基于深度自編碼器和支持向量數據描述的燃氣輪機高溫部件異常檢測

白明亮，張冬雪，劉金福*，劉嬌，于達仁,

基于深度自編碼器和支持向量數據描述的燃氣輪機高溫部件異常檢測

白明亮1，張冬雪2，劉金福2*，劉嬌3，于達仁1,2

（1．哈爾濱工業大學控制科學與工程系，黑龍江省 哈爾濱市 150001；2．哈爾濱工業大學能源科學與工程學院，黑龍江省 哈爾濱市 150001；3．中國航空工業集團公司沈陽飛機設計研究所，遼寧省 沈陽市 110035）

開展燃氣輪機高溫部件的異常檢測能有效提高其運行安全性和可靠性。隨著人工智能技術的興起，數據驅動的故障診斷方法已經越來越流行。然而，在實際應用中，燃氣輪機故障數據很少甚至幾乎沒有。針對僅有正常數據場景下的燃氣輪機高溫部件異常檢測問題，提出了一種基于深度自編碼器(deep autoencoder，DAE)和支持向量數據描述(support vector data description，SVDD)融合的DAE-SVDD異常檢測方法。該方法利用正常數據訓練深度自編碼器，并利用深度自編碼器的重構誤差來訓練支持向量數據描述。與傳統異常檢測方法相比，該方法顯著提高了異常檢測精度，能實現更靈敏魯棒的燃氣輪機高溫部件異常檢測。

燃氣輪機；高溫部件；深度自編碼器(DAE)；支持向量數據描述(SVDD)；異常檢測；故障診斷

0 引言

燃氣輪機是一種廣泛應用于電力、航空動力、船舶動力等諸多領域的動力設備[1-2]。燃氣輪機的工作環境惡劣，易發生故障，一旦發生故障會造成嚴重的經濟損失。開展燃氣輪機的在線健康狀態監測與異常檢測能夠實時監測燃氣輪機的健康狀態，在故障發生初期及時檢測出燃氣輪機故障，避免嚴重故障的發生，從而能夠大幅度提高燃氣輪機的運行安全性與可靠性，同時能夠大幅減少維修費用[3-7]。燃氣輪機的高溫部件包括燃燒室、燃料噴嘴、渦輪前幾級葉片等部件，是燃氣輪機最為關鍵、最為重要的部件之一。燃氣輪機高溫部件長期工作在高溫環境下，工作環境尤為惡劣，相比于燃氣輪機其他部件更容易發生故障。因此開展燃氣輪機高溫部件的異常檢測研究具有極其重要的意義。

目前，燃氣輪機異常檢測與故障診斷的研究主要可以分為兩大類：基于模型的診斷方法和基于數據的診斷方法[8]。基于模型的方法依賴于精確的燃氣輪機數學模型，在實際應用中建立精確的數學模型往往是比較困難的。基于數據的診斷方法只需利用燃氣輪機的歷史數據，無需建立精確的模型。因此，基于數據的診斷方法受到了研究人員的廣泛關注[9]。

隨著人工智能和大數據技術的發展，眾多研究人員利用各種人工智能算法開展了燃氣輪機異常檢測與故障診斷研究。目前，極限學習機、支持向量機、隨機森林、粗糙集等各種人工智能算法已經被廣泛應用于燃氣輪機的故障診斷中，取得了良好的故障診斷效果。Wong等[10]提出了一種基于極限學習機的燃氣輪機故障診斷方法。Maragoudakis等[11]利用隨機森林進行了燃氣輪機的故障診斷。Wang等[12]基于粗糙集方法進行了燃氣輪機的故障診斷，取得了良好的診斷效果。

深度學習算法是人工智能領域的最新突破性技術。目前，深度學習已經廣泛應用于圖像識別、語音識別、自動駕駛等領域，取得了前所未有的成功[13]。隨著深度學習的興起，研究人員已經開始嘗試將深度學習方法引入燃氣輪機的故障診斷中。Yan等[14]利用深度信念網絡進行燃氣輪機故障診斷，取得了良好的診斷效果。Fu等[15]提出了一種基于分組卷積去噪自編碼器的燃氣輪機故障診斷方法。Mulewicz等[16]比較了深度學習和幾種傳統機器學習方法在燃氣輪機故障診斷上的診斷效果，驗證了深度學習的優越性。

雖然上述各種故障診斷方法已經取得了比較好的故障檢測與診斷效果，但是目前的研究主要集中在故障數據比較充足的場景。在燃氣輪機的實際運行中，故障數據往往很少。對于新投入運行的燃氣輪機，其運行初期往往只有正常數據而沒有故障數據。目前，在僅有正常數據的場景下進行燃氣輪機故障檢測的研究相對較少。同時，目前的燃氣輪機故障診斷主要集中在燃氣輪機的氣路故障診斷上，對于燃氣輪機中最為關鍵、最為重要的部件之一——高溫部件的故障診斷研究，仍然相對較少。

本文針對僅有正常數據場景下的燃氣輪機高溫部件故障檢測問題，提出了深度自編碼器(deep autoencoder，DAE)和支持向量數據描述(support vector data description，SVDD)融合的DAE-SVDD故障檢測方法，大幅度提升了燃氣輪機高溫部件的故障檢測精度。

1 燃氣輪機高溫部件異常檢測的挑戰

燃氣輪機高溫部件包括燃燒室、燃料噴嘴、渦輪前幾級葉片等部件，是燃氣輪機最為重要的部件之一。燃氣輪機的高溫部件工作溫度高，一般的熱電偶很難對其進行長期的健康狀態監測。因此，燃氣輪機高溫部件的健康狀態常常通過 均勻分布在透平出口處的多個熱電偶進行監測，如圖1所示。

圖1 透平出口處的熱電偶示意圖

本文研究的燃氣輪機為某單軸重型燃氣輪機，具有27個火焰筒，在其透平出口處均勻布置了27個熱電偶來測量透平的排氣溫度，其熱電偶的布置如圖2所示[17]。當燃氣輪機的高溫部件處于健康狀態時，透平排氣溫度的周向分布會相對比較均勻，圖2中各個熱電偶的示數相差不大。當燃氣輪機的高溫部件發生故障時，透平排氣溫度的周向分布變得不再均勻，圖2中各個熱電偶的示數之間會出現較大的偏差。因此，通過透平排氣溫度可以有效監測燃氣輪機高溫部件的健康狀態。

圖2 熱電偶的布置示意圖

然而，高溫部件的故障并不是導致透平排氣溫度周向分布不均勻的唯一因素，工況的變化、環境條件的變化、燃氣的摻混與旋轉等諸多干擾因素也會導致透平排氣溫度周向分布不均勻。 圖3和圖4展示了燃氣旋轉對透平排氣溫度周向分布的影響。因此，在僅有正常訓練數據的場景下，如何能夠有效消除各種干擾因素對異常檢測的影響并實現靈敏魯棒的異常檢測，是燃氣輪機高溫部件異常檢測的關鍵問題。

圖3 燃氣旋轉示意圖

圖4 燃氣旋轉對透平排氣溫度的影響

2 DAE-SVDD異常檢測方法

2.1 深度自編碼器算法

深度自編碼器是一種目前常用的無監督學習方法[18]，廣泛應用于數據降維[19]、特征提取[20]等領域。深度自編碼器包括編碼器和解碼器2部分，其結構如圖5所示。

圖5 深度自編碼器的原理圖

2.2 支持向量數據描述算法

本文利用支持向量數據描述算法確定DAE的重構誤差閾值。支持向量數據描述算法由Tax等[21]提出，是一種常見的異常檢測算法，其基本原理如圖6所示。

圖6 高維空間內的超球體

該算法通過引入核函數將數據映射到高維空間中，在該高維空間中尋找一個半徑盡可能小的超球體，使得盡可能多的正常樣本落在超球體內。支持向量數據描述算法旨在最小化公式(4)所示的目標函數：

在利用正常的訓練樣本對DAE進行訓練后，通過支持向量數據描述將訓練樣本與其重構值之間的誤差映射到高維空間中，并壓縮至圖6所示的最小超球體內。

2.3 基于DAE-SVDD的異常檢測流程

1）數據劃分。將正常訓練數據劃分為訓練集、驗證集和測試集。訓練集用來訓練DAE-SVDD模型，驗證集用來調整算法的參數，測試集用來檢測算法效果。

圖7 DAE-SVDD異常檢測算法流程

3 實驗分析

3.1 數據描述

本文采用某200 MW級單軸重型燃氣輪機的實際運行數據進行燃氣輪機高溫部件的異常檢測研究。該燃氣輪機具有27個火焰筒，在其透平出口處均勻布置了27個熱電偶來測量透平的排氣溫度。該燃氣輪機的測量數據包括31個測量參數：功率、轉速、壓氣機入口溫度、27個熱電偶測量的透平排氣溫度及其平均值。測量數據包括3 000個正常樣本和500個異常樣本。本文所采用的數據中，其功率變化范圍為0.8~195.0 MW，壓氣機入口溫度的變化范圍為-6.7~17.8 ℃。在本文的實驗數據中，異常樣本發生故障的原因為渦輪第1級葉片發生了比較嚴重的磨損。

實驗中將正常樣本按照時間順序依次劃分為訓練集、驗證集和測試集，分別用于訓練DAE-SVDD算法、調整DAE-SVDD算法參數和評估DAE-SVDD算法在正常數據上的檢測效果，詳細數據描述如表1所示。圖8展示了正常數據訓練集中前500個樣本的工況參數變化。

表1 數據集描述

圖8 訓練集中前500個樣本的工況參數變化

3.2 DAE-SVDD異常檢測實驗

利用DAE-SVDD算法開展燃氣輪機高溫部件異常檢測研究，首先利用燃氣輪機高溫部件的正常樣本對深度自編碼器進行訓練，算法參數通過驗證集進行調整。訓練完成后，正常樣本的測試集和故障數據被輸入到深度自編碼器中，以比較其對正常數據和故障數據的重構誤差。本文用公式(5)所示的均方根誤差來衡量重構誤差的 大小。

本文利用深度自編碼器對故障數據以及正常數據的訓練集、驗證集和測試集進行重構，利用RMSE評價重構誤差，在故障數據以及正常數據的訓練集、驗證集和測試集上的RMSE如表2所示。由表2可見，深度自編碼器在故障數據上的RMSE明顯大于其在正常數據的訓練集、驗證集和測試集上的RMSE。因此設置一個合適的重構誤差閾值，即可實現靈敏的異常檢測。

表2 深度自編碼器訓練結果

表3 DAE-SVDD異常檢測精度

3.3 DAE-SVDD與其他方法的實驗比較

將本文提出的DAE-SVDD算法與SVDD方法進行比較，以驗證DAE-SVDD算法的優越性。利用正常數據的訓練集對SVDD進行訓練，并通過驗證集對算法進行調參，訓練好的SVDD模型的故障檢測效果由正常數據的測試集和故障數據進行評價。圖10(a)—(d)分別展示了正常數據的訓練集、驗證集、測試集以及故障數據中樣本到球心距離與超球半徑的關系。因此，SVDD方法也能比較好地區分正常與故障數據。

本文提出的DAE-SVDD方法與SVDD的異常檢測精度對比如表4所示。由表4可知，DAE-SVDD在正常數據的訓練集、驗證集、測試集以及故障數據上的精度均明顯優于SVDD方法，由此驗證了本文提出方法的優越性。

表4 DAE-SVDD與SVDD的異常檢測精度比較

4 結論

針對僅有正常訓練樣本場景下的燃氣輪機高溫部件異常檢測問題，提出了基于深度自編碼器和支持向量數據描述融合的DAE-SVDD異常檢測算法。該方法利用深度自編碼器對數據進行壓縮與重構，通過支持向量數據描述確定重構誤差閾值并進行異常檢測。所提出的方法相比于支持向量數據描述能夠明顯提升燃氣輪機高溫部件的異常檢測精度，實現了靈敏魯棒的燃氣輪機高溫部件異常檢測，大幅度提高了燃氣輪機高溫部件的運行安全性與可靠性。

[1] 薛曉東，韓巍，王曉東，等．適合分布式冷熱電聯供系統的中小型發電裝置[J]．發電技術，2020，41(3)：252-260．

XUE X D，HAN W，WANG X D，et al．Small and medium-scale power generation devices suiting for distributed combined cooling, heating and power system[J]．Power Generation Technology，2020，41(3)：252-260．

[2] 丁繼偉，李巖．基于彈塑性理論的燃機轉子壽命分析[J]．發電技術，2020，41(2)：202-205．

DING J W，LI Y．Analysis on gas turbine rotor life based on elastoplastic theory[J]．Power Generation Technology，2020，41(2)：202-205．

[3] 蘇燁，丁俊宏，丁寧，等．全國燃氣輪機聯合循環機組熱控系統典型故障分析及預控措施建議[J]．浙江電力，2020，39(8)：95-102．

SU Y，DING J H，DING N，et al．Typical fault analysis and proposals of pre-control measures for thermal control system of national gas turbine combined cycle units[J]．Zhejiang Electric Power，2020，39(8)：95-102．

[4] 楊衛國，祝鐵軍，王慶韌，等．燃氣輪機組壓氣機失速引發的不穩定振動分析[J]．廣東電力，2019，32(7)：37-43．

YANG W G，ZHU T J，WANG Q R，et al．Analysis on unstable vibration caused by stall of gas turbine compressor[J]．Guangdong Electric Power，2019，32(7)：37-43．

[5] 朱俊杰，王曉維，董玉亮，等．基于工況辨識的重型燃氣輪機性能評價方法研究[J]．智慧電力，2020，48(7)：24-29．

ZHU J J，WANG X W，DONG Y L，et al．Performance evaluation method of heavy duty gas turbine based on condition identification[J]．Smart Power，2020，48(7)：24-29．

[6] 白明亮．故障案例稀缺場景下的燃氣輪機智能故障檢測及診斷研究[D]．哈爾濱：哈爾濱工業大學，2020．

BAI M L．Study on intelligent fault detection and diagnosis of gas turbine under the scarcity of fault cases[D]．Harbin：Harbin Institute of Technology，2020．

[7] 劉嬌．燃氣輪機高溫部件故障早期預警研究[D]．哈爾濱：哈爾濱工業大學，2019．

LIU J．Research on early warning of gas turbine high temperature components fault[D]．Harbin：Harbin Institute of Technology，2019．

[8] TAHAN M，TSOUTSANIS E，MUHAMMAD M，et al．Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: a review[J]．Applied Energy，2017，198： 122-144．

[9] LIN X S，LI B W，YANG X Y．Engine components fault diagnosis using an improved method of deep belief networks[C]//7th International Conference on Mechanical and Aerospace Engineering(ICMAE). IEEE，2016：454-459．

[10] WONG P K，YANG Z，VONG C M， et al．Real-time fault diagnosis for gas turbine generator systems using extreme learning machine[J]．Neurocomputing，2014，128(3)：249-257．

[11] MARAGOUDAKIS M，LOUKIS E，PANTELIDES P P．Random forests identification of gas turbine faults[C]//19th International Conference on Systems Engineering．IEEE，2008：127-132．

[12] WANG L，LI Y G，ABDUL GHAFIR M F，et al．A rough set-based gas turbine fault classification approach using enhanced fault signatures[J]．Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2011，225(8)： 1052-1065．

[13] LECUN Y，BENGIO Y，HINTON G，et al．Deep learning[J]．Nature，2015，521(7553)：436-444．

[14] YAN L P，DONG X Z，WANG T，et al．A fault diagnosis method for gas turbines based on improved data preprocessing and an optimization deep belief network[J]．Measurement Science and Technology， 2019，31(1)：151-162．

[15] FU X Y，LUO H，ZHONG S，et al．Aircraft engine fault detection based on grouped convolutional denoising autoencoders[J]．Chinese Journal of Aeronautics，2019，32(2)：296-307．

[16] MULEWICZ B，MARZEC M，MORKISZ P，et al．Failures prediction based on performance monitoring of a gas turbine: a binary classification approach[J]．Schedae Information，2018，38(26)：9-21．

[17] LIU J，LIU J，YU D，et al．Fault detection for gas turbine hot components based on a convolutional neural network[J]．Energies，2018，11(8)：2149-2158．

[18] 趙志宏，李樂豪，楊紹普，等．一種頻域特征提取自編碼器及其在故障診斷中的應用研究[J/OL]．中國機械工程：1-8[2021-03-16].http://kns.cnki.net/kcms/detail/42.1294.th.20210316.1534.006.html．

ZHAO Z H，LI L H，YANG S P，et al．A frequency domain feature extraction auto-encoder and its application on fault diagnosis[J/OL]．China Mechanical Engineering：1-8[2021-03-16].http://kns.cnki.net/kcms/detail/42.1294.th.20210316.1534.006.html．

[19] 顧珉，施華君．基于降噪自編碼器降維的汽車行駛工況分析[J]．計算機系統應用，2021，30(1)：38-44．

GU M，SHI H J．Analysis of vehicle driving condition based on de-noise autoencoder[J]．Computer Systems & Applications，2021，30(1)：38-44．

[20] 周云成，鄧寒冰，許童羽，等．基于稠密自編碼器的無監督番茄植株圖像深度估計模型[J]．農業工程學報，2020，36(11)：182-192．

ZHOU Y C，DENG H B，XU T Y，et al．Unsupervised deep estimation modeling for tomato plant image based on dense convolutional auto-encoder[J]．Transactions of the Chinese Society of Agricultural Engineering，2020，36(11)：182-192．

[21] TAX D M J，DUIN R P W．Support vector data description[J]．Machine learning，2004，54(1)：45-66．

Anomaly Detection of Gas Turbine Hot Components Based on Deep Autoencoder and Support Vector Data Description

BAI Mingliang1, ZHANG Dongxue2, LIU Jinfu2*, LIU Jiao3, YU Daren1,2

(1. Department of Control Science and Engineering, Harbin Institute of Technology, Harbin 150001, Heilongjiang Province, China; 2. School of Energy Science and Engineering, Harbin Institute of Technology, Harbin 150001, Heilongjiang Province, China; 3. AVIC Shenyang Aircraft Design & Research Institute, Shenyang 110035, Liaoning Province, China)

Anomaly detection of gas turbine hot components can ensure its operational safety and reliability. With the boom of artificial intelligence, data-driven fault diagnosis is becoming increasingly popular. However, in actual applications, fault data of gas turbines are rare or even unavailable. Aiming to solve the anomaly detection problem of gas turbine hot components in the case of only normal data available, this paper proposed an anomaly detection method based on the fusion of deep autoencoder and support vector data description. This method uses normal data to train deep autoencoder and then uses the reconstruction errors of deep autoencoder to train support vector data description. Experiments show that, compared with conventional anomaly detection methods, the proposed method can significantly improve the anomaly detection accuracy and realize more sensitive and robust anomaly detection of gas turbine hot components.

gas turbine; hot components; deep autoencoder (DAE); support vector data description (SVDD); anomaly detection; fault diagnosis

2021-03-23。

10.12096/j.2096-4528.pgt.21021

TK 05

國家自然科學基金項目(51976042)；國家重大科技專項(2017-I-0007-0008)。

Project Supported by National Natural Science Foundation of China (51976042); National Science and Technology Major Project of China (2017-I-0007-0008).

(責任編輯 辛培裕)