基于高斯混合模型的汽輪機轉軸故障診斷方法

羅嬋純，李德忠，楊柳，胡蓉，任資龍，謝小鵬，向春波

(1.大唐華銀攸縣能源有限公司，湖南 株洲 412307； 2.湖南大唐先一科技有限公司，長沙 410007)

基于高斯混合模型的汽輪機轉軸故障診斷方法

羅嬋純1，李德忠2，楊柳2，胡蓉2，任資龍2，謝小鵬2，向春波2

(1.大唐華銀攸縣能源有限公司，湖南 株洲 412307； 2.湖南大唐先一科技有限公司，長沙 410007)

基于K均值聚類算法與高斯混合模型，通過對某電廠320 MW機組歷史運行數據的訓練，建立汽輪機轉軸的高斯混合模型，計算實時狀態信息與模型中各工況中期望值的相似度，進行工況隸屬分類，再結合汽輪機轉軸故障征兆知識庫中的故障模式進行故障類型匹配，最終實現了汽輪機轉軸的故障診斷。

汽輪機轉軸；高斯混合模型；K均值聚類算法；故障診斷

0 引言

汽輪機是發電系統的重要設備，復雜的設備結構和特殊的運行環境使其非常容易發生異常振動等故障，給電力系統的正常運行造成不利的影響。因此，加強對汽輪機故障診斷技術的研究，對于提高電力系統的運行效率和供電質量具有重要的現實意義[1]。

智能故障診斷技術主要原理是利用人工智能技術來實現實時故障診斷，是未來的診斷發展方向。智能故障診斷方法目前有多種，其中應用較廣、學者比較認可的有專家系統、神經網絡以及支持向量機方法等[2-6]。神經網絡具有很好的泛化能力，容錯性較高，但是神經網絡算法采用的是經驗風險最小化原則，容易陷入局部極小點，而且收斂速度慢，網絡結構復雜[7]。高斯混合模型是一種半參數的密度估計方法，它融合了參數估計法和非參數估計法的優點，不局限于特定的概率密度函數形式，模型的復雜度僅與所研究問題的復雜度有關，與樣本集合的大小無關[8]。因此，本文采用混合高斯模型進行汽輪機轉軸故障診斷[9-10]。

1 高斯混合模型

假設x∈RD(D為向量x的維度)是來自多工況過程的歷史數據，其概率密度函數可以用高斯混合表示為[11]

式中：K為高斯分量的數目；ωk為第k個高斯分量的權重；μk，∑k分別為局部高斯模型的均值和協方差；g(x|μk,∑k)為第k個高斯分量的多元高斯密度函數，由下式表示

(1)E-step。

式中：p(s)(Ck|xi)為第s次迭代后第i個訓練樣本xi屬于第k個高斯分量的后驗概率。

(2)M-step。

在得到高斯混合模型的數學求解結果后，計算機基于EM算法不斷求解迭代可以得到各個模型參數。在現場得到的實時數據將與高斯混合模型中的

M個模型期望值進行相似度比較，相似度最高的聚類中心將作為實時數據的期望值。

對于2個d維數據(a1，a2，…，ad),(b1，b2，…，bd)，相似度計算公式如下。

2 汽輪機轉軸故障診斷的實現

本文選取某電廠320 MW機組的高壓主蒸汽溫度、再熱蒸汽溫度、轉速、軸承回油溫度等47個測點值作為特征參數輸入，選取合適的步長，將該電廠某機組1 a的歷史數據共8 700條作為樣本數據進行訓練，基于K均值聚類和高斯混合模型，建立汽輪機轉軸工況分類模型，具體步驟如圖1所示。

圖1 高斯混合模型聚類流程

(1)選取反映設備狀態的特征參數、環境參數、工況參數作為設備預警監測模型參數。

(2)確定時間步長，從實時數據庫選取設備最近一年的運行數據，建立設備預警模型的原始訓練樣本數據。

(3)清除不滿足設備運行模式的數據，按時間順序對樣本數據中的異常樣本點進行查找并重構，形成訓練樣本。

(4)采用K均值聚類分析方法對步驟(3)的訓練樣本進行初步聚類分析，初步分類的結果作為輸入參數再次對訓練樣本進行聚類分析。聚類后產生代表整個樣本的訓練矩陣，訓練矩陣中每條行向量代表選定歷史樣本中某個典型的工況信息。

(5)從火電廠分散控制系統(DCS)中采集設備預警模型測點的實時數據，計算實時數據與訓練矩陣中各狀態向量的歐氏距離，生成相似關系矩陣。根據相似關系表計算出實時數據與訓練矩陣各向量的隸屬度矩陣，通過隸屬度矩陣和高斯矩陣的點積計算得到與實時數據對應的期望值。

(6)實時數據與步驟(5)產生的期望值進行相似度計算，當相似度值小于設定的最小相似度且連續超過一定時間時，預警值觸發。

3 故障征兆知識庫

汽輪機轉軸故障診斷的目的是預測汽輪機轉軸的早期故障并安排運行人員及時排除，其基本方法是：收集汽輪機轉軸的各種故障集和征兆集，通過大量的真實數據訓練形成一個知識庫，當監測汽輪機的運行參數出現征兆集中對應的某些征兆時，就可以判斷為相應的故障。本文針對某電廠320 MW機組汽輪機轉軸的特性，確定了9個典型故障類型，訓練樣本的知識庫見表1(表中：1表示特征參數數據異常，0表示正常)。

表中的列為特征參數：(1)轉速值；(2)低壓缸排汽溫度(發電機端)；(3)低壓缸排汽溫度(調速器端)；(4)冷油器出口油溫；(5)轉子偏心；(6)差脹；(7)#1軸承振動(X向)；(8)#1軸承轉子振動(Y向)；(9)#1軸承金屬溫度1；(10)#1軸承金屬溫度2；(11)#1軸承瓦振；(12)汽機#1軸承回油溫度；(13)#2軸承振動(X向)；(14)#2軸承轉子振動(Y向)；(15)#2軸承金屬溫度；(16)#2軸承瓦振；(17)汽機#2軸承回油溫度；(18)#3軸承振動(X向)；(19)#3軸承轉子振動(Y向)；(20)#3軸承金屬溫度1；(21)#3軸承金屬溫度2；(22)#3軸承瓦振；(23)汽機#3軸承回油溫度；(24)#4軸承振動(X向)；(25)#4軸承轉子振動(Y向) ；(26)#4軸承金屬溫度1；(27)#4軸承金屬溫度2；(28)#4軸承瓦振；(29)汽機#4軸承回油溫度；(30)#5軸承金屬溫度1；(31)#5軸承金屬溫度2；(32)#5軸承振動(X向)；(33)#5軸承轉子振動(Y向)；(34)#5軸承瓦振；(35)汽機#5軸承回油溫度；(36)#6軸承金屬溫度1；(37)#6軸承金屬溫度2；(38)#6軸承振動(X向)；(39)#6軸承轉子振動(Y向)；(40)#6軸承瓦振；(41)汽機#6軸承回油溫度；(42)汽機后推力軸承回油溫度；(43)汽機前推力軸承回油溫度；(44)汽機軸位移1；(45)汽機軸位移2；(46)汽機軸位移3；(47)汽機軸位移4。

表1 汽輪機轉軸故障模式知識庫

表中的行為征兆集：(1)排汽溫度高；(2)#1軸承異常；(3)#2軸承異常；(4)#3軸承異常；(5)#4軸承異常；(6)#5軸承異常；(7)#6軸承異常；(8)推力軸承異常；(9)潤滑油冷油器管路阻塞，冷卻水流量低，冷油器內部傳熱問題，潤滑油品質問題。

4 故障診斷流程及方法

故障診斷的大致步驟為：先確定汽輪機轉軸故障征兆知識庫，然后對健康樣本數據進行訓練，建立設備故障診斷的高斯混合模型，再將從DCS上采集的實時狀態信息與高斯混合模型中各聚類中心進行相似度比較，選擇相似度最大的一類進行隸屬分類；與高斯混合模型中得到的相似度閥值進行比較，判斷實時狀態是否異常，若異常，則計算狀態信息與汽輪機轉軸故障模式知識庫中各故障模式的匹配度，選擇匹配度最高的一類故障，根據預先設定的匹配度限值來確定故障類型，如果不滿足所有故障類型，則輸出為疑似故障，最終由相關專業人員進行故障分析，將其加入故障征兆知識庫或定義為正常狀態。具體流程如圖2所示。

圖2 汽輪機轉軸故障診斷軟件流程

圖3、圖4展示了汽輪機轉軸工況相似度與相似度閥值隨時間的變化趨勢，以及某一時刻狀態信息中的特征值與高斯混合模型中期望值的相似度，當設備狀態相似度低于相似度限值時，系統將出現告警并進一步進行故障類型診斷。柱狀圖為某一時刻單個特征值與期望值的相似度，當相似度大于相似度閥值，則將特征值的狀態置為1，反之置為0，然后將所有特征值的狀態構造成向量，與汽輪機轉軸故障征兆知識庫進行匹配度計算，選擇匹配度最大的一類，從而實現汽輪機轉軸的故障診斷。

圖3 工況相似度變化趨勢

圖4 參數相似度柱狀圖

5 結論

本文研究了基于K均值聚類和高斯混合模型的汽輪機轉軸故障診斷方法，選取反映設備狀態的特征參數、環境參數、工況參數作為設備預警監測模型參數，進行汽輪機轉軸故障診斷的建模，取得了期望的診斷效果，實現了火電廠汽輪機轉軸的故障診斷。模型所采用的數據是針對某電廠320 MW機組汽輪機轉軸建立的，對于后期汽輪機轉軸故障診斷系統的不斷擴充，該知識庫仍需要完善，但可以作為同型號汽輪機轉軸故障診斷的依據及研究參考。

[1]王波.汽輪機故障診斷技術探討[J].機電信息,2014(15):102-103.

[2]郭海峰.汽輪機轉子典型振動故障診斷模型訓練系統[J].應用能源技術,2016(11)：4-5.

[3]董文斌. 一種基于SVM的汽輪機故障診斷方法[J].信息系統工程,2016(7):104,106.

[4]羅綿輝,梁嘯.小波包分析及高斯混合模型在汽輪機振動故障診斷中的應用[J].華電技術,2008,30(12):21-23.

[5]陳遠帆,李舜酩.基于高斯混合模型與改進網格搜索法的軸承故障診斷[J].重慶理工大學學報(自然科學版),2016,30(3):34-39.

[6]楊宇,于德介,程軍圣.基于EMD與神經網絡的滾動軸承故障診斷方法[J].振動與沖擊,2005,24(1):85-88.

[7]LI B,CHOW M Y,TIPSUWAN Y,et al.Neural-network-based motor rolling bearing fault diagnosis[J].IEEE transactions on industrial electronics，2000,47(5):1060-1069.

[8]BISHOP C M.Neural networks for pattern recognition[M].New York:Oxford University Press,1996.

[9]孫賢昌,田學民,張妮.一種基于GMM的多工況過程故障診斷方法[J].計算機與應用化學,2014,31(1)：33-39.

[10]李元,孫健.基于高斯混合模型和變量重構組合法的故障診斷與分離[J].南京航空航天大學學報,2011，43(S1)：207-210.

[11]YU J,QIN S J.Multimode process monitoring with bayesian inference-based finite gaussian mixture models[J].Aiche journal,2008,54(7):1811-1829.

TK 268

A

1674-1951(2017)10-0006-04

2017-03-06；

2017-10-11

(本文責編：劉芳)

羅嬋純(1990—)，女，湖南攸縣人，工程師，從事電廠熱工控制工作(E-mail:704270770@qq.com)。