基于多元狀態評估與BP神經網絡的燃氣輪機故障預警研究

程逸雯

(江蘇大學,江蘇 鎮江 212013)

0 引言

燃氣輪機主要包含三大部件:壓氣機、燃燒室、燃氣透平。由于受高溫運行環境及頻繁啟停的影響,隨著運行時間的增加,燃機透平會產生不同程度的性能衰退和部件損傷,甚至會造成各種嚴重事故,產生巨量的經濟損失[1]。由于燃氣輪機結構的高度集成化和精密化,對燃氣透平進行診斷的直接手段有限,發現故障時往往已發展成嚴重故障。對燃氣輪機透平的異常工況進行預警,能夠在故障早期對設備進行檢修,避免重大事故發生,減少經濟損失。

目前,燃氣輪機的故障預警已有一定的研究。文獻[2]應用多元狀態估計方法(MSET)建立了壓氣機在正常運行狀態下的非參數模型,利用滑動窗口確定預警閾值,并通過仿真試驗進行了驗證。文獻[3]基于燃氣輪機的運行數據,采用MSET法建立了燃燒室在正常運行狀態下的預警模型,并引入了相似度函數,可以更早地發現設備的故障隱患。文獻[4]提出基于極端梯度提升和局部均值分解與核主元分析相結合的燃氣輪機轉子故障預警方法,利用轉子的振動數據建立預測模型,并通過案例進行了驗證。本文基于MSET方法對燃氣透平的故障預警進行研究,并同時采用BP(Back Propagation)神經網絡方法進行了預警效果對比。

1 常用故障預警技術

重型燃機燃氣透平的初溫很高,F級初溫約1 350 ℃,H級初溫約1 500 ℃,未來初溫可達1 600 ℃以上。在這種高溫下,常規的測溫技術早已不可用,生產廠家一般提供基于燃氣透平排氣分散度的燃燒保護系統進行在線故障監控,而實際應用中,當監控系統發出報警時,燃機熱通道部件往往已損壞嚴重。由于缺少高溫測量數據,對燃氣透平的故障預警一般都采用間接的數據分析方法進行。本文對常用的多元狀態估計方法和BP神經網絡方法進行介紹。

1.1 多元狀態估計方法(MSET)

多元狀態估計方法(MSET)首先由美國阿爾貢國家實驗室研究并應用于設備預警系統中,在核電廠信號驗證、儀表精度監控、組件運行失常等場景中得到了驗證[5-6]。MSET后來被田納西大學核能實驗室推廣為更一般的非線性狀態估計(Nonlinear State Estimation Technique,NSET)方法,并得到了廣泛應用。Smart Signal公司基于MSET專利開發了一種監測設備性能的技術,并于2014年獲得了中國專利[7]。

多元狀態估計(MSET)方法是將當前運行數據和已生成的歷史運行數據進行對比,計算多元狀態之間的相似度,從而進行故障預警的方法[5]?；贛SET的狀態估計基本流程[8]如圖1所示。

圖1 MSET多元狀態估計方法預警的基本流程

訓練數據K為正常運行狀態下,各個觀測參數(共n個)的觀測數據,用行向量表示某時刻所有觀測參數的值。生產系統中的歷史數據庫導出的數據集一般都用表格的一行來表示某時刻的測點值,索引為時間戳,故本文采用行向量,從而與實際數據集一致,且與其他文獻中采用列向量不同[8]。訓練集K必須包含系統全范圍的動態參數,包括穩定狀態和變工況狀態,但不能夠有故障數據在內。從某時間點開始的訓練數據K可以用下式表示為矩陣:

K=[X(t1),X(t2),…,X(tk)]T

(1)

X(ti)=[x1(ti),x2(ti),…,xn(ti)]T

(2)

從訓練矩陣K中,抽取一部分(d個)能夠代表系統運行狀態的數據,組成狀態矩陣D。狀態矩陣D是一個d×n的矩陣,其中d為其中所包含狀態的數量,n為觀測參數的個數。由抽取狀態組成的狀態矩陣可表示為:

(3)

訓練矩陣K中除去狀態矩陣D中的狀態數據后,余下部分便組成了剩余矩陣L((k-d)×n)。Xobs為系統當前觀測值形成的新觀測向量,對該觀測向量的估計向量Xest,通過狀態矩陣D和權值向量W的點積計算得出:

Xest=DT·W

(4)

權值向量W表征狀態估計向量和狀態矩陣間相似性測度的大小,取狀態估計向量Xest和觀測向量Xobs的殘差最小化如下:

minε2=min[(Xobs-DT·W)T·(Xobs-DT·W)]

(5)

式(5)的最小二乘解可表示為:

W=(D·DT)-1·(D·Xobs)

大多數系統的狀態數據間都會存在一定的相關性,而數據之間的相關性會導致矩陣不可逆,限制了權值向量W的求取。MSET方法利用基于相似性原理的相似性運算符?代替點積,通過計算數據狀態間的相似程度來表征其權值,解決了數據相關所造成的矩陣不可逆,如下所示:

W=(D?DT)-1·(D?Xobs)

(6)

從而,系統當前狀態估計向量和觀測向量的關系如下:

Xest=DT·(D?DT)-1·(D?Xobs)

(7)

基于正常數據的健康殘差可得到設備預警的殘差閾值。當計算出的實際殘差(向量的L2范數)大于殘差閾值時,觸發設備報警,同時可計算出造成報警的主要測點如下:

Sres=Xest-Xobs

(8)

ε=|Sres|

(9)

式(8)～(9)中:Sres為殘差向量;Xest為估計向量;Xobs為觀測向量;ε為殘差向量的L2范數。

1.2 BP神經網絡

BP神經網絡是1986年由Rumelhart和McClelland為首的科學家提出的概念,是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡[9],是20世紀末期神經網絡算法的核心,也是如今發展迅猛的深度學習算法的基礎。BP算法的基本思想是:學習過程由信號的正向傳播和誤差的反向傳播兩個過程組成,通過這兩個過程的反復迭代,對神經網絡各層的權值參數和偏置參數進行不斷調整,直到達到預先設定的訓練次數,或輸出誤差小于指定的閾值。

BP神經網絡應用于故障預警時,一般是基于大量的正常運行數據訓練網絡模型,基于得到的神經網絡模型和觀測向量的當前數據確定觀測向量的期望數據,當觀測數據和期望數據的殘差超出了設定的閾值后觸發報警,同時給出形成殘差的主要測點。與MSET方法相比,除了模型不同,預警的思路是一致的。BP神經網絡故障預警的基本流程如圖2所示,變量命名和MSET方法保持一致。

圖2 BP神經網絡預警基本流程

2 燃氣輪機透平故障實例

某聯合循環機組(GE的9FA燃氣輪機),在2022年9月揭缸檢修時發現透平末級動葉出現長度超過5.08 cm(2英寸)的不規則缺口,修復成本巨大。而在之前的運行過程中,運行人員并未觀察到特別的異常情況;如果在動葉出現初期裂紋時能及時發現,則可避免故障范圍的擴大和經濟損失的大量增加。通過對檢修前1年多的歷史數據進行分析,可以大概推斷出現初期故障的可能時間。

該廠已實施了SIS、MIS等信息化系統,從實時數據庫中導出燃機相關測點2021年7月至2022年8月的歷史數據,保存到CSV文件中,然后進行數據分析。首先對機組的歷史數據進行清洗,刪除停機期間和啟停機過程中的數據,僅保留機組正常運行期間的數據,再刪除由于采集系統故障造成的錯誤數據(比如部分測點在燃機運行期間,出現了極少數的0值)。

該燃機部分月份的發電功率-透平排氣壓力曲線如圖3所示。燃機的功率與透平排氣壓力正常情況下應該呈現出比較規則的線性關系,如圖3中從2021年7月至2022年1月的曲線。但是從2022年3月開始,曲線形狀有了較大變化,出現少量與主體變化不一致的異常點,曲線形狀也變得不規則了。運行人員根據運行經驗,也指出功率-透平排氣壓力曲線出現了異常。可以大體認定從2022年3月開始,燃機透平已出現故障(由于2022年2月燃機基本處于停機狀態,故不考慮2月)。

圖3 機組功率與透平排氣壓力關系的演化

3 燃氣透平數據分析

選取2021年7—12月的機組運行數據為正常運行數據建立模型,然后根據2022年1—8月的實際運行數據計算估計數據,并與實際數據進行對比,觀察殘差變化情況。測點選取機組功率、透平排氣壓力、透平排氣溫度3個測點。經數據清洗后,有效的訓練數據共379 843條記錄(數據采用周期是10 s),每條記錄包括1個時間戳和3個值,即機組功率、透平排氣壓力、透平排氣溫度3個測點同一時刻的值。

3.1 MSET方法

3.1.1 數據歸一化

采用最大值-最小值法,對數據進行歸一化處理,避免測點因取值工程范圍差異對殘差造成額外的影響:

(10)

式(10)中:x為測點歷史數據;xmin為測點歷史最小值;xmax為測點歷史最大值;xscaled為測點歸一化后歷史數據。

3.1.2 確定狀態矩陣

針對每一個測點,將(0,1)區間劃分為100等份,搜索與每個分隔點最接近的歷史記錄并保存,刪除重復記錄后,最終得到狀態矩陣,其測點數值分布如圖4所示,可以看出基本覆蓋了各個測點的整個變化區間。MSET方法要求狀態矩陣盡可能覆蓋所有的運行工況。

圖4 狀態矩陣中測點數值的分布

3.1.3 確定健康殘差及報警閾值

健康殘差取剩余矩陣(即除去狀態矩陣后的訓練集)中每個向量的估計值與原始值之差的L2范數,計算結果如圖5～6所示(曲線中的斜直線是因為對應時間停機,相關數據被清洗掉了)。圖5中功率測點的估計值和實際值比較吻合,差異很小;圖6顯示殘差的最大值為0.12。

圖5 燃機功率實際值與估計值對比

圖6 正常運行數據對應的殘差趨勢

根據經驗,報警閾值選取剩余矩陣最大殘差的1.3倍:

Ey=1.3Ev

(11)

式(11)中:Ey為殘差報警閾值;Ev為健康殘差最大值。

本案例中,健康殘差最大值為0.12,殘差報警閾值為0.156。

3.1.4 計算觀測向量的估計向量并計算殘差

根據2022年1月至8月底的歷史數據,計算每個觀測向量對應的估計向量,同時計算這兩個向量的殘差值,計算結果如圖7所示。從2022年3月開始,殘差出現了一些極大值。

圖7 觀測數據的實際殘差變化情況

3.1.5 確定報警時間

同時做出正常運行數據的健康殘差、觀測數據的實際殘差、殘差報警閾值的曲線,以確定報警時間,如圖8所示。

圖8 健康殘差、實際殘差、報警閾值曲線

從圖8可見,實際殘差從2022年3月開始,多次穿越殘差報警閾值線。若在2022年3月進行異常預警,則與2022年9月檢修時發現透平動葉故障相比,可以提前5個月發現設備出現異常情況,此時進行檢修,很大可能避免透平動葉出現大型缺口的嚴重故障。

3.2 BP神經網絡方法

3.2.1 訓練BP神經網絡模型

采用經典的3層神經網絡模型,輸入層神經元個數為測點個數3,隱藏層的神經元個數選取20,輸出層的神經元個數同輸入層。經過10 epochs迭代后,模型的損失(loss)為0.001 48,2次迭代間損失變化已很小。圖9為透平排氣壓力對估計值和實際值曲線,可以明顯看出有一些偏差。圖10為健康殘差變化曲線,健康殘差的最大值為0.27,與MSET方法類似,報警閾值取最大殘差的1.3倍,為0.351。

圖10 正常運行數據的健康殘差

3.2.2 估計觀測向量并計算殘差

根據估計向量和觀測向量的殘差,計算其L2范數得到總殘差,變化曲線如圖11所示。

圖11 實際殘差變化曲線

3.2.3 確定報警時間

與MSET方法類似,同時做出健康殘差、實際殘差、殘差報警閾值的曲線,確定報警時間,如圖12所示。

圖12 BP神經網絡方法確定的健康殘差、實際殘差、報警閾值曲線

從圖12可以看出,從2022年3月份開始,實際殘差值多次穿越報警閾值線,從而觸發多次報警,與MSET方法的結論相同。

3.3 MSET方法與BP神經網絡方法比較

通過比較這兩種方法可以發現,MEST方法和BP神經網絡方法得到的預警時間基本一致,都從2022年3月份開始出現報警。但MEST方法對正常數據的估計值要比BP神經網絡更加準確,其最大殘差要遠遠小于BP神經網絡的最大殘差。而對實際殘差超出報警閾值的程度來說,MSET方法更加靈敏,其計算得到的實際殘差高于報警閾值的程度要遠大于BP神經網絡方法。

對于本案例的分析,BP神經網絡方法僅拿來作對比驗證,所以沒有進行深度調優,相對于簡單易用的MSET方法來說,BP神經網絡方法能達到相同的預測效果,需要有更多的投入。

4 結語

燃氣透平早期故障的智能預警,對于避免重大故障的發生和巨大經濟的損失具有十分重要的意義[10]。本文對燃氣透平的具體案例進行了預警研究,MSET方法和BP神經網絡方法都可以做到提前預警,因此都可以用來對燃氣透平進行早期的故障預警。經過比較,在不投入較大代價情況下,MSET方法對數據的估計值更精確一些,更適合用來對燃氣透平進行預警。