黃 瑜

（國能神福（龍巖）發(fā)電有限公司，福建 龍巖 364000）

汽輪機作為發(fā)電廠的核心設備，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。隨著投入運行年限的增加，長時間處于高溫、高壓環(huán)境下的汽輪機組不可避免會出現(xiàn)各種類型的故障，其中流通部分故障發(fā)生率較高，是導致機組效率下降、出力不足的主要原因。如果汽輪機通流部分故障不能準確診斷、及時解決，嚴重時還會導致發(fā)電機組受損，給發(fā)電廠帶來嚴重經(jīng)濟損失。隨著人工智能等技術在工業(yè)設備運行監(jiān)測與故障診斷領域的成熟運用，SOM神經(jīng)網(wǎng)絡和BP 神經(jīng)網(wǎng)絡在汽輪機通流部分故障診斷中開始得到應用。其中，將模糊理論與SOM神經(jīng)網(wǎng)絡相結(jié)合，既可以提高診斷結(jié)果的精度，同時還具有較強的自適應和學習能力，可以對汽輪機通流部分各類復雜故障作出快速、準確診斷。基于此，本研究對模糊SOM神經(jīng)網(wǎng)絡技術在汽輪機通流部分故障診斷中的應用效果展開了探究。

1 汽輪機通流部分故障樣本的建立

1.1 汽輪機通流部分常見故障與故障征兆的選取

汽輪機通流部分故障根據(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)級結(jié)垢；

P3：高壓缸級組磨損；

P4：低壓缸級組磨損；

P5：高壓缸級組結(jié)垢。

除了故障集外，故障征兆表可表示每一種故障與各個可測量狀態(tài)參數(shù)之間的關系，用于反應設備的運行狀態(tài)。同樣選取故障征兆表的部分內(nèi)容表述如下：

S1：機組燮荷；

S2：調(diào)節(jié)級后壓力；

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 汽輪機通流部分故障特征向量的選取

由于汽輪機通流部分的結(jié)構(gòu)復雜且故障多樣，因此很難用數(shù)學式簡單明了的表示故障類型與故障征兆參數(shù)之間的對應關系，即存在較強的模糊性。這一問題的存在將會直接導致系統(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際運行數(shù)據(jù)進行模糊處理的方法，將模糊量作為輸入?yún)?shù)，輸入進訓練好的SOM 神經(jīng)網(wǎng)絡中，從而提高最終診斷結(jié)果的精度。

其中，在模糊計算環(huán)節(jié)確定模糊隸屬度函數(shù)是一項關鍵步驟。本研究在綜合考慮“汽輪機運行參數(shù)”和“汽輪機運行特性”兩項因素的基礎上，結(jié)合以往汽輪機故障檢修經(jīng)驗，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通流部分故障與故障征兆之間的關系，這也就意味著當汽輪機通流部分出現(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)絡學習

2.1 建立SOM神經(jīng)網(wǎng)絡

首先構(gòu)建故障樣本特征模式知識庫，然后通過SOM 神經(jīng)網(wǎng)絡工具箱引入具有自組織特征的映射函數(shù)newsom ()。參考汽輪機通流部分的故障特征向量，建立起一個包含15 個神經(jīng)元的SOM神經(jīng)網(wǎng)絡，該網(wǎng)絡的取值范圍為[0,1]。為進一步提升SOM神經(jīng)網(wǎng)絡的學習速度以及故障診斷結(jié)果的準確性，在多次試驗的基礎上確定了一個12×12 的二維平面結(jié)構(gòu)，這144個神經(jīng)元共同構(gòu)成了SOM神經(jīng)網(wǎng)絡的競爭層。在得到SOM神經(jīng)網(wǎng)絡后，打開Matlab 軟件，調(diào)用該軟件自帶的trainnet(net,p)函數(shù)，訓練此神經(jīng)網(wǎng)絡；按照同樣的方式，調(diào)用sim(net,t)函數(shù)，測試此神經(jīng)網(wǎng)絡[2]。將提前選取的16 組樣本數(shù)據(jù)作為SOM 神經(jīng)網(wǎng)絡的訓練對象，在訓練過程中不斷調(diào)整權(quán)值，實現(xiàn)對樣本數(shù)據(jù)的模糊聚類分析。

2.2 聚類與訓練

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

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

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

使用準備好的訓練數(shù)據(jù)對構(gòu)建的SOM 神經(jīng)網(wǎng)絡開展訓練，同時保存網(wǎng)絡參數(shù)的訓練結(jié)果。對訓練結(jié)果做離散化處理，離散結(jié)果見圖1。

圖1 訓練完成后臨近神經(jīng)元的距離情況

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

圖2 SOM 神經(jīng)網(wǎng)絡訓練結(jié)果

圖2 中標記有數(shù)字的神經(jīng)元，代表的是SOM 神經(jīng)網(wǎng)絡映射在競爭層上汽輪機通流部分故障集合中對應的故障模式；而空白處的神經(jīng)元表示該SOM 神經(jīng)網(wǎng)絡對所有輸入矢量沒有激發(fā)競爭層上的故障位置。由圖2 可知，1～16 類故障無規(guī)則地分布在競爭層上。同時根據(jù)前文分析，當競爭層上各類故障的位置相互獨立時，能夠作為故障診斷的依據(jù)。在這種情況下，每當外界輸入一個新的故障類型，那么競爭層上的空白區(qū)域，就會激發(fā)一個對應的神經(jīng)元，并按照順序自動生成一個故障序號。要想從圖2 中的16 種故障中，更加準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準樣本進行逐一對照。根據(jù)對比結(jié)果，當2 種故障在競爭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，說明2 種故障屬于同一類型，然后對照標準樣本，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)絡的汽輪機通流部分故障診斷技術

以某發(fā)電廠的1 臺300 MW 機組作為研究對象，使該機組在250 MW 燮荷下穩(wěn)定運行，并收集其運行參數(shù)，并保存到一個數(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樣本，依次輸入到已經(jīng)訓練好的SOM神經(jīng)網(wǎng)絡中，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)絡在故障診斷方面的準確性，得到的故障映射圖見圖3。

圖3 SOM 神經(jīng)網(wǎng)絡故障診斷結(jié)果

結(jié)合圖3 可知，該神經(jīng)網(wǎng)絡的分類結(jié)果為X（Yc_test=59），神經(jīng)網(wǎng)絡經(jīng)過聚類分析后，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)絡競爭上第59 個神經(jīng)元。對比可以發(fā)現(xiàn)，該診斷結(jié)果與訓練好的神經(jīng)網(wǎng)絡位置并不完全相同，但是對比圖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。據(jù)此可以得出結(jié)論，該機組運行故障屬于第5類故障。對照汽輪機通流部分故障集，第5 類故障（P5）為高壓缸級組結(jié)垢[5]。這一診斷結(jié)果與機組拆卸檢修結(jié)果一致，說明本研究所用的SOM 神經(jīng)網(wǎng)絡能夠在汽輪機通流部分的故障診斷中發(fā)揮良好的應用效果。

4 結(jié)論

汽輪機通流部分故障監(jiān)測和診斷的智能化，對降低故障發(fā)生率、削弱故障影響后果，以及維護發(fā)電廠經(jīng)濟效益有重要作用。以汽輪機通流部分的故障案例作為對象，進行故障分類并研究故障征兆。在此基礎上將模糊理論和SOM 神經(jīng)網(wǎng)絡相結(jié)合，利用模糊SOM神經(jīng)網(wǎng)絡的聚類分析功能，讓復雜的故障模式可視化。在經(jīng)過大量的樣本訓練后，利用模糊SOM神經(jīng)網(wǎng)絡對案例展開分析，快速、準確地完成了故障診斷。從實際應用效果來看，本研究設計的基于模糊SOM神經(jīng)網(wǎng)絡的汽輪機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的檢查結(jié)果一致，驗證了該診斷技術的實用效果。下一步，發(fā)電廠推廣應用該技術，能夠?qū)崿F(xiàn)對汽輪機通流部分故障的超前識別、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)濟效益。