基于LSTM神經網絡的汽輪發電機狀態監測系統

許凱，富威，陳世均，孟宇龍，馬佳瑞

1.哈爾濱工程大學機電工程學院，黑龍江哈爾濱150001

2.中廣核蘇州熱工研究院有限公司，江蘇蘇州215000

3.哈爾濱工程大學計算機科學與技術學院，黑龍江哈爾濱150001

隨著我國社會經濟的快速發展，我國對電力能源的需求也快速持續增長。汽輪發電機作為電力系統的核心設備，一旦發生故障停機，將造成巨大的經濟損失與惡劣的社會影響[1]。

在旋轉機械狀態監測方面，Raheja D等[2]提出一種基于數據融合與數據挖掘的狀態檢修(condition based maintenance，CBM)組合架構，能夠顯示設備的總體健康狀況并制定出關鍵零部件的最佳維護方案。Basir O等[3]以D-S證明理論為依據建立發動機模型，提出了決策優化與信息融合系統性能判據，并結合多源傳感器信息實現了設備故障診斷。董文婷[4]提出利用機組出力相關性信息判斷風電機組運行健康狀態，并給出了風電機組出力相關性分析與模糊故障Petri 網相結合的風電機組運行性能和診斷故障方法。Jinhyuk S等[5]采用振動信號分析的方法對風力發電機進行狀態監測，根據包絡譜分析發現設備運行隱患，系統的應用使發電量提高了1.8%。Xie L 與Zeng J[6]提出了以KL散度(相對熵)為依據的復雜動態系統早期故障監測方法，可通過設備的運行數據對故障進行識別。Jiao W 等[7]采用基于局部均值分解的時頻表示方法，對轉子系統在不平衡、裂紋、碰摩等多種故障情況下的振動響應進行了深入研究。在國內，張德利[8]以汽輪發電機組為研究對象，對故障診斷網絡模型和模型知識表達進行了深入研究，提出了基于貝葉斯網絡的故障診斷方法。黃乃成等[9]利用支持向量機對汽輪機組振動信號的頻譜特征進行故障識別，搭建的監測系統可在知識庫中調取故障原因、故障影響和處理措施。程軍圣等[10]提出了局部特征尺度分解法，這種方法能夠自適應地將一個復雜信號分解為若干個分量。在與經驗模態分解方法的對比中，局部特征尺度分解法在端點效應、迭代次數和分解時間等方面上都要優于前者，并且經過幾年的實踐努力，成功地應用在滾動軸承與齒輪箱的故障診斷上[11-12]。劉海蘭等[13]對時域平均技術和Hilbert-Huang 變換的時頻熵理論及實驗進行了深入研究，利用齒輪箱工作時產生的振動信號實現對故障的診斷。李敏通等[14]針對柴油機故障，用經驗模態分解方法對獲取的振動信號進行分解，利用時頻特征參數構建出柴油機工作狀態特征向量，并基于支持向量機對實測的柴油機故障進行診斷。雷亞國等[15-16]結合機械大數據的特點對深度學習在狀態監測中的應用進行了研究，提出了基于深度學習理論的機械裝備大數據健康監測方法，并通過實驗驗證了這種監測方法的準確性。黃鄭等[17]采用基于多模型魯棒輸入型神經網絡協同的故障診斷方法，完成了燃氣-蒸汽聯合循環機組故障診斷，并通過實驗表明診斷精度要比單一模型方法更高。

隨著信息技術的快速發展，更多的狀態監測方法被提出并推廣應用，其中健康預測技術的研究價值隨著機械設備的日趨復雜而逐漸凸顯[18-19]。潘作為[20]提出小波和分形結合的故障特征提取方法，針對實測信號干擾噪聲強導致故障特征提取效果不明顯等問題具有重要作用。Ahmad A 等[21]提出了一種基于數據流的設備故障預測系統，并與線性回歸預測方法進行了測試比較，取得了較好的預測效果。胡海峰等[22]利用隱半馬爾可夫模型(hidden semi-Markov model，HSMM)進行故障診斷和預測，針對傳統HSMM建模算法的缺點，引入快速遞推算法進行改進，并將改進后的算法成功應用到直升機齒輪箱軸承的故障診斷與壽命預測中。杜樂[23]以數控機床的盤式刀庫自動換刀系統為研究對象，分析盤式刀庫典型故障并搭建監測系統架構，提出了基于ARMA 模型的故障預測方法。柯赟等[24]將故障預測與健康管理（prognostics and health managemen，PHM）技術應用于船舶柴油機，并提出了系統的實現路線。

1 學習算法及其選擇

1.1 學習算法

線性回歸是數理統計在機器學習領域進一步發展的產物，作為最基礎的機器學習算法之一，其基本原理雖然簡單，但是包含概率論、微積分等多種數據處理方法。隨著線性回歸算法在各領域應用的不斷推廣深入，相關學者提出多種函數模型與求解方法以適應新的運算環境，并滿足更高的數據分析精度要求。

人工神經網絡是在數據處理原理上對人腦神經網絡的抽象模擬，可以解決數據分析中的分類和回歸問題。LSTM 神經網絡作為人工神經網絡中的一種，是循環神經網絡的深度改進版本，它較為有效地解決了循環神經網絡在實際應用中的梯度問題。

1.2 算法實現與效果對比

機器學習在實現的過程中會遇到各種問題，任何問題的產生均會對建立模型的分析預測精度產生巨大的影響。通過統計學習大量數據獲得的預測模型經常會出現欠擬合或過擬合的問題。欠擬合主要是由于選用的算法模型結構過于簡單，沒能在統計學習中分析出訓練數據的內在聯系關系，導致預測模型對于訓練數據的擬合精度很差；過擬合是過度解讀訓練數據內在聯系，將訓練數據局部聯系特征按照參數整體特征規律去學習，導致對那些不具有訓練數據局部特征的其他同類別數據樣本的擬合精度變差。

為了有效避免上述情況的發生，在算法實現過程中以結構風險最小化原理為模型設計搭建原則，以同一個含有各類型狀態參數的長時間數據樣本為分析依據，以PyCharm 為程序編寫平臺完成算法運行程序的編寫與調試運行，2種算法均以汽輪發電機定子繞組冷卻水入口水溫作為預測參數，最終對獲得的2個預測結果進行對比分析。線性回歸算法的參數預測結果如圖1所示。

圖1 線性回歸預測結果

圖中顯示的是驗證樣本中前50 h 數據的實際溫度曲線與預測溫度曲線。從圖中可以看出，預測誤差在1℃左右，最大溫差約為2℃，模型預測誤差率總體控制在5%以內，預測效果較為良好。

LSTM 神經網絡的參數預測結果如圖2所示。

圖2 LSTM 神經網絡預測結果

圖中顯示的是驗證樣本中前100 h 內數據的實際溫度曲線與預測溫度曲線，基本處于上方的曲線為預測溫度曲線，另一條曲線表示冷卻水的實際溫度。在圖2(a)中能夠看到整體的預測效果很好；從圖2(b)中能夠看出預測誤差在0.3℃左右，最大預測誤差約為0.8 ℃，模型預測誤差率整體控制在2%以內，預測效果十分優秀。

經過2種算法預測結果的分析對比可知，在汽輪發電機狀態參數預測方面，LSTM神經網絡的預測精度要明顯高于線性回歸。在現實生產中，汽輪發電機的狀態參數之間會存在一定的聯系，但這無法用線性表示出來，并且即使監測樣本包含的數據種類再多，也難以涵蓋所有與預測參數有關的數據信息。LSTM 神經網絡能更有效地處理長時序問題，深入分析數據樣本內隱含的關聯特征。所以在理論上，LSTM 神經網絡會比線性回歸更加適合汽輪發電機狀態監測與預測分析，這與實際預測結果分析得出的結論相同。

2 狀態監測系統的搭建

2.1 預測模型的構建流程

在確定了選用算法之后，為了使健康預測模型能較好地融入到后續的發電機狀態監測系統，需要對神經網絡參數進行進一步的優化，構建出推廣性良好的汽輪發電機健康預測模型，其構建流程如圖3所示。

圖3 LSTM 神經網絡健康預測模型構建流程

原始數據樣本讀入后需要進行預處理，在消除噪聲成分與無效數據的同時，將整體數據樣本按照3︰1︰1的比例劃分為訓練樣本、驗證樣本和測試樣本。訓練模型就是確定各個網絡變量的過程，變量主要包括各層級權重、偏置、dropout 參數等。其中dropout 參數的作用為隨機失活，這種方法能實現神經網絡的正則化，進而降低模型的整體結構風險。當模型訓練完成后，用驗證樣本對模型的正確率進行驗證，如果合格則可以進一步對測試樣本進行分析，并顯示出最終的預測結果；如果不合格則需要修改模型參數，直至模型在驗證環節得出的正確率合格為止。可以修改的模型參數主要有學習率、批量尺寸、訓練迭代次數等，模型參數的設置將直接影響網絡整體結構的運行狀態與最終構建模型的數據預測分析效果，經過多次嘗試最終確定的神經網絡參數：學習率為0.0006；批量尺寸為200；訓練迭代30次。

2.2 系統監測結果

預測模型首先得出的是汽輪發電機的一個或幾個運行狀態參數的預測值，之后根據這些預測的狀態參數對汽輪發電機整體或某關鍵部件的健康程度進行評估。預測參數將以該狀態參數的正常范圍與報警閾值作為評估依據，當預測參數在正常范圍內時可判斷為正常狀態；當預測參數接近報警閾值時則會判斷健康程度處于下降趨勢。最終獲得的汽輪發電機健康預測結果將會以百分比的形式表示，默認60%以下為故障狀態，具體狀態參照指標也可根據專家意見進行修改。

為檢驗基于LSTM神經網絡的狀態監測系統對汽輪發電機的運行監測效果，分別以在2種不同工作狀態下測得的狀態參數為分析依據，系統得出的監測結果如圖4所示。

圖4 狀態監測系統運行參數分析結果

由2種工況下運行狀態參數的分析結果可以看出：工況1的汽輪發電機健康監測結果為96.719%，此時機組處于正常的工作狀態；而汽輪發電機在工況2的健康監測結果為36.956%，并且結合其他狀態參數的變化趨勢，如發電機軸瓦溫度持續升高、發電機轉軸振動加劇等，可以判斷出此時機組處于故障狀態。

基于LSTM 神經網絡的汽輪發電機狀態監測系統，以汽輪發電機當前運行狀態參數為分析依據，運算出旋轉機組的關鍵狀態參數預測結果，進而實現汽輪發電機健康監測分析結果。為現場工作人員快速掌握汽輪發電機或某關鍵部件的運行情況提供有效的參考信息，并對相關設備的日常運行維護、故障維修進行指導，實現預測性維護。

3 系統監測結果的驗證分析

3.1 振動信號的特征提取

為了進一步驗證汽輪發電機狀態監測系統分析結果的準確性，現采用振動信號分析這種較為傳統的旋轉機械狀態監測方法，從前文所用2種工作狀態下的狀態參數中提取出振動信號作為分析依據。

經過預處理后的振動信號，還需要進行信號分析等處理方法，將信號特征提取出來，并對各個特征參數指標進行分析，最終才能得出可靠的狀態監測結果。

采用快速傅里葉變換進行頻域處理，以預處理后2工況振動信號為分析樣本，在MATLAB軟件中編寫程序并完成運算，獲得的頻譜圖如圖5所示。

圖5 振動信號頻域分析結果

工況1振動信號的主要頻率為50 Hz，與發電機轉子轉速頻率相同，同時其他頻率上對應的幅度基本為零，僅在倍頻位置存在較高幅值。此時轉軸運行比較平穩，無異常沖擊振動產生，汽輪發電機總體運行狀態良好。工況2振動信號的各頻率振幅均有所上升，其中低倍頻成分突變最為明顯，1/2轉速頻率25 Hz 成為除轉速頻率50 Hz外振幅最大的頻率成分，同時100、150 Hz 等高倍頻振幅也有不同程度的增長，轉子的動態平衡被打破，振動沖擊加劇，可以判斷出工況2下汽輪發電機為故障狀態。

3.2 結果的對比分析

基于LSTM神經網絡的汽輪發電機狀態監測系統對2種工況狀態參數的分析結論與傳統的振動信號分析方法得出的狀態監測結果基本相同，并且這些狀態分析結果均與從現場工作人員了解到的汽輪發電機實際運行情況相吻合。

雖然本文采用振動信號分析的方法對基于LSTM 神經網絡的狀態監測系統進行了結果的對比驗證，但是相較于傳統的分析方法，LSTM神經網絡對汽輪發電機狀態參數的分析處理還是具有無法替代的優勢。振動信號分析主要是對當前的設備狀態進行監測，一旦發生故障，所處理分析的信號也是故障發生之后產生的異常信號，并不能實現設備狀態的長時預測。而運用LSTM神經網絡的狀態監測方法，能夠從大量的監測數據中找到內部聯系，實現對運行狀態趨勢的預測或判斷，可實現對漸發性故障的監測識別，用于指導設備的日常維護，顯著降低故障的發生概率。

4 結論

本文設計搭建出了基于LSTM神經網絡的汽輪發電機狀態監測系統。

1)對機器學習算法進行了篩選，對比分析了線性回歸算法和LSTM 神經網絡對汽輪發電機某狀態參數的預測效果，結果證明LSTM 神經網絡預測精度更高。

2)在監測系統搭建的過程中，設計規劃了基于LSTM神經網絡健康預測模型的構建流程，完成了關鍵參數的設置，并得出了健康監測結果。

3)為了保證監測系統分析結果準確無誤，采用振動信號分析的方法對汽輪發電機進行狀態監測，并將得出結論與監測系統的分析結果進行對比驗證。

基于LSTM 神經網絡的汽輪發電機狀態監測系統的設計實現與結論驗證，對后續的大型旋轉機械運行狀態監測研究具有一定的參考價值。