CN103364199A

CN103364199A - 一种燃气轮机图形化故障诊断方法

Info

Publication number: CN103364199A
Application number: CN 201310277335
Authority: CN
Inventors: 王伟影; 李淑英; 曹云鹏; 衣爽; 赵宁波
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2013-07-03
Filing date: 2013-07-03
Publication date: 2013-10-23

Abstract

本发明涉及燃气轮机运行安全监控领域，特别是涉及一种燃气轮机图形化故障诊断方法。本发明包括：建立故障征兆样本集，图形化故障诊断模型，图形化故障诊断，图形化故障诊断模型更新，本发明所提出的燃气轮机图形化故障诊断算法计算量小，运行速度高，受外界参数波动的影响小，对运算计算机的性能要求较低，诊断结果直观形象，既避免了基于模型的燃气轮机气路故障诊断方法计算量大，对运算计算机的性能要求高的缺点，又能弥补智能诊断算法诊断过程与结果分析上的不足，有很大的工程应用前景。

Description

一种燃气轮机图形化故障诊断方法

技术领域

本发明涉及燃气轮机运行安全监控领域，特别是涉及一种燃气轮机图形化故障诊断方法。

背景技术

燃气轮机在电力、石油、化工等领域应用广泛。目前针对于燃气轮机的故障诊断方法主要有两类：第一类是研究故障机理，建立燃气轮机气路故障诊断模型，通过监测参数的变化判断各个部件性能的故障情况，但是对于燃气轮机这样的复杂动力系统，建立精确的数学模型存在很多困难；第二类是将多种智能化方法如专家系统、模糊逻辑、神经网络、进化计算等理论应用到燃气轮机故障监测和诊断系统中，虽然避开了建立数学模型的问题，但计算复杂，运算费用高，且针对性不强。为此，本发明根据燃气轮机故障机理复杂，故障征兆多等特点，提出一种基于知识工程的图形化网络拓扑诊断方法，避开了第一类方法需要建立数学模型的问题，相比于第二类方法具有计算量小，诊断结果直观、形象等优势。

目前，图形化诊断方法在燃气轮机故障诊断中还未见报道。

发明内容

本发明的目的是为燃气轮机提供一种计算量小、快速、直观形象的图形化故障诊断方法。

本发明的目的是这样实现的：

本发明包括以下步骤：

（1）建立故障征兆样本集：选择影响燃气轮机运行状态的n维特征信号组成故障征兆样本x，从燃气轮机运行数据库中获取正常状态、故障状态1、故障状态2、……、故障状态m-1，组成征兆样本集X，记作

X=[x₁,x2,…,x_m]^T

式中，m代表获取的燃气轮机运行状态的数目，

对征兆样本集X中的故障征兆样本进行归一化处理，排除冗余信息，

{\overset{&OverBar;}{x}}_{i} = x_{i} - x_{\min} / x_{\max} - x_{\min}

其中，x_max和x_min分别代表每一种故障征兆样本x_i的最大值和最小值；

（2）构建由M×N个节点组成的图形化故障诊断模型：计算故障征兆样本集X中的m个故障征兆样本与图形化故障诊断模型M×N个节点的欧式距离，利用欧氏距离判断原则d_j将满足欧氏距离判断原则的节点属性标记为所对应的故障征兆样本的故障类型：

d_{j} = \sqrt{Σ_{i = 1}^{m} {(x_{i} - w_{ji})}^{2}}, j = 1,2, \cdot \cdot \cdot, M, i = 1,2, \cdot \cdot \cdot, m

判断是否完成了m×M×N次距离计算与判断，如果没有完成计算，则继续进行计算；如果完成计算，建立图形化故障诊断模型；

（3）图形化故障诊断：实时采集燃气轮机运行数据，选择特征信号，组成任意时刻t下的燃气轮机运行状态故障征兆待测样本x_t,进行归一化处理，计算故障征兆样本x_t与图形化故障诊断模型M×N个节点的距离，按照欧氏距离判断原则选出与故障征兆样本x_t距离最近的节点，读取该节点故障属性所代表的故障类型，并在二维图形上显示诊断结果，确认最终诊断结果是否正确，如果正确，则输出诊断结果，诊断结束；否则，进入步骤（4），进行图形化故障诊断模型更新；

（4）更新图形化故障诊断模型：将确认诊断错误的运行状态定义为新的故障状态，将此故障征兆样本添加至征兆样本集X，重新计算故障征兆样本集X每个样本与图形化故障诊断模型每个节点的距离，按照欧氏距离判断原则定义赋予每个节点的故障属性，更新完成后即可用于步骤（3）的图形化故障诊断，如果经过一次更新的图形化故障诊断模型仍然没能诊断成功，则需要增加反映燃气轮机运行状态的特征信号的数量，重新图形化故障诊断模型。

图形化故障诊断模型的M为大于2倍的燃气轮机运行状态数，N大于或等于M，对M×N个节点设定初始节点属性为正常状态。

图形化故障诊断，将提取出的故障征兆样本作为输入参数，输出部分为与故障征兆样本距离最近的节点故障属性，并在二维图形上显示诊断结果。

本发明的有益效果在于：所提出的燃气轮机图形化故障诊断算法计算量小，运行速度高，受外界参数波动的影响小，对运算计算机的性能要求较低，诊断结果直观形象，既避免了基于模型的燃气轮机气路故障诊断方法计算量大，对运算计算机的性能要求高的缺点，又能弥补智能诊断算法诊断过程与结果分析上的不足，有很大的工程应用前景。

附图说明

图1是燃气轮机图形化故障诊断方法流程图；

图2是燃气轮机图形化故障诊断结果1；

图3是燃气轮机图形化故障诊断结果2。

具体实施方式

下面结合附图对本发明做更详细的描述。

（1）征兆样本的获取。首先选取反映燃气轮机热力性能的燃气压力（GFP）、燃气控制压力（GFCP）、燃气阀压差（GFDP）、主燃气阀位置（GVP）、燃气轮机转速（NGP）和燃气轮机排气温度（T5）组成的燃气轮机故障征兆样本，维数n=6。接着选取燃气轮机以往发生频率较高3种，分别为空气供应压力低故障（标记为A）、发动机低温熄火故障（标记为B）、燃气控制阀压力高故障（标记为C），同时提取了正常运行状态样本（标记为H），共同组成征兆样本集X，维数m=4。最后，考虑到各种参量之间的巨大差异性及分散性，降低其相互之间由于量值差异造成的影响，对燃气轮机征兆样本集的原始数据进行线性归一化处理。

（2）构建图形化燃气轮机故障诊断模型。首先构建由15×20个节点组成的二维图形化燃气轮机故障诊断模型，对15×20个节点设定初始状态为正常。然后计算步骤（1）收集到的故障征兆样本X与二维图形化故障诊断模型15×20个节点的欧式距离。接着，利用欧氏距离判断原则将满足欧氏距离判断原则的节点属性标记为所对应的故障征兆样本的故障类型，实现故障征兆样本X与15×20个节点组成的二维图形化故障诊断模型输出向量之间的一一映射。四个状态分别占据二维图形中的某一个区域，彼此之间有明显的界限。图2中的二维图形所示的空气供应压力低（标记为A）、发动机低温熄火（标记为B）、燃气控制阀压力高（标记为C）和正常运行状态（标记为H）四种状态的图形化故障诊断模型，四种状态分布在二维图谱中。相应标识的区域代表燃气轮机的状态。

（3）图形化故障诊断，实时采集燃气轮机运行数据，选择特征信号，组成任意时刻t下的燃气轮机运行状态故障征兆待测样本x_t。计算故障征兆样本xt与图形化故障诊断模型M×N个节点的距离。按照欧氏距离判断原则选出与故障征兆样本x_t距离最近的节点，读取该节点故障属性所代表的故障类型，并在二维图形上显示诊断结果。将不同时刻的诊断结果的点连接在一起，在二维图形中构成了“运行状态变化路径”。图2为故障发生前一段时刻图形化诊断结果，此时“点”连接在一起构成的“运行状态变化路径”正在从正常运行状态“H”向故障“C”区域方向移动；图3为气体燃料管路堵塞造成故障C“燃气控制阀压力高”的图形化诊断，此时诊断结果“点”从“H”跳入“C”状态区域，并不断变化，表明此时燃气轮机运行状态为故障C“燃气控制阀压力高”。燃气轮机运行操作人员通过二维图形上的“点”和“运行状态路径”所在的状态区域就能快速实现燃气轮机运行状态的诊断。经过确认诊断“正确”，输出诊断结果，诊断结束。

（4）图形化故障诊断模型更新。步骤（3）诊断结果经过确认“正确”，不需要进行图形化故障诊断模型更新。

图形化故障模型在以下两种情况下需要更新，一种情况是用于故障诊断的特征信号数量的变化引起的燃气轮机故障征兆样本的维数n的变化；另一种情况是经验获取了新的燃气轮机故障状态引起的燃气轮机运行状态数目m的变化。

Claims

1.一种燃气轮机图形化故障诊断方法，其特征在于，包括如下步骤：

X=[x₁,x2,…,x_m]^T

式中，m代表获取的燃气轮机运行状态的数目，

{\overset{&OverBar;}{x}}_{i} = x_{i} - x_{\min} / x_{\max} - x_{\min}

d_{j} = \sqrt{Σ_{i = 1}^{m} {(x_{i} - w_{ji})}^{2}}, j = 1,2, \cdot \cdot \cdot, M, i = 1,2, \cdot \cdot \cdot, m

2.根据权利要求1所述的一种燃气轮机图形化故障诊断方法，其特征在于：所述的图形化故障诊断模型的M为大于2倍的燃气轮机运行状态数，N大于或等于M，对M×N个节点设定初始节点属性为正常状态。

3.根据权利要求2所述的一种燃气轮机图形化故障诊断方法，其特征在于：所述的图形化故障诊断，将提取出的故障征兆样本作为输入参数，输出部分为与故障征兆样本距离最近的节点故障属性，并在二维图形上显示诊断结果。