基于模糊SOM 神經網絡的汽輪機通流部分故障診斷技術

黃 瑜

（國能神福（龍巖）發電有限公司，福建 龍巖 364000）

汽輪機作為發電廠的核心設備，為滿足發電廠的發電需求，呈現出高參數、大容量的發展趨勢。隨著投入運行年限的增加，長時間處于高溫、高壓環境下的汽輪機組不可避免會出現各種類型的故障，其中流通部分故障發生率較高，是導致機組效率下降、出力不足的主要原因。如果汽輪機通流部分故障不能準確診斷、及時解決，嚴重時還會導致發電機組受損，給發電廠帶來嚴重經濟損失。隨著人工智能等技術在工業設備運行監測與故障診斷領域的成熟運用，SOM神經網絡和BP 神經網絡在汽輪機通流部分故障診斷中開始得到應用。其中，將模糊理論與SOM神經網絡相結合，既可以提高診斷結果的精度，同時還具有較強的自適應和學習能力，可以對汽輪機通流部分各類復雜故障作出快速、準確診斷。基于此，本研究對模糊SOM神經網絡技術在汽輪機通流部分故障診斷中的應用效果展開了探究。

1 汽輪機通流部分故障樣本的建立

1.1 汽輪機通流部分常見故障與故障征兆的選取

汽輪機通流部分故障根據發生位置、表現形式的不同，可以分為多種類型，例如結垢磨損型、葉片斷裂型、高低壓缸故障等。汽輪機通流部分典型故障集中記錄了大部分常見故障，現選取其中部分故障表述如下：

P1：高壓調節閥門結垢；

P2：調節級結垢；

P3：高壓缸級組磨損；

P4：低壓缸級組磨損；

P5：高壓缸級組結垢。

除了故障集外，故障征兆表可表示每一種故障與各個可測量狀態參數之間的關系，用于反應設備的運行狀態。同樣選取故障征兆表的部分內容表述如下：

S1：機組燮荷；

S2：調節級后壓力；

S3：高壓缸排氣壓力；

S4：中壓缸排氣壓力；

S5：高壓軸封壓力。

1.2 汽輪機通流部分故障特征向量的選取

由于汽輪機通流部分的結構復雜且故障多樣，因此很難用數學式簡單明了的表示故障類型與故障征兆參數之間的對應關系，即存在較強的模糊性。這一問題的存在將會直接導致系統的故障診斷結果出現明顯誤差。為避免這一問題，本研究提出一種將在線采集得到的實際運行數據進行模糊處理的方法，將模糊量作為輸入參數，輸入進訓練好的SOM 神經網絡中，從而提高最終診斷結果的精度。

其中，在模糊計算環節確定模糊隸屬度函數是一項關鍵步驟。本研究在綜合考慮“汽輪機運行參數”和“汽輪機運行特性”兩項因素的基礎上，結合以往汽輪機故障檢修經驗，選取了16 種典型故障，并獲取每一種故障的樣本特征向量，匯總得到了故障熱力參數表。該表可以顯示汽輪機通流部分故障與故障征兆之間的關系，這也就意味著當汽輪機通流部分出現故障后，每一種故障征兆的隸屬度所顯示出的狀態是不同的[1]。不同故障樣本的特征向量，根據各個故障征兆的隸屬度函數可描述為：

（1） 0，參數反方向劇烈變化。

（2） 0.275，參數緩慢減小。

（3） 0.55，參數處于正常狀態。

（4） 0.825，參數緩慢增加。

（5） 1，參數正方向劇烈變化。

這里以上文中的P1高壓調節閥門結垢故障為例，汽輪機通流部分P1故障的部分特征向量：S1為0.275、S2為0.275、S3為0.55、S4為0.55、S5為0.55。

2 模糊SOM 神經網絡學習

2.1 建立SOM神經網絡

首先構建故障樣本特征模式知識庫，然后通過SOM 神經網絡工具箱引入具有自組織特征的映射函數newsom ()。參考汽輪機通流部分的故障特征向量，建立起一個包含15 個神經元的SOM神經網絡，該網絡的取值范圍為[0,1]。為進一步提升SOM神經網絡的學習速度以及故障診斷結果的準確性，在多次試驗的基礎上確定了一個12×12 的二維平面結構，這144個神經元共同構成了SOM神經網絡的競爭層。在得到SOM神經網絡后，打開Matlab 軟件，調用該軟件自帶的trainnet(net,p)函數，訓練此神經網絡；按照同樣的方式，調用sim(net,t)函數，測試此神經網絡[2]。將提前選取的16 組樣本數據作為SOM 神經網絡的訓練對象，在訓練過程中不斷調整權值，實現對樣本數據的模糊聚類分析。

2.2 聚類與訓練

為了讓SOM 神經網絡的聚類效果實現最優，本研究分別選擇了4 種步數開展訓練，分別是50 步、100 步、200 步和500 步，聚類結果見表1。

表1 不同訓練步數下SOM 神經網絡的聚類結果

對照表1 可以發現，訓練步數與競爭層上激發的神經元之間存在一定的關系，這說明SOM 神經網絡的競爭層上，任意一種故障的位置是隨機分布的。不管該故障是通過哪個神經元激發的，只要競爭層上故障位置沒有發生重疊（即表1 中數據不重復）的現象，就說明該故障能夠聚類和區分。結合表1 數據，在訓練步數為50（P9和P11）和100（P1和P5）時，在競爭層上神經元對應的故障位置均有重復；在訓練步數增加至200、500 時，未出現重復情況，說明每種故障在競爭層上都有各自對應的位置，這種情況下能夠較為準確地分辨出故障的具體類型。經驗表明，訓練步數的增加，能夠使故障分類的準確性得到提升，但是相應的樣本處理的工作量相應增加。因此，本次研究中，在保證能夠將故障準確分類的前提下，為了減少工作量、實現快速分類，最終選擇訓練步數為200。

使用準備好的訓練數據對構建的SOM 神經網絡開展訓練，同時保存網絡參數的訓練結果。對訓練結果做離散化處理，離散結果見圖1。

圖1 訓練完成后臨近神經元的距離情況

結合圖1 可知，在SOM神經網絡的競爭層上，每個小六邊形方格代表1 個神經元，并且聚類結果之間并未出現清晰的界限[3]。該競爭層上的任意一個神經元節點，都連接了6 個神經元，但是這些神經元之間的距離并不完全相同。完成200 次的訓練后，選擇“故障模式”在競爭層上標記處神經元的位置，經過200步的SOM神經網絡訓練結果見圖2。

圖2 SOM 神經網絡訓練結果

圖2 中標記有數字的神經元，代表的是SOM 神經網絡映射在競爭層上汽輪機通流部分故障集合中對應的故障模式；而空白處的神經元表示該SOM 神經網絡對所有輸入矢量沒有激發競爭層上的故障位置。由圖2 可知，1～16 類故障無規則地分布在競爭層上。同時根據前文分析，當競爭層上各類故障的位置相互獨立時，能夠作為故障診斷的依據。在這種情況下，每當外界輸入一個新的故障類型，那么競爭層上的空白區域，就會激發一個對應的神經元，并按照順序自動生成一個故障序號。要想從圖2 中的16 種故障中，更加準確的判斷具體的故障類型，還需要將16種故障模式與故障的標準樣本進行逐一對照。根據對比結果，當2 種故障在競爭層上引起興奮的神經元的幾何位置完全重疊或者十分相近時，說明2 種故障屬于同一類型，然后對照標準樣本，即可從16 種故障中確定最終的故障類型[4]。

3 基于模糊SOM 神經網絡的汽輪機通流部分故障診斷技術

以某發電廠的1 臺300 MW 機組作為研究對象，使該機組在250 MW 燮荷下穩定運行，并收集其運行參數，并保存到一個數據集合中。將該集合中的數據使用隸屬度函數進行模糊化處理，處理完畢后該故障案例的特征表見表2。

表2 故障征兆數據

將表2 中已知故障形式的待檢測樣本，依次輸入到已經訓練好的SOM神經網絡中，然后開始故障診斷，并根據診斷結果判斷該SOM神經網絡在故障診斷方面的準確性，得到的故障映射圖見圖3。

圖3 SOM 神經網絡故障診斷結果

結合圖3 可知，該神經網絡的分類結果為X（Yc_test=59），神經網絡經過聚類分析后，輸出診斷結果為故障5（Yc_test=60）。據此可知，該故障激發了SOM神經網絡競爭上第59 個神經元。對比可以發現，該診斷結果與訓練好的神經網絡位置并不完全相同，但是對比圖2 和圖3 可知，故障X 的映射結果與故障5 的幾何距離十分接近，而與其他故障的幾何距離則比較遠。據此可以得出結論，該機組運行故障屬于第5類故障。對照汽輪機通流部分故障集，第5 類故障（P5）為高壓缸級組結垢[5]。這一診斷結果與機組拆卸檢修結果一致，說明本研究所用的SOM 神經網絡能夠在汽輪機通流部分的故障診斷中發揮良好的應用效果。

4 結論

汽輪機通流部分故障監測和診斷的智能化，對降低故障發生率、削弱故障影響后果，以及維護發電廠經濟效益有重要作用。以汽輪機通流部分的故障案例作為對象，進行故障分類并研究故障征兆。在此基礎上將模糊理論和SOM 神經網絡相結合，利用模糊SOM神經網絡的聚類分析功能，讓復雜的故障模式可視化。在經過大量的樣本訓練后，利用模糊SOM神經網絡對案例展開分析，快速、準確地完成了故障診斷。從實際應用效果來看，本研究設計的基于模糊SOM神經網絡的汽輪機通流部分故障診斷系統，在診斷結果上與人工拆解汽輪機的檢查結果一致，驗證了該診斷技術的實用效果。下一步，發電廠推廣應用該技術，能夠實現對汽輪機通流部分故障的超前識別、精確診斷，將故障發生率降至最低，從而提高發電效率和提升自身經濟效益。