CN112098105B - 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法 - Google Patents

Abstract

燃气轮机作为天然气输送、发电等领域的心脏动力设备，一旦出现故障可造成巨大经济损失甚至带来严重事故。本专利针对当前工程现场燃气轮机普遍采用1000Hz以下中低频监测手段的缺陷，提出采用10Hz到20KHz的机匣宽频振动信号对叶片故障为代表的结构强度型故障实施在线状态监测，采用基于冗余字典稀疏表达消噪和深度卷积自编码的宽频信号自动特征提取方法，成功提取了叶片故障敏感特征。该方法可以补充当前监测手段的不足,用于提前预警叶片断裂等损伤故障，减少燃机故障维修的成本，促进燃气轮机安全运行。

Description

基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法

技术领域

本发明涉及燃气轮机状态监测、预警和诊断领域，特别是燃气轮机叶片故障监测和预警。

背景技术

燃气轮机作为天然气输送、发电等领域的心脏动力设备，一旦出现故障可造成巨大经济损失甚至带来严重事故。由于工作环境恶劣，运行环境长期处于高温、高压、高速旋转下，易发生故障。调研发现，结构强度类故障占燃机总故障案例的68％，其中叶片故障占多数。因此，燃气轮机叶片状态监测是其安全、正常运转的重要保证。

工程现场常用的燃机结构强度型故障诊断普遍采用1000Hz以下中低频监测手段，主要监测燃气轮机各转子的工作频率。这种监测手段丢失了叶片通过频率等重要信息，无法有效评估燃气轮机叶片的异常状态。

发明内容

鉴于此，本专利设计了燃气轮机机匣宽频振动信号采集方案(20kHz)，通过冗余字典对采集的宽频振动信号进行了稀疏表达和消噪，进一步构建了深度卷积自编码器模型提取振动信号中的叶片敏感特征参数，最后对提取的特征参数进行了平滑处理，通过该方案可实现对燃气轮机叶片的监测和预警，技术方案内容如下：

1.一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，通过燃气轮机机匣振动监测数据，提取叶片故障特征，提前预警叶片断裂等损伤故障，其特征在于，该方法包括如下步骤：

1)燃气轮机机匣振动信号采集。选取5-20kHz频响范围的宽频振动传感器感知工程现场燃气轮机机匣振动信号，并通过采样率51.2kHz以上采样率的数据采集装置获取包含压气机、涡轮各级动叶片、静叶片通过频率成分的燃气轮机宽频振动数字信号。

2)机匣宽频振动信号在冗余字典下的稀疏表达重构，对进行信号消噪处理。选择由离散余弦变换(DCT)、余弦信号、正弦信号组合构成的冗余字典，在该字典上采用匹配追踪(Matching Pursuit)算法对振动信号进行M-项近似模拟，考虑叶片通过频率总数不超过50个，最大迭代次数M设为50，匹配追踪方法选择弱匹配追踪(Weak MP)，匹配系数取0.6。

3)稀疏信号敏感特征参数提取模型构建，选择深度卷积自编码器(DepthConvolution Autoencoder)构建叶片故障敏感特征自学习模型，对稀疏约束的目标频谱进行特征提取，获取20个“抽象特征”。

4)敏感特征参数平滑处理参数设定，从20个“抽象特征”选择显著变化的F1、F2、F3共计3个特征参数，通过sglay算法对所选特征参数时域信号进行平滑处理，获取可实现预警的特征参数时间序列。

2.根据权利要求1所示的一种基于机匣宽频振动信号的燃气轮机叶片故障监测方法，其特征在于，所述步骤1中，

通过ΔF_band＝5-20kHz频响范围的宽频振动传感器和采集器实时采集燃气轮机机匣的振动信号，采样频率不低于51200Hz，典型值51200Hz、65536Hz、102400Hz、12800Hz、204800Hz、，单组样本采样点数N不低于16384点，典型值N∈{16384点、32768点、65536点、131072点}；传感器安装部位包括前机匣测点、中机匣测点和后机匣测点，每个测点分别在水平和垂直方向各安装一个传感器，中机匣加装1个轴向振动传感器，机匣振动信号覆盖压气机和涡轮各级叶片的通过频率BPF，BPF计算公式为:

BPF＝Nb×f₀

式中Nb表示某级动叶或静叶的叶片数，f₀表示所对应转子的转频。设压气机、涡轮的动叶、静叶的叶片数共有M个不同取值，则所采集信号的最高频率Fmax应满足：

Fmax≥max{Nb₁,Nb₂,Nb₃，…，Nb_M}

3.根据权利要求所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测方法，其特征在于，所述步骤2中，

1)冗余字典由离散余弦变换(DCT)、余弦信号、正弦信号共同组成：

DCT函数：

sin：

cos：

式中,N表示一组函数波形的样本点数。

2)选择在冗余字典上采用匹配追踪(Matching Pursuit)算法对振动信号进行M-项近似模拟。信号进行M-项近似稀疏表达消噪的公式如下：

其中，

为M－项近似(M-term Representation)重建的信号(消噪的信号)，Φ＝[φ₁,φ₂,…，φ_P]为组成字典的基本单位——原子(Atoms即)是事先可知的，而把长度为N的原始信号f用M个系数和相应的原子来表示(即M－项近似)，相关理论研究表明这类分解可以对很广泛的一类信号实现时频特征的稀疏表达[15]，一定意义上恰恰是实现了消噪，该方法称为冗余字典稀疏表达消噪(Denoising Method Based on SparseRepresentation and Redundant Dictionary,SRRD)。M<<信号样本点数Ns，R^(m)为重建信号的残差(Residual)。鉴于叶片通过频率均为谐波成分，选择由离散余弦变换(DCT)、余弦信号、正弦信号组合构成的冗余字典，考虑到叶片通过频率不超过50个，M取为50。为保证算法的匹配自适应性和快速收敛性，匹配追踪算法采用弱正交匹配(Weak Orthogonal MachingMP)，弱匹配系数设γ为0.6。这里，弱正交匹配的含义为使的被消噪信号与字典原子的内积不必取严格的最大化，而是具有一定松弛性，此处弱匹配系数γ即控制松弛度：

4.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测方法，其特征在于，所述步骤3中：

通过深度卷积网络在无监督条件下学习稀疏信号中包含的叶片敏感故障信息，敏感特征自学习模型构建过程如下

1)信号处理，将带宽为ΔF_band(典型值20000Hz)的宽频信号频谱使用均方根池化(Root Mean Square Pooling)降维到1280维，进而训练一个具有稀疏约束的自编码器无监督地对目标频谱进行特征提取具体过程如下。

2)网络输入，设训练样本总数为N，将降维后的样本数N×1280矩阵作为网络输入。考虑到每次迭代训练时选择一批(batch)数据而不是单一数据或是全部数据进行训练，每次迭代训练时随机选择组数batch＝10的数据作为输入X。

3)网络结构

a.第一部分，7层卷积+池化层，每层卷积窗口数量分别为64、64、128、64、32、16、16，同时为了保证网络每层神经元几乎为相同的分布，使用批归一化在每个池化层后进行归一化处理。

b.第二部分，全连接层，将第一部分输出的batch×160矩阵全连接至形状为batch×20的矩阵，并将这20个神经元作为自编码器降维编码的输出，第一第二部分相加为编码器部分，也即实现了20个抽象特征的提取。

c.第三部分，解码器部分，首先是一个将batch×20作为输入，batch×160作为输出的全连接层，接着连接7个2步长转置卷积层，每一个转置卷积层相当于作为第一部分中卷积+池化层的逆向操作，其窗口数量与第一部分互为镜像，第三部分输出一个与输入形状完全相同的矩阵X^/。

4)网络训练

a.定义损失函数，分为两部分：第一部分为MSE(X,X^/)，为X与X^/间的均方根误差，第二部分为对第一部分训练参数的L1正则化，增加网络的稀疏性，保证编码器提取更加重要的特征。

b.使用Adam优化器以batch＝10取样进行训练，经过20000次训练，以获得较好的重构效果，确保自编码器学习到了频谱产生的规律。

c.编码器全连接层输出的样本数N×20个“抽象特征”。从20组特征中人工筛选出具有显著变化的3个抽象特征。

5.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测方法，其特征在于，所述步骤4中：

从20组“抽象特征”选择显著变化的特征参数，通过sgolay算法对敏感特征参数进行平滑处理(Schafer,Ronald.“What Is a Savitzky-Golay Filter？[Lecture Notes].”IEEE Signal Processing Magazine 28,no.4(July 2011):111–17.)，平滑窗口长度参数W设为41，平滑后的抽象特征参数形成光滑的时间序列，当叶片发生损伤时部分敏感特征参数的平滑时间序列会显现出显著的增长趋势，趋势增长表明叶片的损伤故障发生、发展，即实现了叶片损伤的预警。

有益效果

(1)本发明选取带宽为20kHz宽频振动传感器和采集器，可覆盖燃气轮机压气机和涡轮各级叶片的通过频率，从而实现叶片状态的实时监测。

(2)基于冗余字典稀疏表达消噪的方法，可以更为清晰地从机匣宽频振动信号中定量识别动叶片、静叶片通过频率，可为跟踪叶片通过频率变化趋势和定位故障叶片所在级提供参考依据。

(3)基于深度卷积自编码的无监督敏感特征参数自学习模型，可以对宽频机匣振动信号进行处理，自动建立表征叶片状态的敏感参数。

(4)基于sgolay算法对敏感特征参数进行平滑处理，可以清晰地显示特征参数的变化趋势，可为基于机匣信号的燃气轮机叶片等结构强度型故障的在线监测预警提供技术支撑。

附图说明

图1某型燃气轮机简化结构、传感器布局及传递路径示意图图2前机匣宽频振动信号原始图谱

图3中机匣宽频振动信号原始图谱

图4后机匣宽频振动信号原始图谱

图5机匣冗余字典稀疏表达消噪后结果

图6深度卷积自编码器敏感特征参数提取模型输出结果图7敏感参数平滑处理结果

图8三轴燃气轮机叶片脱落故障现场数据

图9本专利在三轴燃气轮机叶片脱落故障诊断中的应用效果

具体实施方式

下面对本发明的燃气轮机叶片故障监测方法作进一步介绍。

1、燃气轮机机匣振动信号采集

考虑到燃气轮机叶片故障振动响应的传递路径存在两条，机匣路径和转子-轴承路径，如图1所示。通过机匣路径监测动叶片的状态，通过转子-轴承路径监测静叶片状态。

考虑前机匣测点频谱的主导频率成分主要是压气机的叶片通过频率，如图2所示，15150Hz为压气机第11-16级动叶通过频率成分，10000Hz为第9-10级动叶通过频率成分，7276Hz、8183Hz、8486Hz为第5/6/7级动叶频率成分，6364Hz和6819Hz为第3/4级动叶通过频率，3941Hz为第1/2级动叶频率成分。因此，通过前机匣测点监测压气机叶片状态，包括动叶和静叶；

考虑中机匣测点频谱的主导频率成分主要是压气机高级叶片的通过频率，如图3所示，11480Hz压气机第11～16级动叶的通过频率，因此，通过中机匣测点监测压气机高压级叶片状态；

考虑后机匣测点频谱的主导频率成分主要是涡轮叶片的通过频率，如图4所示，4848Hz为涡轮导向器第1级静叶片通过频率，13330Hz为第1级涡轮动叶片通过频率，13640Hz为第2级涡轮动叶片通过频率，因此，通过后机匣测点监测涡轮叶片状态。

2、振动信号稀疏表达算法参数设定

选择冗余字典匹配追踪(Matching Pursuit)算法对振动信号进行M-项近似模拟，首先根据Hilbert空间中框架以及子空间伪框架分析理论，将机匣宽频振动信号f进行分析，公式如下：

令分解系数向量α＝[α₁,α₂,…,α_P]，其中α_n,n＝1…P均为标量，P为下标集Γ的势(即下标集中元素的个数)。其中字典矩阵(变换矩阵)Φ＝[φ₁,φ₂,…，φ_P]，其中φ_n,n＝1…P为列向量，公式变形如下：

将Φ＝[φ₁,φ₂,…，φ_P]中的M项(M<<N)与各自系数相乘后叠加(以α_n为权重的加权叠加)来以足够的精度近似信号f，对振动信号进行消噪，公式如下：

其中，

为M－项近似(M-term Representation)重建的信号(消噪的信号)，一般情况下M<<信号样本点数Ns，R^(m)为重建信号的残差(Residual)。

基于字典原子(Atoms,即Φ＝[φ₁,φ₂,…，φ_P])重构长度为N的原始信号信号f，通过M个系数和相应的原子来表示(即M－项近似)原始振动信号，实现对振动信号的时频特征稀疏表达，进而实现消噪。本专利采用匹配追踪(Matching Pursuit)算法实现M-项近似，考虑叶片通过频率总数不超过50个，最大迭代次数M设为50，匹配追踪方法选择Weak MP，Coefficient设为0.6。冗余字典稀疏表达消噪后结果如图5所示。

3、稀疏信号敏感特征参数提取模型构建

选择深度卷积自编码器(Depth Convolution Autoencoder)构建叶片故障敏感特征自学习模型。将信号长度为12800(带宽为20000Hz宽频)的信号频谱使用均方根池化降维到1280维。进而训练一个具有稀疏约束的自编码器无监督地对目标频谱进行特征提取，获得20组叶片故障“抽象特征”，如图6所示。

4、敏感特征参数平滑处理参数设定，将某燃气轮机发生掉叶片故障前后15分钟的机匣宽频振动数据输入自编码器，从20组“抽象特征”选择显著变化的特征参数，通过sglay算法对所选特征参数时域信号进行平滑处理，获取可实现预警的时域特征参数，如图7所示。

5、通过某三轴燃气轮机叶片故障数据验证本专利的有效性，现场燃气轮机发生故障前后的振动信号如图8所示，应用本专利提出的，对振动信号进行消噪，特征提取和平滑处理，得到各级叶片通过频率变化趋势，如图9所示，从图中可以看出低压压气机第1、7级叶片通过频率出现了较大波动或变化，经拆解检查，低压压气机第7级叶片发生断裂。

Claims (4)

1.一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，通过燃气轮机机匣振动监测数据，提取叶片故障特征，提前预警叶片断裂等损伤故障，其特征在于，该方法包括如下步骤：

1)燃气轮机机匣振动信号采集，选取5-20kHz频响范围的宽频振动传感器感知工程现场燃气轮机机匣振动信号，并通过51.2kHz以上采样率的数据采集装置获取包含压气机、涡轮各级动叶片、静叶片通过频率成分的燃气轮机宽频振动数字信号；

2)机匣宽频振动信号在冗余字典下的稀疏表达重构，对信号进行消噪处理，选择由离散余弦变换(DCT)、余弦信号、正弦信号组合构成的冗余字典，在该字典上采用匹配追踪算法对振动信号进行M-项近似模拟，考虑叶片通过频率总数不超过50个，最大迭代次数M设为50，匹配追踪方法选择弱匹配追踪，匹配系数取0.6；

3)稀疏信号敏感特征参数提取模型构建，选择深度卷积自编码器构建叶片故障敏感特征自学习模型，对稀疏约束的目标频谱进行特征提取，获取20个抽象特征；

4)敏感特征参数平滑处理参数设定，从20个抽象特征选择显著变化的F1、F2、F3共计3个特征参数，通过sglay算法对所选特征参数时域信号进行平滑处理，获取可实现预警的特征参数时间序列，当叶片发生损伤时部分敏感特征参数的平滑时间序列会显现出显著的增长趋势，趋势增长表明叶片的损伤故障发生、发展，即实现了叶片损伤的预警。

2.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，其特征在于，所述步骤1中，

通过ΔF_band＝5-20kHz频响范围的宽频振动传感器和采集器实时采集燃气轮机机匣的振动信号，采样频率不低于51200Hz，单组样本采样点数N不低于16384点；传感器安装部位包括前机匣测点、中机匣测点和后机匣测点，每个测点分别在水平和垂直方向各安装一个传感器，中机匣加装1个轴向振动传感器，机匣振动信号覆盖压气机和涡轮各级叶片的通过频率BPF，BPF计算公式为:

BPF＝Nb×f₀

式中Nb表示某级动叶或静叶的叶片数，f₀表示所对应转子的转频，设压气机、涡轮的动叶、静叶的叶片数共有M个不同取值，则所采集信号的最高频率Fmax应满足：

Fmax≥max{Nb₁,Nb₂,Nb₃，…，Nb_M}。

3.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，其特征在于，所述步骤2中，

2.1)冗余字典由离散余弦变换(DCT)、余弦信号、正弦信号共同组成：

DCT函数：

Sin:

Cos:

式中，N表示一组函数波形的样本点数；

2.2)选择在冗余字典上采用匹配追踪算法对振动信号进行M-项近似模拟，信号进行M-项近似稀疏表达消噪的公式如下：

其中，

为M－项近似重建的信号，Φ＝[φ₁,φ₂,…，φ_P]为组成字典的基本单位——原子，把长度为N的原始信号f用M个系数和相应的原子来表示，M<<信号样本点数Ns，R^(M)为重建信号的残差，鉴于叶片通过频率均为谐波成分，选择由离散余弦变换(DCT)、余弦信号、正弦信号组合构成的冗余字典，考虑到叶片通过频率不超过50个，M取为50，为保证算法的匹配自适应性和快速收敛性，匹配追踪算法采用弱正交匹配，弱匹配系数设γ为0.6。

4.根据权利要求1所述的一种基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法，其特征在于，所述步骤3中：

通过深度卷积网络在无监督条件下学习稀疏信号中包含的叶片敏感故障信息，敏感特征自学习模型构建过程如下：

3.1)信号处理，将带宽为ΔF_band的宽频信号频谱使用均方根池化降维到1280维，进而训练一个具有稀疏约束的自编码器无监督地对目标频谱进行特征提取：

3.2)网络输入，设训练样本总数为N，将降维后的样本数N×1280矩阵作为网络输入，考虑到每次迭代训练时选择一批(batch)数据而不是单一数据或是全部数据进行训练，每次迭代训练时随机选择组数batch＝10的数据作为输入X；

3.3)网络结构

a.第一部分，7层卷积+池化层，每层卷积窗口数量分别为64、64、128、64、32、16、16，同时为了保证网络每层神经元几乎为相同的分布，使用批归一化在每个池化层后进行归一化处理；

b.第二部分，全连接层，将第一部分输出的batch×160矩阵全连接至形状为batch×20的矩阵，并将这20个神经元作为自编码器降维编码的输出，第一第二部分相加为编码器部分，也即实现了20个抽象特征的提取；

c.第三部分，解码器部分，首先是一个将batch×20作为输入，batch×160作为输出的全连接层，接着连接7个2步长转置卷积层，每一个转置卷积层相当于作为第一部分中卷积+池化层的逆向操作，其窗口数量与第一部分互为镜像，第三部分输出一个与输入形状完全相同的矩阵X^/；

3.4)网络训练

a.定义损失函数，分为两部分：第一部分为MSE(X,X^/)，为X与X^/间的均方根误差，第二部分为对第一部分训练参数的L1正则化，增加网络的稀疏性，保证编码器提取更加重要的特征；

b.使用Adam优化器以batch＝10取样进行训练，经过20000次训练，以获得较好的重构效果，确保自编码器学习到了频谱产生的规律；

c.编码器全连接层输出的样本数N×20个抽象特征，从20组特征中人工筛选出具有显著变化的3个抽象特征。

Images