萬震天，謝岳生，田書耘，劉 平，丁盛豪，郝 寧，范雪飛，楊志鵬

（1.上海發(fā)電設備成套設計研究院有限責任公司，上海 200240；2.上海漕涇熱電有限責任公司，上海 201507）

燃氣輪機運行過程中會產(chǎn)生大量工業(yè)數(shù)據(jù)，但是目前對這些數(shù)據(jù)的利用效率不高，基本只停留在數(shù)據(jù)可視化、邏輯控制和保護的層次。通過對燃氣輪機運行數(shù)據(jù)進行深度挖掘分析，可以實時監(jiān)測燃氣輪機運行狀態(tài)參數(shù)，有利于將傳統(tǒng)的定期維修轉變?yōu)榛跔顟B(tài)的視情維修，提高設備可靠性和可用率[1-2]。傳統(tǒng)的報警監(jiān)測技術主要采用閾值報警，當運行參數(shù)達到閾值上下限時，才會有報警提示，而限值范圍內設備的劣化狀態(tài)及異常情況無法被關注和處理[3]?；谌細廨啓C運行數(shù)據(jù)的故障預警模型，可以在測點數(shù)據(jù)達到報警閾值前，根據(jù)數(shù)據(jù)行為異常預警設備故障，大幅提高預警時間窗口。

國外燃氣輪機制造商及相關學者都在致力于開發(fā)燃氣輪機智能監(jiān)控系統(tǒng)，基于燃氣輪機運行數(shù)據(jù)為燃氣輪機電廠提供運行狀態(tài)分析[4]。美國通用電氣（GE）推出了Predix 平臺，運用大數(shù)據(jù)深度挖掘與分析，科學解決燃氣輪機運維難題；德國西門子（Siemens）開發(fā)了基于云的物聯(lián)網(wǎng)操作系統(tǒng)MindSphere 平臺，燃氣輪機可以無縫接入從而獲得運行和決策支持；日本三菱（Mitsubishi）搭建的燃氣輪機遠程監(jiān)控中心（remote monitoring center，RMC），可以協(xié)助指導燃氣輪機運行檢修[5-6]；Choi等人[7]開發(fā)了基于Android 的工業(yè)燃氣輪機遠程監(jiān)控系統(tǒng)；Ayodele 等人[8]則使用實際功率測量值和其他密切相關參數(shù)對燃氣輪機的發(fā)電性能進行監(jiān)測。國內眾多高校也在燃氣輪機性能監(jiān)測及診斷技術方面開展了相關研究[9-11]。其中，清華大學[12]采用基于模型的燃氣輪機故障診斷方法，利用燃氣輪機的運行數(shù)據(jù)和熱力學模型預估燃氣輪機各部件運行的性能參數(shù)，實現(xiàn)故障檢測、分析和診斷；上海交通大學則先后開發(fā)了基于熱參數(shù)的燃氣輪機故障診斷系統(tǒng)分析軟件[13]，提出了一種基于動態(tài)過程的燃氣輪機性能降級診斷方法[14]，并采用非線性卡爾曼濾波技術建立了燃氣輪機故障診斷系統(tǒng)[15]，近年來又在基于注意力機制的燃氣輪機故障診斷方法開展相關研究[16]。

但是，目前國內并沒有完全掌握重型燃氣輪機性能實時監(jiān)測與故障預警技術。其原因主要有以下幾點：1）缺乏精確的性能分析算法和故障預警算法來對數(shù)據(jù)進行處理、分析和價值提取；2）現(xiàn)有分析方法時效性差，無法實現(xiàn)燃氣輪機運行狀況的實時分析與評估；3）沒有積累有效的故障預警模型庫和故障診斷知識庫；4）國內研究基本停留在理論層面，缺乏對在役燃氣輪機機組的工程應用研究。因此，開展燃氣輪機性能監(jiān)測與故障預警系統(tǒng)開發(fā)與工程應用研究，逐步掌握燃氣輪機關鍵設備異常檢測及早期預警技術，對提高燃氣輪機電廠數(shù)字化智能化水平及運行經(jīng)濟性和安全性意義重大。

1 零代碼、組態(tài)式建模技術

采用C++、JavaScript、html5、java 等語言開發(fā)了適用于燃氣輪機性能監(jiān)測和故障預警診斷模型的一系列可拖拽式組件，包括燃氣輪機組件、水和水蒸氣物性組件、機器學習組件、數(shù)學組件、連接器組件以及數(shù)據(jù)組件等。定義一套完整的組件開發(fā)流程和代碼規(guī)范，可以通過共用組件庫接口進行組件的定制化開發(fā)，可為不同應用場景，比如機器學習、熱平衡計算、規(guī)則計算、數(shù)值優(yōu)化等提供組件，實現(xiàn)組態(tài)式建模。

其中燃氣輪機組件包括壓氣機、燃燒室、透平以及發(fā)電機等，以非線性方程組求解技術為基礎，組件內置空氣系統(tǒng)的流量守恒和能量守恒、燃燒系統(tǒng)的流量守恒、能量守恒和物質守恒以及關鍵熱力部件的特性方程等。水和水蒸氣物性組件以水和水蒸氣計算模型（IAPWS-IF97）為基礎，用于組態(tài)化建模中的壓縮、膨脹和燃燒過程的熱力計算。機器學習組件以深度學習算法為基礎，可基于傳感器數(shù)據(jù)完成組態(tài)化人工智能模型搭建，包括自回歸模型和預測模型，可根據(jù)需要自定義深度學習算法的計算層數(shù)以及每一層的節(jié)點數(shù)，完成對數(shù)據(jù)的深度挖掘與分析。數(shù)學組件用于模型內部的數(shù)學運算以及邏輯判斷。連接器組件用于數(shù)據(jù)的傳遞與采集，以及模型的圖層管理。數(shù)據(jù)組件主要用于數(shù)據(jù)的調取、存儲、圖形展示等。

以燃氣輪機透平組件開發(fā)為例，其開發(fā)過程如下：1）定義組件物理過程，推導燃氣輪機透平組件系統(tǒng)計算方程，包括：流量守恒方程（透平進出口煙氣流量守恒）、能量守恒方程（透平膨脹做功與進出口膨脹過程能量轉換間的守恒方程）、等熵效率特性方程（通過引入設計效率相對折合轉速、相對壓比的特性曲線，實現(xiàn)燃氣輪機透平性能高精度計算分析）、流量特性方程（通過引入設計流量相對于折合流量的特性曲線，實現(xiàn)燃氣輪機透平性能高精度計算分析）；2）將計算方程轉為程序語言，進行組件開發(fā)編程；3）組件上傳及管理。

2 燃氣輪機性能監(jiān)測與分析

2.1 關鍵測點參數(shù)

燃氣輪機性能監(jiān)測與故障預警系統(tǒng)所需數(shù)據(jù)均來源于機組現(xiàn)有測點，關鍵測點參數(shù)見表1。

表1 關鍵測點參數(shù)Tab.1 Key measurement point parameters

關鍵測點參數(shù)主要包括以下兩類：

1）燃氣輪機設計數(shù)據(jù)、性能試驗數(shù)據(jù)及歷史運行數(shù)據(jù)，用于燃氣輪機性能監(jiān)測及故障預警模型的標定、校準及訓練；

2）燃氣輪機實時運行數(shù)據(jù)，用于燃氣輪機運行狀態(tài)的監(jiān)測與性能指標的計算。其中燃料氣成分及熱值通過調壓站的色譜儀檢測計算得出。

2.2 性能計算公式

以廣東某GE 9E 重型燃氣輪機為研究對象，根據(jù)其熱力學工作原理，劃分為8 個截面。工作原理及截面劃分如圖1 所示。

圖1 重型燃氣輪機工作原理及截面劃分Fig.1 Working principle and section division of heavy-duty gas turbine

各截面性能參數(shù)的計算公式見表2。表2 中：α為冷卻空氣系數(shù)；σB為燃燒室總壓恢復系數(shù)。

表2 性能計算公式Tab.2 Performance calculation formula

2.3 性能監(jiān)測模型

以熱平衡圖和熱平衡方程為依據(jù)，基于機理開發(fā)的燃氣輪機性能監(jiān)測模型如圖2 所示。該模型包含的熱力組件有壓氣機、燃燒室、透平、發(fā)電機、進氣段、排氣段等?？蓪簹鈾C入口壓力、入口溫度、出口壓力、出口溫度、IGV 開度、燃料流量、透平排氣溫度、燃氣輪機功率等關鍵性能參數(shù)進行實時監(jiān)測，可對壓氣機流量、透平級前溫度、壓氣機效率、透平效率、燃氣輪機效率等關鍵性能指標（基于《火力發(fā)電廠技術經(jīng)濟指標計算方法》（DL/T 904—2015））進行實時計算分析。燃氣輪機性能指標計算如圖3 所示。

圖2 燃氣輪機性能監(jiān)測模型示意Fig.2 Schematic diagram of gas turbine performance monitoring model

圖3 燃氣輪機性能指標Fig.3 Changes of performance indexes of the gas turbine

燃氣輪機性能監(jiān)測模型搭建完成后，需根據(jù)熱平衡圖、設計數(shù)據(jù)、性能試驗數(shù)據(jù)等對模型進行離線標定并實時在線計算。給定燃氣輪機功率，則對應工況下的相關測點參數(shù)，如環(huán)境壓力、壓氣機入口溫度、透平排氣溫度等也可以確定，從而可以計算出壓氣機流量、透平級前溫度等參數(shù)并與性能試驗參數(shù)對標，標定結果見表3。由表3 可見，各計算值與設計值的偏差均小于1%，模型精度較好。

表3 燃氣輪機性能監(jiān)測模型標定Tab.3 Calibration of the gas turbine performance monitoring model

3 燃氣輪機故障預警及診斷

通常來講，燃氣輪機氣路故障會導致部件特性偏離設計點，進而造成燃氣輪機總體性能下降，主要表現(xiàn)為燃氣輪機效率、輸出功率的下降以及排氣流量和溫度的變化[17-18]。由于燃氣輪機部件的效率和流量在實際中不能實時測量，因此燃氣輪機的氣路故障預警及診斷就要通過可測量的燃氣輪機運行參數(shù)對燃氣輪機各部件的健康狀況進行分析，通過測量數(shù)據(jù)和應有數(shù)值偏差分析各物理參數(shù)的關聯(lián)性，推算出部件的性能衰減趨勢，指導燃氣輪機運行維護工作。

開展燃氣輪機氣路預警及故障診斷，首先基于人工智能和深度學習算法進行建模，然后通過燃氣輪機健康運行時期的歷史數(shù)據(jù)對模型進行學習和訓練，最后對模型進行標定后上線投運。投運后模型能夠實時監(jiān)視設備實際運行狀態(tài)和正常運行狀態(tài)（期望值）的偏差，捕捉偏差變化的趨勢，實現(xiàn)故障的提前預警。結合已有專業(yè)知識進行模型的開發(fā)，包括壓氣機葉片結垢預警診斷模型和透平排氣溫度異常預警診斷模型。以壓氣機葉片結垢預警診斷模型開發(fā)為例，具體開發(fā)過程如下：1）確定研究對象為壓氣機；2）確定對象功能為，利用高速旋轉的葉片給空氣做功以提高空氣的壓力，向燃燒室連續(xù)不斷地供應壓縮空氣；3）確定劣化或失效模式為葉片結垢；4）影響分析，造成壓氣機通流能力下降，效率下降，造成燃氣輪機功率下降，效率下降；5）關聯(lián)測點分析，IGV 位置反饋、環(huán)境壓力、壓氣機入口溫度、壓氣機出口溫度、燃氣輪機功率等；6）建模分析，選取健康運行時期的歷史數(shù)據(jù)對模型進行訓練、修正，標定預警殘差范圍；7）故障解決方案，如按實際需求進行水洗等。

3.1 壓氣機葉片結垢預警診斷模型

基于數(shù)據(jù)驅動、人工智能和深度學習算法搭建的壓氣機葉片結垢預警診斷模型如圖4 所示。圖4中：X表示輸入?yún)?shù)，包括IGV 位置反饋、環(huán)境壓力、壓氣機入口溫度、壓氣機出口溫度、燃氣輪機功率；Y表示輸出參數(shù)，即壓氣機出口壓力。首先選用機組健康運行時期的數(shù)據(jù)訓練模型，再通過對比壓氣機出口壓力的實際值和預測值，判斷壓氣機葉片是否發(fā)生結垢現(xiàn)象。

圖4 壓氣機葉片結垢預警診斷模型Fig.4 The early warning diagnosis model of compressor blade fouling

為了驗證壓氣機葉片結垢預警診斷模型的準確性，對廣東某GE 9E 機組2020 年10 月15 日—2021 年3 月31 日壓氣機性能進行驗證分析，結果如圖5 所示。

圖5 壓氣機葉片結垢預警診斷模型驗證分析結果Fig.5 Validation and analysis results of the early warning diagnosis model for compressor blade fouling

通過分析可以發(fā)現(xiàn)：在2020 年10 月22 日電廠完成壓氣機水洗后，很長一段時間內壓氣機出口壓力都保持在一個比較穩(wěn)定的范圍，并未出現(xiàn)壓氣機性能劣化報警；直到2020 年12 月21 日首次出現(xiàn)壓氣機葉片結垢報警，且隨著時間的推移，報警頻率逐漸加密，預示著壓氣機性能出現(xiàn)劣化，具體表現(xiàn)為壓氣機出口壓力和燃氣輪機功率都發(fā)生了不同程度的降低。

3.2 透平排氣溫度異常預警診斷模型

基于數(shù)據(jù)驅動、人工智能和深度學習算法搭建的透平排氣溫度異常預警診斷模型如圖6 所示。圖6中：X表示輸入?yún)?shù)，包括IGV 位置反饋、環(huán)境壓力、環(huán)境溫度、燃氣輪機功率；Y表示輸出參數(shù)，即透平排氣溫度。首先選用機組健康運行時期的數(shù)據(jù)訓練模型，再通過對比透平排氣溫度的實際值和預測值，判斷透平是否發(fā)生排氣溫度異?，F(xiàn)象。

圖6 透平排氣溫度異常預警診斷模型Fig.6 The early warning diagnosis model for abnormal turbine exhaust temperature

為了驗證透平排氣溫度異常預警診斷模型的準確性，對廣東某GE 9E 機組2020 年3 月15 日—2021 年1 月31 日透平排氣溫度進行驗證分析，結果如圖7 所示。

圖7 透平排氣溫度異常預警診斷模型驗證分析結果Fig.7 Validation and analysis results of the early warning diagnosis model for turbine exhaust temperature abnormalities

通過分析可以發(fā)現(xiàn)：2020 年4 月23 日首次出現(xiàn)透平排氣溫度異常報警，且隨著時間的推移，報警頻率逐漸加密；9 月1 日發(fā)現(xiàn)異常并在9 月5 日安排檢修，發(fā)現(xiàn)異常原因是燃燒器發(fā)生故障；檢修完成后發(fā)現(xiàn)透平排氣溫度異常報警消失。由此驗證模型準確性較好，且可以提前4 個月實現(xiàn)透平排氣溫度異常故障預警。

4 結論

1）基于零代碼、組態(tài)式建模技術開發(fā)的燃氣輪機性能監(jiān)測模型，可以實時監(jiān)測燃氣輪機關鍵性能參數(shù)，并能實時計算壓氣機流量、透平級前溫度、壓氣機效率、透平效率、燃氣輪機效率等性能指標，計算誤差小于1%。

2）采用人工智能和深度學習算法搭建的壓氣機葉片結垢和透平排氣溫度異常預警診斷模型，具備燃氣輪機關鍵部件健康狀態(tài)評估等功能，可以從設備可靠性和可用性角度實現(xiàn)重型燃氣輪機的在線故障預警。

3）實現(xiàn)燃氣輪機性能監(jiān)測與故障預警系統(tǒng)在GE 9E 燃氣輪機電廠的工程示范應用，證明該系統(tǒng)具備燃氣發(fā)電機組性能計算分析、健康狀態(tài)評估及預警診斷等功能，可以在不同燃氣輪機電廠、不同燃氣輪機機型進一步推廣應用。