朱嶸嘉, 丁超, 范政矯

(第七O三所無錫分部，江蘇 無錫 214151)

基于模糊神經網絡的燃氣輪機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)

針對燃氣輪機熱力部件故障，提出了基于模糊神經網絡的故障檢測和診斷方法。在利用模糊規(guī)則描述系統(tǒng)故障狀態(tài)的基礎上，通過建立故障診斷目標函數，利用誤差反向梯度算法實時修正神經網絡連接權值和閾值。仿真結果證明與傳統(tǒng)BP神經網絡相比，模糊神經網絡在對燃氣輪機熱力部件故障的識別中，具有更高的準確率。

熱力部件；燃氣輪機；模糊神經網絡；故障診斷；仿真

0 引 言

目前燃氣輪機已成為航空、航天和艦船領域中不可替代的動力來源，因此提高燃氣輪機運行的可靠性和安全性，及時檢測并診斷燃氣輪機運行發(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]因其能有效準確的檢測燃氣輪機熱力部件產生的故障而受到研究學者的廣泛的關注。但該類方法雖利用線性化、離散化等方法解決了檢測對象的非線性特性，卻仍十分依賴所設計的燃氣輪機故障仿真模型，由此模型的精度就決定著故障檢測的準確度。而通常情況下，模型是以多個燃機的設計工況點為支撐所建立，這就導致在這些工況點附近模型的逼近程度很高，但如遠離工況點，模型的精度就會迅速降低，尤其是在燃機動態(tài)運行(功率突增，突減)或特定工況切換(放氣閥開啟前后)時，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、錯報的情況。

通過將智能化故障檢測方法引入燃氣輪機故障檢測可以較好地解決上述問題。對于燃氣輪機這類多變量非線性系統(tǒng)，如采用模糊系統(tǒng)檢測，其模糊性知識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)則會隨著隨系統(tǒng)變量數的增加而急劇增加，并由此導致系統(tǒng)的復雜性增加[3]，故障檢測的有效性和實時性下降。而將神經網絡技術引入模糊系統(tǒng)，既保留了模糊系統(tǒng)的語言化知識和推理能力，又具備較強的模擬和自適應學習功能，能提高故障判斷的速度和準確性。

通過建立模糊神經網絡，將燃氣輪機非線性系統(tǒng)的故障診斷問題轉換為多變量輸出條件下的故障檢測判斷問題，同時構建故障診斷目標函數，實現(xiàn)神經網絡連接權值和閾值的更新。試驗結果表明該方法能較準確地檢測燃氣輪機熱力部件故障，故障識別率較傳統(tǒng)BP神經網絡更高。

1 燃氣輪機故障樣本的獲取

從國內外相關資料可知，燃氣輪機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準則僅有少數文獻進行探討[4]。本文以某型艦用三軸燃氣輪機為研究對象，選取低壓壓氣機壓比πl(wèi)、高壓壓氣機壓比πh、高壓壓氣機排氣溫度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準值的相對差作為的故障監(jiān)測量。具體表達式如下：

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為標準燃油流量和大氣溫度下的測量值。

通過資料收集和試驗數據比對，總結出燃氣輪機運行時發(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網絡故障判據。表1為其中的一組故障樣本。需要指出，已經證明燃氣輪機的熱力學參數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在廣泛的環(huán)境溫度和工況變化條件下內具有較強的適用性。

表1 某型燃氣輪機故障判據表(0.35工況)

與常規(guī)的燃氣輪機故障診斷方法[5]相比，選取能觀性較差壓氣機壓比、排氣溫度等的熱力學參數作為故障判斷的觀測量是因為：部分能觀度較高的參數如轉速、燃油量等雖可檢測出故障的發(fā)生，但對故障種類的判斷能力則較弱。

2 基于模糊神經網絡構成形式

在模糊映射時，利用模糊規(guī)則表對參數變化相對差進行劃分，考慮到熱力參數本身特性，模糊集合的劃分無必要過細，而應以準確表達參數的狀態(tài)為宜。以下對神經網絡各層作簡要說明：

圖2 交疊對稱分布的高斯隸屬度函數

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

(5)

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

由此定義第三層系統(tǒng)網絡參數N=[N1N2…Nm]T。

第四層為解模糊層。通過網絡參數的加權計算得到模糊神經網絡輸出:

(6)

(7)

與其它神經網絡相比較，模糊神經網絡的節(jié)點和權值可用隸屬函數和模糊規(guī)則來解釋, 因而從它的權值和節(jié)點參數可以直接寫出模糊規(guī)則和隸屬函數來,由模糊規(guī)則提取的神經網絡方法可理解為根據給定樣本集合輸出和目標函數容許誤差按一定的推理算法求出規(guī)則的具體表達的過程。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)各種故障辨識的初衷是相符合的。

3 燃氣輪機故障診斷目標函數的建立

采用誤差反向傳播梯度算法對模糊神經網絡的權值進行調整，假設用于訓練的燃氣輪機故障樣本數為P，網絡輸出節(jié)點數為Q，則可取網絡性能指標函數:

由性能指標函數計算第四層網絡權值:

其中η2為參數學習率。

為加快網絡收斂速度，引入動量因子δ，可得神經網絡權值和故障向量閾值的調節(jié)率為:

(8)

θi(k)=θi(k-1)+Δθi(k)

(9)

(10)

4 故障診斷結果及分析

用300個樣本進行模糊神經網絡的訓練，網絡收斂常數η1=0.95，動量因子δ=0.1?？紤]樣本中有7種典型燃氣輪機熱力部件故障，定義輸出層節(jié)點數為3，模糊神經網絡的目標輸出和實際輸出結果如表2所示。

表2 模糊神經網絡目標輸出

圖3 兩種神經網絡收斂速度對比圖

表2證明，模糊神經網絡對各類熱力部件故障均給出了較好的識別結果。給定相同的樣本庫，我們將模糊神經網絡與傳統(tǒng)BP神經網絡進行比較，在網絡訓練誤差目標都取0.001時，兩種網絡的收斂速度如圖3所示。從圖2中可知，與傳統(tǒng)BP神經網絡比較，模糊神經網絡的收斂速度略快，但兩者仍處于同一個量級內。

為對模糊神經網絡和傳統(tǒng)BP網絡對故障的診斷正確率進行比較，網絡訓練完成后，我們選取了低壓壓氣機軸磨損、高壓壓氣機積垢、高壓渦輪噴嘴腐蝕和燃燒室扭曲變形共4組不同故障的新數據輸入神經網絡進行識別，診斷結果如圖4所示。

圖4 兩種神經網絡故障識別率對比圖

由圖4可得，模糊神經利用模糊知識對樣本數據進行表達，對燃氣輪機熱參數故障特征的識別均在80%以上，好于傳統(tǒng)BP神經網絡的識別結果。綜上所述，與傳統(tǒng)BP神經網絡相比，模糊神經網絡在對燃氣輪機熱力部件故障的識別中，具有更高的準確率。

5 結束語

針對復雜的燃氣輪機熱力部件故障診斷，提出了基于模糊神經網絡的故障識別方法。通過構建故障診斷目標函數，基于誤差反向傳播算法提出了模糊神經網絡的連接權值和閾值的更新率。仿真結果表明，在收斂速度基本相同的情況下，該模糊神經網絡的故障識別率較傳統(tǒng)BP網絡算法有較大的提高，在燃機熱力部件故障診斷方面有較好的實用價值和應用前景。

[1] 夏迪, 王永泓. 燃氣輪機非線性故障診斷中梯度計算的新方法[J]. 中國電機工程學報, 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 神經網絡簡化模型設計多變量自適應模糊控制器[J]. 控制理論與應用, 2000, 17(2):169-174.

[4] 楊斌, 王永泓. 燃氣輪機多元模糊神經網絡診斷模型的研究[J]. 動力工程, 2002, 22(4): 1863-1867.

[5] 蒲星星, 劉尚明, 蔣洪德. 重型燃氣輪機狀態(tài)能觀度分析及其在故障診斷中的應用[J]. 中國電機工程學報, 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，高級工程師， 專業(yè)方向為：燃氣輪機控制。 丁超(1989-)，男， 江蘇宜興人，學士，工程師， 專業(yè)方向為：燃氣輪機控制。 范政矯(1989-)，男，江蘇無錫人，學士，助理工程師，專業(yè)方向為：燃氣輪機控制。

定稿日期: 2016-07-14