基于AHP-RBR 的燃氣輪機壓氣機故障診斷方法研究

彭道剛，姬傳晟，涂 煊，戚爾江

（1.上海電力大學 自動化工程學院，上海 200090；2.上海工業自動化儀表研究院有限公司，上海 200233）

0 引言

在發電行業中，燃氣輪機發電機組因啟停迅速、熱效率高、污染少等優點成為當今主流發電形式之一[1]，但是我國燃氣輪機的關鍵核心技術仍依賴于國外。為了改變這種現狀，國家加大對燃氣輪機的政策支持，由國家能源局發布的《電力發展“十三五”規劃》和《依托能源工程推進燃機創新發展的若干意見》等政策推動燃氣輪機行業快速發展。

壓氣機作為燃氣輪機的主要部件，其運行狀態直接影響著燃氣輪機的穩定運行。壓氣機發生故障，燃氣輪機的性能就會下降，嚴重時可能導致燃氣輪機停機。如果能夠及時診斷出壓氣機的故障類型，降低因壓氣機故障而引起燃氣輪機非計劃停機的風險，對燃氣輪機穩定運行具有重要意義。

目前，燃氣輪機故障診斷方法主要分為數學模型診斷、經驗知識診斷和數據驅動診斷三類[2]。文獻[3]利用燃氣輪機故障的經驗知識建立數學模型，提高了燃氣輪機故障診斷的精度和準確率。文獻[4]采用核主元分析法對燃氣輪機歷史數據進行分析，建立特征模型，實現特征變換，挖掘燃氣輪機故障的關鍵信息。文獻[5]采用模糊綜合評判和故障樹分析相結合的診斷方法，解決了傳統故障樹診斷的不確定性，有效地提高燃氣輪機故障診斷準確率。文獻[6]提出的將條件規則和故障樹相結合的燃氣輪機故障診斷技術，能夠準確分析故障發生的原因和位置，為維修人員提供方便。早期故障診斷都是基于規則的專家系統，簡單、方便、形象地描繪出故障類型和征兆的關系，診斷推理速度快；缺點是規則知識庫覆蓋的故障類型不夠全面，對未出現過的故障，難以識別其故障類型，需要不斷進行補充和完善。

基于RBR（規則推理）的故障診斷方法需要建立故障知識庫，從而挖掘出故障類型和征兆參數之間的隱藏關系。傳統的RBR 存在一個問題，就是對于每種故障類型中各征兆參數的影響權重不能夠表現出來。所以，本文提出了利用AHP（層次分析法）確定壓氣機故障類型各征兆參數之間的權重，有效解決了這個問題，從而可以更好地利用RBR 來進行故障診斷。

1 AHP-RBR 故障診斷流程

壓氣機發生故障時，其部分參數也發生變化，這些參數即為征兆參數。根據已有文獻研究成果和壓氣機故障案例分析，壓氣機故障類型和征兆參數有較強的規則性關系。文獻[7]證明同轉速下進口質量流量衰減可作為判斷壓氣機是否積垢的依據。文獻[8]認為壓氣機的葉片磨損會導致級組壓比減小、進氣質量流量減少、壓氣機增壓能力降低等。所以通過挖掘故障類型和征兆參數之間的規則性關系，可以有效地進行故障診斷。

本文通過AHP-RBR 模型進行故障診斷，首先將專家的知識、經驗和壓氣機的故障案例存儲在故障知識庫中，然后利用AHP 確定知識庫的故障類型與各征兆參數之間的權重。將壓氣機運行的故障數據與利用LSTM（長短期記憶網絡）模型的預測數據進行處理，獲得壓氣機故障偏差數據量化值組，最后通過加權歐氏距離最小值的相似度模型識別出壓氣機的故障類型，從而實現燃氣輪機壓氣機的故障診斷。燃氣輪機壓氣機故障診斷的整體流程如圖1 所示。

2 AHP-RBR 故障診斷模型

2.1 構建壓氣機故障知識庫

圖1 燃氣輪機壓氣機故障診斷整體流程

根據已有文獻的研究成果和故障案例分析，搜集、整理壓氣機的故障類型與故障特征，構造壓氣機故障知識庫。通過知識庫的構建能夠簡單、直觀地發現壓氣機故障類型和征兆參數之間的變化關系，為故障診斷提供依據，如圖2 所示。

2.2 層次分析法確定征兆參數權重

壓氣機發生葉片積垢、葉片磨損腐蝕、進氣口結冰等故障時，其入口壓力、出口溫度、效率等會發生變化，但是對于不同的故障類型可能會有相同的故障征兆，其間的關聯性很強。根據案例發現，不同的故障類型所依賴的故障征兆之間的權重是不同的。例如壓氣機葉片積垢與級組壓比、空氣流量、壓氣機出口壓力之間的影響較為強烈[9]，壓氣機喘振與進氣質量流量、壓氣機效率的影響也較大[10]，所以可加大征兆參數的權重，來區別不同的故障類型。本文診斷的故障類型主要有壓氣機葉片積垢、葉片磨損腐蝕、進氣口結冰、喘振，分別記為Pi（i=1，2，3，4）。對應的故障征兆參數有導葉開度、壓氣機進氣質量流量、壓氣機入口溫度、壓氣機出口溫度、壓氣機入口壓力、壓氣機出口壓力、級組壓比、壓氣機效率、負荷[11-14]，分別記為指標Ij（j=1，2，…，9）。

采用層次分析法來確定每種故障類型各征兆參數之間的權重。對壓氣機故障類型的征兆參數進行分析，建立層次結構模型。通過專家的知識、經驗和壓氣機故障案例分析，對壓氣機故障征兆的各因素進行客觀比較，給出重要的定量標度。構造判斷矩陣，從而計算出故障類型各征兆參數的權重ωi={ωi1，ωi2，ωi3，…，ωi9}。圖3 所示為層次分析法確定燃氣輪機壓氣機故障類型征兆參數權重流程。

圖2 壓氣機常見故障知識庫

圖3 征兆參數權重確定流程

2.2.1 構造判斷矩陣

層次分析法的判斷矩陣由各因素兩兩比較相對重要性的數值寫成的矩陣形式。判斷矩陣用A表示。判斷矩陣元素值axy表示第x 個元素與第y個元素相比，axy用數字1-9 及其倒數作為標度[15]，ayx表示axy的倒數，如表1 所示。

表1 判斷矩陣axy標度方法

2.2.2 判斷矩陣一致性檢驗

通過判斷矩陣特征值計算,得到判斷矩陣最大特征值λmax，特征向量α。將特征向量歸一化，從而獲得層次間的重要權值ωij，并進行一致性檢驗。在構造判斷矩陣A 時，要檢驗判斷矩陣是否具有一致性，否則需要重新調整判斷矩陣的元素，使其達到要求[16]，一致性校驗公式如下：

式中：CI 為壓氣機故障類型判斷矩陣一致性指標；n 為壓氣機故障類型的判斷矩陣階數；CR 為壓氣機故障類型判斷矩陣的一致性比例；RI 為壓氣機故障類型判斷矩陣的平均一致性指標。

隨著判斷矩陣的階數變化，RI 具體值如表2所示。本文為9 階矩陣，RI 的值為1.45。對于判斷矩陣，CR 的值越小，則一致性越好，一般CR的值小于0.1 時，判斷矩陣滿足一致性的要求。

2.3 LSTM 模型預測與量化處理

根據故障知識庫選取導葉開度、壓氣機進氣質量流量、壓氣機入口溫度、壓氣機出口溫度、壓氣機入口壓力、壓氣機出口壓力、級組壓比、壓氣機效率、負荷9 個特征參數。利用某發電廠提供的2017 年5 月壓氣機3 000 組正常運行數據建立LSTM 預測模型，其中90%做訓練，10%做測試。以壓氣機進氣質量流量為例，模型輸出結果如圖4 所示，預測值與實際值的殘差曲線如圖5 所示。由圖5 可知，誤差在0.5%以內，具有良好的預測效果。

圖4 壓氣機進氣量預測值與實際值曲線

圖5 壓氣機進氣量殘差百分比

將壓氣機的故障數據代入訓練好的預測模型，通過LSTM 模型監測9 個特征參數，利用故障數據與預測數據的偏差，超過報警值，進行量化處理，量化公式如式（3）所示，將9 個特征參數的量化值構成向量組Mk{m1，m2，…，mj，…，m9}（k=20，本文選取20 組進行故障診斷）。

式中：mi為第i 個特征參數的報警點量化值；xi實為第i 個特征參數報警點實際值；xi預測為第i 個特征參數報警點預測值；ei為第i 個特征參數故障設計值與運行值的偏差。

2.4 AHP-RBR 故障診斷模型

RBR 是將一個規則的結論作為另一個規則的前提，將已存在的事實或結論作為依據，推論出另一個規則的思維過程[17]。基于規則推理的故障診斷方法是利用專家知識、經驗和壓氣機故障的案例分析，以故障類型、故障征兆等內容存儲在知識庫中[18]，然后以RBR 的推理方式找到故障類型和故障征兆之間的關系，根據故障征兆來識別故障類型。基于AHP-RBR 的故障診斷模型是在規則推理的基礎上，利用層次分析法對故障類型各征兆參數之間的權重進行分析。

AHP-RBR 故障診斷模型利用故障知識庫，確定影響壓氣機各故障類型的9 個征兆參數，且通過征兆參數上升、下降、正常進行量化分析，將每種故障類型構造出向量組，Gi={gi1，gi2，gi3，…，gi9}表示故障知識庫征兆參數量化值組。如空氣流量下降記為-1，上升記為1，正常則記為0。知識庫的征兆參數量化結果如下所示：

然后利用層次分析法根據專家經驗和案例分析，構造判斷矩陣A，得出每種故障類型對應的各征兆參數權重ωi={ωi1，ωi2，ωi3，…，ωi9}。當壓氣機發生故障時，壓氣機征兆參數的故障數據與預測數據的偏差超過報警值，進行量化處理，構成向量組Mk{m1，m2，…mj，…，m9}（k=20）。將知識庫的征兆參數量化值組Gi與壓氣機故障偏差數據量化值組Mk代入相似度模型進行故障診斷。相似度模型的原理是利用不同征兆參數對故障類型的權重不同，計算出知識庫征兆參數量化值與故障數據偏差量化值之間的加權歐氏距離。計算方式為：

式中：di為知識庫征兆參數量化值與故障數據偏差量化值之間的歐氏距離；ωij為壓氣機故障類型對應的各征兆參數權重值；mj為壓氣機故障偏差量化值；gij為壓氣機知識庫征兆參數量化值。

通過相似度模型輸出的值越小，表示當前壓氣機故障與知識庫的壓氣機故障類型越相似，由此診斷出壓氣機的故障類型。從而減少了檢修人員排查故障的時間，降低了壓氣機故障帶來的經濟損失。AHP-RBR 故障診斷模型如圖6 所示。

圖6 AHP-RBR 故障診斷模型

3 實驗仿真分析

3.1 壓氣機故障類型各征兆參數權重

根據壓氣機故障知識庫，得到故障類型和征兆參數之間的關系，確定各征兆參數對壓氣機故障類型的權重。根據已有的研究成果和案例分析，以壓氣機葉片磨損腐蝕P2 為例，分析各征兆參數對壓氣機葉片磨損腐蝕故障的權重，利用判斷矩陣的標度axy為數字1-9 表示，如表3 所示，數字越大表示某征兆參數對壓氣機葉片磨損腐的影響越大，構建壓氣機葉片磨損腐蝕判斷矩陣A。構造的判斷矩陣A 需要進行一致性校驗，由線性代數知識進行計算，判斷矩陣A 的最大特征值λmax=9.336 7，根據式（1）和（2）得CI=0.045 8，CR=0.031 6，CR＜0.1 判斷矩陣滿足一致性要求，這時壓氣機葉片磨損腐蝕故障征兆參數權重為ω2={0.033 7，0.222 4，0.023 1，0.073 1，0.023 1，0.312 8，0.106 9，0.155 1，0.049 7}。同理，求得其它3 種壓氣機故障類型的征兆參數權重如表4所示。

表3 壓氣機葉片磨損腐蝕的判斷矩陣A

3.2 實驗對比分析

選取某發電廠壓氣機的20 組故障樣本，按照每種故障類型選5 組故障數據，每組有9 個征兆參數的數據，對這20 組故障樣本進行診斷。將處理好的壓氣機故障偏差數據量化值組Mk代入AHP-RBR 模型和RBR 診斷模型，通過三維圖來展示兩種診斷模型的結果，圖7 中的故障類型1，2，3，4 分別表示壓氣機葉片積垢、壓氣機葉片磨損腐蝕、壓氣機進氣口結冰和壓氣機喘振。圖7為AHP-RBR 故障診斷模型輸出的結果，從圖7可以看出各故障類型的樣本數據加權歐式距離最小值與壓氣機故障類型相對應，通過加權歐式距離最小值反映出了壓氣機的故障類型。為了方便直接觀察，以圖8 的形式展示壓氣機的實際故障類型與AHP-RBR 診斷的結果，可見AHP-RBR模型的準確率較高。

表4 壓氣機各故障類型的征兆參數權重

圖7 AHP-RBR 模型輸出結果

圖8 AHP-RBR 診斷結果

圖9 為RBR 故障診斷模型輸出的結果，從圖9 可以看出有兩組樣本診斷錯誤：第6 組的壓氣機的葉片磨損被誤診斷為葉片積垢，第13 組的壓氣機的葉片積垢被誤診斷為葉片磨損。通過圖10 也可以直觀地發現第6 和第13 個樣本組診斷錯誤。所以與RBR 模型診斷結果相比，AHPRBR 具有很好的準確率。

圖9 RBR 模型輸出結果

圖10 RBR 診斷結果

4 結語

本文通過建立壓氣機故障知識庫，挖掘出壓氣機故障類型與征兆參數之間的規則性關系。采用層次分析法確定各征兆參數對壓氣機故障類型的權重，通過AHP-RBR 故障診斷模型和相似度模型進行故障診斷。結合實驗仿真分析，通過AHP-RBR 模型和RBR 模型診斷結果對比，認為AHP-RBR 的故障診斷模型準確率較高，具有較好的診斷效果。