基于多元状态评估与BP神经网络的燃气轮机故障预警研究.pdf

第 25 期2023 年 9 月江苏科技信息Jiangsu Science and Technology InformationNo.25Spetember,2023作者简介:程逸雯(2002),女,江苏南京人,本科生;研究方向:状态估计,故障预警,神经网络。基于多元状态评估与 BP 神经网络的燃气轮机故障预警研究程逸雯(江苏大学,江苏 镇江 212013)摘要:燃气轮机的透平故障,由于缺乏直接的诊断手段,经常在发现时已发展成严重故障,给发电企业造成巨大的经济损失,因此透平故障的早期预警具有较大的经济意义。文章针对燃气透平故障预警问题,采用多元状态估计方法(MSET)和 BP(Back Propagation)神经网络方法进行了对比研究。文章首先介绍了这两种方法的预警原理,然后对一个燃气轮机透平故障实例采用这两种方法进行了详细分析,最后对这两种方法的预警结果进行了对比评价。结果表明,多元状态估计方法和 BP 神经网络都可对燃气透平的故障进行早期预警,多元状态估计方法相对效果更好。关键词:燃气透平;故障预警;多元状态估计;BP 神经网络中图分类号:TK47 文献标志码:A0 引言 燃气轮机主要包含三大部件:压气机、燃烧室、燃气透平。由于受高温运行环境及频繁启停的影响,随着运行时间的增加,燃机透平会产生不同程度的性能衰退和部件损伤,甚至会造成各种严重事故,产生巨量的经济损失1。由于燃气轮机结构的高度集成化和精密化,对燃气透平进行诊断的直接手段有限,发现故障时往往已发展成严重故障。对燃气轮机透平的异常工况进行预警,能够在故障早期对设备进行检修,避免重大事故发生,减少经济损失。目前,燃气轮机的故障预警已有一定的研究。文献2应用多元状态估计方法(MSET)建立了压气机在正常运行状态下的非参数模型,利用滑动窗口确定预警阈值,并通过仿真试验进行了验证。文献3基于燃气轮机的运行数据,采用 MSET 法建立了燃烧室在正常运行状态下的预警模型,并引入了相似度函数,可以更早地发现设备的故障隐患。文献4提出基于极端梯度提升和局部均值分解与核主元分析相结合的燃气轮机转子故障预警方法,利用转子的振动数据建立预测模型,并通过案例进行了验证。本文基于 MSET 方法对燃气透平的故障预警进行研究,并同时采用 BP(Back Propagation)神经网络方法进行了预警效果对比。1 常用故障预警技术 重型燃机燃气透平的初温很高,F 级初温约1 350,H 级 初 温 约 1 500,未 来 初 温 可 达1 600 以上。在这种高温下,常规的测温技术早已不可用,生产厂家一般提供基于燃气透平排气分散度的燃烧保护系统进行在线故障监控,而实际应用中,当监控系统发出报警时,燃机热通道部件往往已损坏严重。由于缺少高温测量数据,对燃气透平的故障预警一般都采用间接的数据分析方法进行。本文对常用的多元状态估计方法和 BP 神经网络方法进行介绍。1.1 多元状态估计方法(MSET)多元状态估计方法(MSET)首先由美国阿尔贡国家实验室研究并应用于设备预警系统中,在核电厂信号验证、仪表精度监控、组件运行失常等场景中得到了验证5-6。MSET 后来被田纳西大学核能实验室推广为 更 一 般 的 非 线 性 状 态 估 计(Nonlinear State Estimation Technique,NSET)方法,并得到了广泛应用。Smart Signal 公司基于 MSET 专利开发了一种监测设备性能的技术,并于 2014 年获得了中国专利7。多元状态估计(MSET)方法是将当前运行数据和已生成的历史运行数据进行对比,计算多元状态之间的相似度,从而进行故障预警的方法5。基于 MSET的状态估计基本流程8如图 1 所示。训练数据 K 为正常运行状态下,各个观测参数(共 n 个)的观测数据,用行向量表示某时刻所有观测参数的值。生产系统中的历史数据库导出的数据集一般都用表格的一行来表示某时刻的测点值,索引为时间戳,故本文采用行向量,从而与实际数据集一致,且与其他文献中采用列向量不同8。训练集 K05第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023 图 1 MSET 多元状态估计方法预警的基本流程必须包含系统全范围的动态参数,包括稳定状态和变工况状态,但不能够有故障数据在内。从某时间点开始的训练数据 K 可以用下式表示为矩阵:K=X(t1),X(t2),X(tk)T(1)X(ti)=x1(ti),x2(ti),xn(ti)T(2)从训练矩阵 K 中,抽取一部分(d 个)能够代表系统运行状态的数据,组成状态矩阵 D。状态矩阵 D 是一个 dn 的矩阵,其中 d 为其中所包含状态的数量,n为观测参数的个数。由抽取状态组成的状态矩阵可表示为:D=x1(t1)x2(t1)xn(t1)x1(t2)x2(t2)xn(t2)x1(td)x2(td)xn(td)(3)训练矩阵 K 中除去状态矩阵 D 中的状态数据后,余下部分便组成了剩余矩阵 L(k-d)n)。Xobs为系统当前观测值形成的新观测向量,对该观测向量的估计向量 Xest,通过状态矩阵 D 和权值向量 W 的点积计算得出:Xest=DTW(4)权值向量 W 表征状态估计向量和状态矩阵间相似性测度的大小,取状态估计向量 Xest和观测向量Xobs的残差最小化如下:min2=min(Xobs-DTW)T(Xobs-DTW)(5)式(5)的最小二乘解可表示为:W=(DDT)-1(DXobs)大多数系统的状态数据间都会存在一定的相关性,而数据之间的相关性会导致矩阵不可逆,限制了权值向量 W 的求取。MSET 方法利用基于相似性原理的相似性运算符代替点积,通过计算数据状态间的相似程度来表征其权值,解决了数据相关所造成的矩阵不可逆,如下所示:W=(D DT)-1(D Xobs)(6)从而,系统当前状态估计向量和观测向量的关系如下:Xest=DT(D DT)-1(D Xobs)(7)基于正常数据的健康残差可得到设备预警的残差阈值。当计算出的实际残差(向量的 L2 范数)大于残差阈值时,触发设备报警,同时可计算出造成报警的主要测点如下:Sres=Xest-Xobs(8)=|Sres|(9)式(8)(9)中:Sres为残差向量;Xest为估计向量;Xobs为观测向量;为残差向量的 L2 范数。1.2 BP 神经网络BP 神 经 网 络 是 1986 年 由 Rumelhart 和McClelland 为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络9,是 20世纪末期神经网络算法的核心,也是如今发展迅猛的深度学习算法的基础。BP 算法的基本思想是:学习过程由信号的正向传播和误差的反向传播两个过程组成,通过这两个过程的反复迭代,对神经网络各层的权值参数和偏置参数进行不断调整,直到达到预先设定的训练次数,或输出误差小于指定的阈值。BP 神经网络应用于故障预警时,一般是基于大量的正常运行数据训练网络模型,基于得到的神经网络模型和观测向量的当前数据确定观测向量的期望数据,当观测数据和期望数据的残差超出了设定的阈值后触发报警,同时给出形成残差的主要测点。与MSET 方法相比,除了模型不同,预警的思路是一致的。BP 神经网络故障预警的基本流程如图 2 所示,变量命名和 MSET 方法保持一致。2 燃气轮机透平故障实例 某联合循环机组(GE 的 9FA 燃气轮机),在 2022年 9 月揭缸检修时发现透平末级动叶出现长度超过5.08 cm(2 英寸)的不规则缺口,修复成本巨大。而15第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023 图 2 BP 神经网络预警基本流程在之前的运行过程中,运行人员并未观察到特别的异常情况;如果在动叶出现初期裂纹时能及时发现,则可避免故障范围的扩大和经济损失的大量增加。通过对检修前 1 年多的历史数据进行分析,可以大概推断出现初期故障的可能时间。该厂已实施了 SIS、MIS 等信息化系统,从实时数据库中导出燃机相关测点 2021 年 7 月至 2022 年 8月的历史数据,保存到 CSV 文件中,然后进行数据分析。首先对机组的历史数据进行清洗,删除停机期间和启停机过程中的数据,仅保留机组正常运行期间的数据,再删除由于采集系统故障造成的错误数据(比如部分测点在燃机运行期间,出现了极少数的 0 值)。该燃机部分月份的发电功率-透平排气压力曲线如图 3 所示。燃机的功率与透平排气压力正常情况下应该呈现出比较规则的线性关系,如图 3 中从 2021年7 月至2022 年1 月的曲线。但是从2022 年3 月开始,曲线形状有了较大变化,出现少量与主体变化不一致的异常点,曲线形状也变得不规则了。运行人员根据运行经验,也指出功率-透平排气压力曲线出现了异常。可以大体认定从 2022 年 3 月开始,燃机透平已出现故障(由于 2022 年 2 月燃机基本处于停机状态,故不考虑 2 月)。图 3 机组功率与透平排气压力关系的演化3 燃气透平数据分析 选取 2021 年 712 月的机组运行数据为正常运行数据建立模型,然后根据 2022 年 18 月的实际运行数据计算估计数据,并与实际数据进行对比,观察残差变化情况。测点选取机组功率、透平排气压力、透平排气温度 3 个测点。经数据清洗后,有效的训练25第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023数据共 379 843 条记录(数据采用周期是 10 s),每条记录包括 1 个时间戳和 3 个值,即机组功率、透平排气压力、透平排气温度 3 个测点同一时刻的值。3.1 MSET 方法3.1.1 数据归一化 采用最大值-最小值法,对数据进行归一化处理,避免测点因取值工程范围差异对残差造成额外的影响:xscaled=x-xminxmax-xmin(10)式(10)中:x 为测点历史数据;xmin为测点历史最小值;xmax为测点历史最大值;xscaled为测点归一化后历史数据。3.1.2 确定状态矩阵 针对每一个测点,将(0,1)区间划分为 100 等份,搜索与每个分隔点最接近的历史记录并保存,删除重复记录后,最终得到状态矩阵,其测点数值分布如图4 所示,可以看出基本覆盖了各个测点的整个变化区间。MSET 方法要求状态矩阵尽可能覆盖所有的运行工况。图 4 状态矩阵中测点数值的分布3.1.3 确定健康残差及报警阈值 健康残差取剩余矩阵(即除去状态矩阵后的训练集)中每个向量的估计值与原始值之差的 L2 范数,计算结果如图 56 所示(曲线中的斜直线是因为对应时间停机,相关数据被清洗掉了)。图 5 中功率测点的估计值和实际值比较吻合,差异很小;图 6 显示残差的最大值为 0.12。图 5 燃机功率实际值与估计值对比图 6 正常运行数据对应的残差趋势35第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023 根据经验,报警阈值选取剩余矩阵最大残差的1.3 倍:Ey=1.3Ev(11)式(11)中:Ey为残差报警阈值;Ev为健康残差最大值。本案例中,健康残差最大值为 0.12,残差报警阈值为 0.156。3.1.4 计算观测向量的估计向量并计算残差 根据 2022 年 1 月至 8 月底的历史数据,计算每个观测向量对应的估计向量,同时计算这两个向量的残差值,计算结果如图 7 所示。从 2022 年 3 月开始,残差出现了一些极大值。图 7 观测数据的实际残差变化情况3.1.5 确定报警时间 同时做出正常运行数据的健康残差、观测数据的实际残差、残差报警阈值的曲线,以确定报警时间,如图 8 所示。图 8 健康残差、实际残差、报警阈值曲线 从图 8 可见,实际残差从 2022 年 3 月开始,多次穿越残差报警阈值线。若在 2022 年 3 月进行异常预警,则与 2022 年 9 月检修时发现透平动叶故障相比,可以提前 5 个月发现设备出现异常情况,此时进行检修,很大可能避免透平动叶出现大型缺口的严重故障。3.2 BP 神经网络方法3.2.1 训练 BP 神经网络模型 采用经典的 3 层神经网络模型,输入层神经元个数为测点个数 3,隐藏层的神经元个数选取 20,输出层的神经元个数同输入层。经过 10 epochs 迭代后,模型的损失(loss)为 0.001 48,2 次迭代间损失变化已很小。图 9 为透平排气压力对估计值和实际值曲线,可以明显看出有一些偏差。图 10 为健康残差变化曲线,健康残差的最大值为 0.27,与 MSET 方法类似,报警阈值取最大残差的 1.3 倍,为 0.351。3.2.2 估计观测向量并计算残差 根据估计向量和观测向量的残差,计算其 L2 范数得到总残差,变化曲线如图 11 所示。3.2.3 确定报警时间 与 MSET 方法类似,同时做出健康残差、实际残差、残差报警阈值的曲线,确定报警时间,如图 12所示。从图 12 可以看出,从 2022 年 3 月份开始,实际残差值多次穿越报警阈值线,从而触发多次报警,与MSET 方法的结论相同。3.3 MSET 方法与 BP 神经网络方法比较 通过比较这两种方法可以发现,MEST 方法和 BP神经网络方法得到的预警时间基本一致,都从 2022年 3 月份开始出现报警。但 MEST 方法对正常数据的估计值要比 BP 神经网络更加准确,其最大残差要远远小于 BP 神经网络的最大残差。而对实际残差超45第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023 图 9 BP 神经网络模型实际值与估计值图 10 正常运行数据的健康残差图 11 实际残差变化曲线图 12 BP 神经网络方法确定的健康残差、实际残差、报警阈值曲线出报警阈值的程度来说,MSET 方法更加灵敏,其计算得到的实际残差高于报警阈值的程度要远大于 BP 神经网络方法。对于本案例的分析,BP 神经网络方法仅拿来作对比验证,所以没有进行深度调优,相对于简单易用的 MSET 方法来说,BP 神经网络方法能达到相同的55第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023预测效果,需要有更多的投入。4 结语 燃气透平早期故障的智能预警,对于避免重大故障的发生和巨大经济的损失具有十分重要的意义10。本文对燃气透平的具体案例进行了预警研究,MSET 方法和 BP 神经网络方法都可以做到提前预警,因此都可以用来对燃气透平进行早期的故障预警。经过比较,在不投入较大代价情况下,MSET 方法对数据的估计值更精确一些,更适合用来对燃气透平进行预警。参考文献1应雨龙,李靖超,庞景隆,等.基于热力模型的燃气轮机气路故障预测诊断研究综述J.中国电机工程学报,2019(3):731-743.2陆永卿,涂雷,茅大钧.基于 MSET 的压气机故障预警 研 究 J.上 海 电 力 大 学 学 报,2021(2):133-137.3黄伟,张泽发.基于相似度分析的电站燃气轮机燃烧室故障预警研究J.上海电力大学学报,2020(3):220-224.4章明明,茅大钧,董渊博.基于 LMD-XGBoost 和KPCA 的燃气轮机转子故障预警研究J.青海电力,2022(3):14-21.5SINGER R M,GROSS K C,HERZOG J P,et al.Model-based nuclear power plant monitoring and fault detection:theoretical foundationsZ.1997.6GROSS K,SINGER R,WEGERICH S,et al.Application of a model-based fault detection system to nuclear plant signalsZ.1997.7J.P.赫措格.用于预报和预测的序列核回归建模系统:CN103842923AP.2014-06-04.8刘鑫沛.基于相似性建模的发电设备故障预警方法研究D.保定:华北电力大学,2014.9张妮,车立志,吴小进.基于数据驱动的故障诊断技术研究现状及展望J.计算机科学,2017(S1):37-42.10文成林,吕菲亚.基于深度学习的故障诊断方法综述J.电子与信息学报,2020(1):234-248.(编辑 李春燕)Research on early warning of gas turbine based on multivariate state estimation and BP neural networkCheng Yiwen Jiangsu University Zhenjiang 212013 China Abstract Due to the lack of direct diagnostic methods turbine faults in gas turbines often develop into serious faults when discovered causing huge economic losses to power generation enterprises.Therefore early warning of turbine faults has great economic significance.The article compares the multivariate state estimation method MSET and BP Back Propagation neural network method for gas turbine fault warning.Firstly the warning principles of these two methods were introduced followed by a detailed analysis of a gas turbine fault example using these two methods.Finally the warning results of these two methods were compared and evaluated.The results show that both the multivariate state estimation method and the BP neural network can provide early warning for gas turbine faults and the multivariate state estimation method is relatively more effective.Key words gas turbine fault warning multivariate state estimation BP neural network65