DPCA和GRNN在燃气轮机故障诊断的方法*

崔建国，刘 瑶，郑 蔚，蒋丽英，于明月

（1.沈阳航空航天大学自动化学院，沈阳 110136；2.故障诊断与健康管理技术航空科技重点实验室，上海 201601）

DPCA和GRNN在燃气轮机故障诊断的方法*

崔建国1，刘 瑶1，郑 蔚2，蒋丽英1，于明月1

（1.沈阳航空航天大学自动化学院，沈阳 110136；2.故障诊断与健康管理技术航空科技重点实验室，上海 201601）

选取其关键部件—喷口加力调节器作为故障诊断研究对象，提出了一种基于动态主元分析（DPCA）和广义回归神经网络（GRNN）相结合的喷口加力调节器故障诊断方法。在燃气轮机专用试验平台对其进行试验，采集喷口加力调节器的高压转子转速、低压转子转速、燃油油量、燃油耗量等参数原始数据，对其进行预处理，并采用DPCA方法对其进行动态主元分析，提取其不同健康状态的主元，构建特征向量，采用特征向量构建GRNN神经网络故障诊断模型，并通过测试数据对该方法的有效性进行试验验证。为表明该方法的有效性，采用了基于GRNN和基于DPCA-RBF的方法对喷口加力调节器不同健康状态进行了诊断技术研究，并对不同方法所得到的诊断结果进行了对比分析。结果表明，采用DPCA和GRNN相结合的故障诊断方法能有效识别出喷口加力调节器不同的健康状态，具有很好的实际应用价值。

燃气轮机，喷口加力调节器，动态主元分析，广义回归神经网络，故障诊断

0 引言

燃气轮机工作可靠性对工作安全和企业运营成本的影响越来越突出，是一个国家科技、工业和国防实力的重要体现。随着现代技术的发展，燃气轮机性能不断提高，对结构强度和工作条件的要求日益增加，由燃气轮机出现故障导致事故发生的事情日益增多［1-2］。喷口加力调节器作为燃气轮机的重要部件，其主要用来执行喷口、加力的控制。控制加力的正常工作使燃气轮机的推力得以增大，改善机能。喷口加力调节器是一个构造繁复、功能多的机械液压器件，在燃气轮机运行中会有一些故障出现，会直接对飞行安全造成影响，甚至造成严重损失。因此，判断其故障类型并采取相关措施是非常必要的。

在过去的几十年里，故障诊断问题得到了国内外学者的广泛关注。现在国内外提出了很多故障诊断的方法，基于RBF神经网络的燃气轮机故障诊断，由于燃气轮机运行环境的比较恶劣，样本数据采集的不完全性，使得神经网络的适用性受到了限制。基于支持向量机的燃气轮机故障诊断的研究，虽然能在小样本的情况下能够实现比较准确的故障诊断，但是对于故障的在线故障检测存在着局限性。将主元分析法应用于燃气轮机故障障诊断，对于消除过程变量的互相关性有很好的效果，但对于消除过程变量的自相关性却欠缺考虑。GRNN神经网络具有逼近能力强、分类能力好、学习速度快的优点。因此，本文提出了基于DPCA-GRNN的故障状态分类方法。

1 基本原理

1.1 DPCA原理

主元分析法（PCA）是多变量统计方法，其主要依据是基于原变量，运用合理的技术手段构造一组新变量，以便降低原变量的维数［3-4］。PCA特征提取方法是一种静态方法，为了适应动态的多过程变量，本文采用DPCA技术，使过程变量之间既考虑到互相关性，又考虑到自相关性，DPCA是对动态数据序列进行PCA处理［5-6］。

假设所观测的系统有m个过程变量，其中每个变量有n个测量值，则观测数据集X如下：

其中，xi∈Rm（i=1，2，…，n）是一个 m 维观测向量。

把样本数据X扩展，即增加前h时刻的测量数据，可得如下增广矩阵：

其中，xtT是t时刻的m维向量。

计算滞后因子h的方法为：首先处理h=0的静态情况，数据矩阵中的静态关系数等于变量数与主成分个数之差；然后令h=1，对新的数据矩阵进行PCA处理，就有新的动态关系数等于变量数减去主成分个数和之前计算出的静态关系数，h逐渐增加，新关系函数rnew（h）按式（3）递推计算：

一直到rnew（h）≤0。

采用DPCA故障检测的具体步骤如下：

1）采集样本数据。

2）根据式（3）求出滞后因子，并由式（2）构造出动态数据序列，并化成均值为0，方差为1的标准数据矩阵。

3）求出协方差矩阵，主元方差向量［λ1，λ2，…，λm］T和对应负载矩阵［p1，p2，…，pm］。

4）对动态数据序列进行动态主元分析并由此建立动态主元模型。

5）确定主元个数

6）计算测试样本的T2和SPE统计量，检测是否发生故障。

1.2 GRNN神经网络原理

GRNN神经网络的全称是广义回归神经网络，是径向基网络的一种变形形式。它是以径向基网络为基础，因此，具有良好的非线性逼近性能，适于处理非线性问题。与BP、RBF等神经网络相比，具有训练速度快、逼近能力强、仿真精度高等优点［7］。

GRNN神经网络由4层神经元组成的，输入层、模式层、求和层、输出层。网络具有很强的非线性映射能力和柔性网格结构以及高度的容错性和鲁棒性，适用于解决非线性问题。其神经网络结构，如下页图1所示。

网络输入层神经元数目为DPCA提取主元的个数，输出层的神经元数目为3，表示3种状态。广义回归神经网络无需对网络进行训练参数设置，可直接进行测试。

高斯函数长被用于径向基传递函数，GRNN网络的性能与传递函数中的光滑因子取值有关，光滑因子越大，基函数越平滑，但取值太大太小都影响性能。因此，为了选取最佳值，一般采取循环训练的方法，从而达到最好的诊断效果。

2 故障诊断试验研究

2.1 故障诊断方案

本文以某型燃气轮机喷口加力调节器为研究对象，通过DPCA和GRNN相结合的方法实现对燃气轮机喷口加力调节器的故障状态分类。首先，在燃气轮机喷口加力调节器试验平台上对其进行试验，燃气轮机喷口加力调节器运行状态可表示为集合{A1，A2，A3}，A1表示喷口加力调节器正常；A2表示喷调信号器故障；A3表示尾喷口位置异常摆动。用传感器网络获取表征燃气轮机喷口加力调节器4个参数（高压转子转速、低压转子转速、燃油油量、燃油耗量）的数据，为了增强数据的有效性，先对数据进行预处理，然后采用DPCA的方法对采集到的参数进行动态主元分析和在线故障检测，并将处理后的数据样本数据分为训练数据和测试数据，如果出现故障则将待测样本在DPCA中提取主元的训练数据送入到GRNN神经网络中，用GRNN进行故障状态分类，最终得到诊断结果。燃气轮机喷口加力调节器故障状态诊断方案如图2所示。

2.2 DPCA主元模型的建立

用专业试验平台获取的燃气轮机喷口加力调节器运行状态的4个参数的数据构造动态数据序列，求出滞后因子为1并由此得到8维的增广矩阵，对增广矩阵进行DPCA处理。将采集到的40组正常状态下的样本数据，建立燃气轮机喷口加力正常状态下的DPCA主元模型。

通过方差累积贡献率法选取主元个数，一般选择主元累计贡献率大于85%，而前5个主元的累积贡献率为88.92%，主元贡献率图如图3所示。因此，选择前5个主元作为主元模型，并求得置信度为95%的阈值限 SPEα=5.271 0，Tα2=13.682 5。

2.3 基于DPCA故障诊断试验

为了测试建立模型的有效性，将采集到的120组数据3种故障模式（正常数据40组、喷调信号器故障数据40组、尾喷口位置异常摆动数据40组）作为DPCA的输入，进行去特征提取和在线故障检测。

让喷口加力调节器运行在正常状态下，对采集的40个样本进行故障检测，诊断结果如图4、图5所示，可知T2和SPE统计量均未超出建模时得出的阈值限，所以DPCA模型可以实现对测试样本的故障诊断。

让燃气轮机运行在故障模式下，将采集到的40个样本进行故障检测，诊断结果如图6、图7所示，可知T2和SPE统计量均超出建模时得出的阈值限，说明燃气轮机发生故障。检验了DPCA模型的有效性。

2.4 基于DPCA-GRNN的故障诊断试验

将喷口加力调节器状态的DPCA特征提取结果送入到GRNN神经网络中，状态信息特征提取结果如表1所示。其中每种状态有40组数据，共120组数据，每组数据有5个主元。

表1 喷口加力调节器DPCA提取的特征

用A1、A2、A3共3类样本前20组数据作为训练数据，后20组数据作为测试数据。将后20组测试数据送入用训练数据训练好的GRNN神经网络模型中。用1表示正常，2表示喷调信号器故障、3表示尾喷口位置异常摆动。得到的测试结果如图8所示。可得到基于DPCA-GRNN方法故障诊断的准确率高达97.6%。

2.5 基于DPCA-RBF和GRNN的故障诊断试验

此外，尚分别采用基于DPCA-RBF和GRNN方法设计了故障诊断模型，采用2.4节同样的数据建模与测试。采用DPCA-RBF方法得到的诊断结果如图9所示。可知基于DPCA-RBF方法的故障诊断准确率为81.7%。采用GRNN方法得到的故障诊断准确率为80%。

2.6 不同故障诊断方法比较与分析

对同样的建模与测试数据，文中分别采用了DPCA-GRNN、DPCA-RBF和GRNN 3种故障诊断方法，得到了不同的诊断结果。具体如表2所示。

表2 3种不同方法诊断结果对比

根据上述试验结果，燃气轮机喷口加力调节器主要参数经过动态主元分析特征提取后，再采用GRNN神经网络方法进行故障诊断，其准确率得到了大幅提高，表明该方法对燃气轮机喷口加力调节器进行故障诊断，取得了很好的效果，实现了燃气轮机的诊断效能。

3 结论

本文以燃气轮机喷口加力调节器为具体研究对象，采集喷口加力调节器的高压转子转速、低压转子转速、燃油油量、燃油耗量等参数原始数据，对其进行预处理，采用DPCA方法对其进行动态主元分析，提取其不同健康状态的主元，构建特征向量，分别建立了DPCA-GRNN、DPCA-RBF和GRNN故障诊断模型，对燃气轮机喷口加力调节器进行了故障诊断技术研究。试验研究表明，所提出基于DPCA-GRNN的燃气轮机故障诊断方法的正确诊断率为97.6%，明显优于其他两种方法，从而验证了所提出方法的有效性，为故障诊断提供了新的思路，具有很好的应用价值。

［1］陈光.燃气轮机障分析［M］.北京：北京航空航天大学出版杜，2001.

［2］范作民，孙春林，白洁.燃气轮机故障诊断导论［M］.北京：科学出版社，2004.

［3］刘永斌，何清波，孔凡让，等.基于PCA和SVM的内燃机故障诊断［J］.振动、测试与诊断，2012，32（2）：250-255.

［4］崔建国，吴灿，董世梁，等.主元分析法和模糊积分的燃气轮机气路状态监测［J］.火力与指挥控制，2014，39（10）：130-134.

［5］龚志飞，郭迎清.基于主元分析法的燃气轮机传感器故障诊 断 研 究 ［J］. 计 算 机 测 量 与 控 制 ，2012，20（8）：2017-2019，2023.

［6］沈倩，刘育明，梁军.基于DPCA方法的故障检测与诊断分析［J］.制造业自动化，2005，27（6）：51-53，56.

［7］李善，谭继文.KPCA-GRNN网络在数控机床复合故障诊断中的应用［J］.煤矿机械，2016，37（3）：152-154.

［8］郭风，王思远，崔红军.基于RBF神经网络的燃气轮机故障诊断研究［J］.测控技术，2008，37（2）：23-25.

［9］LI X W，CHEN G L.Face recognition based on PCA and SVM ［J］.2012 International Symposium on Photonics and Optoelectronics.2012，21（5）：121-123.

［10］张莹.数控机床机械故障诊断方法的研究及应用［D］.大连：大连理工大学，2005.

［11］孙闯，何正嘉，张周锁，等.基于状态信息的燃气轮机运行可靠性评估［J］.机械工程学报，2013，49（6）：30-37.

［12］李华强，费逸伟.燃气轮机故障诊断技术及其发展［J］.航空维修与工程，2007，52（5）：41-42.

［13］石怀涛，刘建昌，丁晓迪，等.基于混合动态主元分析的故障检测方法［J］.控制工程，2012，19（1）：148-151.

［14］钱光兴，崔东文.RBF与GRNN神经网络模型在城市需水预测中的应用［J］.水资源与水工程学报，2012，23（5）：148-152.

［15］徐桂云.基于PCA_RBF神经网络的WSN数据融合轴承故障诊断 ［J］. 中国矿业大学学报，2012，14（12）：964-971.

［16］宋辉，陆古兵，金传喜.基于Labview的核动力蒸汽发生器故障诊断系统研究［J］.四川兵工学报，2015，35（2）：80-83.

DPCA and GRNN in Gas Turbine Fault Diagnosis Method of Research

CUI Jian-guo1，LIU Yao1，ZHENG Wei2，JIANG Li-ying1，YU Ming-yue1
（1.School of Automation，Shenyang Aerospace University，Shenyang 110136，China；2.Aviation Key Laboratory of Science and Technology on Fault Diagnosis and Health Management，Shanghai 201601，China）

Its key components of nozzle strength regulator as the research object of fault diagnosis，this paper proposes a based on dynamic principal component analysis （DPCA）and generalized regression neural network （GRNN），combination of nozzle strength regulator fault diagnosis methods.First of all，the engine dedicated test platform to test.Collection nozzle torque controller of high pressure rotor speed，low pressure rotor speed，fuel oil，fuel oil consumption of parameters such as original data，the preprocessing，and dynamic principal component analysis，to extract the different health status of the yuan，build the GRNN neural network fault diagnosis model，and through the test data to test the effectiveness of the proposed method.To show the effectiveness of the proposed method，the article is adopted based on the GRNN and DPCA-based RBF method to vent torque controller different health status diagnosis technology research，and the diagnosis results obtained by different methods are analyzed in comparison.Results show that the combination of DPCA and GRNN based fault diagnosis method can effectively identify the nozzle torque controller different state of health，has the very good practical application value.

aircraft engine，Nozzle torque controller，dynamic principal component analysis，GRNN，Fault diagnosis

TP206.3

A

10.3969/j.issn.1002-0640.2017.11.40

1002-0640（2017）11-0186-05

2016-09-23

2016-11-20

国防基础科研基金（Z052012B002）；辽宁省自然科学基金（2014024003）；航空科学基金资助项目（20153354005）

崔建国（1963- ），男，辽宁本溪人，博士后，教授。研究方向：飞行器健康诊断、预测与综合健康管理、可视化仿真技术与应用。