張艾森

(上海工業(yè)自動化儀表研究院有限公司，上海 200233)

0 引言

當(dāng)前，燃?xì)廨啓C在工業(yè)領(lǐng)域和航空領(lǐng)域發(fā)揮了越來越重要的作用。在電力行業(yè)，燃?xì)廨啓C的應(yīng)用也成為主要發(fā)展趨勢[1-3]。但是，隨著燃?xì)廨啓C工作環(huán)境的變化，尤其是啟動過程中轉(zhuǎn)速和溫度均發(fā)生較大變化，各種故障將不斷出現(xiàn)。為了確保燃?xì)廨啓C的安全使用，燃?xì)廨啓C啟動過程故障診斷已成為當(dāng)前的研究重點[4]。

由于燃?xì)廨啓C內(nèi)部結(jié)構(gòu)較為復(fù)雜，當(dāng)前故障診斷方法的應(yīng)用存在諸多不足。文獻(xiàn)[5]提出基于交叉全局人工蜂群和支持向量機(crossover global artificial bee colony and support vector machine，CGABC-SVM)的故障診斷方法，實時輸出故障診斷結(jié)果，并考慮到參數(shù)信息變化對診斷結(jié)果的影響，結(jié)合人工蜂群算法優(yōu)化參數(shù)，提升診斷準(zhǔn)確率。但是，該診斷方法的泛化能力較差。文獻(xiàn)[6]以改進深度信念網(wǎng)絡(luò)(deep belief networks，DBN)為核心，建立診斷方法。該方法為了解決玻爾茲曼機模型的數(shù)據(jù)擬合問題，融合Dropout 技術(shù)和Adam 優(yōu)化器，提升了故障診斷效率；采用隨機梯度下降法進行反向微調(diào)，避免陷入局部最優(yōu)解情況。但是，該診斷方法的容錯性較低。文獻(xiàn)[7]設(shè)計了基于深度學(xué)習(xí)與信息融合的故障診斷方法。該方法使用核主元分析技術(shù)處理原始數(shù)據(jù)，并從數(shù)據(jù)集中選取出主要表征參數(shù)；通過深度學(xué)習(xí)算法建立包含多個隱含層的診斷模型，自動獲取故障數(shù)據(jù)中包含的關(guān)鍵信息，實現(xiàn)故障診斷的自動化。但該方法計算復(fù)雜度較高，故障診斷效率較低。

參考上述故障診斷方法，本文對燃?xì)廨啓C啟動過程進行深入分析，生成DBN故障診斷模型。試驗結(jié)果表明，本文方法在實際應(yīng)用中展現(xiàn)了更好的應(yīng)用效果，有利于平均故障診斷錯誤率的降低。

1 故障診斷方法設(shè)計

1.1 故障樣本數(shù)據(jù)抽取

燃?xì)廨啓C的啟動屬于1種大范圍變工況操作，具體包括盤車、啟動、點火等多個步驟。燃?xì)廨啓C啟動各階段分界情況如圖1所示。

圖1 燃?xì)廨啓C啟動各階段分界情況圖

由圖1可知，燃?xì)廨啓C啟動過程中，冷、熱加速階段以點火為分界點，而熱加速、自升速階段則以脫扣為分界點?；谏鲜鰡舆^程，本文針對典型啟動故障進行模擬，獲取啟動過程故障發(fā)生后燃?xì)廨啓C運行情況；通過不同故障程度的模擬，收集故障數(shù)據(jù)與近似故障數(shù)據(jù)。

考慮到上述樣本數(shù)據(jù)不會受到主觀因素影響而產(chǎn)生變化，為了確保故障診斷結(jié)果的準(zhǔn)確性，從上述樣本數(shù)據(jù)和正常數(shù)據(jù)中按比例選取大部分?jǐn)?shù)據(jù)，將一部分?jǐn)?shù)據(jù)標(biāo)簽清除后形成預(yù)訓(xùn)練樣本數(shù)據(jù)集，另一部分則保留標(biāo)簽作為測試數(shù)據(jù)，輸出故障診斷結(jié)果。為了降低診斷誤差，本文采用極差歸一化方法處理樣本數(shù)據(jù)[8]。計算式為：

(1)

式中：xi為數(shù)據(jù)樣本歸一化處理結(jié)果；xi0為原始樣本；xmin為樣本數(shù)據(jù)集中最小數(shù)據(jù)；r為樣本數(shù)據(jù)集極差。

通過式(1)，即可完成故障樣本數(shù)據(jù)的處理，獲取歸一化數(shù)據(jù)樣本值，作為故障診斷的數(shù)據(jù)基礎(chǔ)。

1.2 典型啟動故障特征提取

燃?xì)廨啓C啟動過程中如有故障問題，則會導(dǎo)致多種設(shè)備參數(shù)產(chǎn)生變化。因此，本文從機理入手，分析典型啟動故障特征，并將此作為啟動故障判斷指標(biāo)[9]。本文對喘振裕度、啟動速度與加速度變化，以及燃料空氣比進行研究，提取典型啟動故障特征。

當(dāng)燃?xì)廨啓C發(fā)動機組與喘振區(qū)重合后，會產(chǎn)生喘振裕度。當(dāng)壓氣機效率降低后，會出現(xiàn)熱懸掛故障[10]。熱懸掛故障發(fā)生概率隨著喘振裕度的提升而增長。喘振裕度的計算式為：

(2)

式中：S為喘振裕度；K、L分別為某折合轉(zhuǎn)速的不穩(wěn)定邊界點和工作點；πK為不穩(wěn)定邊界點的增壓比；mK為不穩(wěn)定邊界點流量值。

由式(2)可知，喘振裕度值越大，表明運行與喘振邊界之間的距離越大，則燃?xì)廨啓C啟動過程越安全。

燃?xì)廨啓C啟動過程中，需要注意的1項主要參數(shù)為啟動速度與加速度變化。正常情況下，燃?xì)廨啓C啟動速度處于平穩(wěn)狀態(tài)。當(dāng)轉(zhuǎn)速上升速度較慢或產(chǎn)生停滯，表明燃?xì)廨啓C啟動出現(xiàn)故障，需要工作人員立即停機檢查。

最后1項典型啟動故障特征是燃?xì)廨啓C啟動過程中燃料空氣比變化。作為評估燃燒室性能的主要參數(shù)，其計算式為：

(3)

式中：f為燃料空氣比；λ為1 kg燃料對應(yīng)的實際控制量。

開始點火后，當(dāng)燃料空氣比處于正常狀態(tài)時，燃?xì)廨啓C啟動正常。當(dāng)燃料空氣比低于正常范圍時，極易發(fā)生點火失敗。所以，在啟動故障診斷過程中，需要計算燃料空氣比，并將其與實際啟動工程相比較，從而確定故障狀態(tài)。

1.3 DBN診斷模型設(shè)計

本文以DBN結(jié)構(gòu)為基礎(chǔ)，構(gòu)建故障診斷模型。DBN屬于非監(jiān)督深層網(wǎng)絡(luò)結(jié)構(gòu)，由多個徑向基網(wǎng)絡(luò)(radial basis network，RBN)共同組成。每個RBN由可視層與隱含層2部分組成。1個RBM包含的能量計算式為：

(4)

式中：E為RBN能量值；v為網(wǎng)絡(luò)可視層結(jié)構(gòu)；h為網(wǎng)絡(luò)隱含層結(jié)構(gòu)；i、j為網(wǎng)絡(luò)神經(jīng)元；ci為可視層偏置量；bj為隱含層偏置量；ω為神經(jīng)元連接權(quán)重；vi為可視層神經(jīng)元狀態(tài)；hj為隱含層神經(jīng)元狀態(tài)；θ為RBN的結(jié)構(gòu)參數(shù)；V為可視層神經(jīng)元總數(shù)；H為隱含層神經(jīng)元總數(shù)。

RBN中，可視層和隱含層內(nèi)的神經(jīng)元均處于獨立狀態(tài)。當(dāng)隱含層狀態(tài)確定后，可視層神經(jīng)元激活概率計算式為：

(5)

式中：P為激活概率；φ為sigmoid激活函數(shù)。

反之，可視層神經(jīng)元狀態(tài)確定后，隱含層激活概率為：

(6)

式(5)與式(6)分別為逆向?qū)W習(xí)和正向?qū)W習(xí)。學(xué)習(xí)過程中，連接權(quán)重值更新式為：

Δωij=α[O(vihj)-G(vihj)]

(7)

式中：α為學(xué)習(xí)率；O為網(wǎng)絡(luò)訓(xùn)練目標(biāo)；G為訓(xùn)練模型輸出結(jié)果。

本文設(shè)計的診斷模型由3個RBN組成。包含3個RBN的DBN結(jié)構(gòu)如圖2所示。

圖2 包含3個RBN的DBN結(jié)構(gòu)圖

圖2中：有色節(jié)點為輸入層和輸出層的神經(jīng)元；無色節(jié)點為隱含層1～3的神經(jīng)元。

利用圖2所示的DBN結(jié)構(gòu)進行燃?xì)廨啓C啟動過程故障診斷，主要包含以下2個操作步驟。首先是非監(jiān)督式學(xué)習(xí)，通過輸入層、隱含層、輸出層3個環(huán)節(jié)完成每個RBN的訓(xùn)練，獲取深度信念網(wǎng)絡(luò)初始結(jié)構(gòu)參數(shù)[11]。其次是采用監(jiān)督式反向?qū)W習(xí)模式，合理調(diào)整DBN結(jié)構(gòu)參數(shù)[12]。RBN通過獨立訓(xùn)練生成最優(yōu)化參數(shù)，計算式為：

(8)

式中：M為染色體個數(shù)。

結(jié)合對比散度生成連接權(quán)重、可視層偏置量、隱含層偏置量更新條件：

(9)

式中：ε為對比散度。

RBN訓(xùn)練結(jié)束后，通過反向微調(diào)優(yōu)化結(jié)構(gòu)參數(shù)，實現(xiàn)故障診斷模型的訓(xùn)練誤差降低。訓(xùn)練誤差計算式為：

(10)

式中：μ為訓(xùn)練誤差；L為訓(xùn)練樣本；Y為分類器輸出。

根據(jù)式(10)計算結(jié)果，將訓(xùn)練誤差與訓(xùn)練誤差預(yù)期要求作對比，不斷調(diào)整結(jié)構(gòu)參數(shù)，直到訓(xùn)練誤差滿足故障診斷要求。

1.4 啟動故障診斷實現(xiàn)

應(yīng)用上述診斷模型可以得到燃?xì)廨啓C啟動過程故障診斷結(jié)果。在實現(xiàn)過程中，考慮到局部最優(yōu)解現(xiàn)象的出現(xiàn)，因此建立以列文伯格-馬夸爾特(Levenberg-Marquardt,L-M)算法為核心的自適應(yīng)學(xué)習(xí)技術(shù)，去除DBN中誤差函數(shù)曲面上非最小誤差值節(jié)點。L-M算法的應(yīng)用結(jié)合了梯度法和高斯牛頓法，采用均方誤差充當(dāng)損失代價函數(shù)，得出誤差梯度：

ζ(θ)=J(θ)e(θ)

(11)

(12)

式中：a為雅克比矩陣行數(shù)；z為雅克比矩陣列數(shù)。

在L-M算法的基礎(chǔ)上，生成以下DBN結(jié)構(gòu)參數(shù)更新式：

θw+1=θw-JwIw

(13)

式中：w為迭代次數(shù)；Jw為以網(wǎng)絡(luò)學(xué)習(xí)誤差函數(shù)為核心的迭代雅克比矩陣；Iw為迭代誤差向量。

通過上述操作，可降低故障診斷結(jié)果錯誤率，獲取高精度燃?xì)廨啓C啟動過程故障診斷結(jié)果。

2 試驗

為了驗證本文設(shè)計方法的應(yīng)用效果，通過試驗的方式得到燃?xì)廨啓C啟動過程故障診斷結(jié)果?？紤]到燃?xì)廨啓C結(jié)構(gòu)較為復(fù)雜，產(chǎn)生啟動故障的原因多種多樣，本文采用MATLAB工具開發(fā)試驗環(huán)境，驗證本文設(shè)計診斷方法的有效性。

2.1 試驗樣本選取

為了維護燃?xì)廨啓C啟動正常，氣路截面壓力、燃機轉(zhuǎn)速等多種參數(shù)的監(jiān)控是不可或缺的。本文按照參數(shù)表征性和冗余性選取試驗樣本，確定排氣溫度、電機電流、燃機轉(zhuǎn)速和電機轉(zhuǎn)速這4種參數(shù)類型。同時，每種參數(shù)選擇部分正常數(shù)據(jù)和小部分故障數(shù)據(jù)，匯總形成試驗樣本，作為故障診斷方法測試的數(shù)據(jù)基礎(chǔ)。上述4種參數(shù)采集過程中，以啟動過程中某一時刻為參考，分析相同時刻不同參數(shù)值，生成啟動過程的特征向量。

參數(shù)樣本分布如圖3所示。

圖3 參數(shù)樣本分布圖

圖3中，每個參數(shù)的分布均處于均勻狀態(tài)，表明試驗樣本具有較強的表征性。

2.2 診斷模型參數(shù)設(shè)置

本文設(shè)計的故障診斷方法以DBN為基礎(chǔ)，所以網(wǎng)絡(luò)診斷模型參數(shù)的研究是試驗進行的前提。根據(jù)本文設(shè)計可知，堆疊3個RBN單元構(gòu)成整體故障診斷模型。為了確定DBN模型的具體結(jié)構(gòu)，分析隱含層節(jié)點數(shù)量發(fā)生變化時，不同隱含層節(jié)點個數(shù)對應(yīng)的訓(xùn)練誤差如圖4所示。由圖4可知： RBN1、RBN2和RBN3的隱含層節(jié)點分別為93個、43個和19個時，訓(xùn)練誤差最小。

圖4 不同隱含層節(jié)點個數(shù)對應(yīng)的訓(xùn)練誤差

根據(jù)上述得出的最優(yōu)隱含層節(jié)點數(shù)量，構(gòu)建如圖5所示的DBN故障診斷模型。

圖5 DBN故障診斷模型

DBN參數(shù)配置如表1所示。

表1 DBN參數(shù)配置

除了上述參數(shù)外，本文按照標(biāo)準(zhǔn)DBN學(xué)習(xí)特點，將初始學(xué)習(xí)率設(shè)置為0.6。診斷模型參數(shù)設(shè)置完成后，將試驗樣本應(yīng)用于模型中，獲取燃?xì)廨啓C啟動過程故障診斷結(jié)果。

2.3 故障診斷結(jié)果對比

為了加強試驗結(jié)果的真實性，將試驗數(shù)據(jù)集分別應(yīng)用于本文方法、CGABC-SVM故障診斷方法以及深度學(xué)習(xí)與信息融合診斷方法中，并將不同方法的識別結(jié)果以混淆矩陣的形式表現(xiàn)出來。

不同方法診斷結(jié)果的混淆矩陣如圖6所示。

圖6 不同方法診斷結(jié)果的混淆矩陣

(14)

式中:eerror為平均故障診斷錯誤率;R為識別誤差樣本數(shù);N為樣本總數(shù)。

由式(14)可知，本文設(shè)計方法的平均故障診斷錯誤率為3.3%，相比其他方法將平均故障診斷錯誤率降低了28.7%、37.0%。綜上所述，本文設(shè)計的故障診斷方法有效提升了燃?xì)廨啓C啟動過程故障診斷結(jié)果的準(zhǔn)確性。

3 結(jié)論

本文針對燃?xì)廨啓C啟動故障進行研究，提出以DBN結(jié)構(gòu)為核心的燃?xì)廨啓C啟動故障診斷方法。該方法選取排氣溫度、電機電流、燃機轉(zhuǎn)速和電機轉(zhuǎn)速這4種參數(shù)類型作為樣本數(shù)據(jù)和特征數(shù)據(jù)，構(gòu)建啟動過程的特征向量。通過分析不同隱含層節(jié)點數(shù)量的訓(xùn)練誤差波動情況，確定了DBN的最優(yōu)參數(shù)配置，構(gòu)建了DBN燃?xì)廨啓C啟動故障診斷模型。經(jīng)由模型得出的故障診斷試驗結(jié)果可知，本文設(shè)計方法的平均故障診斷錯誤率為3.3%，相比CGABC-SVM故障診斷方法以及深度學(xué)習(xí)與信息融合診斷方法，本文提出的DBN模型將平均故障診斷錯誤率降低了28.7%、37.0%，有效提升了燃?xì)廨啓C啟動過程故障診斷結(jié)果的準(zhǔn)確性。

針對本文中所提出的診斷方法需要注意的一點是，該方法得出的故障診斷結(jié)果對于未出現(xiàn)過的故障類型還無法識別。此外，DBN的結(jié)構(gòu)調(diào)整一定程度上依賴于人為經(jīng)驗。這些問題都將是未來主要研究方向。