基于多元狀態(tài)評估與BP神經(jīng)網(wǎng)絡(luò)的燃氣輪機故障預(yù)警研究

程逸雯

(江蘇大學,江蘇 鎮(zhèn)江 212013)

0 引言

燃氣輪機主要包含三大部件:壓氣機、燃燒室、燃氣透平。由于受高溫運行環(huán)境及頻繁啟停的影響,隨著運行時間的增加,燃機透平會產(chǎn)生不同程度的性能衰退和部件損傷,甚至會造成各種嚴重事故,產(chǎn)生巨量的經(jīng)濟損失[1]。由于燃氣輪機結(jié)構(gòu)的高度集成化和精密化,對燃氣透平進行診斷的直接手段有限,發(fā)現(xiàn)故障時往往已發(fā)展成嚴重故障。對燃氣輪機透平的異常工況進行預(yù)警,能夠在故障早期對設(shè)備進行檢修,避免重大事故發(fā)生,減少經(jīng)濟損失。

目前,燃氣輪機的故障預(yù)警已有一定的研究。文獻[2]應(yīng)用多元狀態(tài)估計方法(MSET)建立了壓氣機在正常運行狀態(tài)下的非參數(shù)模型,利用滑動窗口確定預(yù)警閾值,并通過仿真試驗進行了驗證。文獻[3]基于燃氣輪機的運行數(shù)據(jù),采用MSET法建立了燃燒室在正常運行狀態(tài)下的預(yù)警模型,并引入了相似度函數(shù),可以更早地發(fā)現(xiàn)設(shè)備的故障隱患。文獻[4]提出基于極端梯度提升和局部均值分解與核主元分析相結(jié)合的燃氣輪機轉(zhuǎn)子故障預(yù)警方法,利用轉(zhuǎn)子的振動數(shù)據(jù)建立預(yù)測模型,并通過案例進行了驗證。本文基于MSET方法對燃氣透平的故障預(yù)警進行研究,并同時采用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)方法進行了預(yù)警效果對比。

1 常用故障預(yù)警技術(shù)

重型燃機燃氣透平的初溫很高,F級初溫約1 350 ℃,H級初溫約1 500 ℃,未來初溫可達1 600 ℃以上。在這種高溫下,常規(guī)的測溫技術(shù)早已不可用,生產(chǎn)廠家一般提供基于燃氣透平排氣分散度的燃燒保護系統(tǒng)進行在線故障監(jiān)控,而實際應(yīng)用中,當監(jiān)控系統(tǒng)發(fā)出報警時,燃機熱通道部件往往已損壞嚴重。由于缺少高溫測量數(shù)據(jù),對燃氣透平的故障預(yù)警一般都采用間接的數(shù)據(jù)分析方法進行。本文對常用的多元狀態(tài)估計方法和BP神經(jīng)網(wǎng)絡(luò)方法進行介紹。

1.1 多元狀態(tài)估計方法(MSET)

多元狀態(tài)估計方法(MSET)首先由美國阿爾貢國家實驗室研究并應(yīng)用于設(shè)備預(yù)警系統(tǒng)中,在核電廠信號驗證、儀表精度監(jiān)控、組件運行失常等場景中得到了驗證[5-6]。MSET后來被田納西大學核能實驗室推廣為更一般的非線性狀態(tài)估計(Nonlinear State Estimation Technique,NSET)方法,并得到了廣泛應(yīng)用。Smart Signal公司基于MSET專利開發(fā)了一種監(jiān)測設(shè)備性能的技術(shù),并于2014年獲得了中國專利[7]。

多元狀態(tài)估計(MSET)方法是將當前運行數(shù)據(jù)和已生成的歷史運行數(shù)據(jù)進行對比,計算多元狀態(tài)之間的相似度,從而進行故障預(yù)警的方法[5]?；贛SET的狀態(tài)估計基本流程[8]如圖1所示。

圖1 MSET多元狀態(tài)估計方法預(yù)警的基本流程

訓練數(shù)據(jù)K為正常運行狀態(tài)下,各個觀測參數(shù)(共n個)的觀測數(shù)據(jù),用行向量表示某時刻所有觀測參數(shù)的值。生產(chǎn)系統(tǒng)中的歷史數(shù)據(jù)庫導出的數(shù)據(jù)集一般都用表格的一行來表示某時刻的測點值,索引為時間戳,故本文采用行向量,從而與實際數(shù)據(jù)集一致,且與其他文獻中采用列向量不同[8]。訓練集K必須包含系統(tǒng)全范圍的動態(tài)參數(shù),包括穩(wěn)定狀態(tài)和變工況狀態(tài),但不能夠有故障數(shù)據(jù)在內(nèi)。從某時間點開始的訓練數(shù)據(jù)K可以用下式表示為矩陣:

K=[X(t1),X(t2),…,X(tk)]T

(1)

X(ti)=[x1(ti),x2(ti),…,xn(ti)]T

(2)

從訓練矩陣K中,抽取一部分(d個)能夠代表系統(tǒng)運行狀態(tài)的數(shù)據(jù),組成狀態(tài)矩陣D。狀態(tài)矩陣D是一個d×n的矩陣,其中d為其中所包含狀態(tài)的數(shù)量,n為觀測參數(shù)的個數(shù)。由抽取狀態(tài)組成的狀態(tài)矩陣可表示為:

(3)

訓練矩陣K中除去狀態(tài)矩陣D中的狀態(tài)數(shù)據(jù)后,余下部分便組成了剩余矩陣L((k-d)×n)。Xobs為系統(tǒng)當前觀測值形成的新觀測向量,對該觀測向量的估計向量Xest,通過狀態(tài)矩陣D和權(quán)值向量W的點積計算得出:

Xest=DT·W

(4)

權(quán)值向量W表征狀態(tài)估計向量和狀態(tài)矩陣間相似性測度的大小,取狀態(tài)估計向量Xest和觀測向量Xobs的殘差最小化如下:

minε2=min[(Xobs-DT·W)T·(Xobs-DT·W)]

(5)

式(5)的最小二乘解可表示為:

W=(D·DT)-1·(D·Xobs)

大多數(shù)系統(tǒng)的狀態(tài)數(shù)據(jù)間都會存在一定的相關(guān)性,而數(shù)據(jù)之間的相關(guān)性會導致矩陣不可逆,限制了權(quán)值向量W的求取。MSET方法利用基于相似性原理的相似性運算符?代替點積,通過計算數(shù)據(jù)狀態(tài)間的相似程度來表征其權(quán)值,解決了數(shù)據(jù)相關(guān)所造成的矩陣不可逆,如下所示:

W=(D?DT)-1·(D?Xobs)

(6)

從而,系統(tǒng)當前狀態(tài)估計向量和觀測向量的關(guān)系如下:

Xest=DT·(D?DT)-1·(D?Xobs)

(7)

基于正常數(shù)據(jù)的健康殘差可得到設(shè)備預(yù)警的殘差閾值。當計算出的實際殘差(向量的L2范數(shù))大于殘差閾值時,觸發(fā)設(shè)備報警,同時可計算出造成報警的主要測點如下:

Sres=Xest-Xobs

(8)

ε=|Sres|

(9)

式(8)～(9)中:Sres為殘差向量;Xest為估計向量;Xobs為觀測向量;ε為殘差向量的L2范數(shù)。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學家提出的概念,是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡(luò)[9],是20世紀末期神經(jīng)網(wǎng)絡(luò)算法的核心,也是如今發(fā)展迅猛的深度學習算法的基礎(chǔ)。BP算法的基本思想是:學習過程由信號的正向傳播和誤差的反向傳播兩個過程組成,通過這兩個過程的反復迭代,對神經(jīng)網(wǎng)絡(luò)各層的權(quán)值參數(shù)和偏置參數(shù)進行不斷調(diào)整,直到達到預(yù)先設(shè)定的訓練次數(shù),或輸出誤差小于指定的閾值。

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障預(yù)警時,一般是基于大量的正常運行數(shù)據(jù)訓練網(wǎng)絡(luò)模型,基于得到的神經(jīng)網(wǎng)絡(luò)模型和觀測向量的當前數(shù)據(jù)確定觀測向量的期望數(shù)據(jù),當觀測數(shù)據(jù)和期望數(shù)據(jù)的殘差超出了設(shè)定的閾值后觸發(fā)報警,同時給出形成殘差的主要測點。與MSET方法相比,除了模型不同,預(yù)警的思路是一致的。BP神經(jīng)網(wǎng)絡(luò)故障預(yù)警的基本流程如圖2所示,變量命名和MSET方法保持一致。

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)警基本流程

2 燃氣輪機透平故障實例

某聯(lián)合循環(huán)機組(GE的9FA燃氣輪機),在2022年9月揭缸檢修時發(fā)現(xiàn)透平末級動葉出現(xiàn)長度超過5.08 cm(2英寸)的不規(guī)則缺口,修復成本巨大。而在之前的運行過程中,運行人員并未觀察到特別的異常情況;如果在動葉出現(xiàn)初期裂紋時能及時發(fā)現(xiàn),則可避免故障范圍的擴大和經(jīng)濟損失的大量增加。通過對檢修前1年多的歷史數(shù)據(jù)進行分析,可以大概推斷出現(xiàn)初期故障的可能時間。

該廠已實施了SIS、MIS等信息化系統(tǒng),從實時數(shù)據(jù)庫中導出燃機相關(guān)測點2021年7月至2022年8月的歷史數(shù)據(jù),保存到CSV文件中,然后進行數(shù)據(jù)分析。首先對機組的歷史數(shù)據(jù)進行清洗,刪除停機期間和啟停機過程中的數(shù)據(jù),僅保留機組正常運行期間的數(shù)據(jù),再刪除由于采集系統(tǒng)故障造成的錯誤數(shù)據(jù)(比如部分測點在燃機運行期間,出現(xiàn)了極少數(shù)的0值)。

該燃機部分月份的發(fā)電功率-透平排氣壓力曲線如圖3所示。燃機的功率與透平排氣壓力正常情況下應(yīng)該呈現(xiàn)出比較規(guī)則的線性關(guān)系,如圖3中從2021年7月至2022年1月的曲線。但是從2022年3月開始,曲線形狀有了較大變化,出現(xiàn)少量與主體變化不一致的異常點,曲線形狀也變得不規(guī)則了。運行人員根據(jù)運行經(jīng)驗,也指出功率-透平排氣壓力曲線出現(xiàn)了異常?？梢源篌w認定從2022年3月開始,燃機透平已出現(xiàn)故障(由于2022年2月燃機基本處于停機狀態(tài),故不考慮2月)。

圖3 機組功率與透平排氣壓力關(guān)系的演化

3 燃氣透平數(shù)據(jù)分析

選取2021年7—12月的機組運行數(shù)據(jù)為正常運行數(shù)據(jù)建立模型,然后根據(jù)2022年1—8月的實際運行數(shù)據(jù)計算估計數(shù)據(jù),并與實際數(shù)據(jù)進行對比,觀察殘差變化情況。測點選取機組功率、透平排氣壓力、透平排氣溫度3個測點。經(jīng)數(shù)據(jù)清洗后,有效的訓練數(shù)據(jù)共379 843條記錄(數(shù)據(jù)采用周期是10 s),每條記錄包括1個時間戳和3個值,即機組功率、透平排氣壓力、透平排氣溫度3個測點同一時刻的值。

3.1 MSET方法

3.1.1 數(shù)據(jù)歸一化

采用最大值-最小值法,對數(shù)據(jù)進行歸一化處理,避免測點因取值工程范圍差異對殘差造成額外的影響:

(10)

式(10)中:x為測點歷史數(shù)據(jù);xmin為測點歷史最小值;xmax為測點歷史最大值;xscaled為測點歸一化后歷史數(shù)據(jù)。

3.1.2 確定狀態(tài)矩陣

針對每一個測點,將(0,1)區(qū)間劃分為100等份,搜索與每個分隔點最接近的歷史記錄并保存,刪除重復記錄后,最終得到狀態(tài)矩陣,其測點數(shù)值分布如圖4所示,可以看出基本覆蓋了各個測點的整個變化區(qū)間。MSET方法要求狀態(tài)矩陣盡可能覆蓋所有的運行工況。

圖4 狀態(tài)矩陣中測點數(shù)值的分布

3.1.3 確定健康殘差及報警閾值

健康殘差取剩余矩陣(即除去狀態(tài)矩陣后的訓練集)中每個向量的估計值與原始值之差的L2范數(shù),計算結(jié)果如圖5～6所示(曲線中的斜直線是因為對應(yīng)時間停機,相關(guān)數(shù)據(jù)被清洗掉了)。圖5中功率測點的估計值和實際值比較吻合,差異很小;圖6顯示殘差的最大值為0.12。

圖5 燃機功率實際值與估計值對比

圖6 正常運行數(shù)據(jù)對應(yīng)的殘差趨勢

根據(jù)經(jīng)驗,報警閾值選取剩余矩陣最大殘差的1.3倍:

Ey=1.3Ev

(11)

式(11)中:Ey為殘差報警閾值;Ev為健康殘差最大值。

本案例中,健康殘差最大值為0.12,殘差報警閾值為0.156。

3.1.4 計算觀測向量的估計向量并計算殘差

根據(jù)2022年1月至8月底的歷史數(shù)據(jù),計算每個觀測向量對應(yīng)的估計向量,同時計算這兩個向量的殘差值,計算結(jié)果如圖7所示。從2022年3月開始,殘差出現(xiàn)了一些極大值。

圖7 觀測數(shù)據(jù)的實際殘差變化情況

3.1.5 確定報警時間

同時做出正常運行數(shù)據(jù)的健康殘差、觀測數(shù)據(jù)的實際殘差、殘差報警閾值的曲線,以確定報警時間,如圖8所示。

圖8 健康殘差、實際殘差、報警閾值曲線

從圖8可見,實際殘差從2022年3月開始,多次穿越殘差報警閾值線。若在2022年3月進行異常預(yù)警,則與2022年9月檢修時發(fā)現(xiàn)透平動葉故障相比,可以提前5個月發(fā)現(xiàn)設(shè)備出現(xiàn)異常情況,此時進行檢修,很大可能避免透平動葉出現(xiàn)大型缺口的嚴重故障。

3.2 BP神經(jīng)網(wǎng)絡(luò)方法

3.2.1 訓練BP神經(jīng)網(wǎng)絡(luò)模型

采用經(jīng)典的3層神經(jīng)網(wǎng)絡(luò)模型,輸入層神經(jīng)元個數(shù)為測點個數(shù)3,隱藏層的神經(jīng)元個數(shù)選取20,輸出層的神經(jīng)元個數(shù)同輸入層。經(jīng)過10 epochs迭代后,模型的損失(loss)為0.001 48,2次迭代間損失變化已很小。圖9為透平排氣壓力對估計值和實際值曲線,可以明顯看出有一些偏差。圖10為健康殘差變化曲線,健康殘差的最大值為0.27,與MSET方法類似,報警閾值取最大殘差的1.3倍,為0.351。

圖10 正常運行數(shù)據(jù)的健康殘差

3.2.2 估計觀測向量并計算殘差

根據(jù)估計向量和觀測向量的殘差,計算其L2范數(shù)得到總殘差,變化曲線如圖11所示。

圖11 實際殘差變化曲線

3.2.3 確定報警時間

與MSET方法類似,同時做出健康殘差、實際殘差、殘差報警閾值的曲線,確定報警時間,如圖12所示。

圖12 BP神經(jīng)網(wǎng)絡(luò)方法確定的健康殘差、實際殘差、報警閾值曲線

從圖12可以看出,從2022年3月份開始,實際殘差值多次穿越報警閾值線,從而觸發(fā)多次報警,與MSET方法的結(jié)論相同。

3.3 MSET方法與BP神經(jīng)網(wǎng)絡(luò)方法比較

通過比較這兩種方法可以發(fā)現(xiàn),MEST方法和BP神經(jīng)網(wǎng)絡(luò)方法得到的預(yù)警時間基本一致,都從2022年3月份開始出現(xiàn)報警。但MEST方法對正常數(shù)據(jù)的估計值要比BP神經(jīng)網(wǎng)絡(luò)更加準確,其最大殘差要遠遠小于BP神經(jīng)網(wǎng)絡(luò)的最大殘差。而對實際殘差超出報警閾值的程度來說,MSET方法更加靈敏,其計算得到的實際殘差高于報警閾值的程度要遠大于BP神經(jīng)網(wǎng)絡(luò)方法。

對于本案例的分析,BP神經(jīng)網(wǎng)絡(luò)方法僅拿來作對比驗證,所以沒有進行深度調(diào)優(yōu),相對于簡單易用的MSET方法來說,BP神經(jīng)網(wǎng)絡(luò)方法能達到相同的預(yù)測效果,需要有更多的投入。

4 結(jié)語

燃氣透平早期故障的智能預(yù)警,對于避免重大故障的發(fā)生和巨大經(jīng)濟的損失具有十分重要的意義[10]。本文對燃氣透平的具體案例進行了預(yù)警研究,MSET方法和BP神經(jīng)網(wǎng)絡(luò)方法都可以做到提前預(yù)警,因此都可以用來對燃氣透平進行早期的故障預(yù)警。經(jīng)過比較,在不投入較大代價情況下,MSET方法對數(shù)據(jù)的估計值更精確一些,更適合用來對燃氣透平進行預(yù)警。