燃氣輪機氣路故障診斷技術綜述與展望

田書耘，萬震天，謝岳生

（上海發電設備成套設計研究院有限責任公司，上海 200240）

燃氣輪機故障通常分為機械故障和氣路故障，后者與空氣動力學和熱力學相關，例如壓氣機與透平的積垢、腐蝕/磨損、熱畸變、外/內物損傷等。據估計，地面發電用燃氣輪機由于氣路故障造成的事故停機時間占燃氣輪機發電系統總停機時間的比例高達46.3%。

燃氣輪機發生氣路故障時，燃氣輪機工作偏離設計狀態，部件的效率和流量特性偏離設計值，進而導致燃氣輪機可測參數（如轉速、功率、工作面壓力溫度等）偏離設計值。而效率和流量在實際運行過程中不能實時測量，因此燃氣輪機的氣路故障診斷就是要通過可測量的燃氣輪機運行參數對燃氣輪機各部件的健康情況進行分析，實現燃氣輪機部件故障的檢測、分離和診斷。某單軸燃氣輪機壓氣機幾種典型氣路故障、起因、性能參數（通流能力和效率）變化值（經驗值）及常規解決方案如表1所示。

表1 單軸燃氣輪機壓氣機幾種典型氣路故障分析Tab.1 Summary of typical gas path faults in the single shaft gas turbine

目前，燃氣輪機的氣路故障機理還有待進一步研究，故障特征數據的積累還很缺乏，故障的預測與診斷方法還不完善，需要進行更加深入的研究。針對這一現狀，本文系統地介紹了目前國內外常見的氣路故障診斷方法，分析了各自的優缺點，指出了研究中亟待解決的問題，最后提出了氣路故障診斷的發展方向，供研究人員參考。

1 氣路故障診斷研究現狀

燃氣輪機發生異常情況時，需要在準確監視的基礎上，首先排除機械故障，進而進行氣路故障診斷。燃氣輪機氣路故障診斷方法通常可分為三類，如圖1所示。下面重點介紹這三類中主流的幾種。

圖1 燃氣輪機氣路故障診斷方法分類Fig.1 Classification of gas path fault diagnosis methods in the gas turbine

1.1 線性和非線性氣路分析法

20世紀60年代，Urban首先提出了故障方程法，也稱為氣路分析法。這種氣路診斷的方法應用很廣泛，極大地推動了燃氣輪機故障診斷技術的發展。Urban的氣路分析法是一種基于線性模型的方法，通過影響系數矩陣來描述燃氣輪機穩態工況點可測參數的偏差與不可測參數的偏差之間的關系。不過這種方法過于理想和簡化，忽略了燃氣輪機模型的非線性特點、傳感器的故障與噪聲、影響系數矩陣的準確描述等一系列問題。因此，在線性模型的基礎上，非線性模型方法逐漸發展起來，Urban和Volponi等開發出能夠實現非線性故障診斷的Pythia軟件。House在非線性模型的基礎上，應用迭代法提高診斷精度，較好地解決了測量參數和不可測量參數之間的關系問題。但非線性法依然受到測量不確定性的制約，這與線性模型診斷類似。

1.2 卡爾曼濾波算法

卡爾曼濾波采用遞推算法對燃氣輪機氣路問題進行檢測。該方法易于實現動態在線應用，同時它對于測量噪聲有過濾效果，最重要的是可對不可測參數進行估計，因此應用廣泛。傳統卡爾曼濾波是針對線性函數的，而擴展卡爾曼濾波算法在最近一次狀態處利用一階泰勒展開方法進行線性化。一般來講，狀態空間模型是描述狀態變量、輸出變量、控制變量以及過程噪聲和測量噪聲之間動態關系的微分方程組。卡爾曼濾波在狀態空間模型的基礎上引入部件健康參數，即性能參數偏離標準工況的程度，得到燃氣輪機氣路故障狀態空間模型。

針對在解決實際診斷問題時遇到的一系列問題，對卡爾曼濾波進行變形和改進顯得尤為重要。黃宜坤等改進了燃氣輪機濾波用離散非線性模型，提高了模型精度，采用單形采樣構建Sigma點卡爾曼濾波器，降低了計算量。黃鄭等對強跟蹤卡爾曼濾波法進行改進，改進算法通過引入氣路部件先驗知識，合理分配各通道的調節作用，提高了診斷精度以及動態響應速度。胡宇等提出了一種自適應平方根容積卡爾曼濾波器的自適應濾波方法，直接利用基于三階容積積分方法近似發動機的非線性統計特性，從而避免了濾波過程參數選取的問題。

1.3 神經網絡

最早較為成熟的神經網絡是指誤差反向傳播（BP）神經網絡，它解決了兩層神經網絡所需要的復雜計算量問題。神經網絡可分為分類和回歸兩種用途，均可用于故障診斷。前者將包含監測數據和對應故障類型的數據組輸入神經網絡，訓練之后得到網絡蘊含故障信息，輸入測試數據或實時數據可以得到所屬的故障類別，從而完成診斷。后者將健康狀態下燃氣輪機監測參數輸入神經網絡，回歸得到健康狀態下的指標值，將其與實際值作對比，并融合故障知識，得出故障信息。神經網絡雖然可以任意精度逼近非線性函數，但是傳統的神經網絡方法多是從逼近論的角度擬合監測數據并進行特征提取，受限于網絡結構訓練算法和計算復雜度的影響，通常只是設置2～3個隱層，降低了逼近的精度。同時，故障樣本的完備性、典型性以及算法的收斂性、訓練速度和診斷的實時性等制約著基于傳統神經網絡的故障診斷技術的發展。近年來，神經網絡應用于燃氣輪機氣路故障診斷的研究不斷深入，張霄等針對BP神經網絡算法本身容易陷入局部極值的問題，引入了蜻蜓算法，對BP神經網絡的權值和閾值進行參數優化，提高了診斷的準確率。黃偉等針對自適應模糊神經網絡受聚類參數影響較大的問題，采用人工蜂群算法對這些參數進行優化，提高了故障識別的準確性和穩定性，使燃氣輪機故障診斷變得更加實用。

同時，為解決神經網絡本身結構性等問題，深度學習應運而生。它是一種源于人工神經網絡的機器學習方法，其本質是通過在層次結構中堆疊多層非線性信息處理模塊來模擬數據背后的高級表示，并對模式進行分類和預測。一種基于多層神經網絡的氣路故障診斷模型如圖2所示，其網絡訓練泛化精度可達0.1%。針對燃氣輪機氣路部件性能衰退故障，閆麗萍等引入在深度學習領域取得重大突破的深度置信網絡DBN，并使用遺傳算法自適應調整DBN算法中的一些參數，從而大大提高了故障診斷的精度。

圖2 一種基于多層神經網絡的氣路故障診斷模型Fig.2 A gas path fault diagnosis model based on multilayer neural network

1.4 多元統計

該類方法通過將高維數據變換為低維來獲得有用信息。目前普遍使用貢獻圖方法，如基于傳感器有效指數、基于重構的貢獻或基于角度的貢獻，進行初步的故障識別與診斷。

多元統計方法可以在較少的先驗知識前提下提供貢獻圖等指導信息，更適用于沒有（或很少）故障知識情況下的故障診斷。

1.5 專家系統

專家系統用來模擬專家診斷故障時的推理，實質是故障知識與相關推論的對照。其優點在于簡單易懂，系統易編程，存儲空間小；缺點在于并不是所有故障模式都可以采用科學理論知識解釋，對于沒有出現過的故障，知識庫中沒有儲存相關的預兆規則，這將導致無法診斷甚至誤診，對設備的恢復造成不利的影響。

1.6 融合診斷方法

隨著燃氣輪機系統復雜度的提高，建立準確的熱力學模型并非易事，基于數據的方法雖然規避了這一問題，但純數據方法未能充分體現燃氣輪機系統機理，診斷過程難以形象解釋，分析故障產生原因比較困難。基于知識的方法在形成氣路故障特征數據庫及診斷知識庫時易形成故障信息缺失、定性評估易定量評估難的局面。也就是說，單純的基于模型、基于數據或基于知識的方法已經不能滿足氣路故障診斷準確性和診斷效率方面的要求。

因此，國內外學者已經在融合診斷方面做了一些嘗試。Kobayashi等結合遺傳算法和神經網絡方法對傳感器和氣路進行了檢測；Dewallef等結合卡爾曼濾波和貝葉斯信念網絡技術，所得算法具有改進的識別能力；歐惠宇結合統計分析、神經網絡和模糊邏輯技術，總結了一套發動機性能預測和診斷的方法。另外，通過多元統計方法得到低維定性、定量（或模糊化）信息，送入基于知識的系統，基于知識的系統再結合過程行為、過程知識等模擬專家進行故障診斷，也是一種融合診斷的思路。

以上各種診斷方法首次投入使用的時間、模型復雜度、計算速度、處理噪聲能力和處理誤差能力的對比結果如表2所示。

表2 診斷方法的對比Tab.2 Comparison of diagnosis methods

2 氣路故障診斷亟待解決的問題

回顧氣路故障診斷技術發展的歷程，燃氣輪機氣路故障診斷方法研究還存在一些問題：

（1）燃氣輪機系統復雜度增加，熱力學模型的復雜度隨之增加，基于模型的故障診斷方法的精度下降，故障診斷計算更加耗時。

（2）現有熱力學模型建立在部件性能衰退或損傷的程度不大的假設基礎之上，且只適用于固定幾何部件的燃氣輪機準穩態工況診斷情況。

（3）卡爾曼濾波對突變故障的處理需進一步研究。另外，Volponi等比較了BP神經網絡和基于卡爾曼濾波器的氣路故障診斷方法，發現在精度方面前者略差，因此需要精度更高的數據驅動算法。

（4）純數據方法診斷過程通常是黑箱過程，且未能充分體現系統機理，因此診斷故障原因比較困難。如何運用基于定性的知識和定量的數據實現故障診斷，如何結合先驗知識對不可認知故障進行識別并具有學習能力，這些仍是需要解決的問題。

3 氣路故障診斷技術發展方向

3.1 自適應動態非線性熱力建模診斷技術

目前氣路故障診斷技術局限于燃氣輪機穩態或準穩態工況和固定幾何部件，且在燃氣輪機損傷或衰退比較嚴重時，現有診斷方法的準確性和可靠性都無法保證。因此，研究自適應動態非線性熱力建模診斷技術顯得尤為重要。

3.2 卡爾曼濾波的改進及非線性濾波算法

常見的卡爾曼濾波器可以準確跟蹤漸變氣路故障，但對快變氣路故障診斷存在較大延遲，且容易誤診。因此，改進卡爾曼濾波算法，做到同時準確跟蹤漸變和快變氣路故障具有重要意義。同時，研究將各種非線性濾波算法直接應用于非線性系統，以獲得更高的計算精度，更好的穩定性，例如無跡濾波、中心差分卡爾曼濾波器、粒子濾波等。

3.3 先進的數據驅動算法

與兩層神經網絡不同，多層神經網絡中的層數增加了很多，更寬、更深的網絡具備更優秀的表示能力，更強的函數模擬能力。目前深度學習學術界主要的研究既在于開發新的算法，又在于對梯度下降算法以及反向傳播算法進行不斷的優化，最為火熱的技術包括循環神經網絡（RNN）、長短期記憶人工神經網絡（LSTM）等，主要方向是圖像理解，將其應用在氣路故障診斷中值得進一步研究。

3.4 融合故障診斷方法

融合故障診斷包括數據融合和算法融合。數據融合就是總結不同渠道的信息數據；算法融合就是要實現不同的故障診斷算法間的優勢互補，提升氣路故障診斷結果的正確性和診斷效率。

4 結 論

本文針對燃氣輪機氣路故障診斷國內外研究現狀，分別討論了基于模型、基于數據和基于知識方法進行故障診斷的優勢、進展、適用范圍及三種方法互相結合的可能性，重點介紹了近年來新興的深度學習和融合診斷方法，最后總結了燃氣輪機氣路診斷方法研究中還存在的問題。針對這些問題，提出了自適應動態非線性熱力建模診斷技術、卡爾曼濾波的改進及非線性濾波算法、先進的數據驅動算法和融合故障診斷方法等四個氣路故障診斷的發展方向。