基于SSA和注意力機制BiLSTM的燃氣輪機傳感器故障診斷方法研究

程侃如, 王玉璋, 楊志鵬, 楊喜連

(1． 上海交通大學 機械與動力工程學院, 上海 200240;2． 上海發電設備成套設計研究院有限責任公司, 上海 200240;3． 上海交通大學 電子信息與電氣工程學院, 上海 200240)

在能源需求急劇增大及我國“雙碳”目標的背景下,綜合能源系統正在我國迅速發展[1]。作為綜合能源系統中的關鍵設備,燃氣輪機的智能化有利于實現系統的高效運行,提高資源的利用效率,從而有利于“雙碳”目標的實現[2]。同時,為了提高燃氣輪機的可靠性和可用性,需要對運行狀態進行實時監測,并對運行工況進行準確控制,狀態監測和工況控制依賴于正確的傳感器數據[3]。為了獲得正確的傳感器數據,需要對傳感器進行故障診斷,一旦發現傳感器存在故障,就進行信號重構并提供給控制系統,因此傳感器故障診斷對保證燃氣輪機可靠性和可用性至關重要[4]。

傳感器故障診斷可分為基于模型的診斷和基于數據驅動的診斷2種方法。基于模型的診斷方法對建模精度有較高的要求,隨著控制技術的發展,控制系統復雜度提升,難以構建出精確的模型。故障診斷結果容易受到建模誤差的影響,進而降低診斷準確度[5]。基于數據驅動的診斷方法可以避免建模精度對診斷結果的影響,近年來得到了迅速發展。基于數據驅動的方法一般分為信號處理、統計分析、傳統機器學習和深度學習等,其中深度學習在各領域中得到了廣泛應用,也被很多學者用于傳感器故障診斷[6-10],如Sun等[9]提出了一種基于LeNet-5的遷移學習方法,用于氫傳感器故障診斷;Yang等[10]提出了一種帶有可分離注意力機制的卷積神經網絡方法,用于傳感器故障診斷。

基于數據驅動的診斷方法通常需要大量數據和帶有標簽的數據,以實現分類模型的訓練,該類方法實現了較高精度的傳感器故障診斷,但仍然未解決以下問題:

(1) 故障數據稀疏性的影響。能源裝備實際運行過程中,相較于正常數據,故障數據量十分缺少,因此發展基于數據驅動診斷方法必須考慮故障數據稀疏性對診斷精度的影響問題。

(2) 故障幅度微弱性的影響。對于一些傳感器,如燃氣輪機透平出口溫度傳感器,由于燃燒室燃燒振蕩性和透平固定頻率旋轉,采集信號不可避免存在固有波動,很容易掩蓋小幅故障信號(如噪聲故障、周期故障等),造成誤診、診斷精度低等問題。但該參數涉及多個控制回路,必須提升其診斷精度。

目前,現有文獻關于傳感器故障診斷方法對故障程度的敏感性討論較少。筆者提出一種基于奇異譜分析(SSA)、雙向長短期記憶(BiLSTM)網絡和注意力機制的燃氣輪機傳感器故障診斷方法(簡稱SSA-attBiLSTM方法),用于解決故障信號稀疏性和幅度微弱性造成的傳感器故障診斷精度低的問題。SSA是對一維時間序列的非參數譜分析方法,通過對一維時間序列進行分解與重構,提取出趨勢項、周期項與殘差項。采用SSA 提取出態勢覺察后的傳感器信號時間序列的低頻分量和高頻分量,分別對應故障信號的主要發展趨勢和波動性。在分類部分,利用BiLSTM網絡在時序信息捕獲方面的優越性,以及注意力機制對于主要特征的敏感性,構建基于注意力機制的BiLSTM深度網絡對SSA處理后傳感器信號的類型進行判斷,得到傳感器信號類型。

1 燃氣輪機傳感器故障

燃氣輪機的運行條件復雜、工作條件惡劣,其中大部分傳感器安裝在高溫高壓的惡劣環境下,因此傳感器不可避免的會出現故障。燃氣輪機主要傳感器類型包括溫度傳感器(熱電偶和熱電阻)、壓力測量傳感器、轉速傳感器和振動傳感器等。

對某電廠(以下簡稱Z電廠)2016年1月—2021年5月傳感器故障次數進行了統計,Z電廠內3臺9F級燃氣輪機機組5年間共發生540次傳感器故障,2016—2020年平均每年每臺機組故障32次。其中,溫度傳感器和壓力測量傳感器故障頻率最高,占總故障數量的50%。

根據對Z電廠歷史傳感器故障特征進行分析,同時結合參考文獻[8]和參考文獻[11]中對傳感器故障類型的總結,將燃氣輪機傳感器故障類型定義為偏置故障、單值脈沖故障、漂移故障、周期性故障、噪聲故障和短路故障6種不同類型,其數學表達式見表1。其中,x(n)為原信號;n為時間變量;n0為故障發生的時刻;Ai和bi為故障幅度;ω為周期性故障周期;γ為噪聲故障隨機量。

表1 傳感器故障數學表達式

溫度信號是燃氣輪機控制系統中非常重要且具有代表性的信號,選擇透平出口溫度傳感器信號作為數據來源,用于后續故障診斷方法的試驗驗證,圖1為疊加6類故障后的透平出口溫度信號。

(a) 偏置故障

2 燃氣輪機傳感器故障診斷模型

2.1 SSA-attBiLSTM模型

SSA-attBiLSTM算法的流程見圖2。首先,對傳感器數據進行SSA分解,重構為趨勢項、周期項和殘差項;其次,將趨勢項和周期項作為輸入,使用基于注意力機制的BiLSTM深度網絡進行分類。

圖2 SSA-attBiLSTM算法示意圖

2.2 SSA

SSA是一種處理非線性時間序列數據且與經驗正交函數相聯系的主成分分析方法,可以有效地將趨勢項和周期項分量聚集到若干個子序列中[12]。SSA的具體過程主要包括構造軌跡矩陣、對軌跡矩陣進行奇異值分解(SVD)、分組、對角平均化4個步驟。

首先,根據一維等間隔采樣長度為N的傳感器信號時間序列x={x1,x2, …,xN}構建M×K階軌跡矩陣X,其每條副對角線值都相等。其中K=N-M+1,M為窗口長度,取值范圍為1 ≤M≤N/2,則軌跡矩陣X可表示為:

(1)

式中:Xi為遲滯序列,Xi=[xi,…,xi+ M-1]T(1≤i≤K)。

X=E1+E2+…+Ed

(2)

最后,進行對角平均化,即將分組得到的矩陣進行重構。將分組得到的矩陣轉換為3組長度為N的重構序列。計算遲滯序列Xi在Un上的投影ai,即

ai=XiUn, 0≤i≤N-M

(3)

通過時間經驗正交函數和時間主成分來進行重構:

(4)

針對具有固定隨機波動且故障幅度較小的傳感器原始時間序列信號,使用SSA對數據進行預處理,將原始信號分解為更符合信號大體變化趨勢的趨勢項和能反映故障細節的周期項,將2項信號作為時間序列輸入后續深度網絡中進行分類。

2.3 BiLSTM

2.3.1 長短時記憶網絡(LSTM)

循環神經網絡(RNN)由Elman[13]于1990年提出,采用遞歸連接構造內部節點,使前一時刻的狀態能夠影響后一時刻,從而實現網絡的狀態反饋,這種結構使得 RNN 能夠按照輸入時序“記住”網絡之前的信息,將序列信息按照輸入順序進行利用。然而,RNN對學習較長的時間序列并不擅長,為了更好地提取數據的時間信息,多種RNN的變體網絡相繼被提出,LSTM即為其中一種。

LSTM以RNN單元為基礎,通過在每個RNN單元中增加一個狀態神經元,并引入了輸入門、輸出門和遺忘門對歷史信息的選擇性利用,可以有效地捕獲較長序列數據的信息,對RNN可能產生的梯度消失問題進行改善[14]。LSTM關鍵在于刪除或添加信息到細胞狀態,由門結構進行調節和控制。門是一種選擇性地讓信息通過的手段,由一個sigmoid神經網絡層和一個點乘運算組成。

設xt為t時刻網絡的輸入,LSTM神經元內部的信息傳遞過程如式(5)～式(9)所示。

it=σ(Wxixt+Whiht-1+Wcict-1+bi)

(5)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

(6)

ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)

(7)

ot=σ(Wxoxt+Whoht-1+Wcoct+bo)

(8)

ht=ottanh(ct)

(9)

式中:it、ft、ot分別為輸入門、遺忘門和輸出門的信息;ht為正向的LSTM輸出值;Wxi、Whi、Wxf、Whf、Wxo和Who分別為輸入門、遺忘門和輸出門與xt、ht-1的連接權重矩陣;bi、bf、bo分別為輸入門、遺忘門和輸出門的偏置向量;ct為t時刻輸入狀態單元的信息;Wxc、Whc和Wco分別為ct與xt、ht-1和ot的連接權重矩陣;bc為ct的偏置向量;σ為sigmod函數;tanh為雙曲正切函數。

2.3.2 BiLSTM

BiLSTM由前向LSTM層和后向LSTM層組成[15],序列可以在前向和后向2個方向上進行處理,并且2個方向都有獨立的隱含層,BiLSTM的網絡結構見圖3,其中前向 LSTM 從前至后輸入序列,后向 LSTM 從后至前輸入序列,此過程生成2個隱含層,如式(10)、式(11)所示,圖中下標數字為網絡單元。yt為t時刻網絡的輸出,然后BiLSTM連接來自2個 LSTM 網絡的信息以計算最終輸出。

圖3 BiLSTM信息處理過程示意圖

ht=f(Wxt+Uht-1)

(10)

(11)

(12)

BiLSTM網絡可以使神經元在每個特定時間步捕獲過去和未來的信息,因此這種網絡可以更全面、綜合地提取到傳感器信號特征,從而提升網絡的分類效果。

2.4 注意力機制

傳感器信號經過最后一層BiLSTM后輸入至注意力層,注意力層為BiLSTM層輸出的序列中的每個特征分量分配一個權重,最終生成輸出向量Ft,如式(13)～式(15)所示[16]。

(13)

(14)

(15)

經過注意力層的處理后,提取的傳感器信號特征輸入全連接層和Softmax層,得到最終傳感器信號分類結果。

3 試驗建立

3.1 數據集

根據上文分析,透平出口溫度傳感器是燃氣輪機中重要的傳感器,因此以透平出口溫度傳感器為例,對所提出的方法進行試驗驗證。

Z電廠的燃氣輪機為GE 9F級燃氣輪機,共有31個透平出口溫度傳感器。本文使用1號透平出口溫度傳感器采集數據作為試驗的正常信號數據,在此基礎上制作數據集。每1 min采樣1次運行數據,每段運行數據采集量為10 079個。使用滑動時間窗在這段運行數據上隨機選取一段長度為100的正常信號,然后使用第1節中的方法生成偏置、單值脈沖、漂移、周期性、噪聲和短路6種故障信號,同時將故障程度設置為3%～10%的小幅故障,疊加在真實運行數據上,生成故障數據。

為了模擬燃氣輪機實際運行中故障信號稀疏的情況,用于試驗的數據集中正常信號的數量遠大于故障信號。設置1 000組正常數據及300組故障數據,正常數據與故障數據的比例約為10∶3。

3.2 試驗和超參數設置

本文在Python 3.8環境中實現編譯,使用Pycharm作為編譯開發環境(IDE),分類模型基于開源庫包Pytorch1.11搭建。將原始數據集中20%的數據作為測試集,其余80%數據使用5折交叉驗證進行模型訓練。模型經過100輪(epoch)訓練,通過計算每一輪的評估指標的平均值來訓練和驗證模型。在試驗過程中,批處理大小設置為20,優化器選用Adam,使用MAE作為損失函數,學習率設置為0.000 1,使用 NVIDIA RTX-3080 GPU 進行訓練。

3.3 模型評估

分類模型的性能通常使用精確度(Pr)、召回率(Rc)、F分數(Fscore)和準確率(Acc)來評估。本文仍然使用這4個指標對所提出模型的表現進行評估,但由于本文為多分類問題,因此這4項指標的計算方式與二分類有所不同。精確度是指正確分類為A故障的信號數量占被模型識別為A故障的信號總數的百分比;召回率是指正確分類為A的信號數量占實際為A故障的信號總數的百分比;F分數是指精確度和召回率的調和平均值,如式(16)所示;準確率是指所有被正確分類的信號占信號總數的百分比。

(16)

4 試驗結果與分析

4.1 SSA處理結果分析

對透平出口溫度傳感器的原始信號和故障信號進行SSA處理。根據傳感器信號序列長度,取M=25,經SVD后降序排列得到各特征值貢獻率,第1特征值貢獻率最大,將其重構信號作為趨勢項;第2特征值到貢獻率突變拐點之前的各階作為周期項重構成分,突變拐點之后的剩余各階作為殘差項重構成分,正常信號和各故障信號的貢獻率突變拐點分布在第5～第10特征值之間。因此選取第1特征值對應的矩陣重構為趨勢項,第2～第10特征值對應的組合矩陣重構為周期項,其余的組合矩陣重構為殘差項。圖4為正常信號、偏置故障信號、漂移/恒偏差故障信號和噪聲故障信號的原始信號及重構后的趨勢項、周期項和殘差項。

(a) 正常信號

將原始信號與SSA處理后得到的趨勢項、周期項分別繪制在圖中,并繪制周期項與原始故障信號的熱圖,如圖5所示。趨勢項能夠較好地反映信號的大致變化趨勢,對于偏置故障和漂移故障,趨勢項信號隨時間變化呈現增長趨勢;對于正常信號、單值脈沖故障、周期性故障和噪聲故障,趨勢項信號隨時間的變化不大;短路故障由于數值瞬時突變為0,趨勢項信號呈現大幅度降低。而SSA處理后得到的周期項能夠在一定程度上去除噪聲的同時,更好地刻畫故障特性,保留更多故障細節,從熱圖中可以看出,周期項對正常信號和周期性故障信號的細節還原效果最好。

(a) 正常信號

4.2 分類結果分析

所提出的SSA-attBiLSTM算法在透平出口溫度數據集上的分類結果混淆矩陣如圖6所示,圖中1-7分別代表正常信號、偏置故障、單值脈沖故障、漂移故障、周期性故障、噪聲故障和短路故障,該算法與對比算法的精確度、召回率和F分數見表2～表4,不同算法的準確率對比見圖7。

圖6 SSA-attBiLSTM分類結果混淆矩陣

表2 各算法分類精確度

表3 各算法分類召回率

表4 各算法分類F分數

試驗結果表明,該模型在不平衡的燃氣輪機傳感器信號數據集上表現良好,準確率可以達到96.5%。各類信號的精確度和F分數均優于對比算法,除正常信號之外,其他信號的召回率均優于對比算法;偏置故障、周期性故障、噪聲故障和短路故障的F分數可以達到1.000;單值脈沖故障的精確度可以達到1.000。

對比SSA-attBiLSTM算法和attBiLSTM算法的4項評價指標可以看出:經過SSA處理后再輸入attBiLSTM進行分類的表現要優于直接將原始信號輸入attBiLSTM進行分類;attBiLSTM無法對漂移故障進行識別,會將其全部歸為正常信號,其對偏置故障、單值脈沖故障、周期性故障和噪聲故障的識別效果較差。增加SSA對信號進行預處理之后,其對故障信號的敏感性提升。由SSA-attBiLSTM與SSA-單層BiLSTM算法的4項評價指標對比可以看出:SSA-單層BiLSTM對多種信號的識別效果均不佳,而帶有注意力機制的BiLSTM深度網絡可以更好地捕獲信號特征,對多種故障有較好的識別效果。與SSA-SVM的分類結果進行比較,SSA-attBiLSTM算法在多種故障的識別上更具優勢。除了SSA-attBiLSTM之外,其他對比算法在漂移故障的精確度和召回率均為0,說明所提方法能夠更好地提取到信號特征,獲得更好的分類表現。

本文所提方法克服了其他對比算法無法有效識別微小故障的問題,但對微小漂移故障的識別表現仍然有待提高。將數據集中故障幅度增加到10%～30%后,SSA-attBiLSTM算法的表現進一步提升,分類結果混淆矩陣見圖8。由圖8可以看出,對較大幅度漂移故障的診斷精確度和召回率有大幅度提升,可以達到90%以上,能夠有效解決漂移故障與正常信號混淆問題。

圖8 故障程度較大時SSA-attBiLSTM分類結果混淆矩陣

5 結 論

(1) 所提出的SSA-attBiLSTM故障診斷方法能有效診斷出各類傳感器故障,且診斷準確率可達96.5%。

(2) 該方法能有效處理故障數據稀疏的不平衡數據集,且能準確獲取其特征,高精度診斷出數據量稀少的6種故障信號。

(3) 所提方法能夠有效獲取小幅度故障的信號特征。對于小幅度偏置故障、周期性故障和噪聲故障的識別在精確度、召回率和F分數3項評價指標上可以達到100%;對于小幅度單值脈沖故障的識別在3項評價指標上相對其他對比算法有很大提升,精確度可以達到100%,召回率和F分數在90%以上;對于其他算法無法識別的小幅度漂移故障,所提方法也能在一定程度上獲取其特征,有一定的識別能力。