基于模型與數據混合驅動的燃氣輪機氣路故障診斷方法

靳堯飛，應雨龍，李靖超，周宏宇

（1.上海電力大學能源與機械工程學院，上海 200090；2.上海電機學院電子信息學院，上海 201306）

燃氣輪機是一種內燃機，其使用連續流動的氣體作為工質來驅動葉輪高速旋轉，并將燃料的化學能轉化為有用功。燃氣輪機在運行過程中，除了要承受機組內部高溫、高壓、高轉速、高機械應力和熱應力等惡劣的工作條件外，還可能遭受周圍污染的環境影響。隨著燃氣輪機運行時間的增加，其主要部件（例如壓氣機、燃燒室和透平）會發生各種性能衰退或損傷的情況，例如積垢、泄漏、腐蝕、熱畸變、內物損傷等，并且可能會導致各種嚴重故障的發生[1]。

當前，國內外電廠燃氣輪機的日常維修策略通常采用預防性維修保養，即通常根據燃氣輪機制造商提供的當量運行小時數（EOH）來確定是否需要進行小修、中修或者大修[2]。從用戶角度出發，無論是在計劃內還是計劃外，燃氣輪機停機檢修始終意味著高昂的運維成本。為了使燃氣輪機能夠穩定、高效、經濟地運行，同時最大程度地延長使用壽命并減少運維成本，燃氣輪機用戶需要根據燃氣輪機的實際性能和健康狀況采取相應的維修策略，例如通過監測、診斷和預測的手段根據機組實際情況制定相應的維修策略，即采用視情維修。氣路分析（GPA）就是這樣一種技術手段，可針對正在演變的或即將發生的惡化情況發出預警信息[3]。

目前，根據燃氣輪機故障診斷機理，氣路分析方法可分為基于熱力模型決策的氣路診斷方法[4]和基于數據驅動的人工智能診斷方法[5]。燃氣輪機的性能和健康狀態通常可以由主要通流部件的健康參數表示，例如壓氣機和透平的流量特性指數（表征部件通流能力）和效率特性指數（表征部件運行效率）以及燃燒室的燃燒效率特性指數[6]。但是，這些重要的健康狀態信息無法直接測量得到，因此不容易對其進行監測和診斷。在燃氣輪機運行過程中，當某些部件發生性能衰退或損傷時，部件的內在性能參數（如壓比、質量流量、等熵效率等）將會發生變化，并導致外部氣路可測參數（如溫度、壓力、轉速等）變化。因此，基于熱力模型決策的燃氣輪機氣路故障診斷是一個逆求解的數學過程，其中通過熱力耦合關系從壓氣機的氣路可測參數中求解得到部件性能參數，然后進一步獲得部件氣路健康參數，用于評估機組總體性能的健康狀況[7]。

基于熱力模型決策的氣路診斷方法的特點是不需要累積部件故障數據樣本集，并且可以對診斷結果進行量化，進一步獲得詳細的診斷信息。根據使用的熱力模型的復雜性，基于熱力模型決策的氣路診斷方法可以進一步分為小偏差線性化診斷方法[8]和非線性診斷方法[9]。由于小偏差線性化診斷方法的診斷準確性在受到邊界條件（環境條件和操作條件）和傳感器測量噪聲的干擾時會產生極大的影響，因此非線性診斷方法一直以來是研究的主流。非線性氣路診斷方法的驅動求解算法主要包括局部優化算法（如Newton-Raphson 算法[10]和卡爾曼濾波算法[11]）和全局優化算法（如粒子濾波算法[12]或遺傳算法[13]）。為了解決由熱力系統線性化引起的診斷可靠性低的內在問題，以及診斷精度對傳感器測量噪聲和偏差敏感的問題，學者們進行了較多改進[14-15]。但是，當燃氣輪機電廠中部署上述非線性氣路診斷方法時，實際上存在以下3 個難點：

1）當前的燃氣輪機正向熱力學計算（即燃氣輪機性能模擬）具有很高的準確性和可靠性。然而，燃氣輪機逆向熱力學計算（即基于熱力模型決策的氣路故障診斷）的準確性和可靠性尚待實際工程檢驗，目前主要還停留在理論測試階段。

2）目前我國大多數燃氣輪機電廠都是調峰電廠。燃氣輪機經常在非設計條件下運行，例如頻繁動態加減載、快速啟停等瞬態變工況下，這很容易導致在實時監測診斷過程中出現算法發散現象。

3）對于燃氣輪機用戶而言，另一個實際問題是用戶通常不具備燃氣輪機熱力建模技術，更無法實現基于熱力模型決策的燃氣輪機氣路故障診斷技術。

對于數據驅動的人工智能診斷方法，例如神經網絡[16-17]、貝葉斯網絡、模糊邏輯[18-19]、支持向量機[20]和粗糙集理論等，通常需要建立現有部件的故障數據樣本集。而對于故障數據樣本集中不涉及的故障類型，這些方法很難給出準確的診斷結果。

對于新投運的燃氣輪機，通常存在標記故障數據樣本少和故障數據樣本不平衡的問題。首先，在故障診斷過程中獲得的信息通常是不完整的。傳統的機器學習算法通常需要大量標記的數據樣本作為訓練集，但在實際情況下，需要手動標記大量的數據樣本，這會產生極大的人力和時間成本。因此如何利用專家技術和知識進一步來標記高質量的數據樣本，以及如何利用系統智能來篩選出更多的高價值標記的數據樣本，也是一個值得討論的問題。其次，不同類型故障的發生頻率不一致。由于原始數據類別的不平衡，模型的學習將偏向具有大量樣本的類別。在實際的故障分類過程中，模型的偏差將導致系統忽略少量樣本的特征，因此，需要更加注意少量故障樣本的分類。如何通過場景生成和數據增強等技術手段來獲取大量有價值的標記數據樣本，需要進一步研究。上述問題限制了傳統的數據驅動型人工智能診斷技術的應用。

本文結合基于熱力模型和數據驅動的氣路故障診斷方法的優缺點，提出了一種模型與數據混合驅動的燃氣輪機氣路故障診斷方法，通過基于自適應熱力建模策略構建的燃氣輪機熱力模型獲得包含不同故障類型的數據集，再利用深度學習進行回歸建模，得到燃氣輪機氣路故障診斷模型，通過已訓練的診斷模型來實時診斷輸出各氣路部件的健康參數向量。通過仿真實驗表明，通過本文所提出的方法，可以準確地得到各個通流部件量化的健康參數。

1 模型與數據混合驅動的氣路故障診斷方法

針對上述燃氣輪機存在的氣路診斷問題，結合基于熱力模型和數據驅動的氣路故障診斷方法的優缺點，用燃氣輪機部件健康參數作為機組健康狀況的評價指標（各部件健康參數見表1），提出了一種基于模型與數據混合驅動的燃氣輪機氣路故障診斷方法，如圖1所示。

表1 燃氣輪機部件健康參數Tab.1 Health parameters of the gas turbine component

圖1 基于模型與數據混合驅動的燃氣輪機氣路故障診斷方法Fig.1 A gas path fault diagnosis method for gas turbine based on model and data hybrid drive

具體診斷步驟如下：

1）基于氣路可測參數、部件特性線的自適應熱力建模策略[21]，建立待診斷對象的燃氣輪機熱力模型。將該燃氣輪機熱力模型用作模擬各種氣路故障的基準模型。

2）根據不同的通流部件故障類型以及燃氣輪機所處的氣候條件和操作條件，通過設置不同的模型入口邊界條件，模擬得到大量與部件健康參數、燃氣輪機邊界條件參數和氣路可測參數相對應的知識數據。基于該基準模型的部件健康參數值和不同的邊界條件，生成1 個數據集（知識數據庫），如圖2所示。該數據集中的部件健康參數向量與邊界條件參數和氣路可測參數向量之間具有一一對應的關系。

圖2 知識數據庫的生成Fig.2 The generation of knowledge database

4）訓練完成的深度學習模型被部署到相應的燃氣輪機電廠。當燃氣輪機運行時，根據燃氣輪機實際的入口邊界條件參數和氣路可測參數，訓練后的診斷模型將實時診斷出所述的各氣路部件健康參數。

基于氣路可測參數、部件特性線的自適應熱力建模策略構建的熱力模型具有高準確性和可靠性的特點[21]，通過該模型模擬得到的數據樣本更加符合實際。同時，在通過熱力模型模擬得到故障樣本數據集時，通過設置不同的部件健康參數和入口邊界條件準確地表征發生的故障類型，節省了標記數據的人力和時間成本，并且每種故障類型的樣本數量相同，避免了在模型訓練過程中因樣本數據不平衡而導致的模型偏差問題。以上所述，保證了本文中用于訓練深度學習網絡的數據集的質量。

通過本文提出的方法，可以準確且定量地得到各氣路部件的健康參數。

2 試驗結果與分析

以某重型燃氣輪機為研究對象，其詳細部件健康參數見表1，熱力學工作原理如圖3所示，詳細邊界條件參數和氣路可測參數見表2。

表2 燃氣輪機邊界條件參數和氣路可測參數Tab.2 The boundary condition parameters and gas-path measurable parameters of the gas turbine

圖3 重型燃氣輪機熱力學工作原理Fig.3 The thermodynamic working principle diagram of heavy-duty engine

不同氣路部件故障類型對部件健康參數和部件退化范圍的影響[22]見表3 和表4。

表3 各類氣路故障對部件流通能力與運行效率的影響[22]Tab.3 The effects of various component faulty modes on the component health parameters[22]

根據燃氣輪機的不同氣路部件故障類型（表3）、假設的氣候條件（圖4）和假設的運行條件（圖5），通過基于此基準模型設置不同的部件健康參數值（表4）和不同的模型入口邊界條件，模擬部件健康參數和燃氣輪機邊界條件參數以及氣路可測參數，可以得到分別對應的15 620 個知識數據樣本。

圖4 環境溫度變化Fig.4 Change of the ambient temperature

圖5 燃氣輪機負載變化Fig.5 Change of the gas turbine load

表4 常見部件故障以及組件退化范圍[22]Tab.4 The common component degradations and the range of component degradations[22]

為該知識數據庫的回歸建模設計深度學習模型，如圖6所示。

圖6 用于知識數據庫回歸建模的深度學習模型Fig.6 A deep learning model for regression modeling of the knowledge database

為了測試該方法的有效性，隨機選擇了12 496 個知識數據樣本來訓練深度學習模型，其余3 124 個知識數據樣本用于測試。將3 種常見的廣義回歸神經網絡（GRNN）、BP 神經網絡和RBF 神經網絡[23]作為對比的機器學習模型，這些方法的相對誤差如圖7—圖11所示，其均方根誤差見表5。

本文深度學習模型的結構見表6。

表6 深度神經網絡結構Tab.6 The structure of deep learning model

結合表5 和圖7—圖11 可以看出，與其他傳統機器學習模型相比，所提出的深度學習模型表現出了最佳的診斷準確性，并且深度學習模型的總體均方根誤差不超過0.033%，深度學習模型的最大相對誤差不超過0.36%，說明該方法具有很大的應用潛力。

圖11 透平效率特性指數ST,EF 的相對誤差Fig.11 The relative errors of turbine isentropic efficiency index ST,EF

表5 測試樣本的均方根誤差Tab.5 The root mean square errors of the test sample

圖7 壓氣機流量特性指數SC,FC 的相對誤差Fig.7 The relative errors of the compressor flow characteristic index SC,FC

圖8 壓氣機效率特性指數SC,EF 的相對誤差Fig.8 The relative errors of compressor isentropic efficiency index SC,EF

圖9 燃燒室效率特性指數SB,EF 的相對誤差Fig.9 The relative errors of combustion efficiency index SB,EF

圖10 透平流量特性指數ST,FC 的相對誤差Fig.10 The relative errors of turbine flow characterisitc index ST,FC

3 結論

1）針對上述燃氣輪機氣路故障診斷問題，結合基于熱力學模型和數據驅動的燃氣輪機氣路故障診斷方法的優缺點，提出了一種基于模型與數據混合驅動的燃氣輪機氣路故障診斷方法。與用于異常檢測或故障分類的傳統數據驅動的診斷方法不同，本文提出的方法可以準確并且定量地輸出所述的各氣路部件健康參數。

2）通過基準模型生成部件健康參數向量與邊界條件參數和氣路可測參數向量一一對應的數據集（知識數據庫），并利用深度學習進行回歸建模，訓練完成的模型無需任何燃氣輪機熱力建模技術即可讓燃氣輪機電廠用戶進行使用。

3）與其他傳統機器學習模型相比，提出的深度學習模型表現出最佳的診斷準確性，并且深度學習模型的總體均方根誤差不超過0.033%，最大相對誤差不超過0.36%，表明所提出的方法具有很大的應用潛力。