基于獨立成分分析的汽輪機狀態監測方法

劉海軍 邢友文 菅云峰 張恒遠 畢肇駿

摘 ? 要：現代汽輪機由于結構緊湊，復雜，運行工況惡劣，導致傳統的監測手段無法準確地反映設備的運行狀態。傳感器由于各個部件之間的耦合影響導致采樣數據不穩定、不確定，也不能及時反映該部件的運行狀態。因此，基于變工況條件下的實際運行問題，本文提出了基于獨立成分分析的汽輪機狀態監測方法。該方法能夠將各個部件之間的互相影響進行分離，從而得到定義該部件運行的穩定狀態參數。經過實驗對比，發現利用經過獨立成分分析的數據進行狀態監測和異常檢測，其模型誤差要比利用原始數據的誤差小30%。因此，該方法針對大型變工況汽輪機的狀態監測具有很大的實際指導意義。

關鍵詞：獨立成分分析 ?異常檢測 ?神經網絡 ?汽輪機狀態監測

中圖分類號：TP277 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2019）02（a）-0094-02

汽輪機狀態監測由來已久，目前主要的監測主要包括振動監測、燃燒監測、通流部分效率監測、回熱系統監測等。由于火力發電是由包含鍋爐、汽輪機、發電機和輔機組成的整體，單個設備或者部件的狀態受其他部件的影響很大，尤其當處于調峰狀態時，這種影響會更加明顯，從而導致監測結果不能實際反映設備或者部件真實的運行狀態。為了解決這一問題，本文引入獨立成分分析（ICA）這一技術解決目前存在的難題。獨立成分分析（Independent Component Analysis）已經成為近年來神經網絡、高級統計學和信號處理學領域最令人振奮的主題之一。ICA源于對客觀物理世界的抽象，它能夠快速有效的解決很多問題。本文中，汽輪機各個部件觀測變量的耦合可以通過ICA進行解耦。

最先提出獨立成分分析（以下簡稱ICA）技術的是J.Herault，C.Jutten和B.Ans， J.F.Gardoso和P.como在1989年召開的高階譜分析的國際會議上發表了ICA方面早期的文章。J.F.Gardoso使用代數方法，特別是高階累積張量，最終形成了JADE算法。之后，20世紀80年代科學家的工作被一些研究者進一步擴展。A.Cich300ocki和R.Unbehauen首先提出了基于神經網絡和粗糙學習的ICA算法。

1 ?獨立成分分析原理

由于ICA模型的估計本身就比較困難，所以本章的ICA模型的分析和實驗不引入噪聲項。實際上，在汽輪機數據分析中，噪聲項一般是服從高斯分布的，即使建立了帶噪聲的ICA模型，也很難將噪聲估計出來。目前有多種手段可以對ICA模型進行估計，本文采取的方法是極大化非高斯性的ICA估計方法。

2 ?實驗設計與結果分析

類似于“盲源分離”問題，本文研究的目的是尋找影響汽輪機運行狀態的獨立分量，數據來自于某電廠的東汽330MW亞臨界機組，除此之外，我們并沒有更多的信息有助于汽輪輪機運行狀態的獨立變量分離。ICA算法是尋找系統中特征之間的獨立分量。特征之間的不獨立（嚴格意義上說存在相關性）意味著一個特征可以由其他特征進行線性或非線性表出，這就說明，這個特征對于一個決策系統來說是冗余的，因為此特征所具備的全部信息都可由其他特征表示。

本文根據ICA理論，利用MATLAB的FastICA工具箱進行實驗。利用FastICA算法設計汽輪機數據獨立成分分析的實驗，分析了在選擇不同獨立分量的數目時模型輸出的不同，并利用獨立分量進行汽輪機效率下降的預測診斷，并通過對原始數據進行診斷的效果進行對比。

2.1 基于FastICA的汽輪機數據獨立成分分析

汽輪機原始數據是從SIS系統中導出，時間為2016年1月1日至2月1日，原始數據包含汽水系統的所有測點。在實驗中，一共47個測點為觀測輸入到ICA模型中。每次通過FastICA迭代只能求出一個獨立成分，若要估計多個獨立成分，可以設置多元初始向量進行循環迭代。同時，為了避免避免不同向量收斂到同一個極值點，要在每次迭代后將進行正交化，最終可以得到n個不同的獨立成分。

實驗設計中存在的另一個問題是：有多少個獨立成分需要估計？因為汽輪機運行狀態的影響因素并不確定，其中蘊涵的獨立分量也不明確，所以在實驗中需要經過一番探索，才能找到獨立分量的個數。實驗的一個基本思路是：逐個假設獨立成分的個數，直到迭代最終出現多個向量收斂于一個極值點，表明獨立成分已經全部估計出來了。

2.2 實驗結果與分析

實驗結果首先分析了當設置不同的獨立成分時模型的輸出，尋找到影響汽輪機運行狀態的獨立因素;然后將估計出的主成分對汽輪機進行效率擬合，最后利用擬合模型和利用原始數據計算汽輪機內效率的模型進行對比。

由于影響汽輪機系統運行的獨立成分個數并不清楚，實驗中采用逐個添加初始向量的方法尋找獨立成分的個數。實驗發現，當i>6時，估計出的獨立成分開始發生重復。

經過ICA分析后，本文進一步將獨立成分對汽輪機高中壓缸效率進行擬合，并利用擬合模型對效率進行監測。同時也利用傳統方法對汽輪機效率進行監測，比較兩種情況下效率的變化情況和實際操作記錄中的故障案例進行對比。擬合模型采用MATLAB神經網絡工具包，輸入維度為6，隱含層3層，目標輸出為高壓缸效率。

分別利用ICA得到的參數和原始觀測參數建立效率監測模型，然后利用兩個模型對測試數據效果的對比來分析兩種模型的精確度。