基于條件對抗域自適應的燃氣輪機跨工況氣路故障診斷技術

摘" 要：近年來，基于模式識別的方法已大量應用于燃氣輪機氣路故障診斷，并取得一定效果。然而其故障識別準確率常局限于單一工況。為解決基于模式識別的氣路故障診斷方案在多種工況下的故障識別準確率低下的問題，該文建立基于深度學習和條件對抗域自適應的模型，用于提取跨工況不變特征，進而提升模型對工況差異干擾的抗性，并保障模型在多種工況下的氣路故障識別準確率。此外，該文設計多種跨工況故障診斷任務來驗證所提出方案的有效性。

關鍵詞：燃氣輪機；模式識別；深度學習；條件對抗域自適應；跨工況；氣路故障診斷

中圖分類號：TM621.3" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）31-0084-05

Abstract： In recent years， the method based on pattern recognition has been widely used in gas turbine gas path fault diagnosis， and achieved certain results. However， the accuracy of fault identification is often limited to a single working condition. In order to solve the problem of low fault recognition accuracy of the gas path fault diagnosis scheme based on pattern recognition under various working conditions， this paper establishes a model based on deep learning and condition adaptive resistance domain， which is used to extract invariant features across working conditions， improve the resistance of the model to the interference of working conditions， and ensure the gas fault recognition accuracy of the model under various operating conditions. In addition， a variety of cross-mode fault diagnosis tasks are designed to verify the effectiveness of the proposed scheme.

Keywords： gas turbine; pattern recognition; deep learning; condition adaptive to resistance domain; cross-working condition; gas path fault diagnosis

近年來，風、光等新能源在電力生產系統中所占的比重正在逐年擴大[1]，但是由于新能源大規模并網所引起的電網波動，使得整個電力生產系統不得不依賴傳統發電機組，令其更加頻繁地啟停和變負荷，以平抑由新能源并網而加劇的電網波動。相較于傳統發電機組，燃氣輪機發電機組，啟動速度大幅度提升，運行更加平穩，熱效率更高，在平抑新能源波動方面具有更大的優勢。然而，在燃氣輪機自身結構復雜和工作環境苛刻的雙重因素作用下，氣路故障發生的頻次將會越來越高，將對燃氣輪機整機運行的可靠性和經濟性造成極大的威脅。

然而，近年以來不斷崛起的人工智能和大數據理論與技術，讓研究人員開始重視歷史運行數據，并逐漸探索出基于數據驅動的方法，即利用傳統機器學習或人工神經網絡從豐富的數據中提取有效信息，該方法在很大程度上擺脫了對專業知識和經驗的依賴[2]。

然而在實際應用中，該方法會不可避免地產生數據分布差異影響，使得該方法在某些故障診斷任務中的實際表現未能達到預期。現有的數據驅動故障診斷通常僅選取單一工況下的數據，在其他工況下，診斷精度會大幅下降。即使一些研究人員利用多個工況下的數據進行特征提取，也沒有將不同工況下的數據分布差異考慮在內，最終由于分布差異較大難以使得故障特征收斂，結果并不理想。

近年來不斷發展的域自適應理論，為解決該問題提供了希望，由遷移學習演化而來的域自適應方法在減弱由數據分布差異所產生影響的方面，即消除域偏移影響方面表現突出[3-5]。目前，基于差異的方法和基于對抗的方法在模式識別任務中的應用較為普遍。基于差異的方法采取量化并縮減域特征差異的方案，例如使用頻率較高的最大平均差異[6]和聯合最大差異[7]，來實現特征對齊。基于對抗的方法采取同時構建域判別器和分類器，通過能夠混淆域識別器判斷的對抗訓練實現特征對齊[8]，近年來在許多分類任務上取得突破[9-10]，但一直存在訓練不穩定問題。此外，一些研究人員已經注意到，僅考慮邊緣分布，無法實現細粒度的特征對齊[9，11-13]，并尋求改進策略，例如：在對抗域自適應方法中，采取基于條件分布的熵調整策略[9，11]，即條件對抗域自適應[12]；或者在差異域自適應方法中，基于分布估計來量化條件分布或聯合分布[13-14]。還有一些研究人員針對訓練過程中出現的損失值坍塌、收斂緩慢及魯棒性差現象，提出瞬時分布對齊[15-16]。上述域自適應方法在本質上相同，均設法將源域和目標域樣本用一個函數，映射到同一特征空間。

1" 域自適應理論在跨工況氣路故障診斷任務中的應用

為了方便理解基于域自適應方法的燃氣輪機跨工況氣路故障診斷，本文結合域自適應理論對燃機跨工況氣路故障診斷任務進行如下描述和定義：

定義1（域）[17]：以特定工況下的燃機運行數據為例，本文用域D={X，P（X）}來表示每個具體工況下的數據樣本，每個域由樣本自身X={xi}，以及隱含在樣本當中的邊緣分布P（X）組成。而對于標簽數據，除了樣本自身以外，其標簽信息同樣具備非常大的價值，尤其對于監督學習而言。因此在大多數模式識別任務中通常會對標簽數據集附加一個標簽集表示，即D={X，Y}，其中Y={yi}為標簽集，且標簽集內的所有元素或標簽均源自同一個標簽空間γ={C1，C2，…，Ck}，k表示樣本的類別數目，本文中特指機組可能發生的所有氣路故障數目與一類健康運行狀態數目之和。

定義2（任務）[17]：本文將氣路故障診斷任務定義為T={γ，F}，由標簽空間γ和預測函數F構成，在多數基于深度學習的故障診斷方法中，F為神經網絡的特征表達，可以從樣本中學習。

對于基于遷移學習的模式識別任務，通常作如下假設：①源域和目標域的標簽空間相同；②源域與目標域的聯合分布相同。但是在現實中，第二點假設是無效的。該因素使得遷移學習方法在目標域任務中表現不佳。因此，一些研究學者提出基于域自適應方法，設法獲取具備一定泛化性的特征編碼器表達函數Fe。

定義3（域自適應）[17]：假定實際情況下，僅能夠獲

2" 基于條件對抗域自適應的跨工況氣路故障方法

在眾多域自適應方法中，對抗域自適應方法通過借鑒對抗生成網絡中對抗訓練的思想：一方面優化域判別器，使其能夠準確判斷樣本來自源域或目標域；另一方面優化特征編碼器，使其輸出的高級語義特征不僅利于源域樣本的分類識別，還能夠混淆域判別器的判斷。理想的對抗域自適應過程及結果，如圖1所示。然而，該方法并沒有模擬或計算能夠反映條件分布的特征，在實際的模型訓練中，神經網絡參數很可能難以收斂。故本文采取條件對抗域自適應，來彌補一般對抗域自適應的不足。首先，本文在已設計特征編碼器的基礎上，基于全連接層神經網絡結構分別設置了一個域判別器和分類器，來滿足對抗域自適應方案的基本要求。

2.1" 模型原理

式中：dfeat表示特征編碼器輸出特征維度總數。

需要注意的是，對于訓練樣本而言，并不是所有樣本在對抗訓練過程中都易于進行知識遷移，依然存在部分難于進行知識遷移的訓練樣本。如果，讓對抗訓練過程平等地對待所有訓練樣本，將會弱化模型在目標工況下的故障識別精度。針對該現象，筆者提出采用熵調整策略——基于分類預測結果的不確定性，調整訓練樣本在對抗損失計算中的權重。其中，每個訓練樣本的分類預測結果的不確定性由熵來衡量，計算方法如下

在此基礎上利用指數函數，即可完成權重計算

w（H（g））=e-H" （g） 。

綜上所述，基于條件對抗域自適應的跨工況故障診斷模型的目標函數可以描述為

式中：LCE表示交叉熵函數，Fc，Fe和Fd分別表示分類器，特征編碼器和域判別器的表達函數，λ表示超參數。

接下來，按照公式（4）和（5）設計相應的訓練策略及損失函數，并進行對抗訓練，即可使得燃機故障診斷模型的特征編碼器參數θe和故障識別器參數θc到達最佳位置，進而獲取精度較高的特征編碼器表達Fe和故障識別器表達Fc。

2.2" 模型訓練說明

目前，對于給定對抗訓練過程的目標函數，有以下2種訓練策略：①基于遷移學習，設置不同的訓練階段及相應的損失函數；②基于梯度反轉，保持端到端的聯合訓練，并設計聯合損失函數。相比第一種設計思路，第二種設計思路的操作流程簡單，省去了網絡結構凍結、解凍和預訓練的煩瑣操作。盡管第二種設計思路，容易出現訓練不穩定的現象，但是在條件對抗域自適應的作用下，原本忽略的條件分布得以對齊，極大程度上抑制了訓練紊亂現象。故本文選擇基于第二種思路設計聯合損失函數。

首先，針對目標函數中，高精度故障識別器和高精度工況判別器的目標訴求，分別對源工況樣本的故障分類預測誤差和所有樣本的工況判別誤差進行如下定義。

式中：Lc為故障識別器損失或誤差，Ld為工況判別器損失或誤差。則目標函數可以表示為

為了實現聯合訓練，本文在模型訓練的過程中，將工況判別器的梯度進行反轉，并將聯合損失函數設置為：

Ladv=Lc+λLd 。（9）

一般而言，神經網絡參數的更新基于梯度后向傳播，而該做法使得梯度后向傳播時，工況判別器的參數優化依然朝Ld減小的方向，而特征編碼器的參數優化由于梯度反轉，會同時朝Lc減小和Ld增大的方向。至于故障識別器，與工況判別器在網絡結構上平行，并不受梯度反轉的影響，其參數優化依然朝Lc減小的方向。

3" 實驗驗證及結果分析

3.1" 實驗準備

對于本文所研究的燃氣輪機氣路故障診斷方案，需要利用大量的標簽數據，且本文將以常見的壓氣機氣路為例進行實驗。對于本文所設置的氣路故障識別任務，總計5個狀態類別，包括4類壓氣機氣路故障和1類正常運行狀態，屬于典型的多分類任務。故本文采用One-hot對健康狀態標簽進行編碼，見表1。同一個跨工況氣路故障診斷任務僅涉及2個工況，因此工況判別任務屬于典型的二分類任務，進而采用“0”“1”分別對源工況和目標工況標簽進行編碼即可。

本文所用的數據來源于安薩爾多F級燃氣輪機的數據采集系統，目標燃氣輪機的具體參數見表2。基于采集來的實際信號，本文采用滑動窗口來制作各類健康狀態和運行工況的樣本，窗口大小設置為30 min。對于漸變類故障（CF、CR、CBR），從故障植入前15 min開始制作樣本，直至百分比劣化達到設置的最大值。對于突變類故障（CFOD），同樣從故障植入前15 min開始制作樣本，但是窗口范圍不得超過故障植入的時刻。實驗樣本包含的可測信號見表3。需要注意的是，用于制作實驗樣本的仿真信號均經過最大值最小值歸一化處理。

本文選取以下3種穩定負荷工況，Load 1=70%" MPO，Load 2=80% MPO，Load 3=100% MPO，來設置不同的燃機跨工況故障診斷任務，其中MPO表示機組額定最大出力（Maxmium Power Output，MPO）。可以看出Load 1和load 2接近，而load3與前2種工況之間的差距較大。具體的訓練集和驗證集設置見表4，且各類健康狀態樣本的比例均衡。本文采用批次訓練的方式，每批樣本中均包括標簽樣本與無標簽樣本，且二者比例相同，同樣每批次的標簽樣本中，各類健康狀態樣本的比例也均衡，而批樣本容量設置為50。

3.2" 實驗結果及分析

在本文所設計編碼器的有效性得以驗證的基礎上，本節基于跨工況氣路故障診斷任務來驗證本文所設計的條件對抗域自適應方案的有效性，并且將其實驗結果與普通對抗域自適應方案及無域自適應方案進行對比。上述方案在各種跨工況故障診斷任務中取得的準確率見表5。

4" 結論

針對基于深度學習和模式識別的燃氣輪機氣路故障診斷方法所面臨的挑戰——跨工況故障不變特征提取。本文提出了基于條件對抗域自適應的跨工況氣路故障診斷方法，并詳細敘述了域自適應理論在跨工況氣路故障診斷方法中的應用方法，基于條件對抗域自適應的跨工況故障診斷模型及相應的模型訓練說明。最后基于跨工況氣路故障診斷任務，進行對比實驗。實驗結果表明，本文所設計方案是有效的。

但本文所設計方案依然有一定局限性。首先本文所設計方案建立在標簽樣本充沛的基礎上。其次，盡管本文所采用的條件對抗域自適應在條件分布對齊上具有很大優勢，但是在訓練過程中依然難以完全規避訓練不穩定等現象。

參考文獻：

[1] 國家能源局：我國可再生能源發電裝機總量突破11億千瓦[EB/OL]（.2022-06-24）[2022-09-06].https：//m.gmw.cn/baijia/2022-07/27/35913398.html.

[2] DJEDDI C， HAFAIFA A， IRATNI A， et al. Robust diagnosis with high protection to gas turbine failures identification based on a fuzzy neuro inference monitoring approach[J]. Journal of Manufacturing Systems， 2021（59）：190-213.

[3] LONG M S， WANG J M， DING G G， et al. Transfer feature learning with joint distribution adaptation[C]//IEEE International Conference on Computer Vision， Sydney， Sydney， Australia， 2013.

[4] NGUYEN H V， HO H T， PATEL V M， et al. DASH-N： Joint hierarchical domain adaptation and feature learning[J]. IEEE Transactions on Image Processing， 2015，24（12）：5479-5491.

[5] MADADI Y， SEYDI V， NASROLLAHI K， et al. Deep visual unsupervised domain adaptation for classification tasks： a survey[J]. IET Image Processing， 2020，14（14）：3283-3299.

[6] ZHANG C C， ZHAO Q J， WU H. Deep domain adaptation via joint transfer networks[J]. Neurocomputing， 2022（489）：441-448.

[7] ZHANG L， ZHANG H， CAI G W. The multiclass fault diagnosis of wind turbine bearing based on multisource signal fusion and deep learning generative model[J]. IEEE Transactions on Instrumentation and Measurement， 2022（71）：1-12.

[8] XIA Y， ZHANG C Z， YE Q， et al. Collaborative and conditional deep adversarial network for intelligent bearing fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement， 2022（71）：1-13.

[9] QIN Y， QIAN Q， LUO J， et al. Deep joint distribution alignment： a novel enhanced-domain adaptation mechanism for fault transfer diagnosis[J]. IEEE Transactions on Cybernetics， 2022.

[10] YANG T Y， TANG T， WANG J W， et al. A novel cross-domain fault diagnosis method based on model agnostic meta-learning[J]. Measurement， 2022（199）：111564.

[11] RAGAB M， CHEN Z H， ZHANF W Y， et al. Conditional contrastive domain generalization for fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement， 2022（71）：1-12.

[12] LONG M S，CAO Z J， WANG J M， et al. Conditional adversarial domain adaptation[C]//32nd Conference on Neural Information Processing Systems， NIPS， Montreal， Canda， 2018.

[13] SHEN C Q， WANG X， WANG D， et al. Dynamic joint distribution alignment network for bearing fault diagnosis under variable working conditions[J]. IEEE Transactions on Instrumentation and Measurement，2021（70）：1-13.

[14] QIN Y， QIAN Q， WANG Y， et al. Intermediate distribution alignment and its application into mechanical fault transfer diagnosis[J].IEEE Transactions on Industrial Informatics，2022，18（10）：7305-7315.

[15] JING L L， TIAN Y L. Self-supervised visual feature learning with deep neural networks： a survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022，43（11）：4037-4058.

[16] PATHAK D， KRAHENBUHL P， DONAHUE J. Context encoders： feature learning by inpainting[C]//IEEE Conference on Computer Vision and Pattern Recognition， Seattle， WA， 2016.

[17] FENG Y， CHEN J L， YANG Z Z， et al. Similarity-based meta-learning network with adversarial domain adaptation for cross-domain fault identification[J]. Knowledge-Based Systems， 2021（217）：106829.