基于LSTM神经网络的汽轮发电机状态监测系统

许凯，富威，陈世均，孟宇龙，马佳瑞

1.哈尔滨工程大学机电工程学院，黑龙江哈尔滨150001

2.中广核苏州热工研究院有限公司，江苏苏州215000

3.哈尔滨工程大学计算机科学与技术学院，黑龙江哈尔滨150001

随着我国社会经济的快速发展，我国对电力能源的需求也快速持续增长。汽轮发电机作为电力系统的核心设备，一旦发生故障停机，将造成巨大的经济损失与恶劣的社会影响[1]。

在旋转机械状态监测方面，Raheja D等[2]提出一种基于数据融合与数据挖掘的状态检修(condition based maintenance，CBM)组合架构，能够显示设备的总体健康状况并制定出关键零部件的最佳维护方案。Basir O等[3]以D-S证明理论为依据建立发动机模型，提出了决策优化与信息融合系统性能判据，并结合多源传感器信息实现了设备故障诊断。董文婷[4]提出利用机组出力相关性信息判断风电机组运行健康状态，并给出了风电机组出力相关性分析与模糊故障Petri 网相结合的风电机组运行性能和诊断故障方法。Jinhyuk S等[5]采用振动信号分析的方法对风力发电机进行状态监测，根据包络谱分析发现设备运行隐患，系统的应用使发电量提高了1.8%。Xie L 与Zeng J[6]提出了以KL散度(相对熵)为依据的复杂动态系统早期故障监测方法，可通过设备的运行数据对故障进行识别。Jiao W 等[7]采用基于局部均值分解的时频表示方法，对转子系统在不平衡、裂纹、碰摩等多种故障情况下的振动响应进行了深入研究。在国内，张德利[8]以汽轮发电机组为研究对象，对故障诊断网络模型和模型知识表达进行了深入研究，提出了基于贝叶斯网络的故障诊断方法。黄乃成等[9]利用支持向量机对汽轮机组振动信号的频谱特征进行故障识别，搭建的监测系统可在知识库中调取故障原因、故障影响和处理措施。程军圣等[10]提出了局部特征尺度分解法，这种方法能够自适应地将一个复杂信号分解为若干个分量。在与经验模态分解方法的对比中，局部特征尺度分解法在端点效应、迭代次数和分解时间等方面上都要优于前者，并且经过几年的实践努力，成功地应用在滚动轴承与齿轮箱的故障诊断上[11-12]。刘海兰等[13]对时域平均技术和Hilbert-Huang 变换的时频熵理论及实验进行了深入研究，利用齿轮箱工作时产生的振动信号实现对故障的诊断。李敏通等[14]针对柴油机故障，用经验模态分解方法对获取的振动信号进行分解，利用时频特征参数构建出柴油机工作状态特征向量，并基于支持向量机对实测的柴油机故障进行诊断。雷亚国等[15-16]结合机械大数据的特点对深度学习在状态监测中的应用进行了研究，提出了基于深度学习理论的机械装备大数据健康监测方法，并通过实验验证了这种监测方法的准确性。黄郑等[17]采用基于多模型鲁棒输入型神经网络协同的故障诊断方法，完成了燃气-蒸汽联合循环机组故障诊断，并通过实验表明诊断精度要比单一模型方法更高。

随着信息技术的快速发展，更多的状态监测方法被提出并推广应用，其中健康预测技术的研究价值随着机械设备的日趋复杂而逐渐凸显[18-19]。潘作为[20]提出小波和分形结合的故障特征提取方法，针对实测信号干扰噪声强导致故障特征提取效果不明显等问题具有重要作用。Ahmad A 等[21]提出了一种基于数据流的设备故障预测系统，并与线性回归预测方法进行了测试比较，取得了较好的预测效果。胡海峰等[22]利用隐半马尔可夫模型(hidden semi-Markov model，HSMM)进行故障诊断和预测，针对传统HSMM建模算法的缺点，引入快速递推算法进行改进，并将改进后的算法成功应用到直升机齿轮箱轴承的故障诊断与寿命预测中。杜乐[23]以数控机床的盘式刀库自动换刀系统为研究对象，分析盘式刀库典型故障并搭建监测系统架构，提出了基于ARMA 模型的故障预测方法。柯赟等[24]将故障预测与健康管理（prognostics and health managemen，PHM）技术应用于船舶柴油机，并提出了系统的实现路线。

1 学习算法及其选择

1.1 学习算法

线性回归是数理统计在机器学习领域进一步发展的产物，作为最基础的机器学习算法之一，其基本原理虽然简单，但是包含概率论、微积分等多种数据处理方法。随着线性回归算法在各领域应用的不断推广深入，相关学者提出多种函数模型与求解方法以适应新的运算环境，并满足更高的数据分析精度要求。

人工神经网络是在数据处理原理上对人脑神经网络的抽象模拟，可以解决数据分析中的分类和回归问题。LSTM 神经网络作为人工神经网络中的一种，是循环神经网络的深度改进版本，它较为有效地解决了循环神经网络在实际应用中的梯度问题。

1.2 算法实现与效果对比

机器学习在实现的过程中会遇到各种问题，任何问题的产生均会对建立模型的分析预测精度产生巨大的影响。通过统计学习大量数据获得的预测模型经常会出现欠拟合或过拟合的问题。欠拟合主要是由于选用的算法模型结构过于简单，没能在统计学习中分析出训练数据的内在联系关系，导致预测模型对于训练数据的拟合精度很差；过拟合是过度解读训练数据内在联系，将训练数据局部联系特征按照参数整体特征规律去学习，导致对那些不具有训练数据局部特征的其他同类别数据样本的拟合精度变差。

为了有效避免上述情况的发生，在算法实现过程中以结构风险最小化原理为模型设计搭建原则，以同一个含有各类型状态参数的长时间数据样本为分析依据，以PyCharm 为程序编写平台完成算法运行程序的编写与调试运行，2种算法均以汽轮发电机定子绕组冷却水入口水温作为预测参数，最终对获得的2个预测结果进行对比分析。线性回归算法的参数预测结果如图1所示。

图1 线性回归预测结果

图中显示的是验证样本中前50 h 数据的实际温度曲线与预测温度曲线。从图中可以看出，预测误差在1℃左右，最大温差约为2℃，模型预测误差率总体控制在5%以内，预测效果较为良好。

LSTM 神经网络的参数预测结果如图2所示。

图2 LSTM 神经网络预测结果

图中显示的是验证样本中前100 h 内数据的实际温度曲线与预测温度曲线，基本处于上方的曲线为预测温度曲线，另一条曲线表示冷却水的实际温度。在图2(a)中能够看到整体的预测效果很好；从图2(b)中能够看出预测误差在0.3℃左右，最大预测误差约为0.8 ℃，模型预测误差率整体控制在2%以内，预测效果十分优秀。

经过2种算法预测结果的分析对比可知，在汽轮发电机状态参数预测方面，LSTM神经网络的预测精度要明显高于线性回归。在现实生产中，汽轮发电机的状态参数之间会存在一定的联系，但这无法用线性表示出来，并且即使监测样本包含的数据种类再多，也难以涵盖所有与预测参数有关的数据信息。LSTM 神经网络能更有效地处理长时序问题，深入分析数据样本内隐含的关联特征。所以在理论上，LSTM 神经网络会比线性回归更加适合汽轮发电机状态监测与预测分析，这与实际预测结果分析得出的结论相同。

2 状态监测系统的搭建

2.1 预测模型的构建流程

在确定了选用算法之后，为了使健康预测模型能较好地融入到后续的发电机状态监测系统，需要对神经网络参数进行进一步的优化，构建出推广性良好的汽轮发电机健康预测模型，其构建流程如图3所示。

图3 LSTM 神经网络健康预测模型构建流程

原始数据样本读入后需要进行预处理，在消除噪声成分与无效数据的同时，将整体数据样本按照3︰1︰1的比例划分为训练样本、验证样本和测试样本。训练模型就是确定各个网络变量的过程，变量主要包括各层级权重、偏置、dropout 参数等。其中dropout 参数的作用为随机失活，这种方法能实现神经网络的正则化，进而降低模型的整体结构风险。当模型训练完成后，用验证样本对模型的正确率进行验证，如果合格则可以进一步对测试样本进行分析，并显示出最终的预测结果；如果不合格则需要修改模型参数，直至模型在验证环节得出的正确率合格为止。可以修改的模型参数主要有学习率、批量尺寸、训练迭代次数等，模型参数的设置将直接影响网络整体结构的运行状态与最终构建模型的数据预测分析效果，经过多次尝试最终确定的神经网络参数：学习率为0.0006；批量尺寸为200；训练迭代30次。

2.2 系统监测结果

预测模型首先得出的是汽轮发电机的一个或几个运行状态参数的预测值，之后根据这些预测的状态参数对汽轮发电机整体或某关键部件的健康程度进行评估。预测参数将以该状态参数的正常范围与报警阈值作为评估依据，当预测参数在正常范围内时可判断为正常状态；当预测参数接近报警阈值时则会判断健康程度处于下降趋势。最终获得的汽轮发电机健康预测结果将会以百分比的形式表示，默认60%以下为故障状态，具体状态参照指标也可根据专家意见进行修改。

为检验基于LSTM神经网络的状态监测系统对汽轮发电机的运行监测效果，分别以在2种不同工作状态下测得的状态参数为分析依据，系统得出的监测结果如图4所示。

图4 状态监测系统运行参数分析结果

由2种工况下运行状态参数的分析结果可以看出：工况1的汽轮发电机健康监测结果为96.719%，此时机组处于正常的工作状态；而汽轮发电机在工况2的健康监测结果为36.956%，并且结合其他状态参数的变化趋势，如发电机轴瓦温度持续升高、发电机转轴振动加剧等，可以判断出此时机组处于故障状态。

基于LSTM 神经网络的汽轮发电机状态监测系统，以汽轮发电机当前运行状态参数为分析依据，运算出旋转机组的关键状态参数预测结果，进而实现汽轮发电机健康监测分析结果。为现场工作人员快速掌握汽轮发电机或某关键部件的运行情况提供有效的参考信息，并对相关设备的日常运行维护、故障维修进行指导，实现预测性维护。

3 系统监测结果的验证分析

3.1 振动信号的特征提取

为了进一步验证汽轮发电机状态监测系统分析结果的准确性，现采用振动信号分析这种较为传统的旋转机械状态监测方法，从前文所用2种工作状态下的状态参数中提取出振动信号作为分析依据。

经过预处理后的振动信号，还需要进行信号分析等处理方法，将信号特征提取出来，并对各个特征参数指标进行分析，最终才能得出可靠的状态监测结果。

采用快速傅里叶变换进行频域处理，以预处理后2工况振动信号为分析样本，在MATLAB软件中编写程序并完成运算，获得的频谱图如图5所示。

图5 振动信号频域分析结果

工况1振动信号的主要频率为50 Hz，与发电机转子转速频率相同，同时其他频率上对应的幅度基本为零，仅在倍频位置存在较高幅值。此时转轴运行比较平稳，无异常冲击振动产生，汽轮发电机总体运行状态良好。工况2振动信号的各频率振幅均有所上升，其中低倍频成分突变最为明显，1/2转速频率25 Hz 成为除转速频率50 Hz外振幅最大的频率成分，同时100、150 Hz 等高倍频振幅也有不同程度的增长，转子的动态平衡被打破，振动冲击加剧，可以判断出工况2下汽轮发电机为故障状态。

3.2 结果的对比分析

基于LSTM神经网络的汽轮发电机状态监测系统对2种工况状态参数的分析结论与传统的振动信号分析方法得出的状态监测结果基本相同，并且这些状态分析结果均与从现场工作人员了解到的汽轮发电机实际运行情况相吻合。

虽然本文采用振动信号分析的方法对基于LSTM 神经网络的状态监测系统进行了结果的对比验证，但是相较于传统的分析方法，LSTM神经网络对汽轮发电机状态参数的分析处理还是具有无法替代的优势。振动信号分析主要是对当前的设备状态进行监测，一旦发生故障，所处理分析的信号也是故障发生之后产生的异常信号，并不能实现设备状态的长时预测。而运用LSTM神经网络的状态监测方法，能够从大量的监测数据中找到内部联系，实现对运行状态趋势的预测或判断，可实现对渐发性故障的监测识别，用于指导设备的日常维护，显著降低故障的发生概率。

4 结论

本文设计搭建出了基于LSTM神经网络的汽轮发电机状态监测系统。

1)对机器学习算法进行了筛选，对比分析了线性回归算法和LSTM 神经网络对汽轮发电机某状态参数的预测效果，结果证明LSTM 神经网络预测精度更高。

2)在监测系统搭建的过程中，设计规划了基于LSTM神经网络健康预测模型的构建流程，完成了关键参数的设置，并得出了健康监测结果。

3)为了保证监测系统分析结果准确无误，采用振动信号分析的方法对汽轮发电机进行状态监测，并将得出结论与监测系统的分析结果进行对比验证。

基于LSTM 神经网络的汽轮发电机状态监测系统的设计实现与结论验证，对后续的大型旋转机械运行状态监测研究具有一定的参考价值。