王 賀，柳玉賓

(1. 上海電力大學(xué) 自動(dòng)化工程學(xué)院，上海 200090；2. 中國(guó)華電集團(tuán)科學(xué)技術(shù)研究總院有限公司，北京 100070)

燃?xì)廨啓C(jī)是一個(gè)復(fù)雜的非線性系統(tǒng)，它由數(shù)以萬(wàn)計(jì)的部件構(gòu)成，每一個(gè)部件都會(huì)對(duì)燃?xì)廨啓C(jī)的工作性能產(chǎn)生影響。由于燃?xì)廨啓C(jī)體積小、質(zhì)量輕等優(yōu)點(diǎn)，目前廣泛應(yīng)用于各種分布式能源系統(tǒng)中。由于燃?xì)廨啓C(jī)長(zhǎng)期處于高溫、高壓以及各種不同工況的工作條件下，其部件極易發(fā)生損壞，一旦發(fā)生機(jī)械故障，將會(huì)對(duì)整個(gè)能源站產(chǎn)生不菲的經(jīng)濟(jì)損失，甚至?xí)l(fā)生一些安全事故。因此，對(duì)燃?xì)廨啓C(jī)進(jìn)行故障預(yù)警具有重大的意義。

1973年，Urban首次提出了基于模型的氣路分析方法，該方法促進(jìn)了人們對(duì)燃?xì)廨啓C(jī)故障診斷技術(shù)的研究。隨著計(jì)算機(jī)技術(shù)的突飛猛進(jìn)，機(jī)器學(xué)習(xí)等方法被應(yīng)用于燃?xì)廨啓C(jī)的故障診斷中。王文祥等[1]提出了基于模糊聚類的故障診斷方法，當(dāng)樣本數(shù)量過(guò)大時(shí)，系統(tǒng)變得愈加復(fù)雜，在實(shí)際應(yīng)用中具有一定的難度。Jiang等[2]提出了基于神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷方法，但泛化能力較弱。涂雷等[3]提出了基于CGABC-SVM的氣路故障診斷方法，該方法通過(guò)人工蜂群算法對(duì)SVM進(jìn)行改進(jìn)，具有較高的準(zhǔn)確性和廣泛的應(yīng)用前景。目前，氣路性能監(jiān)測(cè)是對(duì)燃?xì)廨啓C(jī)進(jìn)行健康管理的方法之一，該方法主要是判斷燃?xì)廨啓C(jī)的主要參數(shù)是否超過(guò)閾值，但閾值是固定的，因此對(duì)于不同工況下的參數(shù)監(jiān)測(cè)并不適用。林新智等[4]提出了基于模型的氣路故障預(yù)警方法，通過(guò)設(shè)計(jì)燃?xì)廨啓C(jī)各功能模塊，使得燃?xì)廨啓C(jī)可以在不同工況下進(jìn)行工作，由此設(shè)計(jì)不同工況下的閾值，該方法有效解決了傳統(tǒng)閾值固定所帶來(lái)的局限性問題。

在燃?xì)廨啓C(jī)運(yùn)行初期階段，機(jī)組安全運(yùn)行，幾乎很少發(fā)生故障，即使發(fā)生故障也只是單個(gè)部件的故障，故障樣本很少，因此無(wú)法通過(guò)數(shù)據(jù)對(duì)其進(jìn)行故障診斷。

目前的故障診斷方法主要有基于模型、基于知識(shí)和基于數(shù)據(jù)的診斷方法?；谀Ｐ偷姆椒ㄟm用于簡(jiǎn)單的機(jī)理模型?；谥R(shí)的方法需要制定大量的規(guī)則，工作量大?；跀?shù)據(jù)的診斷方法是處理這些非線性模型的最佳方法，因此，本文采用測(cè)量參數(shù)趨勢(shì)分析的方法[5]來(lái)進(jìn)行故障的預(yù)警研究。在動(dòng)態(tài)建模中，動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)具有很好的系統(tǒng)仿真能力，針對(duì)燃?xì)廨啓C(jī)故障發(fā)生時(shí)，故障點(diǎn)所對(duì)應(yīng)相關(guān)參數(shù)發(fā)生變化這一特點(diǎn)，本文采用門控循環(huán)單元(Gated Recurrent Unit，GRU)神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)燃?xì)廨啓C(jī)性能進(jìn)行辨識(shí)，以此來(lái)獲得各項(xiàng)參數(shù)的運(yùn)行基準(zhǔn)值，主要包括透平排氣溫度和壓氣機(jī)出口溫度，通過(guò)實(shí)時(shí)監(jiān)測(cè)基準(zhǔn)值和實(shí)測(cè)值之間的偏差來(lái)判斷燃?xì)廨啓C(jī)是否處于安全的工作狀態(tài)。

1 GRU建模

在進(jìn)行燃?xì)廨啓C(jī)氣路故障分析時(shí)，數(shù)據(jù)獲取需要兩個(gè)方面：一是現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)，二是燃?xì)廨啓C(jī)運(yùn)行基線數(shù)據(jù)。基線數(shù)據(jù)為燃?xì)廨啓C(jī)在不同工況下運(yùn)行的數(shù)據(jù)，如何獲得基準(zhǔn)值是氣路分析最重要的一點(diǎn)。一般情況下，廠家會(huì)通過(guò)多次實(shí)際運(yùn)行的數(shù)據(jù)來(lái)對(duì)數(shù)值進(jìn)行不斷修正，最終獲得測(cè)量參數(shù)的基準(zhǔn)值，但是在機(jī)組的實(shí)際工作過(guò)程中，運(yùn)行工況并不一定處在基線數(shù)據(jù)所在的工況下，因此需要一種全新的數(shù)據(jù)辨識(shí)模型。

目前，主流的建模方法包括基于數(shù)據(jù)驅(qū)動(dòng)、基于模型和基于知識(shí)的建模。基于數(shù)據(jù)驅(qū)動(dòng)的建模方法不需要各種模塊之間的計(jì)算關(guān)系，其采用“黑箱”原理對(duì)機(jī)組進(jìn)行建模，具有可操作性及簡(jiǎn)便性。

Cho等[6]提出的GRU作為長(zhǎng)短期記憶(Long Short-Term Memory，LSTM)的變體，它繼承了LSTM的優(yōu)勢(shì)，可以有效克服梯度消失問題，同時(shí)將LSTM中的遺忘門和輸出門整合為更新門，大大簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，在預(yù)測(cè)精度大致相同的情況下，GRU的訓(xùn)練效率優(yōu)于LSTM[7]。

GRU的結(jié)構(gòu)圖如圖1所示。

模型的輸入為燃?xì)饬髁亢虸GV開度，輸出為壓氣機(jī)出口溫度和透平排氣溫度，計(jì)算過(guò)程為：

Zt=σ(Wz·[ht-1,xt])

(1)

rt=σ(Wr·[ht-1,xt])

(2)

(3)

(4)

式中：Wz為重置門權(quán)重；Wr為更新門權(quán)重；W為記憶狀態(tài)的權(quán)重；σ和tanh為激活函數(shù)。

由于模型的輸出具有多個(gè)重要參數(shù)，因此存在兩種建模思路：第一種是建立多輸入多輸出的網(wǎng)絡(luò)模型，同時(shí)得到多個(gè)輸出參數(shù)；第二種是建立多輸入單輸出的網(wǎng)絡(luò)模型。由于每一個(gè)輸出參數(shù)都對(duì)應(yīng)不同的特性，因此所對(duì)應(yīng)的輸入和輸出的映射關(guān)系也不同，而且多輸入多輸出的網(wǎng)絡(luò)在訓(xùn)練過(guò)程中會(huì)消耗大量的時(shí)間，精度也會(huì)略微下降[8]，基于此，本文采用多輸入單輸出的建模思路。

模型的評(píng)價(jià)指標(biāo)選用均方根誤差RMSE和平均相對(duì)誤差MAPE：

(5)

(6)

式中：yn為預(yù)測(cè)值，y為原始數(shù)據(jù)，M為總樣本數(shù)量。

2 燃?xì)廨啓C(jī)氣路故障分析

氣路即機(jī)組內(nèi)部氣流通過(guò)的路徑，當(dāng)燃?xì)廨啓C(jī)發(fā)生故障時(shí)，其工作狀態(tài)發(fā)生變化導(dǎo)致參數(shù)偏離設(shè)計(jì)值，這會(huì)導(dǎo)致一些部件性能發(fā)生變化。隨著燃?xì)廨啓C(jī)技術(shù)的發(fā)展，其內(nèi)部部件越來(lái)越精密，所處的環(huán)境也越來(lái)越惡劣，這些都對(duì)燃?xì)廨啓C(jī)的可靠性提出了更高的標(biāo)準(zhǔn)，工程上的檢修工作需要做到故障的提前預(yù)防，常見的氣路故障類型如表1所示[9]。

燃?xì)廨啓C(jī)性能發(fā)生變化會(huì)引起燃?xì)廨啓C(jī)測(cè)量參數(shù)的變化，Zwebek等[10]提出，當(dāng)部件的效率性能變化達(dá)到5%時(shí)應(yīng)該對(duì)機(jī)組進(jìn)行維修，因此把燃?xì)廨啓C(jī)效率退化5%作為故障標(biāo)志，參數(shù)變化情況如表2所示。

表2 性能變化對(duì)應(yīng)參數(shù)變化[11]

在獲得壓氣機(jī)出口溫度和透平排氣溫度之后，將其與神經(jīng)網(wǎng)絡(luò)模型所輸出的基準(zhǔn)值進(jìn)行比較，得到偏差值，然后對(duì)誤差進(jìn)行分析，通過(guò)數(shù)據(jù)參數(shù)誤差來(lái)判斷故障發(fā)生位置，并決定是否需要停機(jī)檢修，整個(gè)流程如圖2所示。

圖2 故障預(yù)警流程圖

3 試驗(yàn)分析

本文的研究對(duì)象為北京市通州區(qū)華電北燃分布式能源站所用燃?xì)廨啓C(jī)，型號(hào)為6F.03，該燃?xì)廨啓C(jī)具有18級(jí)壓縮機(jī)、3級(jí)透平、6個(gè)環(huán)筒型燃燒室，可快速啟停，變負(fù)荷能力強(qiáng)，具有很高的燃燒效率和安全性，其主要參數(shù)如表3所示。

表3 6F.03型燃?xì)廨啓C(jī)性能參數(shù)

試驗(yàn)數(shù)據(jù)采用能源站2021年3月最近幾次啟停過(guò)程中的實(shí)時(shí)數(shù)據(jù)進(jìn)行模型的訓(xùn)練和測(cè)試，機(jī)組功率變化范圍為0～70 MW，滿足了基本的燃?xì)廨啓C(jī)運(yùn)行工況，采樣時(shí)間為2 s，設(shè)定前70%的數(shù)據(jù)用作訓(xùn)練集，15%的數(shù)據(jù)用作驗(yàn)證集，15%的數(shù)據(jù)用作測(cè)試集。激活函數(shù)使用adam，損失函數(shù)選用均方根誤差，學(xué)習(xí)率設(shè)置為0.001，得到的透平排氣溫度和壓氣機(jī)出口溫度分別如圖3和圖4所示。

圖3 壓氣機(jī)出口溫度仿真曲線

圖4 透平排氣溫度發(fā)仿真曲線

該模型的參數(shù)誤差如表4所示。傳統(tǒng)的燃?xì)廨啓C(jī)一般使用機(jī)理模型進(jìn)行建模，該方法需要大量的數(shù)學(xué)公式，搭建模型費(fèi)時(shí)費(fèi)力且精度較差。為了防止機(jī)組誤報(bào)，一般將報(bào)警閾值設(shè)定得較大，這就導(dǎo)致當(dāng)機(jī)組發(fā)生故障時(shí)，因?yàn)闆]有達(dá)到設(shè)定的報(bào)警閾值而不能及時(shí)發(fā)出報(bào)警信號(hào)。當(dāng)發(fā)出報(bào)警信號(hào)時(shí)，燃?xì)廨啓C(jī)通常已處于嚴(yán)重故障狀態(tài)。因此本研究要求MAPE誤差控制在2%以內(nèi)。

表4 GRU預(yù)測(cè)誤差

由表4可以看到，透平排氣溫度和壓氣機(jī)出口溫度的平均相對(duì)誤差都低于所要求的精度，二者的誤差均處在合理的范圍內(nèi)，因此該模型可以用作燃?xì)廨啓C(jī)故障預(yù)警的基準(zhǔn)模型。

由于在燃?xì)廨啓C(jī)運(yùn)行初期無(wú)法獲取故障下的數(shù)據(jù)，因此采用人工干預(yù)的手段進(jìn)行數(shù)據(jù)加工，取機(jī)組正常運(yùn)行下的100個(gè)時(shí)間點(diǎn)作為基準(zhǔn)值。在大多數(shù)情況下，燃?xì)廨啓C(jī)性能的下降是一個(gè)持續(xù)的過(guò)程，下降速率呈指數(shù)性衰減[12]，因此，假設(shè)參數(shù)在前44個(gè)時(shí)間點(diǎn)正常運(yùn)行，在第44個(gè)時(shí)間點(diǎn)后，燃?xì)廨啓C(jī)壓氣機(jī)和透平發(fā)生某些故障，則二者的偏差曲線如圖5和圖6所示。

圖5 壓氣機(jī)出口溫度偏差監(jiān)測(cè)

圖6 透平排氣溫度偏差監(jiān)測(cè)

燃?xì)廨啓C(jī)處于運(yùn)行中，在第44個(gè)時(shí)間點(diǎn)監(jiān)測(cè)的參數(shù)偏差值超過(guò)預(yù)警線，并長(zhǎng)期處于報(bào)警線以上，此時(shí)維修人員就需要對(duì)燃?xì)廨啓C(jī)的壓氣機(jī)和透平進(jìn)行檢修，合理安排機(jī)組的啟停計(jì)劃，防止后續(xù)故障的加重，為設(shè)備以及整個(gè)能源站的安全運(yùn)行提供保障。同時(shí)，可以建立故障診斷及預(yù)警平臺(tái)，將數(shù)據(jù)顯示在前端頁(yè)面上，為監(jiān)測(cè)人員提供可視化功能，局部功能展示頁(yè)面如圖7所示。

(a) 壓氣機(jī)出口溫度誤差

(b) 透平排氣溫度誤差圖7 運(yùn)行偏差監(jiān)測(cè)

4 結(jié) 論

燃?xì)廨啓C(jī)的故障類型與燃?xì)廨啓C(jī)的運(yùn)行參數(shù)之間有著密切的聯(lián)系，不同的故障類型對(duì)應(yīng)著不同的參數(shù)變化?？紤]到在燃?xì)廨啓C(jī)投入初期，燃?xì)廨啓C(jī)處于安全常態(tài)運(yùn)行，發(fā)生故障的概率非常低，并沒有大量的故障數(shù)據(jù)用來(lái)進(jìn)行故障診斷，因此，本研究針對(duì)燃?xì)廨啓C(jī)發(fā)生故障會(huì)導(dǎo)致機(jī)組流量和機(jī)組效率發(fā)生改變這一特點(diǎn)，將機(jī)組效率降低5%設(shè)為故障工況，將GRU建立模型的基準(zhǔn)值和實(shí)際值所產(chǎn)生的參數(shù)偏差作為監(jiān)測(cè)對(duì)象，一旦偏差超過(guò)設(shè)定的閾值，便能夠初步判斷設(shè)備故障發(fā)生的位置，合理安排計(jì)劃，對(duì)機(jī)組進(jìn)行停機(jī)維護(hù)。在缺乏歷史故障數(shù)據(jù)的燃?xì)廨啓C(jī)運(yùn)行初期，該方法可以有效地對(duì)機(jī)組進(jìn)行早期的故障診斷及故障預(yù)警，防止安全事故的發(fā)生，降低維修成本，是一種有效且簡(jiǎn)單實(shí)用的系統(tǒng)異常分析方法。隨著機(jī)組運(yùn)行時(shí)間的增加，誤差曲線可以為后續(xù)機(jī)組故障的詳細(xì)分類提供數(shù)據(jù)支持。