朱嶸嘉, 丁超, 范政矯

(第七O三所無錫分部，江蘇 無錫 214151)

基于模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)熱力部件故障診斷研究

朱嶸嘉, 丁超, 范政矯

(第七O三所無錫分部，江蘇 無錫 214151)

針對(duì)燃?xì)廨啓C(jī)熱力部件故障，提出了基于模糊神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)和診斷方法。在利用模糊規(guī)則描述系統(tǒng)故障狀態(tài)的基礎(chǔ)上，通過建立故障診斷目標(biāo)函數(shù)，利用誤差反向梯度算法實(shí)時(shí)修正神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值。仿真結(jié)果證明與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比，模糊神經(jīng)網(wǎng)絡(luò)在對(duì)燃?xì)廨啓C(jī)熱力部件故障的識(shí)別中，具有更高的準(zhǔn)確率。

熱力部件；燃?xì)廨啓C(jī)；模糊神經(jīng)網(wǎng)絡(luò)；故障診斷；仿真

0 引 言

目前燃?xì)廨啓C(jī)已成為航空、航天和艦船領(lǐng)域中不可替代的動(dòng)力來源，因此提高燃?xì)廨啓C(jī)運(yùn)行的可靠性和安全性，及時(shí)檢測(cè)并診斷燃?xì)廨啓C(jī)運(yùn)行發(fā)生的故障就顯得非常重要。近年發(fā)展起來的基于故障模型的故障診斷方法[1-2]因其能有效準(zhǔn)確的檢測(cè)燃?xì)廨啓C(jī)熱力部件產(chǎn)生的故障而受到研究學(xué)者的廣泛的關(guān)注。但該類方法雖利用線性化、離散化等方法解決了檢測(cè)對(duì)象的非線性特性，卻仍十分依賴所設(shè)計(jì)的燃?xì)廨啓C(jī)故障仿真模型，由此模型的精度就決定著故障檢測(cè)的準(zhǔn)確度。而通常情況下，模型是以多個(gè)燃機(jī)的設(shè)計(jì)工況點(diǎn)為支撐所建立，這就導(dǎo)致在這些工況點(diǎn)附近模型的逼近程度很高，但如遠(yuǎn)離工況點(diǎn)，模型的精度就會(huì)迅速降低，尤其是在燃機(jī)動(dòng)態(tài)運(yùn)行(功率突增，突減)或特定工況切換(放氣閥開啟前后)時(shí)，故障仿真模型就易出現(xiàn)較大的失真，因而出現(xiàn)故障誤報(bào)、錯(cuò)報(bào)的情況。

通過將智能化故障檢測(cè)方法引入燃?xì)廨啓C(jī)故障檢測(cè)可以較好地解決上述問題。對(duì)于燃?xì)廨啓C(jī)這類多變量非線性系統(tǒng)，如采用模糊系統(tǒng)檢測(cè)，其模糊性知識(shí)的能力可使得故障診斷和推理過程接近人的思維模式，但模糊規(guī)則會(huì)隨著隨系統(tǒng)變量數(shù)的增加而急劇增加，并由此導(dǎo)致系統(tǒng)的復(fù)雜性增加[3]，故障檢測(cè)的有效性和實(shí)時(shí)性下降。而將神經(jīng)網(wǎng)絡(luò)技術(shù)引入模糊系統(tǒng)，既保留了模糊系統(tǒng)的語言化知識(shí)和推理能力，又具備較強(qiáng)的模擬和自適應(yīng)學(xué)習(xí)功能，能提高故障判斷的速度和準(zhǔn)確性。

通過建立模糊神經(jīng)網(wǎng)絡(luò)，將燃?xì)廨啓C(jī)非線性系統(tǒng)的故障診斷問題轉(zhuǎn)換為多變量輸出條件下的故障檢測(cè)判斷問題，同時(shí)構(gòu)建故障診斷目標(biāo)函數(shù)，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值的更新。試驗(yàn)結(jié)果表明該方法能較準(zhǔn)確地檢測(cè)燃?xì)廨啓C(jī)熱力部件故障，故障識(shí)別率較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)更高。

1 燃?xì)廨啓C(jī)故障樣本的獲取

從國(guó)內(nèi)外相關(guān)資料可知，燃?xì)廨啓C(jī)熱力部件的故障診斷還處于起步階段，其中熱力部件的故障判斷標(biāo)準(zhǔn)則僅有少數(shù)文獻(xiàn)進(jìn)行探討[4]。本文以某型艦用三軸燃?xì)廨啓C(jī)為研究對(duì)象，選取低壓壓氣機(jī)壓比πl(wèi)、高壓壓氣機(jī)壓比πh、高壓壓氣機(jī)排氣溫度T2和低壓渦輪后排氣溫度T4與已知在相同工況和大氣溫度下的標(biāo)準(zhǔn)值的相對(duì)差作為的故障監(jiān)測(cè)量。具體表達(dá)式如下：

Δπl(wèi)(k)=(πl(wèi)(k)-πl(wèi)c(k))/πl(wèi)c(k)

(1)

Δπh(k)=(πh(k)-πhc(k))/πhc(k)

(2)

ΔT2(k)=T2(k)-T2c(k)/T2c(k)

(3)

ΔT4(k)=(T4(k)-T4c(k))/T4c(k)

(4)

其中πl(wèi)c、πhc、T2c和T4c為標(biāo)準(zhǔn)燃油流量和大氣溫度下的測(cè)量值。

通過資料收集和試驗(yàn)數(shù)據(jù)比對(duì)，總結(jié)出燃?xì)廨啓C(jī)運(yùn)行時(shí)發(fā)生的7種典型熱力部件故障和原因，并將其作為模糊神經(jīng)網(wǎng)絡(luò)故障判據(jù)。表1為其中的一組故障樣本。需要指出，已經(jīng)證明燃?xì)廨啓C(jī)的熱力學(xué)參數(shù)在不同的大氣溫度和工況下雖存有差異，但其故障表征基本一致，這就使得該類故障判據(jù)在廣泛的環(huán)境溫度和工況變化條件下內(nèi)具有較強(qiáng)的適用性。

表1 某型燃?xì)廨啓C(jī)故障判據(jù)表(0.35工況)

與常規(guī)的燃?xì)廨啓C(jī)故障診斷方法[5]相比，選取能觀性較差壓氣機(jī)壓比、排氣溫度等的熱力學(xué)參數(shù)作為故障判斷的觀測(cè)量是因?yàn)椋翰糠帜苡^度較高的參數(shù)如轉(zhuǎn)速、燃油量等雖可檢測(cè)出故障的發(fā)生，但對(duì)故障種類的判斷能力則較弱。

2 基于模糊神經(jīng)網(wǎng)絡(luò)構(gòu)成形式

在模糊映射時(shí)，利用模糊規(guī)則表對(duì)參數(shù)變化相對(duì)差進(jìn)行劃分，考慮到熱力參數(shù)本身特性，模糊集合的劃分無必要過細(xì)，而應(yīng)以準(zhǔn)確表達(dá)參數(shù)的狀態(tài)為宜。以下對(duì)神經(jīng)網(wǎng)絡(luò)各層作簡(jiǎn)要說明：

圖2 交疊對(duì)稱分布的高斯隸屬度函數(shù)

第二層為模糊化層。建立故障監(jiān)測(cè)量的模糊規(guī)則表，通過模糊隸屬度函數(shù)將輸入量映射到模糊集區(qū)間內(nèi)，根據(jù)函數(shù)等價(jià)性要求，選取高斯形式的模糊隸屬度函數(shù)，如圖2所示，其表達(dá)式如下：

(5)

第三層為規(guī)則層，利用IF-THEN型模糊哦規(guī)則，設(shè)定該層節(jié)點(diǎn)輸出，規(guī)則如下

由此定義第三層系統(tǒng)網(wǎng)絡(luò)參數(shù)N=[N1N2…Nm]T。

第四層為解模糊層。通過網(wǎng)絡(luò)參數(shù)的加權(quán)計(jì)算得到模糊神經(jīng)網(wǎng)絡(luò)輸出:

(6)

(7)

與其它神經(jīng)網(wǎng)絡(luò)相比較，模糊神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)和權(quán)值可用隸屬函數(shù)和模糊規(guī)則來解釋, 因而從它的權(quán)值和節(jié)點(diǎn)參數(shù)可以直接寫出模糊規(guī)則和隸屬函數(shù)來,由模糊規(guī)則提取的神經(jīng)網(wǎng)絡(luò)方法可理解為根據(jù)給定樣本集合輸出和目標(biāo)函數(shù)容許誤差按一定的推理算法求出規(guī)則的具體表達(dá)的過程。由此可見，這與我們用它作為系統(tǒng)故障分類器完成系統(tǒng)各種故障辨識(shí)的初衷是相符合的。

3 燃?xì)廨啓C(jī)故障診斷目標(biāo)函數(shù)的建立

采用誤差反向傳播梯度算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行調(diào)整，假設(shè)用于訓(xùn)練的燃?xì)廨啓C(jī)故障樣本數(shù)為P，網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)為Q，則可取網(wǎng)絡(luò)性能指標(biāo)函數(shù):

由性能指標(biāo)函數(shù)計(jì)算第四層網(wǎng)絡(luò)權(quán)值:

其中η2為參數(shù)學(xué)習(xí)率。

為加快網(wǎng)絡(luò)收斂速度，引入動(dòng)量因子δ，可得神經(jīng)網(wǎng)絡(luò)權(quán)值和故障向量閾值的調(diào)節(jié)率為:

(8)

θi(k)=θi(k-1)+Δθi(k)

(9)

(10)

4 故障診斷結(jié)果及分析

用300個(gè)樣本進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，網(wǎng)絡(luò)收斂常數(shù)η1=0.95，動(dòng)量因子δ=0.1?？紤]樣本中有7種典型燃?xì)廨啓C(jī)熱力部件故障，定義輸出層節(jié)點(diǎn)數(shù)為3，模糊神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出和實(shí)際輸出結(jié)果如表2所示。

表2 模糊神經(jīng)網(wǎng)絡(luò)目標(biāo)輸出

圖3 兩種神經(jīng)網(wǎng)絡(luò)收斂速度對(duì)比圖

表2證明，模糊神經(jīng)網(wǎng)絡(luò)對(duì)各類熱力部件故障均給出了較好的識(shí)別結(jié)果。給定相同的樣本庫，我們將模糊神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，在網(wǎng)絡(luò)訓(xùn)練誤差目標(biāo)都取0.001時(shí)，兩種網(wǎng)絡(luò)的收斂速度如圖3所示。從圖2中可知，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)比較，模糊神經(jīng)網(wǎng)絡(luò)的收斂速度略快，但兩者仍處于同一個(gè)量級(jí)內(nèi)。

為對(duì)模糊神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)BP網(wǎng)絡(luò)對(duì)故障的診斷正確率進(jìn)行比較，網(wǎng)絡(luò)訓(xùn)練完成后，我們選取了低壓壓氣機(jī)軸磨損、高壓壓氣機(jī)積垢、高壓渦輪噴嘴腐蝕和燃燒室扭曲變形共4組不同故障的新數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，診斷結(jié)果如圖4所示。

圖4 兩種神經(jīng)網(wǎng)絡(luò)故障識(shí)別率對(duì)比圖

由圖4可得，模糊神經(jīng)利用模糊知識(shí)對(duì)樣本數(shù)據(jù)進(jìn)行表達(dá)，對(duì)燃?xì)廨啓C(jī)熱參數(shù)故障特征的識(shí)別均在80%以上，好于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果。綜上所述，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比，模糊神經(jīng)網(wǎng)絡(luò)在對(duì)燃?xì)廨啓C(jī)熱力部件故障的識(shí)別中，具有更高的準(zhǔn)確率。

5 結(jié)束語

針對(duì)復(fù)雜的燃?xì)廨啓C(jī)熱力部件故障診斷，提出了基于模糊神經(jīng)網(wǎng)絡(luò)的故障識(shí)別方法。通過構(gòu)建故障診斷目標(biāo)函數(shù)，基于誤差反向傳播算法提出了模糊神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值的更新率。仿真結(jié)果表明，在收斂速度基本相同的情況下，該模糊神經(jīng)網(wǎng)絡(luò)的故障識(shí)別率較傳統(tǒng)BP網(wǎng)絡(luò)算法有較大的提高，在燃機(jī)熱力部件故障診斷方面有較好的實(shí)用價(jià)值和應(yīng)用前景。

[1] 夏迪, 王永泓. 燃?xì)廨啓C(jī)非線性故障診斷中梯度計(jì)算的新方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2008, 28(14):108-111.

[2] ARETAKIS N, MATHIOUDAKIS K, STAMATIS A. Nonlinear engine component fault diagnosis from a limited number of measurements using a combinatorial approach[J]. Journal of Engineering for Gas Turbines and Power, 2003, 125(3):642-650.

[3] 鮑鴻, 黃心漢. 用模糊RBF 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化模型設(shè)計(jì)多變量自適應(yīng)模糊控制器[J]. 控制理論與應(yīng)用, 2000, 17(2):169-174.

[4] 楊斌, 王永泓. 燃?xì)廨啓C(jī)多元模糊神經(jīng)網(wǎng)絡(luò)診斷模型的研究[J]. 動(dòng)力工程, 2002, 22(4): 1863-1867.

[5] 蒲星星, 劉尚明, 蔣洪德. 重型燃?xì)廨啓C(jī)狀態(tài)能觀度分析及其在故障診斷中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012,32(2):117-122.

A Study on Fault Diagnosis for Thermal Components of Gas Turbine Based on Fussy Neural Network

Zhu Rongjia, Ding Chao, Fan Zhengjiao

(No.703 Research Institute Wuxi Branch, Wuxi Jiangsu 214151, China)

A method of fault detection and diagnosis for thermal components of gas turbine is proposed on the basis of the theory of fuzzy neural network. By using fuzzy rules to describe the status of system fault and establishing the object function for fault diagnosis, it uses error back gradient algorithm to realize real-time correction of the connection weight and threshold of the neural network. Simulation results show that, compared with traditional BP neural network, the fuzzy neural network is more accurate in the fault recognition of thermal components of the gas turbine.

thermal component； gas turbine； fuzzy neural network； fault diagnosis； simulation

10.3969/j.issn.1000-3886.2017.01.033

TM611.24

A

1000-3886(2017)01-0110-03

朱嶸嘉(1980-)，男， 湖南湘鄉(xiāng)人，碩士，高級(jí)工程師， 專業(yè)方向?yàn)椋喝細(xì)廨啓C(jī)控制。 丁超(1989-)，男， 江蘇宜興人，學(xué)士，工程師， 專業(yè)方向?yàn)椋喝細(xì)廨啓C(jī)控制。 范政矯(1989-)，男，江蘇無錫人，學(xué)士，助理工程師，專業(yè)方向?yàn)椋喝細(xì)廨啓C(jī)控制。

定稿日期: 2016-07-14