基于AHP-RBR 的燃气轮机压气机故障诊断方法研究

彭道刚，姬传晟，涂 煊，戚尔江

（1.上海电力大学 自动化工程学院，上海 200090；2.上海工业自动化仪表研究院有限公司，上海 200233）

0 引言

在发电行业中，燃气轮机发电机组因启停迅速、热效率高、污染少等优点成为当今主流发电形式之一[1]，但是我国燃气轮机的关键核心技术仍依赖于国外。为了改变这种现状，国家加大对燃气轮机的政策支持，由国家能源局发布的《电力发展“十三五”规划》和《依托能源工程推进燃机创新发展的若干意见》等政策推动燃气轮机行业快速发展。

压气机作为燃气轮机的主要部件，其运行状态直接影响着燃气轮机的稳定运行。压气机发生故障，燃气轮机的性能就会下降，严重时可能导致燃气轮机停机。如果能够及时诊断出压气机的故障类型，降低因压气机故障而引起燃气轮机非计划停机的风险，对燃气轮机稳定运行具有重要意义。

目前，燃气轮机故障诊断方法主要分为数学模型诊断、经验知识诊断和数据驱动诊断三类[2]。文献[3]利用燃气轮机故障的经验知识建立数学模型，提高了燃气轮机故障诊断的精度和准确率。文献[4]采用核主元分析法对燃气轮机历史数据进行分析，建立特征模型，实现特征变换，挖掘燃气轮机故障的关键信息。文献[5]采用模糊综合评判和故障树分析相结合的诊断方法，解决了传统故障树诊断的不确定性，有效地提高燃气轮机故障诊断准确率。文献[6]提出的将条件规则和故障树相结合的燃气轮机故障诊断技术，能够准确分析故障发生的原因和位置，为维修人员提供方便。早期故障诊断都是基于规则的专家系统，简单、方便、形象地描绘出故障类型和征兆的关系，诊断推理速度快；缺点是规则知识库覆盖的故障类型不够全面，对未出现过的故障，难以识别其故障类型，需要不断进行补充和完善。

基于RBR（规则推理）的故障诊断方法需要建立故障知识库，从而挖掘出故障类型和征兆参数之间的隐藏关系。传统的RBR 存在一个问题，就是对于每种故障类型中各征兆参数的影响权重不能够表现出来。所以，本文提出了利用AHP（层次分析法）确定压气机故障类型各征兆参数之间的权重，有效解决了这个问题，从而可以更好地利用RBR 来进行故障诊断。

1 AHP-RBR 故障诊断流程

压气机发生故障时，其部分参数也发生变化，这些参数即为征兆参数。根据已有文献研究成果和压气机故障案例分析，压气机故障类型和征兆参数有较强的规则性关系。文献[7]证明同转速下进口质量流量衰减可作为判断压气机是否积垢的依据。文献[8]认为压气机的叶片磨损会导致级组压比减小、进气质量流量减少、压气机增压能力降低等。所以通过挖掘故障类型和征兆参数之间的规则性关系，可以有效地进行故障诊断。

本文通过AHP-RBR 模型进行故障诊断，首先将专家的知识、经验和压气机的故障案例存储在故障知识库中，然后利用AHP 确定知识库的故障类型与各征兆参数之间的权重。将压气机运行的故障数据与利用LSTM（长短期记忆网络）模型的预测数据进行处理，获得压气机故障偏差数据量化值组，最后通过加权欧氏距离最小值的相似度模型识别出压气机的故障类型，从而实现燃气轮机压气机的故障诊断。燃气轮机压气机故障诊断的整体流程如图1 所示。

2 AHP-RBR 故障诊断模型

2.1 构建压气机故障知识库

图1 燃气轮机压气机故障诊断整体流程

根据已有文献的研究成果和故障案例分析，搜集、整理压气机的故障类型与故障特征，构造压气机故障知识库。通过知识库的构建能够简单、直观地发现压气机故障类型和征兆参数之间的变化关系，为故障诊断提供依据，如图2 所示。

2.2 层次分析法确定征兆参数权重

压气机发生叶片积垢、叶片磨损腐蚀、进气口结冰等故障时，其入口压力、出口温度、效率等会发生变化，但是对于不同的故障类型可能会有相同的故障征兆，其间的关联性很强。根据案例发现，不同的故障类型所依赖的故障征兆之间的权重是不同的。例如压气机叶片积垢与级组压比、空气流量、压气机出口压力之间的影响较为强烈[9]，压气机喘振与进气质量流量、压气机效率的影响也较大[10]，所以可加大征兆参数的权重，来区别不同的故障类型。本文诊断的故障类型主要有压气机叶片积垢、叶片磨损腐蚀、进气口结冰、喘振，分别记为Pi（i=1，2，3，4）。对应的故障征兆参数有导叶开度、压气机进气质量流量、压气机入口温度、压气机出口温度、压气机入口压力、压气机出口压力、级组压比、压气机效率、负荷[11-14]，分别记为指标Ij（j=1，2，…，9）。

采用层次分析法来确定每种故障类型各征兆参数之间的权重。对压气机故障类型的征兆参数进行分析，建立层次结构模型。通过专家的知识、经验和压气机故障案例分析，对压气机故障征兆的各因素进行客观比较，给出重要的定量标度。构造判断矩阵，从而计算出故障类型各征兆参数的权重ωi={ωi1，ωi2，ωi3，…，ωi9}。图3 所示为层次分析法确定燃气轮机压气机故障类型征兆参数权重流程。

图2 压气机常见故障知识库

图3 征兆参数权重确定流程

2.2.1 构造判断矩阵

层次分析法的判断矩阵由各因素两两比较相对重要性的数值写成的矩阵形式。判断矩阵用A表示。判断矩阵元素值axy表示第x 个元素与第y个元素相比，axy用数字1-9 及其倒数作为标度[15]，ayx表示axy的倒数，如表1 所示。

表1 判断矩阵axy标度方法

2.2.2 判断矩阵一致性检验

通过判断矩阵特征值计算,得到判断矩阵最大特征值λmax，特征向量α。将特征向量归一化，从而获得层次间的重要权值ωij，并进行一致性检验。在构造判断矩阵A 时，要检验判断矩阵是否具有一致性，否则需要重新调整判断矩阵的元素，使其达到要求[16]，一致性校验公式如下：

式中：CI 为压气机故障类型判断矩阵一致性指标；n 为压气机故障类型的判断矩阵阶数；CR 为压气机故障类型判断矩阵的一致性比例；RI 为压气机故障类型判断矩阵的平均一致性指标。

随着判断矩阵的阶数变化，RI 具体值如表2所示。本文为9 阶矩阵，RI 的值为1.45。对于判断矩阵，CR 的值越小，则一致性越好，一般CR的值小于0.1 时，判断矩阵满足一致性的要求。

2.3 LSTM 模型预测与量化处理

根据故障知识库选取导叶开度、压气机进气质量流量、压气机入口温度、压气机出口温度、压气机入口压力、压气机出口压力、级组压比、压气机效率、负荷9 个特征参数。利用某发电厂提供的2017 年5 月压气机3 000 组正常运行数据建立LSTM 预测模型，其中90%做训练，10%做测试。以压气机进气质量流量为例，模型输出结果如图4 所示，预测值与实际值的残差曲线如图5 所示。由图5 可知，误差在0.5%以内，具有良好的预测效果。

图4 压气机进气量预测值与实际值曲线

图5 压气机进气量残差百分比

将压气机的故障数据代入训练好的预测模型，通过LSTM 模型监测9 个特征参数，利用故障数据与预测数据的偏差，超过报警值，进行量化处理，量化公式如式（3）所示，将9 个特征参数的量化值构成向量组Mk{m1，m2，…，mj，…，m9}（k=20，本文选取20 组进行故障诊断）。

式中：mi为第i 个特征参数的报警点量化值；xi实为第i 个特征参数报警点实际值；xi预测为第i 个特征参数报警点预测值；ei为第i 个特征参数故障设计值与运行值的偏差。

2.4 AHP-RBR 故障诊断模型

RBR 是将一个规则的结论作为另一个规则的前提，将已存在的事实或结论作为依据，推论出另一个规则的思维过程[17]。基于规则推理的故障诊断方法是利用专家知识、经验和压气机故障的案例分析，以故障类型、故障征兆等内容存储在知识库中[18]，然后以RBR 的推理方式找到故障类型和故障征兆之间的关系，根据故障征兆来识别故障类型。基于AHP-RBR 的故障诊断模型是在规则推理的基础上，利用层次分析法对故障类型各征兆参数之间的权重进行分析。

AHP-RBR 故障诊断模型利用故障知识库，确定影响压气机各故障类型的9 个征兆参数，且通过征兆参数上升、下降、正常进行量化分析，将每种故障类型构造出向量组，Gi={gi1，gi2，gi3，…，gi9}表示故障知识库征兆参数量化值组。如空气流量下降记为-1，上升记为1，正常则记为0。知识库的征兆参数量化结果如下所示：

然后利用层次分析法根据专家经验和案例分析，构造判断矩阵A，得出每种故障类型对应的各征兆参数权重ωi={ωi1，ωi2，ωi3，…，ωi9}。当压气机发生故障时，压气机征兆参数的故障数据与预测数据的偏差超过报警值，进行量化处理，构成向量组Mk{m1，m2，…mj，…，m9}（k=20）。将知识库的征兆参数量化值组Gi与压气机故障偏差数据量化值组Mk代入相似度模型进行故障诊断。相似度模型的原理是利用不同征兆参数对故障类型的权重不同，计算出知识库征兆参数量化值与故障数据偏差量化值之间的加权欧氏距离。计算方式为：

式中：di为知识库征兆参数量化值与故障数据偏差量化值之间的欧氏距离；ωij为压气机故障类型对应的各征兆参数权重值；mj为压气机故障偏差量化值；gij为压气机知识库征兆参数量化值。

通过相似度模型输出的值越小，表示当前压气机故障与知识库的压气机故障类型越相似，由此诊断出压气机的故障类型。从而减少了检修人员排查故障的时间，降低了压气机故障带来的经济损失。AHP-RBR 故障诊断模型如图6 所示。

图6 AHP-RBR 故障诊断模型

3 实验仿真分析

3.1 压气机故障类型各征兆参数权重

根据压气机故障知识库，得到故障类型和征兆参数之间的关系，确定各征兆参数对压气机故障类型的权重。根据已有的研究成果和案例分析，以压气机叶片磨损腐蚀P2 为例，分析各征兆参数对压气机叶片磨损腐蚀故障的权重，利用判断矩阵的标度axy为数字1-9 表示，如表3 所示，数字越大表示某征兆参数对压气机叶片磨损腐的影响越大，构建压气机叶片磨损腐蚀判断矩阵A。构造的判断矩阵A 需要进行一致性校验，由线性代数知识进行计算，判断矩阵A 的最大特征值λmax=9.336 7，根据式（1）和（2）得CI=0.045 8，CR=0.031 6，CR＜0.1 判断矩阵满足一致性要求，这时压气机叶片磨损腐蚀故障征兆参数权重为ω2={0.033 7，0.222 4，0.023 1，0.073 1，0.023 1，0.312 8，0.106 9，0.155 1，0.049 7}。同理，求得其它3 种压气机故障类型的征兆参数权重如表4所示。

表3 压气机叶片磨损腐蚀的判断矩阵A

3.2 实验对比分析

选取某发电厂压气机的20 组故障样本，按照每种故障类型选5 组故障数据，每组有9 个征兆参数的数据，对这20 组故障样本进行诊断。将处理好的压气机故障偏差数据量化值组Mk代入AHP-RBR 模型和RBR 诊断模型，通过三维图来展示两种诊断模型的结果，图7 中的故障类型1，2，3，4 分别表示压气机叶片积垢、压气机叶片磨损腐蚀、压气机进气口结冰和压气机喘振。图7为AHP-RBR 故障诊断模型输出的结果，从图7可以看出各故障类型的样本数据加权欧式距离最小值与压气机故障类型相对应，通过加权欧式距离最小值反映出了压气机的故障类型。为了方便直接观察，以图8 的形式展示压气机的实际故障类型与AHP-RBR 诊断的结果，可见AHP-RBR模型的准确率较高。

表4 压气机各故障类型的征兆参数权重

图7 AHP-RBR 模型输出结果

图8 AHP-RBR 诊断结果

图9 为RBR 故障诊断模型输出的结果，从图9 可以看出有两组样本诊断错误：第6 组的压气机的叶片磨损被误诊断为叶片积垢，第13 组的压气机的叶片积垢被误诊断为叶片磨损。通过图10 也可以直观地发现第6 和第13 个样本组诊断错误。所以与RBR 模型诊断结果相比，AHPRBR 具有很好的准确率。

图9 RBR 模型输出结果

图10 RBR 诊断结果

4 结语

本文通过建立压气机故障知识库，挖掘出压气机故障类型与征兆参数之间的规则性关系。采用层次分析法确定各征兆参数对压气机故障类型的权重，通过AHP-RBR 故障诊断模型和相似度模型进行故障诊断。结合实验仿真分析，通过AHP-RBR 模型和RBR 模型诊断结果对比，认为AHP-RBR 的故障诊断模型准确率较高，具有较好的诊断效果。