彭道剛，姬傳晟，涂 煊，王丹豪

(1. 上海電力大學 自動化工程學院， 上海 200090; 2. 上海工業(yè)自動化儀表研究院有限公司， 上海 200233)

壓氣機是燃氣輪機的重要部件之一[1]，其運行狀態(tài)直接影響燃氣輪機的安全性和可靠性。但由于壓氣機長期在高轉速、高溫環(huán)境中運行，經(jīng)常會出現(xiàn)葉片積垢、磨損腐蝕等故障。如果能夠在早期發(fā)現(xiàn)壓氣機的故障趨勢，提前進行維修和保護，可以降低因這些故障引起的燃氣輪機不穩(wěn)定運行或非計劃停機的風險[2]。因此，壓氣機故障預警對燃氣輪機的穩(wěn)定運行具有重要意義。

目前，對壓氣機的研究主要集中在壓氣機故障類型對燃氣輪機機組性能的影響上，而對壓氣機故障預警方面的研究較少。劉濤等[3]采用多元狀態(tài)估計和偏離度的方法對電廠風機故障進行預警。通過多元狀態(tài)估計建立風機的參數(shù)模型，利用偏離度監(jiān)測模型輸出結果，捕捉故障發(fā)展過程，實現(xiàn)預警。滕衛(wèi)明等[4]提出了基于相似性原理的發(fā)電設備故障預警系統(tǒng)，將歷史數(shù)據(jù)通過數(shù)學分析建立矩陣模型，比較實際值與模型輸出估計值，若超過預定偏差就報警。崔亞輝等[5]提出了利用灰色理論和相似性原理建立汽輪發(fā)電機組動態(tài)預警模型，采用超球相似度分析技術能夠及時發(fā)現(xiàn)設備的異常狀態(tài)，為設備故障預警提供了新方法。上述方法雖然沒有應用于燃氣輪機領域，但有一定的參考價值，壓氣機結構復雜，其不同故障類型之間對應的特征參數(shù)變化關聯(lián)性強，增加了壓氣機早期故障預警的難度。

因此，筆者提出了一種基于長短期記憶網(wǎng)絡和支持向量機(LSTM-SVM)的燃氣輪機壓氣機故障預警方法。根據(jù)文獻研究和壓氣機故障案例分析確定特征參數(shù)，并根據(jù)壓氣機歷史數(shù)據(jù)建立相應的長短期記憶網(wǎng)絡(LSTM)單輸入單輸出預測模型。將特征參數(shù)運行數(shù)據(jù)代入相應的預測模型，通過監(jiān)測模型輸出的預測值與實際值之間的殘差曲線，設定報警閾值，超限報警；再將報警點的報警信息通過正負偏離度進行數(shù)據(jù)處理后作為支持向量機的輸入?yún)?shù)，從而預測壓氣機的故障類型，實現(xiàn)燃氣輪機壓氣機故障預警。

1 長短期記憶網(wǎng)絡與支持向量機

1.1 長短期記憶網(wǎng)絡

LSTM是遞歸神經(jīng)網(wǎng)絡的一種，適用于預測時間序列樣本[6]。燃氣輪機壓氣機的數(shù)據(jù)是按照時間周期進行采樣，且采樣時間固定。因此，在處理時間序列數(shù)據(jù)方面，LSTM對燃氣輪機壓氣機的預測效果良好。LSTM擁有能夠跨越時間點的自連接隱藏層，隱藏層的輸出不僅進入輸出端，還進入下一個時間步驟的隱藏層，所以它能夠持續(xù)保留信息，根據(jù)歷史狀態(tài)判斷出將來的狀態(tài)。LSTM中包括遺忘門、輸入門和輸出門3種門限，每個門限都包含sigmoid激活函數(shù)。sigmoid激活函數(shù)將取值約束在[0,1]，這個特點可以保留和移除原來的信息。

遺忘門是將上一時刻(t-1時刻)的輸出ht-1和t時刻的輸入數(shù)據(jù)xt作為輸入，通過sigmoid激活函數(shù)得到輸出ft。

ft=σ(Wf×[ht-1,xt]+bf)

(1)

式中：Wf為t時刻遺忘門權重;bf為遺忘門的偏置量;σ為sigmoid激活函數(shù)。

it=σ(Wi×[ht-1,xt]+bi)

(2)

(3)

(4)

輸出門ot用來控制該層的細胞狀態(tài)有多少被過濾:

ot=σ(Wo×[ht-1,xt]+bo)

(5)

ht=ot×tanh(Ct)

(6)

式中：Wo為t時刻輸出門ot的權重;bo為偏置量。

LSTM預測模型通過將燃氣輪機壓氣機特征參數(shù)的運行數(shù)據(jù)導入并進行歸一化，設置網(wǎng)絡參數(shù)，利用遺忘門、輸入門和輸出門對壓氣機的歷史數(shù)據(jù)進行處理，使壓氣機特征參數(shù)的歷史狀態(tài)不斷更新，從而調(diào)節(jié)輸出，使其具有較好的預測效果。

1.2 偏離度

筆者通過監(jiān)測壓氣機特征參數(shù)的殘差曲線進行故障報警，選取壓氣機進氣質(zhì)量流量、壓氣機效率、入口溫度、出口溫度、入口壓力、出口壓力和級組壓比7個特征參數(shù)來反映燃氣輪機壓氣機的狀態(tài)，分別記為xi{i=1，2，3，…，7}。由于7個特征參數(shù)的量綱不同，需要對報警信息進行處理，因此引入偏離度(見式(7))，將信息進行偏離計算。為了區(qū)分偏離的方向性，定義了正、負偏離度。將超過高報警限定義為正偏離度即殘差監(jiān)測超上限，低于低報警限定義為負偏離度即殘差監(jiān)測超下限，如果沒有報警信息則定義為0。通過LSTM預測模型監(jiān)測7個特征參數(shù)，將報警信息構成向量Mk[m1,m2,…,m7](k為樣本數(shù))，作為SVM模型的輸入。取訓練樣本為20，測試樣本為80。

(7)

式中：mi為第i個特征參數(shù)的報警點偏離度;xi實為第i個特征參數(shù)報警點的實際值;xi預測為第i個特征參數(shù)報警點的預測值。

1.3 支持向量機

支持向量機[7]對有限樣本數(shù)據(jù)具有很好的分類效果。筆者利用LSTM預測模型，通過監(jiān)測模型輸出的殘差曲線獲得報警向量，作為支持向量機的輸入，并利用SVM進行分類，判斷出壓氣機的故障類型。

支持向量機的訓練集T如下：

T={(M1,y1),(M2,y2),…,(Mi,yi),…,

(Mk,yk)}

(8)

式中：Mi為第i個報警向量；yi為壓氣機故障類型標記,yi取-1或1,i=1,2,…,k。

目標函數(shù)和約束條件如下：

(9)

s.t.yi(ω·Mi+b)≥1,i=1,2,…,k

(10)

式中：ω為劃分壓氣機故障類型的超平面法向量；b為劃分壓氣機故障類型的超平面偏移項。

SVM一般需要對數(shù)據(jù)進行標準化處理，然后建立規(guī)劃模型對樣本數(shù)據(jù)進行分類，具有較高的準確率。SVM一般是解決二分類問題，由于所研究壓氣機有4個故障類別，所以需要考慮多分類的情況。對于支持向量機四分類問題，采取“一類對其余類”的方法，即先分出一類確定類別，把另外三類劃分成另一類，構成一個樣本集，同理，就會有4個樣本集，構成了4個二分類問題。每個樣本集都會有分類結果，選取最大值作為最終的分類結果。

2 燃氣輪機壓氣機故障類型預警

燃氣輪機壓氣機故障的形成都有早期征兆，這些征兆隱藏在壓氣機運行參數(shù)的變化中，挖掘出這些征兆參數(shù)并建立預測模型，對模型輸出預測值與實際值的殘差曲線進行監(jiān)測，捕捉壓氣機故障發(fā)展過程，提取報警信息，然后利用支持向量機進行模式識別，實現(xiàn)燃氣輪機壓氣機的故障類型預警。

2.1 特征參數(shù)選取

燃氣輪機壓氣機常見的4種故障為葉片積垢[8]、葉片磨損腐蝕[9]、進氣口結冰[10]和喘振[11]。壓氣機故障的發(fā)生會伴隨特征參數(shù)的變化。國內(nèi)有些學者對壓氣機的故障類型與其特征參數(shù)之間的關系進行了研究。韓朝兵等[12]通過對PG9351FA型燃氣輪機進行實驗仿真，證明燃氣輪機壓氣機葉片積垢會使壓氣機的進氣質(zhì)量流量和壓比減小，效率降低。孫海鷗等[13]對單級軸流式壓氣機NASA Stage35模型進行研究，所得結果類似。王浩[14]通過專家經(jīng)驗和案例分析建立了燃氣輪機故障知識庫，認為燃氣輪機壓氣機葉片磨損腐蝕會使壓氣機出口壓力降低、進氣質(zhì)量流量減小、入口溫度不變等。陳仁貴等[15]通過熱力學模型驗證進氣口結冰會導致空氣流量減小、壓氣機效率降低等。劉健鑫等[16]研究表明燃氣輪機壓氣機喘振會使進氣質(zhì)量流量減小，入口溫度升高，壓氣機效率降低。

壓氣機故障對其特征參數(shù)具有較大影響，同時特征參數(shù)的變化也能夠反映壓氣機的狀態(tài)，因此選取合理的特征參數(shù)顯得至關重要。

2.2 故障預警流程

根據(jù)選取的7個特征參數(shù)，利用正常歷史數(shù)據(jù)分別建立LSTM單輸入單輸出的預測模型，使其具有良好的預測效果。然后把特征參數(shù)運行數(shù)據(jù)代入訓練好的預測模型，對各模型輸出的殘差曲線進行監(jiān)測，設立報警閾值，超限則報警，為了能夠預警出壓氣機將來發(fā)生什么故障，需要將所有的報警信息進行故障特征提取，采用正負偏離度來進行數(shù)據(jù)處理，構成的向量作為SVM模型的輸入。SVM模型對輸入數(shù)據(jù)進行標準化處理，然后對樣本進行分類，從而預警出壓氣機的故障類型，實現(xiàn)了燃氣輪機壓氣機的故障預警，其流程圖如圖1所示。

圖1 燃氣輪機壓氣機故障預警流程圖

3 仿真分析

3.1 LSTM預測模型

以PG9351FA型燃氣輪機為例，選取某電廠2017年5月10日的壓氣機正常歷史數(shù)據(jù)3 000組，測試數(shù)據(jù)300組。大氣壓力為101.3 kPa,壓氣機輸出功率為255.6 MW，壓氣機壓比為15.4。通過對7個特征參數(shù)進行訓練，觀察各LSTM預測模型輸出的預測值與實際值曲線，如圖2所示。從圖2可以看出，預測值與實際值曲線吻合度較好，殘差曲線波動范圍為±0.5%，表明LSTM預測模型輸出的預測誤差在0.5%以內(nèi)，驗證了該模型對壓氣機這7個特征參數(shù)適應性較好。

為了能夠捕捉燃氣輪機壓氣機的故障趨勢，選取一段壓氣機葉片積垢時進氣質(zhì)量流量的早期故障數(shù)據(jù)代入LSTM預測模型，得到壓氣機葉片積垢時進氣質(zhì)量流量的預測值與實際值曲線(見圖3)。從圖3可以看出，壓氣機葉片積垢時進氣質(zhì)量流量實際值開始向下偏移，壓氣機性能開始衰退。通過監(jiān)測壓氣機進氣質(zhì)量流量預測值與實際值的殘差曲線(見圖4)，可以看出殘差曲線剛開始的波動比較均勻，到第116點低于報警線進行報警，報警點的進氣質(zhì)量流量實際值為616.48 kg/s，預測值為623.08 kg/s,根據(jù)偏離度公式和低報警限，得到負偏離度為-1.05。

圖3 葉片積垢時壓氣機進氣質(zhì)量流量預測值和實際值

圖4 葉片積垢時壓氣機進氣質(zhì)量流量殘差

由圖5可知，對于壓氣機葉片積垢故障，壓氣機效率也出現(xiàn)下降趨勢。通過監(jiān)測此時壓氣機效率預測值與實際值的殘差曲線(見圖6)可知，壓氣機葉片積垢時效率殘差剛開始的波動比較正常，到第148點低于報警線，于是報警。報警點的壓氣機效率實際值為87.15%，預測值為87.92%。根據(jù)偏離度公式和低報警限，得到負偏離度為-0.87。

圖6 葉片積垢時壓氣機效率殘差

根據(jù)上述對報警信息的處理方法，同理獲得壓氣機葉片積垢時其他特征參數(shù)的正負偏離度，構成1個報警向量M1[-1.05，-0.87,0，0.93，0，-0.97，-1.12]，再利用正負偏離度進行故障特征提取，并將故障信息代入SVM模型中進行故障識別，對壓氣機的故障類型進行預警。

3.2 故障類型預警結果對比

針對PG9351FA型燃氣輪機，將葉片積垢、葉片磨損腐蝕、進氣口結冰和喘振4種故障類型分別記為1,2,3,4。將每種故障類型的早期運行數(shù)據(jù)代入LSTM預測模型，產(chǎn)生的報警信息通過正負偏離度處理作為SVM模型的輸入，從而進行故障類型識別。首先在每種故障類型中選取5個報警向量組進行訓練，共有20個訓練樣本，結果如圖7所示，可以看出預警結果準確性較高。

圖7 訓練樣本LSTM-SVM的預警結果

在每種故障類型中選取20個報警向量組進行測試，共80個測試樣本，分別采用SVM算法與隨機森林(Random Forest,RF)算法進行對比，LSTM-SVM的預警結果如圖8所示。從圖8可以看出，LSTM-SVM的準確率達到98.7%。LSTM-RF的預警結果如圖9所示。從圖9可以看出，LSTM-RF的準確率為96.25%。LSTM-SVM的準確率要比LSTM-RF的準確率高，因此采用LSTM-SVM的燃氣輪機壓氣機故障預警方法能夠較好地對壓氣機的故障類型進行預警。

圖8 測試樣本LSTM-SVM的預警結果

圖9 測試樣本LSTM-RF的預警結果

4 結 論

本文利用LSTM-SVM模型實現(xiàn)燃氣輪機壓氣機的故障預警，通過監(jiān)測壓氣機特征參數(shù)的殘差曲線，能夠觀察到壓氣機是否偏離正常運行狀態(tài)，當殘差曲線超過報警限時進行故障預警，捕捉壓氣機早期的故障趨勢。所研究的故障預警方法可以利用壓氣機7個特征參數(shù)的報警信息反映出壓氣機的4種故障類型，能夠判斷出壓氣機將要發(fā)生的故障，為工作人員的檢修和維護提供了參考。