彭道剛，姬傳晟，涂 煊，戚爾江

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

0 引言

在發(fā)電行業(yè)中，燃?xì)廨啓C(jī)發(fā)電機(jī)組因啟停迅速、熱效率高、污染少等優(yōu)點(diǎn)成為當(dāng)今主流發(fā)電形式之一[1]，但是我國(guó)燃?xì)廨啓C(jī)的關(guān)鍵核心技術(shù)仍依賴于國(guó)外。為了改變這種現(xiàn)狀，國(guó)家加大對(duì)燃?xì)廨啓C(jī)的政策支持，由國(guó)家能源局發(fā)布的《電力發(fā)展“十三五”規(guī)劃》和《依托能源工程推進(jìn)燃機(jī)創(chuàng)新發(fā)展的若干意見》等政策推動(dòng)燃?xì)廨啓C(jī)行業(yè)快速發(fā)展。

壓氣機(jī)作為燃?xì)廨啓C(jī)的主要部件，其運(yùn)行狀態(tài)直接影響著燃?xì)廨啓C(jī)的穩(wěn)定運(yùn)行。壓氣機(jī)發(fā)生故障，燃?xì)廨啓C(jī)的性能就會(huì)下降，嚴(yán)重時(shí)可能導(dǎo)致燃?xì)廨啓C(jī)停機(jī)。如果能夠及時(shí)診斷出壓氣機(jī)的故障類型，降低因壓氣機(jī)故障而引起燃?xì)廨啓C(jī)非計(jì)劃停機(jī)的風(fēng)險(xiǎn)，對(duì)燃?xì)廨啓C(jī)穩(wěn)定運(yùn)行具有重要意義。

目前，燃?xì)廨啓C(jī)故障診斷方法主要分為數(shù)學(xué)模型診斷、經(jīng)驗(yàn)知識(shí)診斷和數(shù)據(jù)驅(qū)動(dòng)診斷三類[2]。文獻(xiàn)[3]利用燃?xì)廨啓C(jī)故障的經(jīng)驗(yàn)知識(shí)建立數(shù)學(xué)模型，提高了燃?xì)廨啓C(jī)故障診斷的精度和準(zhǔn)確率。文獻(xiàn)[4]采用核主元分析法對(duì)燃?xì)廨啓C(jī)歷史數(shù)據(jù)進(jìn)行分析，建立特征模型，實(shí)現(xiàn)特征變換，挖掘燃?xì)廨啓C(jī)故障的關(guān)鍵信息。文獻(xiàn)[5]采用模糊綜合評(píng)判和故障樹分析相結(jié)合的診斷方法，解決了傳統(tǒng)故障樹診斷的不確定性，有效地提高燃?xì)廨啓C(jī)故障診斷準(zhǔn)確率。文獻(xiàn)[6]提出的將條件規(guī)則和故障樹相結(jié)合的燃?xì)廨啓C(jī)故障診斷技術(shù)，能夠準(zhǔn)確分析故障發(fā)生的原因和位置，為維修人員提供方便。早期故障診斷都是基于規(guī)則的專家系統(tǒng)，簡(jiǎn)單、方便、形象地描繪出故障類型和征兆的關(guān)系，診斷推理速度快；缺點(diǎn)是規(guī)則知識(shí)庫(kù)覆蓋的故障類型不夠全面，對(duì)未出現(xiàn)過(guò)的故障，難以識(shí)別其故障類型，需要不斷進(jìn)行補(bǔ)充和完善。

基于RBR（規(guī)則推理）的故障診斷方法需要建立故障知識(shí)庫(kù)，從而挖掘出故障類型和征兆參數(shù)之間的隱藏關(guān)系。傳統(tǒng)的RBR 存在一個(gè)問(wèn)題，就是對(duì)于每種故障類型中各征兆參數(shù)的影響權(quán)重不能夠表現(xiàn)出來(lái)。所以，本文提出了利用AHP（層次分析法）確定壓氣機(jī)故障類型各征兆參數(shù)之間的權(quán)重，有效解決了這個(gè)問(wèn)題，從而可以更好地利用RBR 來(lái)進(jìn)行故障診斷。

1 AHP-RBR 故障診斷流程

壓氣機(jī)發(fā)生故障時(shí)，其部分參數(shù)也發(fā)生變化，這些參數(shù)即為征兆參數(shù)。根據(jù)已有文獻(xiàn)研究成果和壓氣機(jī)故障案例分析，壓氣機(jī)故障類型和征兆參數(shù)有較強(qiáng)的規(guī)則性關(guān)系。文獻(xiàn)[7]證明同轉(zhuǎn)速下進(jìn)口質(zhì)量流量衰減可作為判斷壓氣機(jī)是否積垢的依據(jù)。文獻(xiàn)[8]認(rèn)為壓氣機(jī)的葉片磨損會(huì)導(dǎo)致級(jí)組壓比減小、進(jìn)氣質(zhì)量流量減少、壓氣機(jī)增壓能力降低等。所以通過(guò)挖掘故障類型和征兆參數(shù)之間的規(guī)則性關(guān)系，可以有效地進(jìn)行故障診斷。

本文通過(guò)AHP-RBR 模型進(jìn)行故障診斷，首先將專家的知識(shí)、經(jīng)驗(yàn)和壓氣機(jī)的故障案例存儲(chǔ)在故障知識(shí)庫(kù)中，然后利用AHP 確定知識(shí)庫(kù)的故障類型與各征兆參數(shù)之間的權(quán)重。將壓氣機(jī)運(yùn)行的故障數(shù)據(jù)與利用LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行處理，獲得壓氣機(jī)故障偏差數(shù)據(jù)量化值組，最后通過(guò)加權(quán)歐氏距離最小值的相似度模型識(shí)別出壓氣機(jī)的故障類型，從而實(shí)現(xiàn)燃?xì)廨啓C(jī)壓氣機(jī)的故障診斷。燃?xì)廨啓C(jī)壓氣機(jī)故障診斷的整體流程如圖1 所示。

2 AHP-RBR 故障診斷模型

2.1 構(gòu)建壓氣機(jī)故障知識(shí)庫(kù)

圖1 燃?xì)廨啓C(jī)壓氣機(jī)故障診斷整體流程

根據(jù)已有文獻(xiàn)的研究成果和故障案例分析，搜集、整理壓氣機(jī)的故障類型與故障特征，構(gòu)造壓氣機(jī)故障知識(shí)庫(kù)。通過(guò)知識(shí)庫(kù)的構(gòu)建能夠簡(jiǎn)單、直觀地發(fā)現(xiàn)壓氣機(jī)故障類型和征兆參數(shù)之間的變化關(guān)系，為故障診斷提供依據(jù)，如圖2 所示。

2.2 層次分析法確定征兆參數(shù)權(quán)重

壓氣機(jī)發(fā)生葉片積垢、葉片磨損腐蝕、進(jìn)氣口結(jié)冰等故障時(shí)，其入口壓力、出口溫度、效率等會(huì)發(fā)生變化，但是對(duì)于不同的故障類型可能會(huì)有相同的故障征兆，其間的關(guān)聯(lián)性很強(qiáng)。根據(jù)案例發(fā)現(xiàn)，不同的故障類型所依賴的故障征兆之間的權(quán)重是不同的。例如壓氣機(jī)葉片積垢與級(jí)組壓比、空氣流量、壓氣機(jī)出口壓力之間的影響較為強(qiáng)烈[9]，壓氣機(jī)喘振與進(jìn)氣質(zhì)量流量、壓氣機(jī)效率的影響也較大[10]，所以可加大征兆參數(shù)的權(quán)重，來(lái)區(qū)別不同的故障類型。本文診斷的故障類型主要有壓氣機(jī)葉片積垢、葉片磨損腐蝕、進(jìn)氣口結(jié)冰、喘振，分別記為Pi（i=1，2，3，4）。對(duì)應(yīng)的故障征兆參數(shù)有導(dǎo)葉開度、壓氣機(jī)進(jìn)氣質(zhì)量流量、壓氣機(jī)入口溫度、壓氣機(jī)出口溫度、壓氣機(jī)入口壓力、壓氣機(jī)出口壓力、級(jí)組壓比、壓氣機(jī)效率、負(fù)荷[11-14]，分別記為指標(biāo)Ij（j=1，2，…，9）。

采用層次分析法來(lái)確定每種故障類型各征兆參數(shù)之間的權(quán)重。對(duì)壓氣機(jī)故障類型的征兆參數(shù)進(jìn)行分析，建立層次結(jié)構(gòu)模型。通過(guò)專家的知識(shí)、經(jīng)驗(yàn)和壓氣機(jī)故障案例分析，對(duì)壓氣機(jī)故障征兆的各因素進(jìn)行客觀比較，給出重要的定量標(biāo)度。構(gòu)造判斷矩陣，從而計(jì)算出故障類型各征兆參數(shù)的權(quán)重ωi={ωi1，ωi2，ωi3，…，ωi9}。圖3 所示為層次分析法確定燃?xì)廨啓C(jī)壓氣機(jī)故障類型征兆參數(shù)權(quán)重流程。

圖2 壓氣機(jī)常見故障知識(shí)庫(kù)

圖3 征兆參數(shù)權(quán)重確定流程

2.2.1 構(gòu)造判斷矩陣

層次分析法的判斷矩陣由各因素兩兩比較相對(duì)重要性的數(shù)值寫成的矩陣形式。判斷矩陣用A表示。判斷矩陣元素值axy表示第x 個(gè)元素與第y個(gè)元素相比，axy用數(shù)字1-9 及其倒數(shù)作為標(biāo)度[15]，ayx表示axy的倒數(shù)，如表1 所示。

表1 判斷矩陣axy標(biāo)度方法

2.2.2 判斷矩陣一致性檢驗(yàn)

通過(guò)判斷矩陣特征值計(jì)算,得到判斷矩陣最大特征值λmax，特征向量α。將特征向量歸一化，從而獲得層次間的重要權(quán)值ωij，并進(jìn)行一致性檢驗(yàn)。在構(gòu)造判斷矩陣A 時(shí)，要檢驗(yàn)判斷矩陣是否具有一致性，否則需要重新調(diào)整判斷矩陣的元素，使其達(dá)到要求[16]，一致性校驗(yàn)公式如下：

式中：CI 為壓氣機(jī)故障類型判斷矩陣一致性指標(biāo)；n 為壓氣機(jī)故障類型的判斷矩陣階數(shù)；CR 為壓氣機(jī)故障類型判斷矩陣的一致性比例；RI 為壓氣機(jī)故障類型判斷矩陣的平均一致性指標(biāo)。

隨著判斷矩陣的階數(shù)變化，RI 具體值如表2所示。本文為9 階矩陣，RI 的值為1.45。對(duì)于判斷矩陣，CR 的值越小，則一致性越好，一般CR的值小于0.1 時(shí)，判斷矩陣滿足一致性的要求。

2.3 LSTM 模型預(yù)測(cè)與量化處理

根據(jù)故障知識(shí)庫(kù)選取導(dǎo)葉開度、壓氣機(jī)進(jìn)氣質(zhì)量流量、壓氣機(jī)入口溫度、壓氣機(jī)出口溫度、壓氣機(jī)入口壓力、壓氣機(jī)出口壓力、級(jí)組壓比、壓氣機(jī)效率、負(fù)荷9 個(gè)特征參數(shù)。利用某發(fā)電廠提供的2017 年5 月壓氣機(jī)3 000 組正常運(yùn)行數(shù)據(jù)建立LSTM 預(yù)測(cè)模型，其中90%做訓(xùn)練，10%做測(cè)試。以壓氣機(jī)進(jìn)氣質(zhì)量流量為例，模型輸出結(jié)果如圖4 所示，預(yù)測(cè)值與實(shí)際值的殘差曲線如圖5 所示。由圖5 可知，誤差在0.5%以內(nèi)，具有良好的預(yù)測(cè)效果。

圖4 壓氣機(jī)進(jìn)氣量預(yù)測(cè)值與實(shí)際值曲線

圖5 壓氣機(jī)進(jìn)氣量殘差百分比

將壓氣機(jī)的故障數(shù)據(jù)代入訓(xùn)練好的預(yù)測(cè)模型，通過(guò)LSTM 模型監(jiān)測(cè)9 個(gè)特征參數(shù)，利用故障數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的偏差，超過(guò)報(bào)警值，進(jìn)行量化處理，量化公式如式（3）所示，將9 個(gè)特征參數(shù)的量化值構(gòu)成向量組Mk{m1，m2，…，mj，…，m9}（k=20，本文選取20 組進(jìn)行故障診斷）。

式中：mi為第i 個(gè)特征參數(shù)的報(bào)警點(diǎn)量化值；xi實(shí)為第i 個(gè)特征參數(shù)報(bào)警點(diǎn)實(shí)際值；xi預(yù)測(cè)為第i 個(gè)特征參數(shù)報(bào)警點(diǎn)預(yù)測(cè)值；ei為第i 個(gè)特征參數(shù)故障設(shè)計(jì)值與運(yùn)行值的偏差。

2.4 AHP-RBR 故障診斷模型

RBR 是將一個(gè)規(guī)則的結(jié)論作為另一個(gè)規(guī)則的前提，將已存在的事實(shí)或結(jié)論作為依據(jù)，推論出另一個(gè)規(guī)則的思維過(guò)程[17]。基于規(guī)則推理的故障診斷方法是利用專家知識(shí)、經(jīng)驗(yàn)和壓氣機(jī)故障的案例分析，以故障類型、故障征兆等內(nèi)容存儲(chǔ)在知識(shí)庫(kù)中[18]，然后以RBR 的推理方式找到故障類型和故障征兆之間的關(guān)系，根據(jù)故障征兆來(lái)識(shí)別故障類型?；贏HP-RBR 的故障診斷模型是在規(guī)則推理的基礎(chǔ)上，利用層次分析法對(duì)故障類型各征兆參數(shù)之間的權(quán)重進(jìn)行分析。

AHP-RBR 故障診斷模型利用故障知識(shí)庫(kù)，確定影響壓氣機(jī)各故障類型的9 個(gè)征兆參數(shù)，且通過(guò)征兆參數(shù)上升、下降、正常進(jìn)行量化分析，將每種故障類型構(gòu)造出向量組，Gi={gi1，gi2，gi3，…，gi9}表示故障知識(shí)庫(kù)征兆參數(shù)量化值組。如空氣流量下降記為-1，上升記為1，正常則記為0。知識(shí)庫(kù)的征兆參數(shù)量化結(jié)果如下所示：

然后利用層次分析法根據(jù)專家經(jīng)驗(yàn)和案例分析，構(gòu)造判斷矩陣A，得出每種故障類型對(duì)應(yīng)的各征兆參數(shù)權(quán)重ωi={ωi1，ωi2，ωi3，…，ωi9}。當(dāng)壓氣機(jī)發(fā)生故障時(shí)，壓氣機(jī)征兆參數(shù)的故障數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的偏差超過(guò)報(bào)警值，進(jìn)行量化處理，構(gòu)成向量組Mk{m1，m2，…mj，…，m9}（k=20）。將知識(shí)庫(kù)的征兆參數(shù)量化值組Gi與壓氣機(jī)故障偏差數(shù)據(jù)量化值組Mk代入相似度模型進(jìn)行故障診斷。相似度模型的原理是利用不同征兆參數(shù)對(duì)故障類型的權(quán)重不同，計(jì)算出知識(shí)庫(kù)征兆參數(shù)量化值與故障數(shù)據(jù)偏差量化值之間的加權(quán)歐氏距離。計(jì)算方式為：

式中：di為知識(shí)庫(kù)征兆參數(shù)量化值與故障數(shù)據(jù)偏差量化值之間的歐氏距離；ωij為壓氣機(jī)故障類型對(duì)應(yīng)的各征兆參數(shù)權(quán)重值；mj為壓氣機(jī)故障偏差量化值；gij為壓氣機(jī)知識(shí)庫(kù)征兆參數(shù)量化值。

通過(guò)相似度模型輸出的值越小，表示當(dāng)前壓氣機(jī)故障與知識(shí)庫(kù)的壓氣機(jī)故障類型越相似，由此診斷出壓氣機(jī)的故障類型。從而減少了檢修人員排查故障的時(shí)間，降低了壓氣機(jī)故障帶來(lái)的經(jīng)濟(jì)損失。AHP-RBR 故障診斷模型如圖6 所示。

圖6 AHP-RBR 故障診斷模型

3 實(shí)驗(yàn)仿真分析

3.1 壓氣機(jī)故障類型各征兆參數(shù)權(quán)重

根據(jù)壓氣機(jī)故障知識(shí)庫(kù)，得到故障類型和征兆參數(shù)之間的關(guān)系，確定各征兆參數(shù)對(duì)壓氣機(jī)故障類型的權(quán)重。根據(jù)已有的研究成果和案例分析，以壓氣機(jī)葉片磨損腐蝕P2 為例，分析各征兆參數(shù)對(duì)壓氣機(jī)葉片磨損腐蝕故障的權(quán)重，利用判斷矩陣的標(biāo)度axy為數(shù)字1-9 表示，如表3 所示，數(shù)字越大表示某征兆參數(shù)對(duì)壓氣機(jī)葉片磨損腐的影響越大，構(gòu)建壓氣機(jī)葉片磨損腐蝕判斷矩陣A。構(gòu)造的判斷矩陣A 需要進(jìn)行一致性校驗(yàn)，由線性代數(shù)知識(shí)進(jìn)行計(jì)算，判斷矩陣A 的最大特征值λmax=9.336 7，根據(jù)式（1）和（2）得CI=0.045 8，CR=0.031 6，CR＜0.1 判斷矩陣滿足一致性要求，這時(shí)壓氣機(jī)葉片磨損腐蝕故障征兆參數(shù)權(quán)重為ω2={0.033 7，0.222 4，0.023 1，0.073 1，0.023 1，0.312 8，0.106 9，0.155 1，0.049 7}。同理，求得其它3 種壓氣機(jī)故障類型的征兆參數(shù)權(quán)重如表4所示。

表3 壓氣機(jī)葉片磨損腐蝕的判斷矩陣A

3.2 實(shí)驗(yàn)對(duì)比分析

選取某發(fā)電廠壓氣機(jī)的20 組故障樣本，按照每種故障類型選5 組故障數(shù)據(jù)，每組有9 個(gè)征兆參數(shù)的數(shù)據(jù)，對(duì)這20 組故障樣本進(jìn)行診斷。將處理好的壓氣機(jī)故障偏差數(shù)據(jù)量化值組Mk代入AHP-RBR 模型和RBR 診斷模型，通過(guò)三維圖來(lái)展示兩種診斷模型的結(jié)果，圖7 中的故障類型1，2，3，4 分別表示壓氣機(jī)葉片積垢、壓氣機(jī)葉片磨損腐蝕、壓氣機(jī)進(jìn)氣口結(jié)冰和壓氣機(jī)喘振。圖7為AHP-RBR 故障診斷模型輸出的結(jié)果，從圖7可以看出各故障類型的樣本數(shù)據(jù)加權(quán)歐式距離最小值與壓氣機(jī)故障類型相對(duì)應(yīng)，通過(guò)加權(quán)歐式距離最小值反映出了壓氣機(jī)的故障類型。為了方便直接觀察，以圖8 的形式展示壓氣機(jī)的實(shí)際故障類型與AHP-RBR 診斷的結(jié)果，可見AHP-RBR模型的準(zhǔn)確率較高。

表4 壓氣機(jī)各故障類型的征兆參數(shù)權(quán)重

圖7 AHP-RBR 模型輸出結(jié)果

圖8 AHP-RBR 診斷結(jié)果

圖9 為RBR 故障診斷模型輸出的結(jié)果，從圖9 可以看出有兩組樣本診斷錯(cuò)誤：第6 組的壓氣機(jī)的葉片磨損被誤診斷為葉片積垢，第13 組的壓氣機(jī)的葉片積垢被誤診斷為葉片磨損。通過(guò)圖10 也可以直觀地發(fā)現(xiàn)第6 和第13 個(gè)樣本組診斷錯(cuò)誤。所以與RBR 模型診斷結(jié)果相比，AHPRBR 具有很好的準(zhǔn)確率。

圖9 RBR 模型輸出結(jié)果

圖10 RBR 診斷結(jié)果

4 結(jié)語(yǔ)

本文通過(guò)建立壓氣機(jī)故障知識(shí)庫(kù)，挖掘出壓氣機(jī)故障類型與征兆參數(shù)之間的規(guī)則性關(guān)系。采用層次分析法確定各征兆參數(shù)對(duì)壓氣機(jī)故障類型的權(quán)重，通過(guò)AHP-RBR 故障診斷模型和相似度模型進(jìn)行故障診斷。結(jié)合實(shí)驗(yàn)仿真分析，通過(guò)AHP-RBR 模型和RBR 模型診斷結(jié)果對(duì)比，認(rèn)為AHP-RBR 的故障診斷模型準(zhǔn)確率較高，具有較好的診斷效果。