燃气轮机关键部件故障诊断方法研究

崔建国 ，刘 瑶 ，郑 蔚 ，蒋丽英

1 引言

对于航空工业来说，燃气轮机以及加力调节器的机能一直是各国的关注焦点。燃气轮机平时工作在高温高压的恶劣环境，发生故障的情况很多。为了提高燃气轮机的安全性和可靠性，研究燃气轮机故障诊断方法，及时地发现故障并判断其故障类型，及时做出正确的应对，是非常有必要的。喷口加力调节器是燃气轮机的关键部件，主要用来执行喷口、加力的控制，控制加力的正常工作使发动机的推力得以增大，改善飞机的机能。其对燃气轮机起了至关重要的作用，因此这里就以喷口加力调节器为研究对象，判断其状态并采取相应措施是非常必要的。

近年来，国内外涌现出了多种故障诊断方法，包括专家系统、贝叶斯网、优化方法、数据挖掘等。由于神经网络具有分布式并行处理、自适应等特点，在燃气轮机故障诊断领域得到了广泛应用，但其有不足和需改正的地方。由于这里喷口加力调节器的参数较多，并且参数有噪声的影响。因此对数据的预处理采用EMD分解再对分解后的各IMF分量进行小波阈值降噪，对信号进行平稳化处理，起到了很好地效果。经典的主成分分析是一种只能处理线性问题的方法，而对非线性问题不能解决，所以此时选用核主元分析法，将非线性问题转化为线性问题，进行数据降维，并保留原数据的信息。相比于RBF、BP等神经网络，GRNN神经网络逼近能力强、分类能力好，能够有效地进行故障状态识别分类。先经过数据预处理，能够有效提取数据信号的有用信息及进行信号降噪，再通过KPCA-GRNN的方法进行了降维故障分类，达到了很好地分类效果。因此提出了EMD小波阈值降噪和KPCA-GRNN相结合的故障状态分类方法，具有很大的军事价值和经济价值。

2 数据预处理

2.1 数据预处理方案

经验模式分解（EMD）算法由Norden E.Huang提出的一种以信号自身特性为依据的自适应分解方法，又称为希尔伯特黄变换[4-5]。EMD方法有比较好的分解能力，能够提取数据信号的有用信息。小波降噪是在小波域将信号的小波变换与噪声的小波变换有效地分离，然后尽量消除噪声的小波变换，从而达到降噪的目的[6]。因此，采用EMD对原始信号分解，再进行小波阈值降噪是很好的数据预处理方法。文中以某型燃气轮机喷口加力调节器为具体研究对象，选取能较好表征燃气轮机喷口加力调节器性能状态的8个参数，进行EMD小波阈值降噪处理，降噪过程具体分为以下四个步骤[8]：

（1）对原始信号进行EMD分解，得到各IMF（intrinsic mode function）分量。

（2）对所有IMF分量选择一种阈值确定准则，并进行各个分量阈值估计。

（3）选择一种阈值函数，为获取降噪后各个IMF分量，结合各个分量上的阈值估计值进行降噪计算，。

（4）用降噪后的IMF分量进行重构信号，此时的信号为原始信号降噪后的信号。

基于EMD分解法与小波阈值降噪方法的需对各个IMF分量进行阈值处理，选用的阈值处理方法[9]，如式（1）所示：

式中：xj（i）—处理前的第j层小波分解分量中对应第i系数；降噪后的第j层小波分解分量中对应的第i系数；λj—第j层的阈值大小[9]。

2.2 数据预处理结果

采集其喷口加力调节器8个参数试验数据，对8个信号参数进行EMD小波阈值降噪，首先对其8个参数（每个参数160组数据）进行EMD分解，现以其中一参数高压转子转速为例，得到的EMD分解结果，如图1所示。

图1 高压转子转速EMD分解结果Fig.1 The High Pressure Rotor Speed the EMD Decomposition Results

再对EMD分解以后的IMF分量进行小波阈值降噪，降噪以后的数据进行信号重构，重构以后的信号为原始信号降噪以后的信号结果，如表1所示。

表1 EMD小波阈值降噪后参数Tab.1 After the Wavelet Threshold De-Noising Parameters

由于小波阈值降噪的本身特性，还是会消除一些真实信号。文中采用EMD和小波阈值降噪相结合的方法，比单纯采用小波阈值降噪对原始信号进行预处理，能提高信噪比，可以很大程度减少小波阈值降噪本身的缺陷，并更加有效的提取出故障特征，能最大限度的保留信号的真实性。

三是在工程建设领域开展的评奖和示范项目以及钢铁行业相关产品评优活动中，将高强钢筋的应用情况作为参评或获奖的条件之一，由此促进工程建设的各参与主体使用高强钢筋。

3 故障诊断基本理论与方案

3.1 KPCA基本理论

核主元分析（KPCA）法是Scholkopf等在研究支持矢量分类算法中提出来的，是基于主元分析（PCA）的一种非线性方法。它的基本思想是通过引入某种事先选择的非线性映射，以实现数据从原空间线性映射到线性映射的转变[10]。不一样的核函数能满足不同的非线性变化，根据多次试验结果选取高斯函数为核函数。

设定 x1，x2，…，xM是训练样本，｛xi｝是输出空间，Φ 是映射将xd映射到特征空间F中，则协方差矩阵可以表示为：

相应的特征方程可以表示为：

其中，特征值λ≥0满足V∈F｛0｝。即有：

则有：

从式（7）可以计算出特征值和与特征向量。

特征向量在特征空间上的投影为：

式中：E—累计贡献率。

（1）根据式（2）的计算可以得到核矩阵。

（2）求出核矩阵后，根据由式（5）求出特征值和特征向量。

（3）根据投影式（8）计算特征向量在特征空间上的投影，可得到特征向量在高维特征空间中的各个主分量。

（4）根据式（9）计算各主元分量对整体方差的贡献程度与累计贡献率E，选取并确定E值（E值由参考文献和经验所得）。根据E值确定主元个数，根据所选的主元，建立新的样本数据集，这个新的样本数据集即可作为喷口加力调节器状态的特征信息。

3.2 GRNN神经网络基本原理

相比于RBF、BP等神经网络，GRNN神经网络逼近能力强、分类能力好。GRNN神经网络不仅可以处理稳定的数据诊断分类效果好，还可以处理不稳定的数据，诊断分类效果也很好。

GRNN神经网络由4层组成，包括输入层、模式层、求和层和输出层。具体的神经网络结构，如图2所示。其中样本数据维数（经KPCA提取后的数据维数）为输入层神经元数目，样本数目个数n为模式层和求和层神经元数目，样本输出维数（故障状态类别数目）为输出层神经元数目。广义回归神经网络无需再对网络进行训练参数设置，可直接进行测试，就能进行状态分类。

图2 GRNN神经网络结构Fig.2 GRNN Neural Network Structure

3.3 故障诊断方案

燃气轮机喷口加力调节器故障诊断总体方案，如图3所示。首先，选取专业试验平台测试试验采集的8个参数数据，具体为高压转子转速、低压转子转速、油门杆位置、喷口位置、燃油油耗、喷口临界截面面积、压气机总压比，将采集到的上述8个参数的原始数据作为EMD小波阈值降噪的输入进行数据预处理。然后将处理以后的数据采用KPCA核主元分析的方法对采集到的参数进行核主元分析，具体分析过程由下节介绍，提取主元并构造特征向量，并将其分为训练数据和测量数据，提取主元后的训练数据送入到GRNN神经网络训练网络，再用测试数据送入GRNN神经网络进行状态分类，最终得到状态识别结果。

图3 故障诊断方案Fig.3 Fault Diagnosis Scheme

4 喷口加力调节器故障诊断方法试验验证与分析

4.1 KPCA主元模型的建立

依据专业试验平台对某型真实燃气轮机性能进行试验。采集其喷口加力调节器8个参数试验数据，经EMD小波阈值降噪后，读取160组数据（四种状态各40组）。选取其中的正常数据建立KPCA核主元分析模型。然后将标准化后的数据对其进行核主元分析，确定主元个数，构造特征向量。某型燃气轮机喷口加力调节器运行状态可表示为集合｛A1，A2，A3，A4｝，式中：A1—喷口加力调节器正常；A2—喷调信号器故障；A3—尾喷口位置异常摆动；A4—拉簧断裂。选用累计贡献率E＞0.95作为选取主元的依据，由于前四个主元累计贡献率为97.17%，故选取主元个数为4。这样将原本的8维数据降为4维数据，排除了信号中相互重叠的部分，而且4维数据能表征原本信号的特征而不丢失信息部分。主元贡献率及状态特征向量，如表2、表3所示。

表2 各个主元的贡献率Tab.2 The Contribution of Each Principal Component

表3 喷口加力调节器状态特征向量Tab.3 Nozzle Strength Regulator State Eigenvector

4.2 故障诊断试验研究

将燃气轮机喷口加力调节器8个参量数据经EMD小波阈值降噪以后送入KPCA模型中，KPCA特征提取结果的特征向量送入到GRNN神经网络中，用A1、A2、A3、A4共4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。先将前20组数据送入GRNN神经网络中进行训练后，再将后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。用数字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、4表示拉簧断裂故障。得到的测试结果,如图4所示。通过图中可得到EMD小波阈值降噪和KPCA-GRNN方法故障诊断的准确率高达96.25%。

图4 EMD小波阈值降噪和KPCA-GRNN相结合的诊断结果Fig.4 The EMD Wavelet Threshold De-Noising and DPCA-GRNN Combination of Diagnosis

为说明经过数据预处理后的诊断效果更好，现直接采用KPCA-GRNN方法而不经过数据预处理降噪得到的诊断结果，如图5所示。由图中可得到基于KPCA-GRNN方法的故障诊断准确率88.75%。

图5 基于KPCA-GRNN方法的诊断结果Fig.5 Based on KPCA-GRNN Diagnostic Results

根据上述试验结果，燃气轮机喷口加力调节器8个主要参数经过KPCA-GRNN诊断后准确率达到了88.75%，已经达到了很好的效果。而先经数据预处理EMD小波阈值降噪，再经KPCA模型提取主元，最后将构造的特征向量送入GRNN神经网络诊断模型中，得到的结果表明其准确率得到了大幅度提高，表明该方法对燃气轮机喷口加力调节器进行故障诊断，达到了很好诊断结果，能够准确识别出不同的状态类别。

5 结论

通过研究，采用EMD小波阈值降噪和KPCA-GRNN相结合的方法对燃气轮机喷口加力调节器进行故障状态诊断，准确率高达96.25%，远高于基于KPCA-GRNN方法的诊断结果。为燃气轮机喷口加力调节器的故障诊断提供了一种新思路和方法，具有很好的工程应用价值。