自适应灰关联算法的动力装置故障诊断

李靖超，　王　生，　冯云鹤，　曹曼琳，　应雨龙

(1. 上海电机学院 电子信息学院, 上海 201306;2. 上海电气燃气轮机有限公司 工程技术部, 上海 200240)

自适应灰关联算法的动力装置故障诊断

李靖超1，王生1，冯云鹤1，曹曼琳1，应雨龙2

(1. 上海电机学院 电子信息学院, 上海 201306;2. 上海电气燃气轮机有限公司 工程技术部, 上海 200240)

摘要动力装置在长期运行后，其部件性能会逐渐衰退，容易导致各种故障发生。因此，对装置进行一定的气路数据测量，进而对装置进行诊断、预测具有重要意义。提出一种自适应灰色关联算法的动力装置故障诊断算法，通过对故障数据的关联计算处理，实现了动力装置故障模式的诊断。

关键词灰关联算法; 动力装置; 故障诊断; 故障识别

动力装置长期在高温、高压、高转速等恶劣的环境下运行，其部件性能会逐渐衰退，容易导致各种故障发生，从而带来严重的人力或物力的损失。因此，对于用户而言，当前动力装置的健康状况是非常重要的信息。将由监测或间接计算得到的信息作为判据，可以判断动力装置可能存在的故障，以便采取相应的维护措施。目前的故障诊断技术[1]主要有2种： ① 非气路诊断技术，如振动分析、油液分析、内孔窥视仪监测等，主要用于评估机组部件内部(如轴承、转子、轮盘、叶片、燃烧室气缸、透平喷嘴等)机械结构的物理损伤状况[1]；② 气路诊断技术，利用机组各主要部件的热力性能状况，来评估机组各主要气路部件(如压气机、燃烧室、透平等)的总体性能和健康状况[2]。由于气路诊断技术能够提供机组总体的性能状况和各主要部件的健康状况的关键信息，故其已在动力装置故障诊断中被广泛应用，特别是基于模式识别的气路诊断技术。

目前，各种不同类型的模式识别方法[3-4]已广泛应用于动力装置的健康监测中，它们的共同特征是具备自学习、自组织、自适应的柔性处理能力，能够根据待识别对象的特征向量(气路测量参数向量)及其他的约束条件，判断其属于哪种性能衰退或故障模式的类别。基于模式识别的气路诊断技术具有两个主要优点： ① 无需建立复杂的目标动力装置的热力性能模型；② 可以准确识别并隔离发生性能衰退的部件。其中，应用最为广泛的模式识别方法是神经网络[5-7]和支持向量机[8]法。训练神经网络通常需要大量的样本数据，尤其是故障样本数据，这在实际工程应用中很难满足条件。而支持向量机方法基于统计学习理论，相比于神经网络，能够在小样本数据训练的情况下表现出更优的泛化能力，并能确保局部最优解和全局最优解的基本一致[8]。然而，采用支持向量机方法进行故障模式识别的准确性主要取决于其最优参数的选择[8-9]。为确保故障模式识别的准确性，通常需要为支持向量机选择一个最优算法[9-10]和(或)设计复杂的多层分类结构[11]来改善故障模式识别的有效性。

为解决当前基于模式识别的气路诊断技术中算法通用性与准确性的问题，本文提出了一种基于自适应灰色关联算法的气路诊断方法，通过计算测试气路数据与故障样本数据的关联度，在小样本数据情况下能简单、准确地实现故障模式识别，进而达到对动力装置的健康状况进行预测的目的。

1灰色关联理论

1.1普通灰色关联理论

灰关联理论[12-13]是灰色系统的研究基础，它主要基于空间数学的基础理论来计算参考特征向量与每个待识别的特征向量的关联系数和关联度。将灰色关联理论应用于燃气轮机气路性能诊断，相较于其他模式识别方法，该方法具有以下特点[14-15]： ① 具有良好的抗噪能力；② 能够对参数进行特征选择，进而实现分类的目的；③ 能够解决小样本数据学习问题；④ 算法结构相对简单，能解决算法通用性与准确性相矛盾的问题。

假设待识别的动力装置气路测量参数序列如下：

(1)

式中，Xi为第i个待识别气路的性能衰退模式；x1为第i个气路的测量参数；i∈N；n为被选择作为特征向量的气路测量参数的总个数。

假设故障模式库中故障征兆(即气路测量参数向量)和故障模式(即发生性能衰退的部件情况)的分类如下：

(2)

式中，Cj为第j个已知的故障模式；cj为第j个气路的测量参数；m为已知的故障模式数目。

对于分辨系数ρ∈(0，1)，Xi和Cj的第k个特征参数的灰色关联系数为

(3)

i∈N，j=1，2，…，m

Xi和Cj的关联度为

(4)

i=N，j=1，2，…,m

式中，ρ通常设为0.5。

求得ξ(Xi，Cj)(j=1，2，…，m)后，就可将Xi分类至最大关联度所属的故障模式。

1.2自适应灰色关联理论

为增强算法的自适应能力，本文提出了自适应灰色关联算法，引入信息论中关于熵[16-18]的概念，来计算样本之间的关联度。

(1) 计算特征参数的距离和概率如下：

(5)

(6)

(2) 定义熵为

(7)

(3) 计算最大熵值为

(8)

(4) 计算相对熵值为

eij(k)=Eij(k)/Emax

(9)

(5) 参考信息论中剩余度的概念，定义第k个特征参数的剩余度为

Dij(k)=1-eij(k)

(10)

剩余度的本质意义在于消除第k个特征参数的熵值与特征参数的最优熵值的差别。当Dij(k)越大，则表明第k个特征参数越重要，应当赋予更大的权重。

(6) 计算第k个特征参数的权重系数为

(11)

(7) 利用权重系数计算关联度，即

(12)

由此求得Xi与已知故障模式库中每一个Cj(j=1，2，…，m)的关联度ξ(Xi，Cj)(j=1，2，…，m)，然后就可以将Xi分类至最大关联度所属的故障模式，即通过气路测量参数识别出发生性能衰退的部件情况。

2应用与分析

2.1动力装置模型

以某型三轴船用燃气轮机[19-21]为例，验证算法的有效性。三轴船用燃气轮机如图1所示。

图1　某型三轴船用燃气轮机Fig.1　A marine three-shaft gas turbine

由图可见，该型三轴燃气轮机包括2个压气机(C)，其中低压压气机(LC)和高压压气机(HC)各 1个；1个燃烧室(B)；3个透平(T)，其中高压透平(HT)、低压透平(LT)和动力透平(PT)各1个，且发电机通过一个减速齿轮箱与PT相连接。该机组在运行过程中的气路测量参数如表1所示。

表1　燃气轮机机组的气路测量参数

2.2诊断分析

由于通过运行经验和现场数据来积累故障模式与故障征兆的关系规则库是项艰巨而费时费力的工作，目前动力装置热力性能模型正越来越多的应用于探索故障模式-征兆的关系[22]。

对动力装置而言，各部件的性能衰退可以用特性线的偏移来表示，且这些偏移可用部件健康指数(如压气机透平的流量特性指数ΔSFFC，压气机、透平和燃烧室的效率特性指数ΔSFEFF)来表征。更多关于动力装置部件的健康指数、部件特性线及动力装置热力模型的详细描述可以参见文献[1，19-21]。

为有效识别故障模式(即识别、隔离性能衰退的部件)，本文分析了某型三轴船用燃气轮机的气路测量参数相对于部件健康指数的敏感性(即部件健康指数的相对变化能引起气路测量参数相对变化的大小)，从而来选取作为特征向量X的气路测量参数。将表2所示的不同诊断案例分别植入燃气轮机热力模型中，可以得到t0=15℃，p0=1.013kPa(1.013bar)，RH=60%，PNe=24265kW时，相对于健康时各气路测量参数的偏差，如表3所示。其中，ΔSFC，FC、ΔSFC，Eff为压气机的流量效率特性指数；ΔSFB，Eff为燃烧室的效率特性指数；ΔSFT，FC、ΔSFT，Eff为透平的流量效率特性指数。

表2　植入燃气轮机热力模型中的部件故障模式

本文假设所有的气路传感器是健康的，即不存在测量偏差。当气路测量参数发生偏差时，表示相关部件的性能可能发生衰退或故障。

由表3可知，不同部件的故障模式会导致不同的气路测量参数偏差，故选取如下的特征向量用于故障模式诊断识别：

X=[p1，p2，t2，p3，t3，p5，t5，p6，t6，

p7，t7，n1，n2，Gf]T

(13)

常见的燃气轮机部件故障模式有压气机(LC/HC)积垢、燃烧室烧换、透平腐蚀等[23]，这些部件的故障程度的范围如表4所示。根据表4中的部件故障模式及故障程度范围，利用三轴燃气轮机热力模型模拟的数据建立故障征兆(即气路测量参数)与故障模式(即发生性能衰退的部件情况)的知识库。各部件用于建立知识库和校验的故障样本如图2所示，图中只选取各部件故障程度范围边界上的少量点作为用于建立规则库的性能衰退样本，且假设单部件、双部件或3部件同时可能发生故障。由此用于建立知识库的样本总数为3260个，用于校验的样本总数为7681个。

由于在实际的气路测量中测量噪声不可避免，并会影响各部件健康状况的诊断结果，故在模拟的气路测量中引入了测量噪声来使诊断分析更切合实际。针对不同的测量参数，本文采用文献[24]中提供的最大测量噪声。

为减小测量噪声的影响，在气路测量参数样本输入诊断系统前，通常需进行测量数据的降噪预处理。由于测量噪声一般符合高斯分布，本文将连续获取的多个气路测量值，采用10点滚动平均方法[25]得到一个平均测量值，即

表3　各部件气路测量参数相对于健康时的偏差

表4　常见的部件故障模式及故障程度范围

图2　用于各部件的故障样本选择Fig.2　Fault sample selection for components

(14)

式中，zj为每一个气路测量参数的第j个样本值；q为每一个气路测量参数的样本数量，本文中，q=10用于10点滚动平均。

表5给出了利用灰色关联算法和自适应灰色关联算法进行故障模式识别的结果。由表可知，利用自适应灰色关联算法进行故障模式诊断较灰度关联算法具有较高的识别率。

为分析用于建立规则库的样本密度对故障识别率的影响，本文还使用了额外的样本用于建立知识库。用于建立知识库的样本总数为9695个，相应的故障模式的诊断识别结果同样列于表5中。由表5可知，用于建立规则库的样本密度对

表5利用灰色关联算法和自适应灰色关联算法的故障模式诊断识别结果比较

Tab.5Comparison of fault classification success rates based on gray relation algorithm and adaptive gray relation algorithm respectively

样本数目识别率/%用于规则库建立用于校验灰度关联算法自适应灰度关联算法3260768190.4194.529695768193.1595.89

分类成功率的有一定影响。当样本密度较小时，自适应灰关联算法的故障模式诊断成功率更优，而当样本密度增大时，灰色关联算法和自适应关联算法的诊断成功率都有所提高，此时自适应灰关联算法的优势不太明显。因此，自适应灰关联算法更适用于实际工程中在小样本数据情况下简单准确地实现故障模式识别，进而达到对动力装置的健康状况进行预测的目的。

3结语

本文提出了一种基于灰关联理论的动力装置部件诊断方法，通过对故障部件的诊断分析可知，利用基于自适应的灰关联分类器对动力装置的故障部件进行诊断，其识别准确率率大于95%。本文提出的诊断算法可能具有运用于其他不同类型动力装置的潜力，对动力装置的故障诊断具有一定的应用价值。

参考文献

[1]占健,吴斌,王加祥. 基于支持向量机的齿轮箱齿轮故障诊断[J]. 上海电机学院学报, 2014，17(1)： 5-10.

[2]YING Yulong，CAO Yunpeng，LI shuying，et al.Nonlinear steady-state model based gas turbine health status estimation approach with improved particle swarm optimization algorithm[J].Mathematical Problems in Engineering，2015： 940757.

[3]侯凤阳.基于人工神经网络的燃气轮机气路故障诊断研究[D].南京: 南京航空航天大学，2007：13-16.

[4]杨兵，丁辉，罗为民，等.基于知识库的变压器故障诊断专家系统[J].中国电机工程学报，2002，22(10): 121-124.

[5]WANG C C，KANG Y，SHEN P C，et al.Applications of fault diagnosis in rotating machinery by using time series analysis with neural network[J].Expert Systems with Applications，2010，37： 1696-1702.

[6]SAMANTA B，Al-BALUSHI K R.Artificial neural network based fault diagnostics of rolling element bearings using time-domain features[J].Mechanical Systems and Signal Processing，2003，17(2)： 317-328.

[7]JAYASWAL P，VERMA S N，WADHWANI A K.Development of EBP-artificial neural network expert system for rolling element bearing fault diagnosis[J].Journal of Vibration & Control，2011，17(8)： 1131-1148.

[8]Dong S，Xu X，Liu J，et al.Rotating machine fault diagnosis based on locality preserving projection and back propagation neural network-support vector machine model[J].Measurement and Control，2015，48(7)： 211-216.

[9]AO H L，CHENG J，YANG Y，et al.The support vector machine parameter optimization method based on artificial chemical reaction optimization algorithm and its application to roller bearing fault diagnosis[J].Journal of Vibration and Control，2013： 1077546313511841.

[10]ZHANG X L，CHEN X F，HE Z J.Fault diagnosis based on support vector machines with parameter optimization by an ant colony algorithm[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science，2010，224(1)： 217-229.

[11]HSU C W，LIN C J.A comparison of methods for multiclass support vector machines[J].IEEE Transactions on Neural Networks，2002，13(2)： 415-425.

[12]LI Yibing，LI Jingchao，KANG Jian.Classifier design algorithms aimed at overlapping characteristics[J].Information Technology Journal，2012，11(8)： 1091-1096.

[13]东亚斌，段志善.灰色关联度分辨系数的一种新的确定方法[J].西安建筑科技大学学报(自然科学版)，2008，40(4)： 589-592.

[14] LI Jingchao.A novel recognition algorithm based on holder coefficient theory and interval gray relation classifier[J].KSII Transactions on Internet and Information Systems (TIIS),2015,9(11): 4573-4584.

[15]LI Jingchao.A new robust signal recognition approach based on holder cloud features under varying SNR environment[J].KSII Transactions on Internet and Information Systems,2015,9(12):4934-4949.

[16]LI Jingchao，YING Yulong.Radar signal recognition algorithm based on entropy theory[C]∥2014 2nd International Conference on Systems and Informatics (ICSAI).Shanghai: IEEE，2014： 718-723.

[17]LI Jingchao，Guo Jian.A new feature extraction algorithm based on entropy cloud characteristics of communication signals[J].Mathematical Problems in Engineering，2015： 1-8.

[18]LI Jingchao，Li Yibing，Kidera S，et al.A robust signal recognition method for communication system under time-varying SNR environment[J].IEICE Transactions on Information and Systems，2013，96(12)： 2814-2819.

[19]YING Yulong，CAO Yunpeng，LI Shuying.Research on fuel supply rate of marine intercooled-cycle engine based on simulation experiment[J].International Journal of Computer Applications in Technology，2013，48(3)： 212-221.

[20]应雨龙，李淑英.基于 MATLAB/GUI的间冷循环燃气轮机的仿真评估软件开发设计和使用策略研究[J].燃气轮机技术，2013，26(4)： 33-40.

[21]YING Yulong，CAO Yunpeng，LI Shuying，et al.Study on flow parameters optimisation for marine gas turbine intercooler system based on simulation experiment[J].International Journal of Computer Applications in Technology，2013，47(1)： 56-67.

[22]WANG L，LI Y G，GHAFIR M F A.Rough set diagnostic frameworks for gas turbine fault classification[C]∥ASME Turbo Expo 2013：Turbine Technical Conference and Exposition.American Society of Mechanical Engineers.[S.L.]： ASME，2013： V002T07A007.

[23]DIAKUNCHAK I S.Performance deterioration in industrial gas turbines[J].Journal of Engineering for Gas Turbines and Power，1992，114(2)： 161-168.

[24]DYSON R，DOEL D，CF-80 condition monitoring—The engine manufacturing’s Involvement in data acquisition and analysis[EB/OL].(2015-07-25).http：∥dx.doi.org/10.2514/6.1984_1412.

[25]LI Y G，SINGH R.An advanced gas turbine gas path diagnosic system-PYTHIA[C]∥17th International Symposium on Airbreathing Engines.Munich，Germany，2005： ISABE-2005-1284.

Fault Diagnosis for Power Plant Based onAdaptive Gray Relation Algorithm

LI Jingchao1，WANG Sheng1，FENG Yunhe1，CAO Manlin1，YING Yulong2

(1. School of Electronic Information Engineering, Shanghai Dianji University, Shanghai 201306, China;2. Engineering Department, Shanghai Electric Gas Turbine Co., Ltd., Shanghai 200240, China)

AbstractComponents in a power plant may degrade during operation, leading to serious faults. It is therefore essential to monitor gas-path measurement in a power plant, and carry out fault diagnosis for its components. For this purpose, a fault diagnostic method for power plant based on adaptive gray relation algorithm is proposed. By correlating calculation of the gas-path measurement, accurate recognition of fault patterns can be achieved.

Keywordsgray relation algorithm; power plant; fault diagnosis; fault recognition

收稿日期：2015-11-22

基金项目：上海电机学院大学生科研创新项目资助(A1-5701-15-012-01-066)

作者简介：李靖超(1986-)，女，讲师，博士，主要研究方向为信号处理、辐射源识别，E-mail： lijc@sdju.edu.cn

文章编号2095-0020(2016)02-0081-07

中图分类号TK 478;TP 277.3

文献标志码A