù)據(jù)、性能試驗(yàn)數(shù)據(jù)等對模型進(jìn)行離線標(biāo)定并實(shí)時(shí)在線計(jì)算。給定燃?xì)廨啓C(jī)功率，則對應(yīng)工況下的相關(guān)測點(diǎn)參數(shù)，如環(huán)境壓力、壓氣機(jī)入口溫度、透平排氣溫度等也可以確定，從而可以計(jì)算出壓氣機(jī)流量、透平級前溫度等參數(shù)并與性能試驗(yàn)參數(shù)對標(biāo)，標(biāo)定結(jié)果見表3。由表3 可見，各計(jì)算值與設(shè)計(jì)值的偏差均小于1%，模型精度較好。

表3 燃?xì)廨啓C(jī)性能監(jiān)測模型標(biāo)定Tab.3 Calibration of the gas turbine performance monitoring model

3 燃?xì)廨啓C(jī)故障預(yù)警及診斷

通常來講，燃?xì)廨啓C(jī)氣路故障會導(dǎo)致部件特性偏離設(shè)計(jì)點(diǎn)，進(jìn)而造成燃?xì)廨啓C(jī)總體性能下降，主要表現(xiàn)為燃?xì)廨啓C(jī)效率、輸出功率的下降以及排氣流量和溫度的變化[17-18]。由于燃?xì)廨啓C(jī)部件的效率和流量在實(shí)際中不能實(shí)時(shí)測量，因此燃?xì)廨啓C(jī)的氣路故障預(yù)警及診斷就要通過可測量的燃?xì)廨啓C(jī)運(yùn)行參數(shù)對燃?xì)廨啓C(jī)各部件的健康狀況進(jìn)行分析，通過測量數(shù)據(jù)和應(yīng)有數(shù)值偏差分析各物理參數(shù)的關(guān)聯(lián)性，推算出部件的性能衰減趨勢，指導(dǎo)燃?xì)廨啓C(jī)運(yùn)行維護(hù)工作。

開展燃?xì)廨啓C(jī)氣路預(yù)警及故障診斷，首先基于人工智能和深度學(xué)習(xí)算法進(jìn)行建模，然后通過燃?xì)廨啓C(jī)健康運(yùn)行時(shí)期的歷史數(shù)據(jù)對模型進(jìn)行學(xué)習(xí)和訓(xùn)練，最后對模型進(jìn)行標(biāo)定后上線投運(yùn)。投運(yùn)后模型能夠?qū)崟r(shí)監(jiān)視設(shè)備實(shí)際運(yùn)行狀態(tài)和正常運(yùn)行狀態(tài)（期望值）的偏差，捕捉偏差變化的趨勢，實(shí)現(xiàn)故障的提前預(yù)警。結(jié)合已有專業(yè)知識進(jìn)行模型的開發(fā)，包括壓氣機(jī)葉片結(jié)垢預(yù)警診斷模型和透平排氣溫度異常預(yù)警診斷模型。以壓氣機(jī)葉片結(jié)垢預(yù)警診斷模型開發(fā)為例，具體開發(fā)過程如下：1）確定研究對象為壓氣機(jī)；2）確定對象功能為，利用高速旋轉(zhuǎn)的葉片給空氣做功以提高空氣的壓力，向燃燒室連續(xù)不斷地供應(yīng)壓縮空氣；3）確定劣化或失效模式為葉片結(jié)垢；4）影響分析，造成壓氣機(jī)通流能力下降，效率下降，造成燃?xì)廨啓C(jī)功率下降，效率下降；5）關(guān)聯(lián)測點(diǎn)分析，IGV 位置反饋、環(huán)境壓力、壓氣機(jī)入口溫度、壓氣機(jī)出口溫度、燃?xì)廨啓C(jī)功率等；6）建模分析，選取健康運(yùn)行時(shí)期的歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練、修正，標(biāo)定預(yù)警殘差范圍；7）故障解決方案，如按實(shí)際需求進(jìn)行水洗等。

3.1 壓氣機(jī)葉片結(jié)垢預(yù)警診斷模型

基于數(shù)據(jù)驅(qū)動、人工智能和深度學(xué)習(xí)算法搭建的壓氣機(jī)葉片結(jié)垢預(yù)警診斷模型如圖4 所示。圖4中：X表示輸入?yún)?shù)，包括IGV 位置反饋、環(huán)境壓力、壓氣機(jī)入口溫度、壓氣機(jī)出口溫度、燃?xì)廨啓C(jī)功率；Y表示輸出參數(shù)，即壓氣機(jī)出口壓力。首先選用機(jī)組健康運(yùn)行時(shí)期的數(shù)據(jù)訓(xùn)練模型，再通過對比壓氣機(jī)出口壓力的實(shí)際值和預(yù)測值，判斷壓氣機(jī)葉片是否發(fā)生結(jié)垢現(xiàn)象。

圖4 壓氣機(jī)葉片結(jié)垢預(yù)警診斷模型Fig.4 The early warning diagnosis model of compressor blade fouling

為了驗(yàn)證壓氣機(jī)葉片結(jié)垢預(yù)警診斷模型的準(zhǔn)確性，對廣東某GE 9E 機(jī)組2020 年10 月15 日—2021 年3 月31 日壓氣機(jī)性能進(jìn)行驗(yàn)證分析，結(jié)果如圖5 所示。

圖5 壓氣機(jī)葉片結(jié)垢預(yù)警診斷模型驗(yàn)證分析結(jié)果Fig.5 Validation and analysis results of the early warning diagnosis model for compressor blade fouling

通過分析可以發(fā)現(xiàn)：在2020 年10 月22 日電廠完成壓氣機(jī)水洗后，很長一段時(shí)間內(nèi)壓氣機(jī)出口壓力都保持在一個比較穩(wěn)定的范圍，并未出現(xiàn)壓氣機(jī)性能劣化報(bào)警；直到2020 年12 月21 日首次出現(xiàn)壓氣機(jī)葉片結(jié)垢報(bào)警，且隨著時(shí)間的推移，報(bào)警頻率逐漸加密，預(yù)示著壓氣機(jī)性能出現(xiàn)劣化，具體表現(xiàn)為壓氣機(jī)出口壓力和燃?xì)廨啓C(jī)功率都發(fā)生了不同程度的降低。

3.2 透平排氣溫度異常預(yù)警診斷模型

基于數(shù)據(jù)驅(qū)動、人工智能和深度學(xué)習(xí)算法搭建的透平排氣溫度異常預(yù)警診斷模型如圖6 所示。圖6中：X表示輸入?yún)?shù)，包括IGV 位置反饋、環(huán)境壓力、環(huán)境溫度、燃?xì)廨啓C(jī)功率；Y表示輸出參數(shù)，即透平排氣溫度。首先選用機(jī)組健康運(yùn)行時(shí)期的數(shù)據(jù)訓(xùn)練模型，再通過對比透平排氣溫度的實(shí)際值和預(yù)測值，判斷透平是否發(fā)生排氣溫度異常現(xiàn)象。

圖6 透平排氣溫度異常預(yù)警診斷模型Fig.6 The early warning diagnosis model for abnormal turbine exhaust temperature

為了驗(yàn)證透平排氣溫度異常預(yù)警診斷模型的準(zhǔn)確性，對廣東某GE 9E 機(jī)組2020 年3 月15 日—2021 年1 月31 日透平排氣溫度進(jìn)行驗(yàn)證分析，結(jié)果如圖7 所示。

圖7 透平排氣溫度異常預(yù)警診斷模型驗(yàn)證分析結(jié)果Fig.7 Validation and analysis results of the early warning diagnosis model for turbine exhaust temperature abnormalities

通過分析可以發(fā)現(xiàn)：2020 年4 月23 日首次出現(xiàn)透平排氣溫度異常報(bào)警，且隨著時(shí)間的推移，報(bào)警頻率逐漸加密；9 月1 日發(fā)現(xiàn)異常并在9 月5 日安排檢修，發(fā)現(xiàn)異常原因是燃燒器發(fā)生故障；檢修完成后發(fā)現(xiàn)透平排氣溫度異常報(bào)警消失。由此驗(yàn)證模型準(zhǔn)確性較好，且可以提前4 個月實(shí)現(xiàn)透平排氣溫度異常故障預(yù)警。

4 結(jié)論

1）基于零代碼、組態(tài)式建模技術(shù)開發(fā)的燃?xì)廨啓C(jī)性能監(jiān)測模型，可以實(shí)時(shí)監(jiān)測燃?xì)廨啓C(jī)關(guān)鍵性能參數(shù)，并能實(shí)時(shí)計(jì)算壓氣機(jī)流量、透平級前溫度、壓氣機(jī)效率、透平效率、燃?xì)廨啓C(jī)效率等性能指標(biāo)，計(jì)算誤差小于1%。

2）采用人工智能和深度學(xué)習(xí)算法搭建的壓氣機(jī)葉片結(jié)垢和透平排氣溫度異常預(yù)警診斷模型，具備燃?xì)廨啓C(jī)關(guān)鍵部件健康狀態(tài)評估等功能，可以從設(shè)備可靠性和可用性角度實(shí)現(xiàn)重型燃?xì)廨啓C(jī)的在線故障預(yù)警。

3）實(shí)現(xiàn)燃?xì)廨啓C(jī)性能監(jiān)測與故障預(yù)警系統(tǒng)在GE 9E 燃?xì)廨啓C(jī)電廠的工程示范應(yīng)用，證明該系統(tǒng)具備燃?xì)獍l(fā)電機(jī)組性能計(jì)算分析、健康狀態(tài)評估及預(yù)警診斷等功能，可以在不同燃?xì)廨啓C(jī)電廠、不同燃?xì)廨啓C(jī)機(jī)型進(jìn)一步推廣應(yīng)用。