CN111648992A - 燃气轮机压气机故障识别预警方法 - Google Patents

Abstract

本发明涉及一种燃气轮机压气机故障识别预警方法，先实时对故障对应征兆参数进行监测，再利用燃气轮机压气机的历史数据建立LSTM预测模型，对故障对应征兆参数进行预测，将模型输出的征兆参数预测值与征兆参数实际值进行残差计算，得到动态的残差曲线进行报警判断；对征兆参数报警信息进行量化处理，得到实时征兆量化值；根据实时征兆量化值与根据故障知识库分析得到的故障特征征兆量化值，利用层次分析法对故障知识库中压气机故障种类的特征征兆进行分析，实现故障预警，找出故障种类对应的故障原因，提供解决方案。能够快速的、准确的发现燃气轮机压气机早期故障趋势，及时进行维修和保护，降低燃气轮机压气机的故障带来的经济损失。

Description

燃气轮机压气机故障识别预警方法

技术领域

本发明涉及一种火电厂设备故障预警技术，特别涉及一种基于RBR(规则推理)和AHP(层次分析法)的燃气轮机压气机故障识别预警方法。

背景技术

在发电行业中，燃气轮机发电机组因启停迅速、热效率高、污染少等优点成为当今主流发电形式之一。

压气机作为燃气轮机的主要部件之一，它的故障影响着燃气轮机的安全性和稳定性。燃气轮机压气机常见故障有叶片积垢、叶片磨损腐蚀、进气口结冰、喘振等。如果能够早期发现压气机故障的趋势，提前对这些故障做些维修和保护，降低因压气机故障引起燃气轮机的非计划停机或不稳定运行的风险，对燃气轮机稳定运行具有重要意义。目前，燃气轮机的故障预警方法主要有多参数状态估计模型故障预警和相似性原理故障预警等方法，这些方法依赖大量的历史数据，数据处理比较困难。由于故障早期出现差异阶段，缺乏对特征还不清晰的异常事件进行分析的手段，增加了早期故障预警的难度。近年来，对故障预警的研究，预测算法种类较多，且判断故障种类准确度不高。

发明内容

本发明是针对燃气轮机压气机故障判断准确度不高的问题，提出了一种燃气轮机压气机故障识别预警方法，根据专家知识、经验和燃气轮机压气机案例分析得到的知识库，利用LSTM(long short-term memory，长短期记忆)预测模型，监测征兆参数的运行状态，提出了RBR(规则推理)的推理方式确定燃气轮机压气机的故障种类预警方法，为状态检修工作提供了重要的决策支持。能够快速的、准确的发现燃气轮机压气机早期故障趋势，及时进行维修和保护，降低燃气轮机压气机的故障带来的经济损失，使燃气轮机能够可靠安全的运行。

本发明的技术方案为：一种燃气轮机压气机故障识别预警方法，先实时采集燃气轮机的运行数据，对数据进行分析处理，实时对故障对应征兆参数进行监测，再利用燃气轮机压气机的历史数据建立LSTM预测模型，对故障对应征兆参数进行预测，将模型输出的征兆参数预测值与征兆参数实际值进行残差计算，得到动态的残差曲线，超出残差曲线范围进入报警处理；进入报警处理后，根据燃气轮机压气机额定运行的征兆参数允许超出最大参数范围作为严重故障报警限，在严重故障报警限基础上设立故障程度报警线，超出任意故障程度报警线则对征兆参数报警信息进行量化处理，得到实时征兆量化值；根据实时征兆量化值与根据故障知识库分析得到的故障特征征兆量化值，利用层次分析法对故障知识库中压气机故障种类的特征征兆进行分析，计算出的故障种类特征征兆的权重；在某一时刻获得某个征兆参数报警信息，以此作为样本数据，利用故障特征征兆量化值和故障种类特征征兆的权重，与各个故障种类进行欧氏距离计算，距离最小的故障种类为故障识别结果，实现故障预警，最后根据故障知识库，找出故障种类对应的故障原因，提供解决方案。

所述报警信息进行量化处理，指某个征兆参数动态的残差曲线超范围后，在超范围时间区间内的由所有实时征兆参数构成一组向量M＝{m₁，m₂，m₃，…，m_k}，以此表示实时征兆量化值，

式中：m_j为实时报警征兆量化值；F_j为实时报警残差，压气机实际征兆参数运行值与征兆参数预测值的差；S_j为严重故障报警残差，压气机额定参数与严重故障报警限值的差值；j＝1,2,3,…,k,k为征兆参数总个数。

所述根据故障知识库分析得到的故障特征征兆量化值：由专家知识、经验和燃气轮机压气机故障案例进行分析，燃气轮机压气机常见故障有压气机叶片积垢、叶片磨损腐蚀、进气口结冰，喘振这四个典型故障，分别记为故障种类P_i，i为故障种类i＝1，2，3，4，与压气机故障种类相关联的故障征兆主要有导叶开度、压气机空气流量、压气机入口温度、压气机出口温度、压气机入口压力、压气机出口压力、级组压比、压气机效率、负荷，分别记为指标I_j，j为征兆参数，j＝1,2,…,9；建立燃气轮机压气机故障种类与故障征兆之间的对应关系，把征兆的上升定义为1，下降定义为-1，特征值无明显变化定义为0；每行构造出向量组G_i＝{g_i1，g_i2，g_i3，…，g_ik}表示故障i特征征兆量化值组，具体量化结果如下矩阵，

本发明的有益效果在于：本发明燃气轮机压气机故障识别预警方法，深度学习LSTM模型对时间序列预测具有很好的效果，很适用于燃气轮机压气机基于时间量的运行参数，预测值与实际值产生的残差较小；利用专家知识、经验和燃气轮机压气机故障案例分析，比较客观的描述出故障种类的各故障征兆的权重；基于RBR的推理方式，使用直接的知识表示，故障识别速度快，要求数据的存储相对较小，易于编程和开发出快速原型系统。

附图说明

图1为本发明燃气轮机压气机故障预警识别方法示意图；

图2为本发明燃气轮机压气机故障预警整体流程图；

图3为本发明燃气轮机压气机进气量实际值与预测值曲线图；

图4为本发明压气机进气量实际值与预测值的残差图；

图5为本发明征兆参数权重确定流程图。

具体实施方式

如图1所示燃气轮机压气机故障预警识别方法示意图。在线采集燃气轮机的运行数据，对数据进行分析处理，发现当燃气轮机压气机发生故障时，压气机的一些参数也发生了巨大变化，因此，燃气轮机压气机故障种类会有相对应的故障征兆,利用这些故障征兆挖掘出故障种类与征兆之间隐藏的规则性关系。通过规则推理(RBR)的故障种类识别方法确定故障种类。先实时采集燃气轮机的运行数据，对数据进行分析处理，实时对故障对应征兆参数进行监测，再利用燃气轮机压气机的历史数据建立LSTM预测模型，对故障对应征兆参数进行预测，将模型输出的征兆参数预测值与征兆参数实际值进行残差(残差指实际观察值与估计值(拟合值)之间的差)计算，可得到动态的残差曲线，超出残差曲线范围进入报警处理。进入报警处理后，根据燃气轮机压气机额定运行的征兆参数允许超出最大参数范围作为严重故障报警限，在严重故障报警限基础上设立故障程度报警线，如超限报警线(分为高限报警和低限报警)则对征兆参数报警信息进行量化处理，得到实时征兆量化值。根据实时征兆量化值与根据故障知识库分析得到的故障特征征兆量化值，再利用层次分析法对故障知识库中压气机故障种类的特征征兆进行分析，计算出的故障种类特征征兆的权重进行欧氏距离计算，距离最小说明实时特征征兆与故障特征征兆相似度高，从而实现故障预警，最后根据故障知识库，找出故障种类对应的故障原因，提供解决方案。燃气轮机压气机故障识别预警方法流程图如图2所示。

该故障识别方法具体包括以下步骤：

S1、首先确定研究对象。以某PG9351FA型燃气轮机的压气机为研究对象，通过燃气轮机压气机叶片腐蚀的进气量为例，采用深度学习LSTM算法进行预测，如图3所示。将预测值与实际值的残差作为监测量，超限报警，如图4所示。通过LSTM算法对压气机进气量进行预测，真实值与实际值的误差满足要求。从图4可以看出正常工况时残差波动比较平缓，当压气机进气量出现下降时，模型的预测误差开始增加，说明故障工况偏离了正常工况特性，预测值与实际值残差在第101个点超过预警线进行报警。为了使报警信息进行量化处理，将燃气轮机压气机征兆参数额定参数1.3％作为严重故障报警限。以严重故障报警限值得0.6倍和0.8倍作为轻微报警限和中度报警限,对于轻微报警为了防止误报，在设定时间区间内发生了3次及以上的轻微报警则上传报警信息，超过中度报警限，直接上传报警信息。将压气机进气量超标时间区间内的由所有征兆参数构成的报警信息进行量化处理，构成一组向量M＝{m₁，m₂，m₃，…，m_k}表示实时征兆量化值。

式中：m_j为实时报警征兆量化值；F_j为实时报警残差，压气机实际征兆参数运行值与征兆参数预测值的差；S_j为严重故障报警残差，压气机额定参数与严重故障报警限值的差值；j＝1,2,3,…,k,k为征兆参数总个数。

S2、根据故障知识库，由专家知识、经验和燃气轮机压气机故障案例进行分析，燃气轮机压气机常见故障有压气机叶片积垢、叶片磨损腐蚀、进气口结冰，喘振这四个典型故障，分别记为故障种类P_i(i＝1，2，3，4)与压气机故障种类相关联的故障征兆主要有导叶开度、压气机空气流量、压气机入口温度、压气机出口温度、压气机入口压力、压气机出口压力、级组压比、压气机效率、负荷，分别记为指标I_j(j＝1,2,…,9)。建立燃气轮机压气机故障种类与故障征兆之间的对应关系表，如表1所示压气机故障种类征兆对应表，从而对燃气轮机压气机常见故障征兆进行量化。

表1

把征兆的上升定义为1，下降定义为-1，特征值无明显变化定义为0。每行构造出向量组G_i＝{g_i1，g_i2，g_i3，…，g_ik}表示故障i特征征兆量化值组。具体量化结果如下矩阵。

S3、采用层次分析法建立层次结构模型，层次分析法是能够将定性问题进行定量处理的决策方法。层次分析法将决策的目标、考虑的因素和决策对象分为最高层、中间层和最低层，建立出层次结构模型，在确定各因素之间的权重时，通过将元素进行两两相互比较，能够减少多因素比较的困难，提高了准确度。因此，利用层次分析法，对压气机故障种类的特征征兆进行分析，建立层次结构模型，通过专家的知识、经验和燃气轮机压气机故障案例分析对压气机故障征兆的各因素之间进行客观的比较，给出重要的定量标度，构造出判断矩阵，从而计算出故障种类特征征兆的权重ω_i＝{ω_i1，ω_i2，ω_i3，…，ω_ik}(i＝1,2,…,h),h为故障种类总数。具体流程图如图5所示。

1)构造判断矩阵

层次分析法判断矩阵是由各因素两两比较相对重要性的数值化表示出来，写成的矩阵形式。判断矩阵元素值a_xy表示第x个元素与第y个元素相比，a_xy表示a_xy的倒数。a_xy用数字1-9及其倒数作为标度，如表2所示判断矩阵a_xy标度方法。

表2

2)判断矩阵一致性检验

通过判断矩阵特征值计算,得到判断矩阵最大特征值λ_max，特征向量ω。从而获得层次间的重要权值，并进行一致性检验。在构造判断矩阵时，要检验判断矩阵是否具有一致性，否则需要重新调整判断矩阵的元素，使其达到要求,一致性校验公式如下。

式中：CI为判断矩阵一致性指标；λ_max为判断矩阵特征值的最大值；n判断矩阵阶数；CR为判断矩阵的一致性比例；RI为判断矩阵的平均一致性指标。

RI是判断矩阵的平均一致性指标，随着判断矩阵的阶数变化，具体值如表3所示1-9阶判断矩阵RI的值。本文为9阶矩阵，RI的值为1.45。对于判断矩阵CR的值越小，则一致性越好，一般CR的值小于0.1时，判断矩阵满足一致性的要求。

表3

由AHP确定故障特征征兆的权重,以燃气轮机压气机叶片磨损腐蚀P2为例，燃气轮机压气机叶片磨损腐蚀故障征兆判断矩阵如下表4所示。表4

进行判断矩阵一致性校验，由上判断矩阵可得最大特征值λ_max＝9.3367，和对应的特征向量α{0.0768,0.5065,0.0527,0.1664,0.0527,0.7123,0.2435,0.3533,0.1131}，根据公式(2)和(3)得CI＝0.0458，CR＝0.0316。CR<0.1判断矩阵满足一致性要求，将特征向量α进行归一化处理则得到压气机叶片磨损腐蚀故障征兆参数权重为：

ω₂＝{0.0337,0.2224,0.0231,0.0731,0.0231，0.3128,0.1069,0.1551,0.0497}(通过判断矩阵求解可以得到最大特征值和所对应的特征向量，对特征向量进行归一化可得到权重。这里的归一化为：特征向量第一个元素值/所有元素值的和)。同理得到压气机叶片积垢P1的判断矩阵，P₁最大特征值为λ_max＝9.3838,CI＝0.048，CR＝0.033，CR<0.1判断矩阵满足一致性要求。压气机进气口结冰P₃的最大特征值为λ_max＝9.3084，CI＝0.03855，CR＝0.02658，CR<0.1,判断矩阵满足一致性要求。压气机喘振P4最大特征值为λ_max＝9.4282，CI＝0.0535，CR＝0.0369<0.1,判断矩阵满足一致性要求。则根据判断矩阵和λ_max，求得燃气轮机压气机故障征兆参数之间的权重{ω₁,ω₂,ω₃,ω₄}如表5所示。表5

根据某电厂的燃气轮机压气机的历史数据，利用公式(1)将实时征兆参数报警信息量化处理，在某一时刻获得的压气机出口压力报警信息M＝{m₁，m₂，m₃，…，m₉}＝{-0.623，-0.723，0，0.662,0,0.78,-0.62，-0.85，-0.75}。利用公式(4)计算样本数据与各个故障种类的欧式距离d_i，预警结果如表6所示。

S4、由表6可以看出报警信息与压气机叶片腐蚀的欧式距离最小，从而可以判断是压气机叶片腐蚀引起的故障预警，说明此时压气机有出现叶片腐蚀的趋势，然后根据燃气轮机压气机故障知识库发现可能是气流中固体颗粒物的冲刷，没有定期进行清洗的原因，需要定期对进气过滤装置维护并及时更换相关部件的措施等，为状态维修决策提供了参考。

表6

Claims (3)

1.一种燃气轮机压气机故障识别预警方法，其特征在于，先实时采集燃气轮机的运行数据，对数据进行分析处理，实时对故障对应征兆参数进行监测，再利用燃气轮机压气机的历史数据建立LSTM预测模型，对故障对应征兆参数进行预测，将模型输出的征兆参数预测值与征兆参数实际值进行残差计算，得到动态的残差曲线，超出残差曲线范围进入报警处理；进入报警处理后，根据燃气轮机压气机额定运行的征兆参数允许超出最大参数范围作为严重故障报警限，在严重故障报警限基础上设立故障程度报警线，超出任意故障程度报警线则对征兆参数报警信息进行量化处理，得到实时征兆量化值；根据实时征兆量化值与根据故障知识库分析得到的故障特征征兆量化值，利用层次分析法对故障知识库中压气机故障种类的特征征兆进行分析，计算出的故障种类特征征兆的权重；在某一时刻获得某个征兆参数报警信息，以此作为样本数据，利用故障特征征兆量化值和故障种类特征征兆的权重，与各个故障种类进行欧氏距离计算，距离最小的故障种类为故障识别结果，实现故障预警，最后根据故障知识库，找出故障种类对应的故障原因，提供解决方案。

2.根据权利求1所述燃气轮机压气机故障识别预警方法，其特征在于，所述报警信息进行量化处理，指某个征兆参数动态的残差曲线超范围后，在超范围时间区间内的由所有实时征兆参数构成一组向量M＝{m₁，m₂，m₃，…，m_k}，以此表示实时征兆量化值，

式中：m_j为实时报警征兆量化值；F_j为实时报警残差，压气机实际征兆参数运行值与征兆参数预测值的差；S_j为严重故障报警残差，压气机额定参数与严重故障报警限值的差值；j＝1,2,3,…,k,k为征兆参数总个数。

3.根据权利求1或2所述燃气轮机压气机故障识别预警方法，其特征在于，所述根据故障知识库分析得到的故障特征征兆量化值：由专家知识、经验和燃气轮机压气机故障案例进行分析，燃气轮机压气机常见故障有压气机叶片积垢、叶片磨损腐蚀、进气口结冰，喘振这四个典型故障，分别记为故障种类P_i，i为故障种类i＝1，2，3，4，与压气机故障种类相关联的故障征兆主要有导叶开度、压气机空气流量、压气机入口温度、压气机出口温度、压气机入口压力、压气机出口压力、级组压比、压气机效率、负荷，分别记为指标I_j，j为征兆参数，j＝1,2,…,9；建立燃气轮机压气机故障种类与故障征兆之间的对应关系，把征兆的上升定义为1，下降定义为-1，特征值无明显变化定义为0；每行构造出向量组G_i＝{g_i1，g_i2，g_i3，…，g_ik}表示故障i特征征兆量化值组，具体量化结果如下矩阵，

Images