賀星，劉永葆，趙雄飛

（1.海軍工程大學船舶與動力學院，武漢 430033;2.海軍駐431廠軍事代表室，遼寧 葫蘆島 125004）

基于進化神經(jīng)網(wǎng)絡的壓氣機結垢性能退化評估

賀星1，劉永葆1，趙雄飛2

（1.海軍工程大學船舶與動力學院，武漢 430033;2.海軍駐431廠軍事代表室，遼寧 葫蘆島 125004）

賀星(1982)，男，博士，講師，研究方向為現(xiàn)代熱力學與燃氣輪機性能。

采用進化神經(jīng)網(wǎng)絡方法，通過測量參數(shù)對壓氣機結垢性能退化模式進行了定量監(jiān)控和評估。運用粒子群算法優(yōu)化徑向基函數(shù)（Radial Base Function，RBF）神經(jīng)網(wǎng)絡的初始權值，即由神經(jīng)網(wǎng)絡訓練樣本所得到的實際和期望的輸出之間的誤差平方和構造適應度函數(shù)，對RBF神經(jīng)網(wǎng)絡的隱層中心、半徑以及輸入輸出權值進行全局尋優(yōu)搜索，設計了進化RBF神經(jīng)網(wǎng)絡，并對模擬得到的壓氣機結垢的樣本進行訓練和測試。結果表明：進化RBF神經(jīng)網(wǎng)絡的模式識別能力比普通RBF神經(jīng)網(wǎng)絡的要強，對燃氣輪機性能退化評估和健康管理具有重要理論意義和應用價值。

性能退化；壓氣機；結垢；進化神經(jīng)網(wǎng)絡；徑向基函數(shù)；評估；優(yōu)化

0 引言

綜合的故障診斷、預測與健康管理技術（Prognostics and Health Management，PHM）[1-2]已經(jīng)成為歐美等國提高復雜系統(tǒng)“5性”（可靠性、維修性、測試性、保障性和安全性）和降低系統(tǒng)壽命費用的關鍵技術。作為PHM技術在燃氣輪機上的應用，燃氣輪機健康管理(Engine Health Management，EHM)[3-6]就是在傳統(tǒng)發(fā)動機狀態(tài)監(jiān)控、故障診斷的基礎上，綜合利用信息技術、人工智能等學科的最新研究成果提出的1種全新解決方案。EHM建立在對發(fā)動機信息的辨識、獲取、處理和融合基礎上，采取積極主動的措施監(jiān)視發(fā)動機的健康狀態(tài)，預測其性能變化趨勢、部件故障發(fā)生時機及剩余使用壽命，采取必要的措施緩解發(fā)動機的性能退化、部件故障/失效的決策和執(zhí)行過程[7-8]。實施EHM已經(jīng)成為緩解發(fā)動機向高性能、低成本這2個相互矛盾的方向發(fā)展不可或缺的途徑。

燃氣輪機機組在運行中，壓氣機葉片結垢是不可避免的性能退化模式之一，導致發(fā)動機性能參數(shù)（健康參數(shù)）變化，如壓氣機流量和效率下降等，從而引起溫度、壓力和轉速等可測參數(shù)的變化。積極探索性能退化的外在表征（即健康參數(shù)和測量參數(shù)之間的內(nèi)在規(guī)律），可為視情維修提供依據(jù)。

本文主要采用粒子群算法對RBF神經(jīng)網(wǎng)絡進行優(yōu)化，同時針對壓氣機結垢后監(jiān)控系統(tǒng)測量參數(shù)變化量構建性能退化樣本。

1 壓氣機結垢機理及危害

結垢由進入燃氣輪機通流部分的微粒附著而造成。特別是在海洋環(huán)境濕度比較大、含鹽率較高、加上軸承中產(chǎn)生的潤滑油霧的條件下，容易在通流部分和葉片上形成與微粒之間的“黏附基”，而進氣過濾系統(tǒng)一般只能過濾掉尺寸在5～10 μm以上的顆粒，而更小的顆粒（如煙霧、油霧、鹽霧和沙塵等）就進入了燃氣輪機的通流部分，在其運行一段時間后很容易結垢。而且燃氣輪機耗氣量較大，對于本研究對象而言，其耗氣量為85 kg/s，則該燃氣輪機工作10 h就要吸入3.0×106kg的空氣，設吸入的空氣經(jīng)進氣系統(tǒng)過濾后還有百萬分之一的微粒進入，那么該燃氣輪機工作10 h吸入的微粒量為30.6 kg，其中的一部分微粒將逐漸黏附在通流部分上，造成結垢。

葉片結垢后，其表面光潔度降低，葉形改變，通流面積變小，而摩擦、氣流分離、渦流和端部的損失等增大，從而導致葉片的氣動性能降低。而壓氣機葉片結垢后，其流量和效率都下降，在“流量-壓比”性能曲線中，不僅等轉速線向右下移，而且喘振邊界也下移。

2 燃氣輪機性能退化評估

燃氣輪機性能退化與性能參數(shù)、測量參數(shù)之間的信息傳輸如圖1所示。從圖1中可見，燃氣輪機部件的氣路性能退化（病灶）導致部件性能（健康因子）的下降，進而導致測量參數(shù)變化（征兆異常）。燃氣輪機的使用、管理和維護人員可以利用測量參數(shù)中存在的異常征兆，逆向進行性能評估和健康管理。

壓氣機結垢是燃氣輪機最常見的性能退化模式之一，且屬于可恢復性的性能退化模式，可以通過清洗的方式去除壓氣機通流部分的污垢，進而恢復壓氣機性能[9-10]。清洗方法包括人工清洗、干洗和水洗。在這3種清洗方式中，雖然人工清洗效果最好，但由于操作繁雜，不僅需要打開壓氣機機匣，而且對清洗人員的清洗要求很高，故不常采用。對于干洗方式，由于干洗的物質（如碾碎的核桃殼）常堵塞燃氣輪機的引氣管路和渦輪葉片的冷卻孔，且易劃傷壓氣機和渦輪葉片，也很少采用。與上述2種清洗方式比較，水洗是最常用的清洗方式。目前對于燃氣輪機的水清洗，一般根據(jù)其運行時數(shù)定時進行。但該方法在以下3方面存在不科學性：（1）從使用角度來看，雖然經(jīng)常進行水清洗能夠恢復其壓氣機性能，但由于水清洗會將一些水分帶入燃氣輪機通流部分，如果水分滲入軸承和其他精密部件，將導致其腐蝕和潤滑性能降低等；（2）從經(jīng)濟角度來看，周期性水清洗沒有基于燃氣輪機的運行狀態(tài)，由于受外界環(huán)境變化的影響，燃氣輪機的性能退化不可能呈周期性，可能在某種因素的副作用下（如高濕高鹽環(huán)境），其結垢速率大增，性能退化加快，這就需要進行視情水清洗；（3）從環(huán)境保護的角度來看，頻繁和大量地使用水清洗劑將污染環(huán)境。

基于上述3方面因素，要求使用和管理者能夠詳細地分析各種重要的運行環(huán)境因素對壓氣機結垢的影響并進行判別，在適合的時機增加或減少水清洗次數(shù)，這對使用和管理者的要求是過分和苛刻的。為此，可以通過燃氣輪機可測參數(shù)的異常變化來定量分析和評估壓氣機性能退化程度，為使用和管理者的視情水清洗提供決策參考。

圖1 燃氣輪機性能退化信息傳遞

3 算法運用

3.1 粒子群算法

粒子群算法[11]與其他進化類算法類似，也采用“群體”與“進化”的概念，也是依據(jù)個體（粒子）的適應值進行操作。所不同的是，粒子群算法不對個體使用進化算子，而是將每個個體看作是在維搜索空間中的1個沒有質量和體積的粒子，并在搜索空間中以一定的速度飛行，其飛行速度由個體和群體的飛行經(jīng)驗進行動態(tài)調(diào)整。

設Xi=（xi1,xi2,…,xin）為i粒子的當前位置；Vi=（vi1, vi2,…,vin）為粒子i的當前飛行速度；Pi=（pi1,pi2,…,pin）為粒子i所經(jīng)歷的最好位置，也就是粒子i所經(jīng)歷過的具有最好適應值的位置，稱為個體最好位置。對于最小化問題，目標函數(shù)值越小，對應的適應值越好。

設f（X）為最小化的目標函數(shù)，則粒子i的當前最

設群體中的粒子數(shù)為s，所有粒子所經(jīng)歷過的最好位置為Pg（t），即全局最好位置，則基本粒子群算法的進化方程為

式中：下角標j為粒子的第j維；t為第t代；c1、c2為加速常數(shù)，通常在0～2間取值；r1=rand（0,1），r2=rand（0,1），為2個相互獨立的隨機函數(shù)。

從上述粒子進化方程可見，c1調(diào)節(jié)粒子飛向自身最好位置方向的步長，又被稱為“自我認識系數(shù)”；c2調(diào)節(jié)粒子向全局最好位置飛行的步長，又被稱為“社會學習系數(shù)”。為了減少在進化過程中粒子離開搜索空間的可能性，vij通常限定于一定范圍內(nèi)，即vmin≤vij≤vmax。如果問題的搜索空間限定在[-xmax,xmax]內(nèi)，則可設定vmax=k·xmax，0.1≤k≤1。

式（3）的右邊可以分成3部分：第1部分為粒子飛行中的原先的速度項，即慣性作用，是粒子能夠飛行的基本保證；第2、3部分分別表示對原先速度的修正。其中，第2部分考慮該粒子歷史最好位置對當前位置的影響，表示粒子飛行中考慮到自身的經(jīng)驗，向其曾經(jīng)找到過的最好點靠近；而第3部分考慮粒子群體歷史最好位置對當前位置的影響，表示粒子飛行中考慮到社會的經(jīng)驗，向領域中其他粒子學習，使粒子在飛向領域內(nèi)所有粒子曾經(jīng)找到過的最好點靠近。對于基本粒子群算法而言，進化方程式（3）中的第1項保證算法具有一定的全局搜索能力。

3.2 進化RBF神經(jīng)網(wǎng)絡設計

RBF神經(jīng)網(wǎng)絡具有非線性逼近能力強、網(wǎng)絡結構簡單和學習速度快等優(yōu)點，然而，有效地確定其結構和參數(shù)卻沒有系統(tǒng)的規(guī)律可循。在RBF神經(jīng)網(wǎng)絡中需要確定的參數(shù)有隱層節(jié)點數(shù)、隱層節(jié)點的中心值和寬度、隱層到輸出層的連接權值。隱層節(jié)點中心值的選取對網(wǎng)絡的函數(shù)逼近能力具有很大影響，不恰當?shù)剡x取會使網(wǎng)絡收斂慢，甚至造成網(wǎng)絡發(fā)散。確定隱層節(jié)點中心值通常采用聚類方法，也可按照一定的規(guī)則從學習數(shù)據(jù)中得到，本文采用的方法是從學習數(shù)據(jù)中好位置由下式確定利用粒子群算法優(yōu)化選取隱層節(jié)點中心和輸入（輸出）層的權值，該方法簡單實用，且能找到隱層節(jié)點中心值和輸入（輸出）層的權值的全局最優(yōu)值。

進化RBF神經(jīng)網(wǎng)絡的設計步驟如下[11]。

（1）粒子群向量編碼。要使用粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡，首先要將問題域表示成粒子個體。網(wǎng)絡初始權重是在1個很小的范圍(例如[-2,2])內(nèi)隨機選擇的。針對特定的RBF神經(jīng)網(wǎng)絡結構，對所列出的所有神經(jīng)元中各權重和閾值級按順序串聯(lián)在一起，采用實數(shù)編碼，轉換成粒子群空間中的個體。

（2）初始化粒子群。根據(jù)粒子群的規(guī)模，按照其向量編碼的個體結構隨機產(chǎn)生一定數(shù)量的個體，其中不同的粒子表示RBF神經(jīng)網(wǎng)絡的1組不同權值。

（3）定義適應度函數(shù)。定義適應度函數(shù)來評估粒子的性能，該函數(shù)必須評估給定神經(jīng)網(wǎng)絡的性能?？梢允褂糜缮窠?jīng)網(wǎng)絡訓練樣本所得到的實際和期望的輸出之間的誤差平方和作為適應度函數(shù)。這樣，適應度越小，網(wǎng)絡的實際和期望的輸出誤差越小。

（4）神經(jīng)網(wǎng)絡權值的優(yōu)化。將粒子群中的各向量編碼映射為RBF神經(jīng)網(wǎng)絡的權值和閾值，從而重塑1個RBF神經(jīng)網(wǎng)絡。對于各粒子對應的神經(jīng)網(wǎng)絡，輸入訓練樣本進行網(wǎng)絡訓練，并得到各個體的適應度。

（5）神經(jīng)網(wǎng)絡進化。由適應度判斷是否需要更新粒子自身和全局的最佳值，并轉入（4）進行循環(huán)訓練。當網(wǎng)絡滿足預定的條件或達到最大迭代數(shù)時終止訓練。將訓練過程中得到的全局最小適應度對應的個體作為最佳個體保存并輸出。

（6）神經(jīng)網(wǎng)絡的測試。將訓練得到的全局最佳個體映射為最佳RBF神經(jīng)網(wǎng)絡的網(wǎng)絡權值的初值，對樣本進行測試。進化RBF神經(jīng)網(wǎng)絡流程如圖2所示。

4 數(shù)值試驗及結果分析

目前某型燃氣輪機實際監(jiān)控參數(shù)為6個，分別是高壓壓氣機出口壓力p3、低壓渦輪出口壓力p6、動力渦輪進口溫度T6、低壓軸轉速nL、高壓軸轉速nH和動力渦輪轉速nPT?？紤]到動力渦輪和燃氣發(fā)生器沒有物理連接，nPT對壓氣機結垢的響應有限，而且nPT還受到負載的影響，故不將其作為監(jiān)控壓氣機結垢的測量參數(shù)。壓氣機結垢的性能評估參數(shù)為4個健康因子，分別為低壓壓氣機效率健康因子η?LC、高壓壓氣機效率健康因子、低壓壓氣機折合流量健康因子和高壓壓氣機折合流量健康因子

圖2 進化RBF神經(jīng)網(wǎng)絡流程

采用穩(wěn)態(tài)性能退化模型獲得壓氣機結垢數(shù)據(jù)共50個樣本，將其中40個樣本作為訓練樣本，10個作為測試樣本，運用進化RBF神經(jīng)網(wǎng)絡對樣本進行學習和訓練。

RBF網(wǎng)絡結構的設置為：5×16×4。粒子群的設置為：自我認識系數(shù)c1=1.49445，社會學習系數(shù)c2= 1.49445，總循環(huán)次數(shù)為10次，粒子個數(shù)為10個。

經(jīng)過95.8440 s的訓練后，進化RBF神經(jīng)網(wǎng)絡的最佳適應度為0.013085，而普通RBF的最佳適應度為0.013858。如果增加粒子數(shù)和總循環(huán)次數(shù)，其最佳適應度將更小，但訓練時間將更長。

進化RBF神經(jīng)網(wǎng)絡訓練過程的適應度如圖3所示，測試結果和樣本的相對誤差如圖4所示。

圖3中的平均適應度并非一直變小，而是1個震蕩的過程。研究表明，即使增加一定數(shù)量的粒子個數(shù)和總循環(huán)次數(shù)，平均適應度的變化也是震蕩的。這表明粒子群算法在整個尋優(yōu)的過程中，能保持一定的全局尋優(yōu)能力，避免過早收斂于局部最優(yōu)。

圖4的測試結果表明，由普通的RBF神經(jīng)網(wǎng)絡所得測試結果中，測試結果和樣本的最大相對誤差為0.094 682%。而由進化RBF神經(jīng)網(wǎng)絡所得測試結果中，測試結果和樣本的最大相對誤差為0.066 760%，而且所有樣本除第1個樣本外，測試結果和樣本的相對誤差均小于由普通的RBF神經(jīng)網(wǎng)絡所得的相對誤差。由此可見，進化RBF神經(jīng)網(wǎng)絡的性能好于普通的RBF神經(jīng)網(wǎng)絡的。

學習和訓練后的進化RBF神經(jīng)網(wǎng)絡系統(tǒng)可運用到燃氣輪機壓氣機結垢的評估中，通過監(jiān)控系統(tǒng)中的測量參數(shù)的變化量做為神經(jīng)網(wǎng)絡的輸入，進行模式識別，得到壓氣機結垢的定量結果。

圖3 進化RBF適應度曲線

圖4 訓練值和期望值的相對誤差

5 結論

本文以壓氣機結垢這一性能退化模式為例，采用進化RBF神經(jīng)網(wǎng)絡對燃氣輪機性能退化進行評估。

（1）利用神經(jīng)網(wǎng)絡，能夠解決高度非線性映射問題，顯示出其優(yōu)良的模式識別的能力。所以，神經(jīng)網(wǎng)絡為壓氣機結垢評估和視情水清洗等燃氣輪機健康管理工作提供了1個有效的工具。

（2）采用粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡的權值和閾值，由神經(jīng)網(wǎng)絡訓練樣本所得到的實際和期望的輸出之間的誤差平方和構造適應度函數(shù)，對RBF神經(jīng)網(wǎng)絡的隱層中心、半徑以及輸入輸出權值進行全局尋優(yōu)搜索，得到了進化RBF神經(jīng)網(wǎng)絡。

（3）性能退化評估結果表明：較由普通RBF得到的最佳適應度、測試結果和樣本的誤差而言，由進化RBF神經(jīng)網(wǎng)絡得到的誤差都要小，故其模式識別能力較普通RBF神經(jīng)網(wǎng)絡的要強。如果增加粒子數(shù)和總循環(huán)次數(shù)，其最佳適應度將更小，但訓練時間將更長。而且進化RBF神經(jīng)網(wǎng)絡的平均適應度并非一直變小，而是1個震蕩的過程，即使增加一定數(shù)量的粒子個數(shù)和總循環(huán)次數(shù)，平均適應度的變化也是震蕩的。表明粒子群算法在整個尋優(yōu)過程中，能保持一定的全局尋優(yōu)能力，避免過早收斂于局部最優(yōu)。

[1]Bodden D S，Hadden W，Grube B E，et al．Prognostics andhealthmanagementasdesignvariableinair-vehicle conceptual design[J]．Journal of Aircraft，2006，43（4）：1053-1058．

[2]Suarez E L，Duffy M J，Gamache R N，et al．Jet engine life predictionsystemsintegratedwithprognosticshealth management[C]//IEEE Aerospace Conference Proceedings．Big sky，USA，2004．

[3]GregoryJ K，Saurabh D．Poseidon：the USNavy’s comprehensive health management software for LM2500 MGTs-Part 1[C] //ProceedingsofASME/IGTITURBOEXPOConference. Atlanta，Georgia，2003．

[4]Davison C R．Health monitoring and prognosis for micro gas turbine engines[D]．Canada：Queen’s University，2005．

[5]Melcher K J，Maul W A，Garg S．Propulsion health management system development for affordable and reliable operation of space exploration systems[C]//AIAA Space 2007 Conference and Exposition．Long Beach，California，2007．

[6]費成巍，艾延廷.航空發(fā)動機健康管理（EHM）系統(tǒng)設計技術[J].航空發(fā)動機，2009：36（5）：24-30.

[7]Tang L，Roemer M，Bharadwaj S，et al．An integrated aircraft health assessment and fault contingency management system foraircraft[C]//AIAA Guidance，NavigationandControl Conference and Exhibit．Honolulu，Hawaii，2008．

[8]Gunetti P，Mills A，Thompson H．A distributed intelligent agent architecture for gas-turbine engine health management [R].AIAA-2008-883.

[9]Mund F C，Pilidis P．Gas turbine compressor washing：historical development，trends and main design parameters for online systems[J]．Transactions of ASME，2006，128（2）：344-353．

[10]Boyce M P，Gonzalez F．A study of on-line and off-line turbine washing to optimize the operation of a gas turbine [J]．Transactions of ASME，2007，129（1）：114-122．

[11]Kennedy J，Eberhart R．Particle swarm optimization[C]//Proc IEEE Interence．Conference on Neural Networks．Perth，Australia：IEEE Press，1995：1942-1948.

[12]賀星．基于熱力學功勢的燃氣輪機性能退化研究[D]．武漢：海軍工程大學，2010．

Performance Deterioration Evaluation of Compressor Fouling Based on Evolving Neural Network

HE Xing1，LIU Yong-bao1，ZHAO Xiong-fei2
（1.College of Naval Architecture and Marine Power,Naval University of Engineering, Wuhan 430033,China；2.Military Representative Office of Navy in NO.431 Factory, Huludao Liaoning 125004,China）

Based on evolving neural network method,the performance deterioration mode of compressor fouling was quantitative supervised and evaluated by measurement parameters.The initial weighted values of Radial Base Function(RBF)neural network were optimized by particle swarm algorithm,which was the sum of error squares obtained by the actual and expectation output of neural network training samples as the fitness function.The global optimization search of hidden center,radius,input and output weighted values for RBF neural network was conducted.The evolving RBF neural network was designed,the simulated samples of compressor fouling was trained and tested.The results show that the mode identification capability of evolving RBF neural network is better than simple RBF artificial neural network.It is important theoretical and application value for gas turbine performance deterioration evaluation and health management.

performance deterioration；compressor；fouling；evolving neural network；evaluation；optimization

國防預研項目(40101020102)資助

2011-10-25