靳堯飛，應(yīng)雨龍，李靖超，周宏宇

（1.上海電力大學(xué)能源與機(jī)械工程學(xué)院，上海 200090；2.上海電機(jī)學(xué)院電子信息學(xué)院，上海 201306）

燃?xì)廨啓C(jī)是一種內(nèi)燃機(jī)，其使用連續(xù)流動(dòng)的氣體作為工質(zhì)來(lái)驅(qū)動(dòng)葉輪高速旋轉(zhuǎn)，并將燃料的化學(xué)能轉(zhuǎn)化為有用功。燃?xì)廨啓C(jī)在運(yùn)行過(guò)程中，除了要承受機(jī)組內(nèi)部高溫、高壓、高轉(zhuǎn)速、高機(jī)械應(yīng)力和熱應(yīng)力等惡劣的工作條件外，還可能遭受周圍污染的環(huán)境影響。隨著燃?xì)廨啓C(jī)運(yùn)行時(shí)間的增加，其主要部件（例如壓氣機(jī)、燃燒室和透平）會(huì)發(fā)生各種性能衰退或損傷的情況，例如積垢、泄漏、腐蝕、熱畸變、內(nèi)物損傷等，并且可能會(huì)導(dǎo)致各種嚴(yán)重故障的發(fā)生[1]。

當(dāng)前，國(guó)內(nèi)外電廠燃?xì)廨啓C(jī)的日常維修策略通常采用預(yù)防性維修保養(yǎng)，即通常根據(jù)燃?xì)廨啓C(jī)制造商提供的當(dāng)量運(yùn)行小時(shí)數(shù)（EOH）來(lái)確定是否需要進(jìn)行小修、中修或者大修[2]。從用戶角度出發(fā)，無(wú)論是在計(jì)劃內(nèi)還是計(jì)劃外，燃?xì)廨啓C(jī)停機(jī)檢修始終意味著高昂的運(yùn)維成本。為了使燃?xì)廨啓C(jī)能夠穩(wěn)定、高效、經(jīng)濟(jì)地運(yùn)行，同時(shí)最大程度地延長(zhǎng)使用壽命并減少運(yùn)維成本，燃?xì)廨啓C(jī)用戶需要根據(jù)燃?xì)廨啓C(jī)的實(shí)際性能和健康狀況采取相應(yīng)的維修策略，例如通過(guò)監(jiān)測(cè)、診斷和預(yù)測(cè)的手段根據(jù)機(jī)組實(shí)際情況制定相應(yīng)的維修策略，即采用視情維修。氣路分析（GPA）就是這樣一種技術(shù)手段，可針對(duì)正在演變的或即將發(fā)生的惡化情況發(fā)出預(yù)警信息[3]。

目前，根據(jù)燃?xì)廨啓C(jī)故障診斷機(jī)理，氣路分析方法可分為基于熱力模型決策的氣路診斷方法[4]和基于數(shù)據(jù)驅(qū)動(dòng)的人工智能診斷方法[5]。燃?xì)廨啓C(jī)的性能和健康狀態(tài)通?？梢杂芍饕鞑考慕】祬?shù)表示，例如壓氣機(jī)和透平的流量特性指數(shù)（表征部件通流能力）和效率特性指數(shù)（表征部件運(yùn)行效率）以及燃燒室的燃燒效率特性指數(shù)[6]。但是，這些重要的健康狀態(tài)信息無(wú)法直接測(cè)量得到，因此不容易對(duì)其進(jìn)行監(jiān)測(cè)和診斷。在燃?xì)廨啓C(jī)運(yùn)行過(guò)程中，當(dāng)某些部件發(fā)生性能衰退或損傷時(shí)，部件的內(nèi)在性能參數(shù)（如壓比、質(zhì)量流量、等熵效率等）將會(huì)發(fā)生變化，并導(dǎo)致外部氣路可測(cè)參數(shù)（如溫度、壓力、轉(zhuǎn)速等）變化。因此，基于熱力模型決策的燃?xì)廨啓C(jī)氣路故障診斷是一個(gè)逆求解的數(shù)學(xué)過(guò)程，其中通過(guò)熱力耦合關(guān)系從壓氣機(jī)的氣路可測(cè)參數(shù)中求解得到部件性能參數(shù)，然后進(jìn)一步獲得部件氣路健康參數(shù)，用于評(píng)估機(jī)組總體性能的健康狀況[7]。

基于熱力模型決策的氣路診斷方法的特點(diǎn)是不需要累積部件故障數(shù)據(jù)樣本集，并且可以對(duì)診斷結(jié)果進(jìn)行量化，進(jìn)一步獲得詳細(xì)的診斷信息。根據(jù)使用的熱力模型的復(fù)雜性，基于熱力模型決策的氣路診斷方法可以進(jìn)一步分為小偏差線性化診斷方法[8]和非線性診斷方法[9]。由于小偏差線性化診斷方法的診斷準(zhǔn)確性在受到邊界條件（環(huán)境條件和操作條件）和傳感器測(cè)量噪聲的干擾時(shí)會(huì)產(chǎn)生極大的影響，因此非線性診斷方法一直以來(lái)是研究的主流。非線性氣路診斷方法的驅(qū)動(dòng)求解算法主要包括局部?jī)?yōu)化算法（如Newton-Raphson 算法[10]和卡爾曼濾波算法[11]）和全局優(yōu)化算法（如粒子濾波算法[12]或遺傳算法[13]）。為了解決由熱力系統(tǒng)線性化引起的診斷可靠性低的內(nèi)在問(wèn)題，以及診斷精度對(duì)傳感器測(cè)量噪聲和偏差敏感的問(wèn)題，學(xué)者們進(jìn)行了較多改進(jìn)[14-15]。但是，當(dāng)燃?xì)廨啓C(jī)電廠中部署上述非線性氣路診斷方法時(shí)，實(shí)際上存在以下3 個(gè)難點(diǎn)：

1）當(dāng)前的燃?xì)廨啓C(jī)正向熱力學(xué)計(jì)算（即燃?xì)廨啓C(jī)性能模擬）具有很高的準(zhǔn)確性和可靠性。然而，燃?xì)廨啓C(jī)逆向熱力學(xué)計(jì)算（即基于熱力模型決策的氣路故障診斷）的準(zhǔn)確性和可靠性尚待實(shí)際工程檢驗(yàn)，目前主要還停留在理論測(cè)試階段。

2）目前我國(guó)大多數(shù)燃?xì)廨啓C(jī)電廠都是調(diào)峰電廠。燃?xì)廨啓C(jī)經(jīng)常在非設(shè)計(jì)條件下運(yùn)行，例如頻繁動(dòng)態(tài)加減載、快速啟停等瞬態(tài)變工況下，這很容易導(dǎo)致在實(shí)時(shí)監(jiān)測(cè)診斷過(guò)程中出現(xiàn)算法發(fā)散現(xiàn)象。

3）對(duì)于燃?xì)廨啓C(jī)用戶而言，另一個(gè)實(shí)際問(wèn)題是用戶通常不具備燃?xì)廨啓C(jī)熱力建模技術(shù)，更無(wú)法實(shí)現(xiàn)基于熱力模型決策的燃?xì)廨啓C(jī)氣路故障診斷技術(shù)。

對(duì)于數(shù)據(jù)驅(qū)動(dòng)的人工智能診斷方法，例如神經(jīng)網(wǎng)絡(luò)[16-17]、貝葉斯網(wǎng)絡(luò)、模糊邏輯[18-19]、支持向量機(jī)[20]和粗糙集理論等，通常需要建立現(xiàn)有部件的故障數(shù)據(jù)樣本集。而對(duì)于故障數(shù)據(jù)樣本集中不涉及的故障類型，這些方法很難給出準(zhǔn)確的診斷結(jié)果。

對(duì)于新投運(yùn)的燃?xì)廨啓C(jī)，通常存在標(biāo)記故障數(shù)據(jù)樣本少和故障數(shù)據(jù)樣本不平衡的問(wèn)題。首先，在故障診斷過(guò)程中獲得的信息通常是不完整的。傳統(tǒng)的機(jī)器學(xué)習(xí)算法通常需要大量標(biāo)記的數(shù)據(jù)樣本作為訓(xùn)練集，但在實(shí)際情況下，需要手動(dòng)標(biāo)記大量的數(shù)據(jù)樣本，這會(huì)產(chǎn)生極大的人力和時(shí)間成本。因此如何利用專家技術(shù)和知識(shí)進(jìn)一步來(lái)標(biāo)記高質(zhì)量的數(shù)據(jù)樣本，以及如何利用系統(tǒng)智能來(lái)篩選出更多的高價(jià)值標(biāo)記的數(shù)據(jù)樣本，也是一個(gè)值得討論的問(wèn)題。其次，不同類型故障的發(fā)生頻率不一致。由于原始數(shù)據(jù)類別的不平衡，模型的學(xué)習(xí)將偏向具有大量樣本的類別。在實(shí)際的故障分類過(guò)程中，模型的偏差將導(dǎo)致系統(tǒng)忽略少量樣本的特征，因此，需要更加注意少量故障樣本的分類。如何通過(guò)場(chǎng)景生成和數(shù)據(jù)增強(qiáng)等技術(shù)手段來(lái)獲取大量有價(jià)值的標(biāo)記數(shù)據(jù)樣本，需要進(jìn)一步研究。上述問(wèn)題限制了傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)型人工智能診斷技術(shù)的應(yīng)用。

本文結(jié)合基于熱力模型和數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法的優(yōu)缺點(diǎn)，提出了一種模型與數(shù)據(jù)混合驅(qū)動(dòng)的燃?xì)廨啓C(jī)氣路故障診斷方法，通過(guò)基于自適應(yīng)熱力建模策略構(gòu)建的燃?xì)廨啓C(jī)熱力模型獲得包含不同故障類型的數(shù)據(jù)集，再利用深度學(xué)習(xí)進(jìn)行回歸建模，得到燃?xì)廨啓C(jī)氣路故障診斷模型，通過(guò)已訓(xùn)練的診斷模型來(lái)實(shí)時(shí)診斷輸出各氣路部件的健康參數(shù)向量。通過(guò)仿真實(shí)驗(yàn)表明，通過(guò)本文所提出的方法，可以準(zhǔn)確地得到各個(gè)通流部件量化的健康參數(shù)。

1 模型與數(shù)據(jù)混合驅(qū)動(dòng)的氣路故障診斷方法

針對(duì)上述燃?xì)廨啓C(jī)存在的氣路診斷問(wèn)題，結(jié)合基于熱力模型和數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法的優(yōu)缺點(diǎn)，用燃?xì)廨啓C(jī)部件健康參數(shù)作為機(jī)組健康狀況的評(píng)價(jià)指標(biāo)（各部件健康參數(shù)見表1），提出了一種基于模型與數(shù)據(jù)混合驅(qū)動(dòng)的燃?xì)廨啓C(jī)氣路故障診斷方法，如圖1所示。

表1 燃?xì)廨啓C(jī)部件健康參數(shù)Tab.1 Health parameters of the gas turbine component

圖1 基于模型與數(shù)據(jù)混合驅(qū)動(dòng)的燃?xì)廨啓C(jī)氣路故障診斷方法Fig.1 A gas path fault diagnosis method for gas turbine based on model and data hybrid drive

具體診斷步驟如下：

1）基于氣路可測(cè)參數(shù)、部件特性線的自適應(yīng)熱力建模策略[21]，建立待診斷對(duì)象的燃?xì)廨啓C(jī)熱力模型。將該燃?xì)廨啓C(jī)熱力模型用作模擬各種氣路故障的基準(zhǔn)模型。

2）根據(jù)不同的通流部件故障類型以及燃?xì)廨啓C(jī)所處的氣候條件和操作條件，通過(guò)設(shè)置不同的模型入口邊界條件，模擬得到大量與部件健康參數(shù)、燃?xì)廨啓C(jī)邊界條件參數(shù)和氣路可測(cè)參數(shù)相對(duì)應(yīng)的知識(shí)數(shù)據(jù)?；谠摶鶞?zhǔn)模型的部件健康參數(shù)值和不同的邊界條件，生成1 個(gè)數(shù)據(jù)集（知識(shí)數(shù)據(jù)庫(kù)），如圖2所示。該數(shù)據(jù)集中的部件健康參數(shù)向量與邊界條件參數(shù)和氣路可測(cè)參數(shù)向量之間具有一一對(duì)應(yīng)的關(guān)系。

圖2 知識(shí)數(shù)據(jù)庫(kù)的生成Fig.2 The generation of knowledge database

4）訓(xùn)練完成的深度學(xué)習(xí)模型被部署到相應(yīng)的燃?xì)廨啓C(jī)電廠。當(dāng)燃?xì)廨啓C(jī)運(yùn)行時(shí)，根據(jù)燃?xì)廨啓C(jī)實(shí)際的入口邊界條件參數(shù)和氣路可測(cè)參數(shù)，訓(xùn)練后的診斷模型將實(shí)時(shí)診斷出所述的各氣路部件健康參數(shù)。

基于氣路可測(cè)參數(shù)、部件特性線的自適應(yīng)熱力建模策略構(gòu)建的熱力模型具有高準(zhǔn)確性和可靠性的特點(diǎn)[21]，通過(guò)該模型模擬得到的數(shù)據(jù)樣本更加符合實(shí)際。同時(shí)，在通過(guò)熱力模型模擬得到故障樣本數(shù)據(jù)集時(shí)，通過(guò)設(shè)置不同的部件健康參數(shù)和入口邊界條件準(zhǔn)確地表征發(fā)生的故障類型，節(jié)省了標(biāo)記數(shù)據(jù)的人力和時(shí)間成本，并且每種故障類型的樣本數(shù)量相同，避免了在模型訓(xùn)練過(guò)程中因樣本數(shù)據(jù)不平衡而導(dǎo)致的模型偏差問(wèn)題。以上所述，保證了本文中用于訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)的數(shù)據(jù)集的質(zhì)量。

通過(guò)本文提出的方法，可以準(zhǔn)確且定量地得到各氣路部件的健康參數(shù)。

2 試驗(yàn)結(jié)果與分析

以某重型燃?xì)廨啓C(jī)為研究對(duì)象，其詳細(xì)部件健康參數(shù)見表1，熱力學(xué)工作原理如圖3所示，詳細(xì)邊界條件參數(shù)和氣路可測(cè)參數(shù)見表2。

表2 燃?xì)廨啓C(jī)邊界條件參數(shù)和氣路可測(cè)參數(shù)Tab.2 The boundary condition parameters and gas-path measurable parameters of the gas turbine

圖3 重型燃?xì)廨啓C(jī)熱力學(xué)工作原理Fig.3 The thermodynamic working principle diagram of heavy-duty engine

不同氣路部件故障類型對(duì)部件健康參數(shù)和部件退化范圍的影響[22]見表3 和表4。

表3 各類氣路故障對(duì)部件流通能力與運(yùn)行效率的影響[22]Tab.3 The effects of various component faulty modes on the component health parameters[22]

根據(jù)燃?xì)廨啓C(jī)的不同氣路部件故障類型（表3）、假設(shè)的氣候條件（圖4）和假設(shè)的運(yùn)行條件（圖5），通過(guò)基于此基準(zhǔn)模型設(shè)置不同的部件健康參數(shù)值（表4）和不同的模型入口邊界條件，模擬部件健康參數(shù)和燃?xì)廨啓C(jī)邊界條件參數(shù)以及氣路可測(cè)參數(shù)，可以得到分別對(duì)應(yīng)的15 620 個(gè)知識(shí)數(shù)據(jù)樣本。

圖4 環(huán)境溫度變化Fig.4 Change of the ambient temperature

圖5 燃?xì)廨啓C(jī)負(fù)載變化Fig.5 Change of the gas turbine load

表4 常見部件故障以及組件退化范圍[22]Tab.4 The common component degradations and the range of component degradations[22]

為該知識(shí)數(shù)據(jù)庫(kù)的回歸建模設(shè)計(jì)深度學(xué)習(xí)模型，如圖6所示。

圖6 用于知識(shí)數(shù)據(jù)庫(kù)回歸建模的深度學(xué)習(xí)模型Fig.6 A deep learning model for regression modeling of the knowledge database

為了測(cè)試該方法的有效性，隨機(jī)選擇了12 496 個(gè)知識(shí)數(shù)據(jù)樣本來(lái)訓(xùn)練深度學(xué)習(xí)模型，其余3 124 個(gè)知識(shí)數(shù)據(jù)樣本用于測(cè)試。將3 種常見的廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）、BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)[23]作為對(duì)比的機(jī)器學(xué)習(xí)模型，這些方法的相對(duì)誤差如圖7—圖11所示，其均方根誤差見表5。

本文深度學(xué)習(xí)模型的結(jié)構(gòu)見表6。

表6 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Tab.6 The structure of deep learning model

結(jié)合表5 和圖7—圖11 可以看出，與其他傳統(tǒng)機(jī)器學(xué)習(xí)模型相比，所提出的深度學(xué)習(xí)模型表現(xiàn)出了最佳的診斷準(zhǔn)確性，并且深度學(xué)習(xí)模型的總體均方根誤差不超過(guò)0.033%，深度學(xué)習(xí)模型的最大相對(duì)誤差不超過(guò)0.36%，說(shuō)明該方法具有很大的應(yīng)用潛力。

圖11 透平效率特性指數(shù)ST,EF 的相對(duì)誤差Fig.11 The relative errors of turbine isentropic efficiency index ST,EF

表5 測(cè)試樣本的均方根誤差Tab.5 The root mean square errors of the test sample

圖7 壓氣機(jī)流量特性指數(shù)SC,FC 的相對(duì)誤差Fig.7 The relative errors of the compressor flow characteristic index SC,FC

圖8 壓氣機(jī)效率特性指數(shù)SC,EF 的相對(duì)誤差Fig.8 The relative errors of compressor isentropic efficiency index SC,EF

圖9 燃燒室效率特性指數(shù)SB,EF 的相對(duì)誤差Fig.9 The relative errors of combustion efficiency index SB,EF

圖10 透平流量特性指數(shù)ST,FC 的相對(duì)誤差Fig.10 The relative errors of turbine flow characterisitc index ST,FC

3 結(jié)論

1）針對(duì)上述燃?xì)廨啓C(jī)氣路故障診斷問(wèn)題，結(jié)合基于熱力學(xué)模型和數(shù)據(jù)驅(qū)動(dòng)的燃?xì)廨啓C(jī)氣路故障診斷方法的優(yōu)缺點(diǎn)，提出了一種基于模型與數(shù)據(jù)混合驅(qū)動(dòng)的燃?xì)廨啓C(jī)氣路故障診斷方法。與用于異常檢測(cè)或故障分類的傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的診斷方法不同，本文提出的方法可以準(zhǔn)確并且定量地輸出所述的各氣路部件健康參數(shù)。

2）通過(guò)基準(zhǔn)模型生成部件健康參數(shù)向量與邊界條件參數(shù)和氣路可測(cè)參數(shù)向量一一對(duì)應(yīng)的數(shù)據(jù)集（知識(shí)數(shù)據(jù)庫(kù)），并利用深度學(xué)習(xí)進(jìn)行回歸建模，訓(xùn)練完成的模型無(wú)需任何燃?xì)廨啓C(jī)熱力建模技術(shù)即可讓燃?xì)廨啓C(jī)電廠用戶進(jìn)行使用。

3）與其他傳統(tǒng)機(jī)器學(xué)習(xí)模型相比，提出的深度學(xué)習(xí)模型表現(xiàn)出最佳的診斷準(zhǔn)確性，并且深度學(xué)習(xí)模型的總體均方根誤差不超過(guò)0.033%，最大相對(duì)誤差不超過(guò)0.36%，表明所提出的方法具有很大的應(yīng)用潛力。