黃 瑜

（國(guó)能神福（龍巖）發(fā)電有限公司，福建 龍巖 364000）

汽輪機(jī)作為發(fā)電廠的核心設(shè)備，為滿足發(fā)電廠的發(fā)電需求，呈現(xiàn)出高參數(shù)、大容量的發(fā)展趨勢(shì)。隨著投入運(yùn)行年限的增加，長(zhǎng)時(shí)間處于高溫、高壓環(huán)境下的汽輪機(jī)組不可避免會(huì)出現(xiàn)各種類型的故障，其中流通部分故障發(fā)生率較高，是導(dǎo)致機(jī)組效率下降、出力不足的主要原因。如果汽輪機(jī)通流部分故障不能準(zhǔn)確診斷、及時(shí)解決，嚴(yán)重時(shí)還會(huì)導(dǎo)致發(fā)電機(jī)組受損，給發(fā)電廠帶來(lái)嚴(yán)重經(jīng)濟(jì)損失。隨著人工智能等技術(shù)在工業(yè)設(shè)備運(yùn)行監(jiān)測(cè)與故障診斷領(lǐng)域的成熟運(yùn)用，SOM神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)在汽輪機(jī)通流部分故障診斷中開始得到應(yīng)用。其中，將模糊理論與SOM神經(jīng)網(wǎng)絡(luò)相結(jié)合，既可以提高診斷結(jié)果的精度，同時(shí)還具有較強(qiáng)的自適應(yīng)和學(xué)習(xí)能力，可以對(duì)汽輪機(jī)通流部分各類復(fù)雜故障作出快速、準(zhǔn)確診斷?；诖?，本研究對(duì)模糊SOM神經(jīng)網(wǎng)絡(luò)技術(shù)在汽輪機(jī)通流部分故障診斷中的應(yīng)用效果展開了探究。

1 汽輪機(jī)通流部分故障樣本的建立

1.1 汽輪機(jī)通流部分常見故障與故障征兆的選取

汽輪機(jī)通流部分故障根據(jù)發(fā)生位置、表現(xiàn)形式的不同，可以分為多種類型，例如結(jié)垢磨損型、葉片斷裂型、高低壓缸故障等。汽輪機(jī)通流部分典型故障集中記錄了大部分常見故障，現(xiàn)選取其中部分故障表述如下：

P1：高壓調(diào)節(jié)閥門結(jié)垢；

P2：調(diào)節(jié)級(jí)結(jié)垢；

P3：高壓缸級(jí)組磨損；

P4：低壓缸級(jí)組磨損；

P5：高壓缸級(jí)組結(jié)垢。

除了故障集外，故障征兆表可表示每一種故障與各個(gè)可測(cè)量狀態(tài)參數(shù)之間的關(guān)系，用于反應(yīng)設(shè)備的運(yùn)行狀態(tài)。同樣選取故障征兆表的部分內(nèi)容表述如下：

S1：機(jī)組燮荷；

S2：調(diào)節(jié)級(jí)后壓力；

S3：高壓缸排氣壓力；

S4：中壓缸排氣壓力；

S5：高壓軸封壓力。

1.2 汽輪機(jī)通流部分故障特征向量的選取

由于汽輪機(jī)通流部分的結(jié)構(gòu)復(fù)雜且故障多樣，因此很難用數(shù)學(xué)式簡(jiǎn)單明了的表示故障類型與故障征兆參數(shù)之間的對(duì)應(yīng)關(guān)系，即存在較強(qiáng)的模糊性。這一問題的存在將會(huì)直接導(dǎo)致系統(tǒng)的故障診斷結(jié)果出現(xiàn)明顯誤差。為避免這一問題，本研究提出一種將在線采集得到的實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行模糊處理的方法，將模糊量作為輸入?yún)?shù)，輸入進(jìn)訓(xùn)練好的SOM 神經(jīng)網(wǎng)絡(luò)中，從而提高最終診斷結(jié)果的精度。

其中，在模糊計(jì)算環(huán)節(jié)確定模糊隸屬度函數(shù)是一項(xiàng)關(guān)鍵步驟。本研究在綜合考慮“汽輪機(jī)運(yùn)行參數(shù)”和“汽輪機(jī)運(yùn)行特性”兩項(xiàng)因素的基礎(chǔ)上，結(jié)合以往汽輪機(jī)故障檢修經(jīng)驗(yàn)，選取了16 種典型故障，并獲取每一種故障的樣本特征向量，匯總得到了故障熱力參數(shù)表。該表可以顯示汽輪機(jī)通流部分故障與故障征兆之間的關(guān)系，這也就意味著當(dāng)汽輪機(jī)通流部分出現(xiàn)故障后，每一種故障征兆的隸屬度所顯示出的狀態(tài)是不同的[1]。不同故障樣本的特征向量，根據(jù)各個(gè)故障征兆的隸屬度函數(shù)可描述為：

（1） 0，參數(shù)反方向劇烈變化。

（2） 0.275，參數(shù)緩慢減小。

（3） 0.55，參數(shù)處于正常狀態(tài)。

（4） 0.825，參數(shù)緩慢增加。

（5） 1，參數(shù)正方向劇烈變化。

這里以上文中的P1高壓調(diào)節(jié)閥門結(jié)垢故障為例，汽輪機(jī)通流部分P1故障的部分特征向量：S1為0.275、S2為0.275、S3為0.55、S4為0.55、S5為0.55。

2 模糊SOM 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

2.1 建立SOM神經(jīng)網(wǎng)絡(luò)

首先構(gòu)建故障樣本特征模式知識(shí)庫(kù)，然后通過(guò)SOM 神經(jīng)網(wǎng)絡(luò)工具箱引入具有自組織特征的映射函數(shù)newsom ()。參考汽輪機(jī)通流部分的故障特征向量，建立起一個(gè)包含15 個(gè)神經(jīng)元的SOM神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的取值范圍為[0,1]。為進(jìn)一步提升SOM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度以及故障診斷結(jié)果的準(zhǔn)確性，在多次試驗(yàn)的基礎(chǔ)上確定了一個(gè)12×12 的二維平面結(jié)構(gòu)，這144個(gè)神經(jīng)元共同構(gòu)成了SOM神經(jīng)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層。在得到SOM神經(jīng)網(wǎng)絡(luò)后，打開Matlab 軟件，調(diào)用該軟件自帶的trainnet(net,p)函數(shù)，訓(xùn)練此神經(jīng)網(wǎng)絡(luò)；按照同樣的方式，調(diào)用sim(net,t)函數(shù)，測(cè)試此神經(jīng)網(wǎng)絡(luò)[2]。將提前選取的16 組樣本數(shù)據(jù)作為SOM 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對(duì)象，在訓(xùn)練過(guò)程中不斷調(diào)整權(quán)值，實(shí)現(xiàn)對(duì)樣本數(shù)據(jù)的模糊聚類分析。

2.2 聚類與訓(xùn)練

為了讓SOM 神經(jīng)網(wǎng)絡(luò)的聚類效果實(shí)現(xiàn)最優(yōu)，本研究分別選擇了4 種步數(shù)開展訓(xùn)練，分別是50 步、100 步、200 步和500 步，聚類結(jié)果見表1。

表1 不同訓(xùn)練步數(shù)下SOM 神經(jīng)網(wǎng)絡(luò)的聚類結(jié)果

對(duì)照表1 可以發(fā)現(xiàn)，訓(xùn)練步數(shù)與競(jìng)爭(zhēng)層上激發(fā)的神經(jīng)元之間存在一定的關(guān)系，這說(shuō)明SOM 神經(jīng)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層上，任意一種故障的位置是隨機(jī)分布的。不管該故障是通過(guò)哪個(gè)神經(jīng)元激發(fā)的，只要競(jìng)爭(zhēng)層上故障位置沒有發(fā)生重疊（即表1 中數(shù)據(jù)不重復(fù)）的現(xiàn)象，就說(shuō)明該故障能夠聚類和區(qū)分。結(jié)合表1 數(shù)據(jù)，在訓(xùn)練步數(shù)為50（P9和P11）和100（P1和P5）時(shí)，在競(jìng)爭(zhēng)層上神經(jīng)元對(duì)應(yīng)的故障位置均有重復(fù)；在訓(xùn)練步數(shù)增加至200、500 時(shí)，未出現(xiàn)重復(fù)情況，說(shuō)明每種故障在競(jìng)爭(zhēng)層上都有各自對(duì)應(yīng)的位置，這種情況下能夠較為準(zhǔn)確地分辨出故障的具體類型。經(jīng)驗(yàn)表明，訓(xùn)練步數(shù)的增加，能夠使故障分類的準(zhǔn)確性得到提升，但是相應(yīng)的樣本處理的工作量相應(yīng)增加。因此，本次研究中，在保證能夠?qū)⒐收蠝?zhǔn)確分類的前提下，為了減少工作量、實(shí)現(xiàn)快速分類，最終選擇訓(xùn)練步數(shù)為200。

使用準(zhǔn)備好的訓(xùn)練數(shù)據(jù)對(duì)構(gòu)建的SOM 神經(jīng)網(wǎng)絡(luò)開展訓(xùn)練，同時(shí)保存網(wǎng)絡(luò)參數(shù)的訓(xùn)練結(jié)果。對(duì)訓(xùn)練結(jié)果做離散化處理，離散結(jié)果見圖1。

圖1 訓(xùn)練完成后臨近神經(jīng)元的距離情況

結(jié)合圖1 可知，在SOM神經(jīng)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層上，每個(gè)小六邊形方格代表1 個(gè)神經(jīng)元，并且聚類結(jié)果之間并未出現(xiàn)清晰的界限[3]。該競(jìng)爭(zhēng)層上的任意一個(gè)神經(jīng)元節(jié)點(diǎn)，都連接了6 個(gè)神經(jīng)元，但是這些神經(jīng)元之間的距離并不完全相同。完成200 次的訓(xùn)練后，選擇“故障模式”在競(jìng)爭(zhēng)層上標(biāo)記處神經(jīng)元的位置，經(jīng)過(guò)200步的SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果見圖2。

圖2 SOM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖2 中標(biāo)記有數(shù)字的神經(jīng)元，代表的是SOM 神經(jīng)網(wǎng)絡(luò)映射在競(jìng)爭(zhēng)層上汽輪機(jī)通流部分故障集合中對(duì)應(yīng)的故障模式；而空白處的神經(jīng)元表示該SOM 神經(jīng)網(wǎng)絡(luò)對(duì)所有輸入矢量沒有激發(fā)競(jìng)爭(zhēng)層上的故障位置。由圖2 可知，1～16 類故障無(wú)規(guī)則地分布在競(jìng)爭(zhēng)層上。同時(shí)根據(jù)前文分析，當(dāng)競(jìng)爭(zhēng)層上各類故障的位置相互獨(dú)立時(shí)，能夠作為故障診斷的依據(jù)。在這種情況下，每當(dāng)外界輸入一個(gè)新的故障類型，那么競(jìng)爭(zhēng)層上的空白區(qū)域，就會(huì)激發(fā)一個(gè)對(duì)應(yīng)的神經(jīng)元，并按照順序自動(dòng)生成一個(gè)故障序號(hào)。要想從圖2 中的16 種故障中，更加準(zhǔn)確的判斷具體的故障類型，還需要將16種故障模式與故障的標(biāo)準(zhǔn)樣本進(jìn)行逐一對(duì)照。根據(jù)對(duì)比結(jié)果，當(dāng)2 種故障在競(jìng)爭(zhēng)層上引起興奮的神經(jīng)元的幾何位置完全重疊或者十分相近時(shí)，說(shuō)明2 種故障屬于同一類型，然后對(duì)照標(biāo)準(zhǔn)樣本，即可從16 種故障中確定最終的故障類型[4]。

3 基于模糊SOM 神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)通流部分故障診斷技術(shù)

以某發(fā)電廠的1 臺(tái)300 MW 機(jī)組作為研究對(duì)象，使該機(jī)組在250 MW 燮荷下穩(wěn)定運(yùn)行，并收集其運(yùn)行參數(shù)，并保存到一個(gè)數(shù)據(jù)集合中。將該集合中的數(shù)據(jù)使用隸屬度函數(shù)進(jìn)行模糊化處理，處理完畢后該故障案例的特征表見表2。

表2 故障征兆數(shù)據(jù)

將表2 中已知故障形式的待檢測(cè)樣本，依次輸入到已經(jīng)訓(xùn)練好的SOM神經(jīng)網(wǎng)絡(luò)中，然后開始故障診斷，并根據(jù)診斷結(jié)果判斷該SOM神經(jīng)網(wǎng)絡(luò)在故障診斷方面的準(zhǔn)確性，得到的故障映射圖見圖3。

圖3 SOM 神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

結(jié)合圖3 可知，該神經(jīng)網(wǎng)絡(luò)的分類結(jié)果為X（Yc_test=59），神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)聚類分析后，輸出診斷結(jié)果為故障5（Yc_test=60）。據(jù)此可知，該故障激發(fā)了SOM神經(jīng)網(wǎng)絡(luò)競(jìng)爭(zhēng)上第59 個(gè)神經(jīng)元。對(duì)比可以發(fā)現(xiàn)，該診斷結(jié)果與訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)位置并不完全相同，但是對(duì)比圖2 和圖3 可知，故障X 的映射結(jié)果與故障5 的幾何距離十分接近，而與其他故障的幾何距離則比較遠(yuǎn)。據(jù)此可以得出結(jié)論，該機(jī)組運(yùn)行故障屬于第5類故障。對(duì)照汽輪機(jī)通流部分故障集，第5 類故障（P5）為高壓缸級(jí)組結(jié)垢[5]。這一診斷結(jié)果與機(jī)組拆卸檢修結(jié)果一致，說(shuō)明本研究所用的SOM 神經(jīng)網(wǎng)絡(luò)能夠在汽輪機(jī)通流部分的故障診斷中發(fā)揮良好的應(yīng)用效果。

4 結(jié)論

汽輪機(jī)通流部分故障監(jiān)測(cè)和診斷的智能化，對(duì)降低故障發(fā)生率、削弱故障影響后果，以及維護(hù)發(fā)電廠經(jīng)濟(jì)效益有重要作用。以汽輪機(jī)通流部分的故障案例作為對(duì)象，進(jìn)行故障分類并研究故障征兆。在此基礎(chǔ)上將模糊理論和SOM 神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用模糊SOM神經(jīng)網(wǎng)絡(luò)的聚類分析功能，讓復(fù)雜的故障模式可視化。在經(jīng)過(guò)大量的樣本訓(xùn)練后，利用模糊SOM神經(jīng)網(wǎng)絡(luò)對(duì)案例展開分析，快速、準(zhǔn)確地完成了故障診斷。從實(shí)際應(yīng)用效果來(lái)看，本研究設(shè)計(jì)的基于模糊SOM神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)通流部分故障診斷系統(tǒng)，在診斷結(jié)果上與人工拆解汽輪機(jī)的檢查結(jié)果一致，驗(yàn)證了該診斷技術(shù)的實(shí)用效果。下一步，發(fā)電廠推廣應(yīng)用該技術(shù)，能夠?qū)崿F(xiàn)對(duì)汽輪機(jī)通流部分故障的超前識(shí)別、精確診斷，將故障發(fā)生率降至最低，從而提高發(fā)電效率和提升自身經(jīng)濟(jì)效益。