陳 健,徐 超,應(yīng)雨龍,徐思雨

(1. 上海上電電力工程有限公司, 上海 200090； 2. 上海電力大學 能源與機械工程學院，上海 201306)

燃氣輪機是工業(yè)電站、船舶工業(yè)、航空工業(yè)等領(lǐng)域的動力核心。作為一種內(nèi)燃式動力機械，其使用連續(xù)氣流作為工作介質(zhì)來驅(qū)動葉輪高速旋轉(zhuǎn)，將燃料的化學能轉(zhuǎn)變?yōu)榘l(fā)電機或螺旋槳的有用功，確保其安全穩(wěn)定運行是關(guān)鍵。按照用途，燃氣輪機可以分為工業(yè)、重型、微型、小型和艦船燃氣輪機等[1-2]。

燃氣輪機運行時，在機組內(nèi)部會受到高轉(zhuǎn)速、高壓、高溫、高熱應(yīng)力、高機械應(yīng)力的工況條件。在機組外部，會受到周圍污染的環(huán)境大氣條件，導致其主要氣路部件隨操作運行時間的累積而發(fā)生性能衰退(如腐蝕、積垢、熱畸變等)或損傷(如磨損、內(nèi)/外物損傷等)[3]。燃氣輪機故障類型根據(jù)發(fā)生的故障機理通?？梢苑譃閮煞N。一種是與機械性質(zhì)耦合，而與氣動及熱力學無關(guān)，比如油膜失穩(wěn)、軸不對中、軸承缺陷、轉(zhuǎn)子動不平衡等故障[4]。對于該類故障，可以通過如應(yīng)力分析、振動分析、聲發(fā)射分析、油屑分析，熱成像、金屬溫度監(jiān)測、負載分析等眾多技術(shù)手段來診斷該類故障情況。另一種是與氣動及熱力學耦合，如內(nèi)/外物損傷、透平磨損/腐蝕、熱畸變、壓氣機積垢等故障。對于此種故障，燃氣輪機氣路故障診斷技術(shù)是一項對正在演化的部件性能衰退狀況進行預(yù)測診斷的有效方法。通常燃氣輪機機組性能健康狀況信息可用間接計算得到的通流部件氣路健康參數(shù)，如壓氣機、透平、燃燒室效率特性指數(shù)(表征部件運行效率)和流量特性指數(shù)(表征部件通流能力)來表征[5-6]。

1 氣路診斷方法現(xiàn)狀

現(xiàn)今燃氣輪機氣路故障診斷方法根據(jù)診斷機理大體上可以分為兩種[7]：一種是基于數(shù)據(jù)驅(qū)動的氣路診斷方法，如貝葉斯網(wǎng)絡(luò)、支持向量機、基于規(guī)則的專家系統(tǒng)、模糊算法、神經(jīng)網(wǎng)絡(luò)方法等；另一種是基于熱力模型的氣路診斷方法，如線性氣路診斷方法、遺傳算法、基于線性模型的最優(yōu)估計方法、卡爾曼濾波算法、非線性氣路診斷方法等。

1.1 基于數(shù)據(jù)驅(qū)動的氣路診斷方法

燃氣輪機機組作為一種輸入—內(nèi)部狀態(tài)—輸出強非線性耦合的熱動系統(tǒng)，當周圍環(huán)境條件(如大氣相對濕度、壓力、溫度)，運行操作條件(如加減載等變工況)或控制參數(shù)變化時，其系統(tǒng)內(nèi)部狀態(tài)(如通流部件的各個性能參數(shù))本身會發(fā)生顯著改變。因此，如何預(yù)測診斷此類強非線性熱動系統(tǒng)存在艱巨挑戰(zhàn)。

利用機器學習、模式識別等基于數(shù)據(jù)驅(qū)動的智能診斷方法，如粗糙集理論[8]、神經(jīng)網(wǎng)絡(luò)[9]、模糊邏輯[10-11]、貝葉斯網(wǎng)絡(luò)[12-13]等，通常需要提供已有設(shè)備的故障樣本數(shù)據(jù)集，而對于那些未涵蓋的故障情況，這類診斷方法往往難以做出準確評估。對于某種新研制的，或者新投運的機組，因為缺少已標定的故障樣本數(shù)據(jù)集，又很難在短期內(nèi)構(gòu)建可以涵蓋眾多故障情況的完整故障樣本數(shù)據(jù)集。而且，基于歷史監(jiān)測數(shù)據(jù)及現(xiàn)場運維經(jīng)驗通過數(shù)據(jù)挖掘技術(shù)來積累故障征兆與故障模式之間映射關(guān)系的規(guī)則知識庫是項極其費時費力費成本的工作。此外，基于數(shù)據(jù)驅(qū)動的氣路診斷方法特點在于能對故障類型進行識別分類，但缺點是對故障嚴重程度難以給出量化評估。上述這些問題是當前基于數(shù)據(jù)驅(qū)動的氣路故障診斷方法推廣應(yīng)用的限制瓶頸。

1.2 基于熱力模型的氣路診斷方法

在燃氣輪機運行操作中，當機組某個或多個通流部件出現(xiàn)性能衰退及損傷時，其內(nèi)部的性能參數(shù)，如質(zhì)量流量、壓比、等熵效率等，會產(chǎn)生變化，并致使外在的氣路可測參數(shù)，如轉(zhuǎn)速、溫度、燃料流量、壓力等會改變。通流部件內(nèi)部的性能參數(shù)與外在的氣路可測參數(shù)之間的熱動耦合關(guān)系如圖1所示。

圖1 內(nèi)部性能參數(shù)與外在氣路可測參數(shù)熱動耦合關(guān)系

基于熱力模型的氣路故障診斷方法的基本原理是利用外在的氣路可測參數(shù)通過通流部件內(nèi)部的性能參數(shù)與外在的氣路可測參數(shù)之間的熱動耦合關(guān)系求解內(nèi)部的性能參數(shù)，從而求得各個相應(yīng)通流部件的健康參數(shù)，以此來監(jiān)測、隔離發(fā)生性能衰退或損傷的通流部件，并得到嚴重程度量化的診斷結(jié)果。以壓氣機為例，其健康參數(shù)本質(zhì)上表征的是部件在發(fā)生性能衰退或損傷前后特性線產(chǎn)生偏移的程度，如圖2所示。因此，基于熱力模型的氣路診斷方法相較于傳統(tǒng)的燃氣輪機熱力仿真計算，是一個典型的逆求解的數(shù)學過程。

圖2 由于性能衰退或損傷導致壓氣機特性線發(fā)生偏移

相較于基于數(shù)據(jù)驅(qū)動的氣路故障診斷方法，基于熱力模型的氣路故障診斷方法本質(zhì)上是通過物理機理建模的方式來實現(xiàn)診斷，其優(yōu)點在于并不需要已標定的故障樣本數(shù)據(jù)集。根據(jù)使用的熱力模型形式不同，基于熱力模型的氣路故障診斷方法主要可以分為線性與非線性兩類，其中后者是當前的主流研究方向[14-15]。相較于線性氣路診斷方法，非線性氣路診斷方法的優(yōu)點在于解決了熱力模型線性化所導致的診斷可靠性降低的難題。非線性氣路診斷方法根據(jù)迭代驅(qū)動求解算法的不同又可分為基于局部優(yōu)化算法(如卡爾曼濾波算法[16]、牛頓-拉普森算法[17]等)的非線性氣路診斷方法和基于全局優(yōu)化算法(如粒子群算法[5]、遺傳算法[18]等)的非線性氣路診斷方法。經(jīng)過多年發(fā)展，其診斷準確性對于機組運行控制參數(shù)、環(huán)境大氣條件、傳感器測量噪音及偏差[19]、氣路可測參數(shù)選擇[20]等敏感的問題取得了一定的解決。非線性氣路故障診斷方法的求解過程往往默認“當通流部件性能衰退或損傷的程度不大時，其幾何通道結(jié)構(gòu)基本不發(fā)生改變，其內(nèi)部特性線形狀也基本不發(fā)生改變”這一假設(shè)[14]。然而，當通流部件性能衰退或損傷的程度增大時，其通流部件特性線必然會發(fā)生內(nèi)在非線性形狀的改變，此時，其診斷準確性可能會隨著通流部件性能衰退或損傷的程度增大而逐漸偏離。

2 本文方法

基于上述燃氣輪機氣路診斷方法現(xiàn)狀分析，本文提出了基于二次熵特征提取的前向求解的氣路故障診斷方法，如圖3所示。

圖3 基于二次熵特征提取的燃氣輪機氣路故障診斷方法

其具體診斷步驟如下：

①采集目標機組新投運或健康時的氣路可測參數(shù)，建立基于各個通流部件流量特性線與效率特性線的全非線性熱力模型[21]。在此階段，需要使用自適應(yīng)熱力建模方法[21]，以使性能模型的計算結(jié)果與實際氣路測量值很好地匹配。

②在性能模型中各個通流部件設(shè)置不同的故障模式(通過調(diào)整各個通流部件的健康參數(shù)ΔSF來實現(xiàn))，從而來觀測各個氣路可測參數(shù)對各個通流部件的健康參數(shù)的敏感度，并刷選出較敏感的氣路可測參數(shù)作為一次特征參數(shù)向量。

③實時采集目標機組的氣路可測參數(shù)，降噪處理后，作為待診斷的氣路可測參數(shù)，并整理為性能衰退時的氣路可測參數(shù)z與健康時的氣路可測參數(shù)z0的相對偏差形式Δz=(z0-z)/z0，以降低由于周圍環(huán)境大氣條件和/或運行操作條件u變化而使診斷準確性降低帶來的影響[17]。

④將Δz輸入香農(nóng)熵與指數(shù)熵的特征提取算法[22]中提取二維熵特征[E1,E2]，進而可以通過二維特征散點圖上的每個特征點的類間分離度和類內(nèi)聚合度來檢測已發(fā)生性能衰退、損傷或故障的部件。

具體的二次熵特征提取過程如下：

將一次特征參數(shù)向量Δz作為某一段信號序列，進行FFT變換，即：

(1)

式中Δz(i)為向量Δz的第i個參數(shù)，g為向量Δz的總參數(shù)數(shù)目。

求得信號頻譜后，計算各個點的能量：

Enk=|F(k)|2k=1,2,…,g

(2)

計算各個點的總能量值：

(3)

計算各個點的能量在總能量中所占的概率比例：

(4)

分別進行香農(nóng)熵E1和指數(shù)熵E2計算：

(5)

(6)

此時即可得到通過二次特征提取的二維熵特征向量[E1,E2]，通過二維平面可視化，就可以作為判別燃氣輪機各個主要氣路部件是否發(fā)生性能衰退、損傷或故障的主導特征向量。

本文所提出的基于二次熵特征提取的氣路故障診斷方法不依賴于已標定的故障樣本數(shù)據(jù)集，也不受實際部件特性線的固有非線性形狀變化的限制，因此具有良好的診斷適用性。

3 應(yīng)用與分析

以某型三軸燃氣輪機機組為研究對象，如圖4所示。

注：1-2為空氣在低壓壓氣機(LC)的壓縮過程； 2-3為空氣在高壓壓氣機(HC)的壓縮過程； 3-4為壓縮空氣與燃料在燃燒室(B)的燃燒過程； 4-5為高溫高壓的燃氣在高壓透平(HT)的膨脹做功過程； 5-6為較高溫高壓的燃氣在低壓透平(LT)的膨脹做功過程； 6-7為較高溫高壓的燃氣在動力透平(PT)的膨脹做功過程。圖4 某型三軸燃氣輪機

其氣路可測參數(shù)如表1所示。

該機組的性能模型是基于MATLAB與VC++混合編程實現(xiàn)[16,19,21]：①利用MATLAB的M腳本文件建立機組各個通流部件的熱力模型子程序以及整機熱力模型主程序；②利用VC++建立各種工質(zhì)(包括空氣、燃氣、天然氣等)的熱物性(包括比焓、比熵、定壓比熱容、比容、氣體常數(shù)等)計算程序，并編譯生成可供MATLAB中各個通流部件的熱力模型子程序及整機熱力模型主程序調(diào)用的動態(tài)鏈接庫dll文件；③整機熱力模型的輸入條件為環(huán)境大氣條件(T0、P0、φ)、運行操作條件(Ne)、燃料組分情況及低位熱值、通流部件健康參數(shù)ΔSF；④整機熱力模型的輸出結(jié)果為該燃氣輪機機組的其余氣路可測參數(shù)。這樣混合編程的特點在于結(jié)合MATLAB的M腳本文件簡單易編程與VC++的動態(tài)鏈接庫dll文件執(zhí)行實時性這兩者的優(yōu)點。

表1 燃氣輪機機組的氣路測量參數(shù)

3.1 敏感性分析

基于Diakunchak等人的實驗結(jié)果[23]可知，通常燃氣輪機各個主要通流部件的性能衰退狀況如表2所示。

表2 各個通流部件的性能衰退狀況

通過將表3所示的不同性能衰退程度的各個通流部件健康參數(shù)分別植入該機組的熱力模型中，可以性能衰退時的氣路可測參數(shù)與健康時的氣路可測參數(shù)的相對偏差形式，從而來觀測各個氣路可測參數(shù)對各個通流部件的健康參數(shù)的敏感度，如表4所示。

表3 植入的部件性能衰退樣本

由表4所示的機組各個氣路可測參數(shù)對各個通流部件健康參數(shù)的敏感度分析可知，對于該機組可以選取如下的氣路可測參數(shù)Δz用于進一步提取二次熵特征，以便用于氣路故障模式識別可視化。

(7)

3.2 二次熵特征提取

在應(yīng)用與分析中，為了測試所提方法的有效性，使用了兩套燃氣輪機熱力學模型， 這些模型在我們以前的研究工作[6,16,19,21]中已經(jīng)建立。其中，植入不同部件性能衰退模式的機組熱力學模型作為實際對象機組，而另一套機組熱力模型作為該對象機組的性能模型。根據(jù)Dyson等人所提供的不同測量參數(shù)的最大測量噪聲信息[24]，本文在模擬的氣路可測參數(shù)中引入了測量噪音以使診斷情況更符合實際，如表5所示。

表4 氣路可測參數(shù)對各個通流部件健康參數(shù)的敏感度分析

注：t0=15℃,P0=101.3 kPa,φ=60% ,Ne=24 265 kW，t和T對應(yīng)的物理意義一樣，只是單位不同，t單位℃,T單位K。

表5 最大的測量噪聲

同時，各個模擬的氣路可測參數(shù)通過一個30點滾動平均方法[19]來得到一個滾動的平均測量值，以實現(xiàn)降噪處理的目的。

為測試本文所提方法的有效性，使用表6所示的六個性能衰退模式案例(通過在燃氣輪機熱力學模型中設(shè)置不同的部件健康參數(shù)來模擬不同的部件氣路故障情況)來研究。

表6 植入的部件性能衰退樣本

在相同運行操作條件下，在每個部件性能衰退模式案例中，在表6所示的部件性能衰退范圍內(nèi)取11個等間隔點來模擬得到實際對象機組的氣路可測參數(shù)，并通過本文方法得到的診斷結(jié)果如圖5所示。

圖5 在相同運行操作條件下基于二次熵 特征提取的燃氣輪機氣路故障診斷結(jié)果

由圖5所示，燃氣輪機氣路可測參數(shù)基于香農(nóng)熵與指數(shù)熵的二次特征提取后，在二維特征散點圖上不同部件的氣路故障模式有顯著的類間分離度和類內(nèi)聚合度，可以有效檢測、隔離發(fā)生氣路故障的部件。當運行操作條件在50%～100%額定負荷范圍內(nèi)變化時，診斷結(jié)果如圖6所示。

圖6 在不同運行操作條件下基于二次熵 特征提取的燃氣輪機氣路故障診斷結(jié)果

從圖6中可以看出，盡管所提取的二維熵特征在運行操作條件變化時會略有變化，但在二維特征散點圖上不同部件的氣路故障模式仍具有良好的類間分離度和類內(nèi)聚合度，可以有效檢測、隔離發(fā)生氣路故障的部件。運維人員可以清楚方便地監(jiān)測到燃氣輪機各個主要氣路部件的性能衰退情況。當氣路主要部件發(fā)生性能衰退、損傷或故障時，某種衰退模式會在二維平面上呈現(xiàn)明顯的類內(nèi)聚合度。

3.3 進一步討論

為進一步檢驗基于二次特征提取的燃氣輪機氣路故障診斷框架的有效性，本文將分形盒維數(shù)特征(D)[25]也用于二次特征提取，診斷結(jié)果如圖7所示。

分形理論是當代非線性科學最重要的分支之一，適用于處理各種類型的非平穩(wěn)和非線性現(xiàn)象，也可適用于本文的二次特征提取。相比與其他分形維數(shù)算法，分形盒維數(shù)算法具有計算簡單、易編程、實時性好等優(yōu)點。從圖7中可以看出，分形盒維數(shù)特征也可以用于基于所提出的診斷框架的二次特征提取。在未來研究探索中，可以根據(jù)實際應(yīng)用條件選擇適合的二次特征提取算法。

(a) 基于指數(shù)熵特征和分形盒維數(shù)特征 提取的燃氣輪機氣路故障診斷結(jié)果

(b) 基于香農(nóng)熵特征和分形盒維數(shù)特征D 提取的燃氣輪機氣路故障診斷結(jié)果圖7 基于二次特征提取的燃氣輪機氣路故障診斷結(jié)果

4 結(jié)論

本文針對現(xiàn)有氣路診斷方法存在的問題，提出了一種基于模型—數(shù)據(jù)混合驅(qū)動的新型燃氣輪機氣路診斷框架。通過應(yīng)用與分析可以得到如下結(jié)論：

(1) 所提出的氣路診斷方法既不依賴于故障樣本集，也不受實際部件特性線的固有非線性形狀變化的限制，具有良好的診斷適用性。

(2) 當機組運行操作條件發(fā)生變化時，盡管提取的二維熵特征值會略有變化，但診斷結(jié)果仍然具有良好的類間分離度和類內(nèi)聚合度。

(3) 分形盒維數(shù)特征也可以用于基于所提出的診斷框架的二次特征提取。

(4) 提出的基于二次特征提取的燃氣輪機氣路故障診斷可視化方法，可以使機組運維人員方便地采用氣路分析方法監(jiān)測燃氣輪機的健康狀況，實現(xiàn)機組健康管理。