基于LSTM常模式阵列的燃气轮机高温部件异常检测方法.pdf

第 卷总第 期 年 月第 期 节 能 技 术 .基于 常模式阵列的燃气轮机高温部件异常检测方法赵 帅罗 京卿 顾吴伟秋李 鑫龙振华(.清洁高效透平动力装备全国重点实验室四川 德阳.东方汽轮机有限公司四川 德阳.哈尔滨工业大学 能源科学与工程学院黑龙江 哈尔滨)摘 要:燃气轮机高温部件的故障发生率高、隐蔽性强、破坏性大且故障发生后维修成本高、维修难度大 研究一种异常检测方法在高温部件故障早期及时发现部件异常并进行检修意义重大 本文介绍了一种基于 常模式阵列异常检测方法利用常模式思想提取出反映燃气轮机高温部件性能状态的特征映射通过 特有的处理时间序列数据的能力建立 常模式阵列异常检测方法实现高温部件故障早期异常状态灵敏识别 在实际数据上进行方法有效性验证并与西门子的基于排温保护逻辑的异常检测方法对比证明了基于 常模式阵列异常检测方法的灵敏性和有效性关键词:高温部件异常检测常模式阵列长短期记忆网络中图分类号:文献标识码:文章编号:()(.):.().:收稿日期 修订稿日期 作者简介:赵帅()男工程硕士工程师主要从事燃气轮机测试与试验工作 引言燃气轮机作为一种核心的能源设备其安全运行和故障诊断的重要性日益突出 中国制造中明确强调我国要在 年实现燃气轮机的设计、试验、制造等核心技术的攻克建立完善的技术研发体系 燃气轮机高温部件运行于高温、高压、高转速等恶劣环境下燃气轮机 以上故障都与高温部件有关 近几年来全球燃机运维已经耗费了数万亿美元燃气轮机高温部件的运行状况与燃气轮机涡轮出口的温度分布密切相关 燃气轮机的燃烧室通常为环形或环管形每个燃烧室具有相同的结构理想情况下每个燃烧室出口的温度基本相同当一个燃烧室出现故障时会导致其出口温度偏离 燃烧室出口温度一般在 到 之间常规温度传感器不能长时间工作在这样高的温度下在实际应用中安装在燃气轮机出口的温度测量热电偶被用于监测排气温度分布以间接监测燃烧系统的性能如图 所示 热电偶均匀地沿周向排列在燃气轮机出口测量的排气温度可以反映燃烧系统的状态如图 所示 当火焰筒壁或过渡段出现裂纹、变形、剥落和碳沉积、燃料分配不均匀、喷嘴积碳、喷射角偏转时故障火焰筒的出口温度将出现偏离表现为周向方向局部高温或低温此即基于排气温度分散度的燃烧系统故障检测方法现有高温部件异常检测方法中通用电气公司 监控系统通过检测涡轮排温分散度进行高温部件异常检测 西门子公司开发的 监控系统通过定义涡轮排气温度离散度实现燃烧室故障监测 等人利用生成对抗网络和涡轮排温相结合的方式进行燃烧系统故障检测 等人采用深度迁移学习结合涡轮排气温度来检测发动机组中新发动机的故障解决了数据稀缺问题 等人介绍基于发电功率、环境温度、压比和每个燃烧室的温度构成的函数解决燃气轮机燃烧室高温部件的故障检测和隔离问题尽管在高温部件故障诊断方面开展了较多的研究形成了较为成熟故障监控系统但仍存在着报警不灵敏的问题 例如杭州华电 燃机在运行时配备的 监控系统未及时发出报警等到故障严重调机时火焰筒已经烧穿本文基于某型国产燃机实际数据研究了高温部件的异常检测方法 通过常模式方法提取燃气轮机运行时各种运行参数和排温的固有模式结合该图 涡轮排温测量位置示意图图 热电偶周向分布示意图型国产燃机实际数据对多个涡轮排温测点建立 常模式阵列模型实现了燃机在全工况运行过程中高温部件异常情况灵敏检测 常模式阵列异常检测方法.算法原理长短期记忆网络()是一种递归神经网络它是循环神经网络的一种变体对于序列结构信息有着极强的处理能力被广泛用于处理时间序列数据 最重要的特点就是引入了三个门控单元分别是输入门、遗忘门、输出门 这三个门控单元共同协作使得 可以选择性地记忆或遗忘一些信息并在每个时间步骤输出一个隐状态向量这样 不仅能够避免梯度消失问题还可以更好地处理长序列数据其计算公式如下()()()()()()()()()()()式中 输入 隐藏状态 输出 激活函数、对 函数前的线性变换 记忆衰减系数决定哪些信息应该更新 学习到的记忆内容 隐藏状态和 就是 时刻神经网络的输出.常模式提取方法针对燃气轮机在运行初期只有正常样本的情况下通过常模式提取的方法来挖掘出燃气轮机正常状态的固有模式 把寻找燃气轮机正常运行时性能参数与工况的固有模式的过程称为燃气轮机常模式提取由常模式提取建立的模型叫做常模式模型多个常模式模型组成常模式阵列刘娇研究了涡轮排温和燃机性能参数之间的关系提出了涡轮排温分布模型 ()()()式中 各涡轮排温测点温度 各火焰筒能量分配系数 火焰筒个数 涡轮平均排气温度 进口大气温度 压气机出口压力涡轮排温分布模型表征的是涡轮各测点排温与涡轮平均排温之间存在某种线性关系利用常模式提取思想将排温分布计算公式可转化为()()式中 涡轮出口各测点温度 涡轮平均排气温度 影响涡轮排温的扰动量.相关性分析由于燃机数据都是按照时间序列顺序所分析的目标对象是一种有序或连续的类别变量因此采用 系数进行相关性分析确定影响涡轮排温的扰动量 通过数据对象的秩序来进行两个随机变量之间的相关关系的评估基于样本数据之间的关系来进行强弱分析 系数越接近相关性越强越接近 相关性越弱 计算公式为 ()()式中 样本个数 一致对 分歧对 系数实际数据采集为 年 月 日凌晨 点至中午 点共 数据来自某商用机正常运行时的数据采样间隔为秒级 商用机测点如表 所示 利用 相关性分析方法对可能影响涡轮排温的相关变量进行分析结果如图 所示表 相关性变量明细表测点表示样本数量大气压力 大气温度 大气湿度 可调导叶角度 燃气流量 进口空气流量 进口压力 进口温度 功率 转速 透平排温 图 相关系数矩阵 根据 相关系数矩阵除各测点之间的相关性之外涡轮平均排气温度与各测点之间的相关性最强进一步验证了各测点排温与平均排温之间存在较强的模式关系 根据相关性分析结果可以确定对涡轮排气温度影响较大的变量还有燃气流量、可调导叶角度、功率、压气机进口压力、燃机进口空气流量本文所研究某型国产燃气轮机具有 个涡轮排温测点故建立 个 模型 个常模式模型组成常模式阵列在这个常模式阵列中每个常模式模型的输出为该排温测点的排温输入为涡轮平均排气温度、燃气流量、可调导叶角度、功率、燃机进口空气压力、燃机进口空气流量 常模式阵列模型的数学表达公式如下()()()()给定燃气轮机大量正常运行的数据作为训练集来训练 常模式模型实现排气温度的常模式提取 利用模型计算的排温与实际排温的偏差进行异常检测当偏差在阈值带内时认为高温部件正常 常模式阵列方法异常检测效果.数据说明燃机共有两段运行数据第一段采集时间为 年 月 日凌晨 点至中午 点共 是燃机正常运行时的数据涡轮排气温度如图 所示第二段数据采集时间为 年 月 日上午 点至下午 点 分共 涡轮排气温度如图 所示图 正常状态涡轮排气温度图 异常状态涡轮排气温度第二段数据并没有触发该燃机配备的高温部件故障报警系统 但现场试验人员观察到燃机运行过程中 号、号涡轮排温测点的温度出现明显的偏差试验人员进行停机检查发现一个火焰筒出现故障 整个过程中燃机故障报警系统始终没有发出任何警示.常模式阵列模型拟合效果将正常运行的全部数据作为训练集通过设置不同的 网络层数和节点数根据网络在测试集上的表现最终选择设置单层 网络模型且隐藏单元数为 采用 常模式阵列神经网络对 燃机正常运行数据拟合效果如表 所示 从拟合结果看出以拉依达准则(准则)确定的阈值为评判准则 组涡轮排气温度测点利用 常模式阵列方法进行涡轮排气温度预测其准确率均在.以上说明 常模式阵列检测方法可以较好的学习该燃气轮机固有特征训练的神经网络模型具有较好的预测能力表 常模式阵列方法拟合效果/.常模式阵列模型检测结果利用训练好的 常模式阵列模型对商业机异常数据进行异常检测共 报警阈值设定为 即测量的排温与常模式模型预测的排温的偏差超过 时认为燃烧室出现故障 常模式阵列模型在实际燃机异常数据上的检测效果如表 所示其中拟合精度是残差绝对值小于报警阈值的样本数占总样本数的比例 号测点精度只有.说明 号测点残差在报警阈值内的个数占残差总数的.表 常模式阵列方法拟合效果/.由表 中的拟合精度可以看出正常测点的准确率均在.以上说明 常模式阵列检测方法具有较好的抑制干扰的能力不受故障火焰筒影响的热电偶的温度基本都在阈值带内 由 值可知 常模式阵列检测方法具有较好的拟合性能可以根据输入信息较为准确的预测该燃机涡轮排气温度 异常测点 号、号的 值为.可以明显看出 号、号的离群数据显著大于正常测点 该燃机部分涡轮排温测点检测结果如图 图 图 测点 检测结果图 测点 检测结果图 测点 检测结果图 测点 检测结果图 测点 检测结果图 测点 检测结果图 测点 检测结果图 测点 检测结果从检测结果中可以看出测点 号在 超出报警阈值判定在此时 号测点出现异常在此之前 号测点虽然有两次超出报警阈值但都在 内恢复到检测阈值之内认为是变工况引起的残差急剧变化不进行报警 号测点结果和 号测点结果类似在 明显超出报警阈值 异常检测方法灵敏性分析本文所研究的燃气轮机自身配备的高温部件异常检测方法与西门子 系统的监控方法类似其具体保护逻辑包括热点保护、高温保护、冷点保护参考文献中的描述将 系统的高温部件异常检测系统报警值为 即各涡轮排温测点温度与涡轮排温平均值进行比较如果任意 个排温测点偏差超过了设立的报警值就会触发报警 基于排温保护逻辑的高温部件异常检测结果如图 所示图 基于排温保护逻辑异常检测效果 燃机在运行过程中并没有触发自身配备的高温部件异常检测报警系统由上图可知整个燃机运行过程中虽然 号、号热电偶测点出现明显偏离但偏差并没有超出高温部件异常检测报警系统的报警阈值认为所有测点均处于正常工作状态所以在燃机整个运行过程中配备的高温部件异常检测系统一直没有发生报警 本文所研究的 常模式阵列异常检测方法在 就检测出 号热电偶排温数据异常在 检测出 热电偶排温数据异常 因此 常模式异常检测方法检测灵敏性远高于基于排温保护逻辑的异常检测方法 结 论针对现有故障诊断方法无法灵敏实现燃机高温部件异常状态灵敏检测问题本文以某型国产燃机为实际研究对象建立了基于 的常模式阵列异常检测方法通过 神经网络特有的处理时间序列数据的能力和常模式提取的思想利用涡轮平均排温、燃气流量等参数实现涡轮排气温度的准确预测 主要结论如下:()建立的 常模式阵列模型可以较为精确地拟合燃机正常状态运行时涡轮各测点的排气温度 通过定义报警阈值 常模式阵列异常检测方法可以灵敏地区分燃机正常数据和异常数据准确发现了 号和 号测点数据异常()与西门子 系统基于排温保护逻辑的异常检测方法进行检测效果对比结果表明基于排温保护逻辑的异常检测方法无法灵敏发现异常测点而 常模式阵列异常检测方法在 秒就检测出 号热电偶排温数据异常在 秒检测出 热电偶排温数据异常检测灵敏性远高于基于排温保护逻辑的异常检测方法参考文献周登极.燃气轮机智能故障管理理论及方法研究.上海:上海交通大学.刘娇.燃气轮机高温部件故障早期预警研究.哈尔滨:哈尔滨工业大学.李辉.燃气轮机气路故障诊断技术研究.哈尔滨:哈尔滨工程大学.许未晴冀守虎安永伟等.机器学习算法在重型燃气轮机健康监测的应用现状.液压与气动():.:.:.:.():.().:.():.:.:.俞立凡杨燕岚.燃气轮机燃烧故障分析.发电设备():.吴俊锋.基于 的在轨卫星异常检测与故障预警技术研究.长沙:国防科技大学.虎煜陈学文.西门子.燃气轮机控制系统.上海电力():.