自適應灰關聯算法的動力裝置故障診斷

李靖超，　王　生，　馮云鶴，　曹曼琳，　應雨龍

(1. 上海電機學院 電子信息學院, 上海 201306;2. 上海電氣燃氣輪機有限公司 工程技術部, 上海 200240)

自適應灰關聯算法的動力裝置故障診斷

李靖超1，王生1，馮云鶴1，曹曼琳1，應雨龍2

(1. 上海電機學院 電子信息學院, 上海 201306;2. 上海電氣燃氣輪機有限公司 工程技術部, 上海 200240)

摘要動力裝置在長期運行后，其部件性能會逐漸衰退，容易導致各種故障發生。因此，對裝置進行一定的氣路數據測量，進而對裝置進行診斷、預測具有重要意義。提出一種自適應灰色關聯算法的動力裝置故障診斷算法，通過對故障數據的關聯計算處理，實現了動力裝置故障模式的診斷。

關鍵詞灰關聯算法; 動力裝置; 故障診斷; 故障識別

動力裝置長期在高溫、高壓、高轉速等惡劣的環境下運行，其部件性能會逐漸衰退，容易導致各種故障發生，從而帶來嚴重的人力或物力的損失。因此，對于用戶而言，當前動力裝置的健康狀況是非常重要的信息。將由監測或間接計算得到的信息作為判據，可以判斷動力裝置可能存在的故障，以便采取相應的維護措施。目前的故障診斷技術[1]主要有2種： ① 非氣路診斷技術，如振動分析、油液分析、內孔窺視儀監測等，主要用于評估機組部件內部(如軸承、轉子、輪盤、葉片、燃燒室氣缸、透平噴嘴等)機械結構的物理損傷狀況[1]；② 氣路診斷技術，利用機組各主要部件的熱力性能狀況，來評估機組各主要氣路部件(如壓氣機、燃燒室、透平等)的總體性能和健康狀況[2]。由于氣路診斷技術能夠提供機組總體的性能狀況和各主要部件的健康狀況的關鍵信息，故其已在動力裝置故障診斷中被廣泛應用，特別是基于模式識別的氣路診斷技術。

目前，各種不同類型的模式識別方法[3-4]已廣泛應用于動力裝置的健康監測中，它們的共同特征是具備自學習、自組織、自適應的柔性處理能力，能夠根據待識別對象的特征向量(氣路測量參數向量)及其他的約束條件，判斷其屬于哪種性能衰退或故障模式的類別。基于模式識別的氣路診斷技術具有兩個主要優點： ① 無需建立復雜的目標動力裝置的熱力性能模型；② 可以準確識別并隔離發生性能衰退的部件。其中，應用最為廣泛的模式識別方法是神經網絡[5-7]和支持向量機[8]法。訓練神經網絡通常需要大量的樣本數據，尤其是故障樣本數據，這在實際工程應用中很難滿足條件。而支持向量機方法基于統計學習理論，相比于神經網絡，能夠在小樣本數據訓練的情況下表現出更優的泛化能力，并能確保局部最優解和全局最優解的基本一致[8]。然而，采用支持向量機方法進行故障模式識別的準確性主要取決于其最優參數的選擇[8-9]。為確保故障模式識別的準確性，通常需要為支持向量機選擇一個最優算法[9-10]和(或)設計復雜的多層分類結構[11]來改善故障模式識別的有效性。

為解決當前基于模式識別的氣路診斷技術中算法通用性與準確性的問題，本文提出了一種基于自適應灰色關聯算法的氣路診斷方法，通過計算測試氣路數據與故障樣本數據的關聯度，在小樣本數據情況下能簡單、準確地實現故障模式識別，進而達到對動力裝置的健康狀況進行預測的目的。

1灰色關聯理論

1.1普通灰色關聯理論

灰關聯理論[12-13]是灰色系統的研究基礎，它主要基于空間數學的基礎理論來計算參考特征向量與每個待識別的特征向量的關聯系數和關聯度。將灰色關聯理論應用于燃氣輪機氣路性能診斷，相較于其他模式識別方法，該方法具有以下特點[14-15]： ① 具有良好的抗噪能力；② 能夠對參數進行特征選擇，進而實現分類的目的；③ 能夠解決小樣本數據學習問題；④ 算法結構相對簡單，能解決算法通用性與準確性相矛盾的問題。

假設待識別的動力裝置氣路測量參數序列如下：

(1)

式中，Xi為第i個待識別氣路的性能衰退模式；x1為第i個氣路的測量參數；i∈N；n為被選擇作為特征向量的氣路測量參數的總個數。

假設故障模式庫中故障征兆(即氣路測量參數向量)和故障模式(即發生性能衰退的部件情況)的分類如下：

(2)

式中，Cj為第j個已知的故障模式；cj為第j個氣路的測量參數；m為已知的故障模式數目。

對于分辨系數ρ∈(0，1)，Xi和Cj的第k個特征參數的灰色關聯系數為

(3)

i∈N，j=1，2，…，m

Xi和Cj的關聯度為

(4)

i=N，j=1，2，…,m

式中，ρ通常設為0.5。

求得ξ(Xi，Cj)(j=1，2，…，m)后，就可將Xi分類至最大關聯度所屬的故障模式。

1.2自適應灰色關聯理論

為增強算法的自適應能力，本文提出了自適應灰色關聯算法，引入信息論中關于熵[16-18]的概念，來計算樣本之間的關聯度。

(1) 計算特征參數的距離和概率如下：

(5)

(6)

(2) 定義熵為

(7)

(3) 計算最大熵值為

(8)

(4) 計算相對熵值為

eij(k)=Eij(k)/Emax

(9)

(5) 參考信息論中剩余度的概念，定義第k個特征參數的剩余度為

Dij(k)=1-eij(k)

(10)

剩余度的本質意義在于消除第k個特征參數的熵值與特征參數的最優熵值的差別。當Dij(k)越大，則表明第k個特征參數越重要，應當賦予更大的權重。

(6) 計算第k個特征參數的權重系數為

(11)

(7) 利用權重系數計算關聯度，即

(12)

由此求得Xi與已知故障模式庫中每一個Cj(j=1，2，…，m)的關聯度ξ(Xi，Cj)(j=1，2，…，m)，然后就可以將Xi分類至最大關聯度所屬的故障模式，即通過氣路測量參數識別出發生性能衰退的部件情況。

2應用與分析

2.1動力裝置模型

以某型三軸船用燃氣輪機[19-21]為例，驗證算法的有效性。三軸船用燃氣輪機如圖1所示。

圖1　某型三軸船用燃氣輪機Fig.1　A marine three-shaft gas turbine

由圖可見，該型三軸燃氣輪機包括2個壓氣機(C)，其中低壓壓氣機(LC)和高壓壓氣機(HC)各 1個；1個燃燒室(B)；3個透平(T)，其中高壓透平(HT)、低壓透平(LT)和動力透平(PT)各1個，且發電機通過一個減速齒輪箱與PT相連接。該機組在運行過程中的氣路測量參數如表1所示。

表1　燃氣輪機機組的氣路測量參數

2.2診斷分析

由于通過運行經驗和現場數據來積累故障模式與故障征兆的關系規則庫是項艱巨而費時費力的工作，目前動力裝置熱力性能模型正越來越多的應用于探索故障模式-征兆的關系[22]。

對動力裝置而言，各部件的性能衰退可以用特性線的偏移來表示，且這些偏移可用部件健康指數(如壓氣機透平的流量特性指數ΔSFFC，壓氣機、透平和燃燒室的效率特性指數ΔSFEFF)來表征。更多關于動力裝置部件的健康指數、部件特性線及動力裝置熱力模型的詳細描述可以參見文獻[1，19-21]。

為有效識別故障模式(即識別、隔離性能衰退的部件)，本文分析了某型三軸船用燃氣輪機的氣路測量參數相對于部件健康指數的敏感性(即部件健康指數的相對變化能引起氣路測量參數相對變化的大小)，從而來選取作為特征向量X的氣路測量參數。將表2所示的不同診斷案例分別植入燃氣輪機熱力模型中，可以得到t0=15℃，p0=1.013kPa(1.013bar)，RH=60%，PNe=24265kW時，相對于健康時各氣路測量參數的偏差，如表3所示。其中，ΔSFC，FC、ΔSFC，Eff為壓氣機的流量效率特性指數；ΔSFB，Eff為燃燒室的效率特性指數；ΔSFT，FC、ΔSFT，Eff為透平的流量效率特性指數。

表2　植入燃氣輪機熱力模型中的部件故障模式

本文假設所有的氣路傳感器是健康的，即不存在測量偏差。當氣路測量參數發生偏差時，表示相關部件的性能可能發生衰退或故障。

由表3可知，不同部件的故障模式會導致不同的氣路測量參數偏差，故選取如下的特征向量用于故障模式診斷識別：

X=[p1，p2，t2，p3，t3，p5，t5，p6，t6，

p7，t7，n1，n2，Gf]T

(13)

常見的燃氣輪機部件故障模式有壓氣機(LC/HC)積垢、燃燒室燒換、透平腐蝕等[23]，這些部件的故障程度的范圍如表4所示。根據表4中的部件故障模式及故障程度范圍，利用三軸燃氣輪機熱力模型模擬的數據建立故障征兆(即氣路測量參數)與故障模式(即發生性能衰退的部件情況)的知識庫。各部件用于建立知識庫和校驗的故障樣本如圖2所示，圖中只選取各部件故障程度范圍邊界上的少量點作為用于建立規則庫的性能衰退樣本，且假設單部件、雙部件或3部件同時可能發生故障。由此用于建立知識庫的樣本總數為3260個，用于校驗的樣本總數為7681個。

由于在實際的氣路測量中測量噪聲不可避免，并會影響各部件健康狀況的診斷結果，故在模擬的氣路測量中引入了測量噪聲來使診斷分析更切合實際。針對不同的測量參數，本文采用文獻[24]中提供的最大測量噪聲。

為減小測量噪聲的影響，在氣路測量參數樣本輸入診斷系統前，通常需進行測量數據的降噪預處理。由于測量噪聲一般符合高斯分布，本文將連續獲取的多個氣路測量值，采用10點滾動平均方法[25]得到一個平均測量值，即

表3　各部件氣路測量參數相對于健康時的偏差

表4　常見的部件故障模式及故障程度范圍

圖2　用于各部件的故障樣本選擇Fig.2　Fault sample selection for components

(14)

式中，zj為每一個氣路測量參數的第j個樣本值；q為每一個氣路測量參數的樣本數量，本文中，q=10用于10點滾動平均。

表5給出了利用灰色關聯算法和自適應灰色關聯算法進行故障模式識別的結果。由表可知，利用自適應灰色關聯算法進行故障模式診斷較灰度關聯算法具有較高的識別率。

為分析用于建立規則庫的樣本密度對故障識別率的影響，本文還使用了額外的樣本用于建立知識庫。用于建立知識庫的樣本總數為9695個，相應的故障模式的診斷識別結果同樣列于表5中。由表5可知，用于建立規則庫的樣本密度對

表5利用灰色關聯算法和自適應灰色關聯算法的故障模式診斷識別結果比較

Tab.5Comparison of fault classification success rates based on gray relation algorithm and adaptive gray relation algorithm respectively

樣本數目識別率/%用于規則庫建立用于校驗灰度關聯算法自適應灰度關聯算法3260768190.4194.529695768193.1595.89

分類成功率的有一定影響。當樣本密度較小時，自適應灰關聯算法的故障模式診斷成功率更優，而當樣本密度增大時，灰色關聯算法和自適應關聯算法的診斷成功率都有所提高，此時自適應灰關聯算法的優勢不太明顯。因此，自適應灰關聯算法更適用于實際工程中在小樣本數據情況下簡單準確地實現故障模式識別，進而達到對動力裝置的健康狀況進行預測的目的。

3結語

本文提出了一種基于灰關聯理論的動力裝置部件診斷方法，通過對故障部件的診斷分析可知，利用基于自適應的灰關聯分類器對動力裝置的故障部件進行診斷，其識別準確率率大于95%。本文提出的診斷算法可能具有運用于其他不同類型動力裝置的潛力，對動力裝置的故障診斷具有一定的應用價值。

參考文獻

[1]占健,吳斌,王加祥. 基于支持向量機的齒輪箱齒輪故障診斷[J]. 上海電機學院學報, 2014，17(1)： 5-10.

[2]YING Yulong，CAO Yunpeng，LI shuying，et al.Nonlinear steady-state model based gas turbine health status estimation approach with improved particle swarm optimization algorithm[J].Mathematical Problems in Engineering，2015： 940757.

[3]侯鳳陽.基于人工神經網絡的燃氣輪機氣路故障診斷研究[D].南京: 南京航空航天大學，2007：13-16.

[4]楊兵，丁輝，羅為民，等.基于知識庫的變壓器故障診斷專家系統[J].中國電機工程學報，2002，22(10): 121-124.

[5]WANG C C，KANG Y，SHEN P C，et al.Applications of fault diagnosis in rotating machinery by using time series analysis with neural network[J].Expert Systems with Applications，2010，37： 1696-1702.

[6]SAMANTA B，Al-BALUSHI K R.Artificial neural network based fault diagnostics of rolling element bearings using time-domain features[J].Mechanical Systems and Signal Processing，2003，17(2)： 317-328.

[7]JAYASWAL P，VERMA S N，WADHWANI A K.Development of EBP-artificial neural network expert system for rolling element bearing fault diagnosis[J].Journal of Vibration & Control，2011，17(8)： 1131-1148.

[8]Dong S，Xu X，Liu J，et al.Rotating machine fault diagnosis based on locality preserving projection and back propagation neural network-support vector machine model[J].Measurement and Control，2015，48(7)： 211-216.

[9]AO H L，CHENG J，YANG Y，et al.The support vector machine parameter optimization method based on artificial chemical reaction optimization algorithm and its application to roller bearing fault diagnosis[J].Journal of Vibration and Control，2013： 1077546313511841.

[10]ZHANG X L，CHEN X F，HE Z J.Fault diagnosis based on support vector machines with parameter optimization by an ant colony algorithm[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science，2010，224(1)： 217-229.

[11]HSU C W，LIN C J.A comparison of methods for multiclass support vector machines[J].IEEE Transactions on Neural Networks，2002，13(2)： 415-425.

[12]LI Yibing，LI Jingchao，KANG Jian.Classifier design algorithms aimed at overlapping characteristics[J].Information Technology Journal，2012，11(8)： 1091-1096.

[13]東亞斌，段志善.灰色關聯度分辨系數的一種新的確定方法[J].西安建筑科技大學學報(自然科學版)，2008，40(4)： 589-592.

[14] LI Jingchao.A novel recognition algorithm based on holder coefficient theory and interval gray relation classifier[J].KSII Transactions on Internet and Information Systems (TIIS),2015,9(11): 4573-4584.

[15]LI Jingchao.A new robust signal recognition approach based on holder cloud features under varying SNR environment[J].KSII Transactions on Internet and Information Systems,2015,9(12):4934-4949.

[16]LI Jingchao，YING Yulong.Radar signal recognition algorithm based on entropy theory[C]∥2014 2nd International Conference on Systems and Informatics (ICSAI).Shanghai: IEEE，2014： 718-723.

[17]LI Jingchao，Guo Jian.A new feature extraction algorithm based on entropy cloud characteristics of communication signals[J].Mathematical Problems in Engineering，2015： 1-8.

[18]LI Jingchao，Li Yibing，Kidera S，et al.A robust signal recognition method for communication system under time-varying SNR environment[J].IEICE Transactions on Information and Systems，2013，96(12)： 2814-2819.

[19]YING Yulong，CAO Yunpeng，LI Shuying.Research on fuel supply rate of marine intercooled-cycle engine based on simulation experiment[J].International Journal of Computer Applications in Technology，2013，48(3)： 212-221.

[20]應雨龍，李淑英.基于 MATLAB/GUI的間冷循環燃氣輪機的仿真評估軟件開發設計和使用策略研究[J].燃氣輪機技術，2013，26(4)： 33-40.

[21]YING Yulong，CAO Yunpeng，LI Shuying，et al.Study on flow parameters optimisation for marine gas turbine intercooler system based on simulation experiment[J].International Journal of Computer Applications in Technology，2013，47(1)： 56-67.

[22]WANG L，LI Y G，GHAFIR M F A.Rough set diagnostic frameworks for gas turbine fault classification[C]∥ASME Turbo Expo 2013：Turbine Technical Conference and Exposition.American Society of Mechanical Engineers.[S.L.]： ASME，2013： V002T07A007.

[23]DIAKUNCHAK I S.Performance deterioration in industrial gas turbines[J].Journal of Engineering for Gas Turbines and Power，1992，114(2)： 161-168.

[24]DYSON R，DOEL D，CF-80 condition monitoring—The engine manufacturing’s Involvement in data acquisition and analysis[EB/OL].(2015-07-25).http：∥dx.doi.org/10.2514/6.1984_1412.

[25]LI Y G，SINGH R.An advanced gas turbine gas path diagnosic system-PYTHIA[C]∥17th International Symposium on Airbreathing Engines.Munich，Germany，2005： ISABE-2005-1284.

Fault Diagnosis for Power Plant Based onAdaptive Gray Relation Algorithm

LI Jingchao1，WANG Sheng1，FENG Yunhe1，CAO Manlin1，YING Yulong2

(1. School of Electronic Information Engineering, Shanghai Dianji University, Shanghai 201306, China;2. Engineering Department, Shanghai Electric Gas Turbine Co., Ltd., Shanghai 200240, China)

AbstractComponents in a power plant may degrade during operation, leading to serious faults. It is therefore essential to monitor gas-path measurement in a power plant, and carry out fault diagnosis for its components. For this purpose, a fault diagnostic method for power plant based on adaptive gray relation algorithm is proposed. By correlating calculation of the gas-path measurement, accurate recognition of fault patterns can be achieved.

Keywordsgray relation algorithm; power plant; fault diagnosis; fault recognition

收稿日期：2015-11-22

基金項目：上海電機學院大學生科研創新項目資助(A1-5701-15-012-01-066)

作者簡介：李靖超(1986-)，女，講師，博士，主要研究方向為信號處理、輻射源識別，E-mail： lijc@sdju.edu.cn

文章編號2095-0020(2016)02-0081-07

中圖分類號TK 478;TP 277.3

文獻標志碼A