基于模糊神经网络的燃气轮机热力部件故障诊断研究

朱嵘嘉, 丁超, 范政矫

(第七O三所无锡分部，江苏 无锡 214151)

基于模糊神经网络的燃气轮机热力部件故障诊断研究

朱嵘嘉, 丁超, 范政矫

(第七O三所无锡分部，江苏 无锡 214151)

针对燃气轮机热力部件故障，提出了基于模糊神经网络的故障检测和诊断方法。在利用模糊规则描述系统故障状态的基础上，通过建立故障诊断目标函数，利用误差反向梯度算法实时修正神经网络连接权值和阈值。仿真结果证明与传统BP神经网络相比，模糊神经网络在对燃气轮机热力部件故障的识别中，具有更高的准确率。

热力部件；燃气轮机；模糊神经网络；故障诊断；仿真

0 引 言

目前燃气轮机已成为航空、航天和舰船领域中不可替代的动力来源，因此提高燃气轮机运行的可靠性和安全性，及时检测并诊断燃气轮机运行发生的故障就显得非常重要。近年发展起来的基于故障模型的故障诊断方法[1-2]因其能有效准确的检测燃气轮机热力部件产生的故障而受到研究学者的广泛的关注。但该类方法虽利用线性化、离散化等方法解决了检测对象的非线性特性，却仍十分依赖所设计的燃气轮机故障仿真模型，由此模型的精度就决定着故障检测的准确度。而通常情况下，模型是以多个燃机的设计工况点为支撑所建立，这就导致在这些工况点附近模型的逼近程度很高，但如远离工况点，模型的精度就会迅速降低，尤其是在燃机动态运行(功率突增，突减)或特定工况切换(放气阀开启前后)时，故障仿真模型就易出现较大的失真，因而出现故障误报、错报的情况。

通过将智能化故障检测方法引入燃气轮机故障检测可以较好地解决上述问题。对于燃气轮机这类多变量非线性系统，如采用模糊系统检测，其模糊性知识的能力可使得故障诊断和推理过程接近人的思维模式，但模糊规则会随着随系统变量数的增加而急剧增加，并由此导致系统的复杂性增加[3]，故障检测的有效性和实时性下降。而将神经网络技术引入模糊系统，既保留了模糊系统的语言化知识和推理能力，又具备较强的模拟和自适应学习功能，能提高故障判断的速度和准确性。

通过建立模糊神经网络，将燃气轮机非线性系统的故障诊断问题转换为多变量输出条件下的故障检测判断问题，同时构建故障诊断目标函数，实现神经网络连接权值和阈值的更新。试验结果表明该方法能较准确地检测燃气轮机热力部件故障，故障识别率较传统BP神经网络更高。

1 燃气轮机故障样本的获取

从国内外相关资料可知，燃气轮机热力部件的故障诊断还处于起步阶段，其中热力部件的故障判断标准则仅有少数文献进行探讨[4]。本文以某型舰用三轴燃气轮机为研究对象，选取低压压气机压比πl、高压压气机压比πh、高压压气机排气温度T2和低压涡轮后排气温度T4与已知在相同工况和大气温度下的标准值的相对差作为的故障监测量。具体表达式如下：

Δπl(k)=(πl(k)-πlc(k))/πlc(k)

(1)

Δπh(k)=(πh(k)-πhc(k))/πhc(k)

(2)

ΔT2(k)=T2(k)-T2c(k)/T2c(k)

(3)

ΔT4(k)=(T4(k)-T4c(k))/T4c(k)

(4)

其中πlc、πhc、T2c和T4c为标准燃油流量和大气温度下的测量值。

通过资料收集和试验数据比对，总结出燃气轮机运行时发生的7种典型热力部件故障和原因，并将其作为模糊神经网络故障判据。表1为其中的一组故障样本。需要指出，已经证明燃气轮机的热力学参数在不同的大气温度和工况下虽存有差异，但其故障表征基本一致，这就使得该类故障判据在广泛的环境温度和工况变化条件下内具有较强的适用性。

表1 某型燃气轮机故障判据表(0.35工况)

与常规的燃气轮机故障诊断方法[5]相比，选取能观性较差压气机压比、排气温度等的热力学参数作为故障判断的观测量是因为：部分能观度较高的参数如转速、燃油量等虽可检测出故障的发生，但对故障种类的判断能力则较弱。

2 基于模糊神经网络构成形式

在模糊映射时，利用模糊规则表对参数变化相对差进行划分，考虑到热力参数本身特性，模糊集合的划分无必要过细，而应以准确表达参数的状态为宜。以下对神经网络各层作简要说明：

图2 交叠对称分布的高斯隶属度函数

第二层为模糊化层。建立故障监测量的模糊规则表，通过模糊隶属度函数将输入量映射到模糊集区间内，根据函数等价性要求，选取高斯形式的模糊隶属度函数，如图2所示，其表达式如下：

(5)

第三层为规则层，利用IF-THEN型模糊哦规则，设定该层节点输出，规则如下

由此定义第三层系统网络参数N=[N1N2…Nm]T。

第四层为解模糊层。通过网络参数的加权计算得到模糊神经网络输出:

(6)

(7)

与其它神经网络相比较，模糊神经网络的节点和权值可用隶属函数和模糊规则来解释, 因而从它的权值和节点参数可以直接写出模糊规则和隶属函数来,由模糊规则提取的神经网络方法可理解为根据给定样本集合输出和目标函数容许误差按一定的推理算法求出规则的具体表达的过程。由此可见，这与我们用它作为系统故障分类器完成系统各种故障辨识的初衷是相符合的。

3 燃气轮机故障诊断目标函数的建立

采用误差反向传播梯度算法对模糊神经网络的权值进行调整，假设用于训练的燃气轮机故障样本数为P，网络输出节点数为Q，则可取网络性能指标函数:

由性能指标函数计算第四层网络权值:

其中η2为参数学习率。

为加快网络收敛速度，引入动量因子δ，可得神经网络权值和故障向量阈值的调节率为:

(8)

θi(k)=θi(k-1)+Δθi(k)

(9)

(10)

4 故障诊断结果及分析

用300个样本进行模糊神经网络的训练，网络收敛常数η1=0.95，动量因子δ=0.1。考虑样本中有7种典型燃气轮机热力部件故障，定义输出层节点数为3，模糊神经网络的目标输出和实际输出结果如表2所示。

表2 模糊神经网络目标输出

图3 两种神经网络收敛速度对比图

表2证明，模糊神经网络对各类热力部件故障均给出了较好的识别结果。给定相同的样本库，我们将模糊神经网络与传统BP神经网络进行比较，在网络训练误差目标都取0.001时，两种网络的收敛速度如图3所示。从图2中可知，与传统BP神经网络比较，模糊神经网络的收敛速度略快，但两者仍处于同一个量级内。

为对模糊神经网络和传统BP网络对故障的诊断正确率进行比较，网络训练完成后，我们选取了低压压气机轴磨损、高压压气机积垢、高压涡轮喷嘴腐蚀和燃烧室扭曲变形共4组不同故障的新数据输入神经网络进行识别，诊断结果如图4所示。

图4 两种神经网络故障识别率对比图

由图4可得，模糊神经利用模糊知识对样本数据进行表达，对燃气轮机热参数故障特征的识别均在80%以上，好于传统BP神经网络的识别结果。综上所述，与传统BP神经网络相比，模糊神经网络在对燃气轮机热力部件故障的识别中，具有更高的准确率。

5 结束语

针对复杂的燃气轮机热力部件故障诊断，提出了基于模糊神经网络的故障识别方法。通过构建故障诊断目标函数，基于误差反向传播算法提出了模糊神经网络的连接权值和阈值的更新率。仿真结果表明，在收敛速度基本相同的情况下，该模糊神经网络的故障识别率较传统BP网络算法有较大的提高，在燃机热力部件故障诊断方面有较好的实用价值和应用前景。

[1] 夏迪, 王永泓. 燃气轮机非线性故障诊断中梯度计算的新方法[J]. 中国电机工程学报, 2008, 28(14):108-111.

[2] ARETAKIS N, MATHIOUDAKIS K, STAMATIS A. Nonlinear engine component fault diagnosis from a limited number of measurements using a combinatorial approach[J]. Journal of Engineering for Gas Turbines and Power, 2003, 125(3):642-650.

[3] 鲍鸿, 黄心汉. 用模糊RBF 神经网络简化模型设计多变量自适应模糊控制器[J]. 控制理论与应用, 2000, 17(2):169-174.

[4] 杨斌, 王永泓. 燃气轮机多元模糊神经网络诊断模型的研究[J]. 动力工程, 2002, 22(4): 1863-1867.

[5] 蒲星星, 刘尚明, 蒋洪德. 重型燃气轮机状态能观度分析及其在故障诊断中的应用[J]. 中国电机工程学报, 2012,32(2):117-122.

A Study on Fault Diagnosis for Thermal Components of Gas Turbine Based on Fussy Neural Network

Zhu Rongjia, Ding Chao, Fan Zhengjiao

(No.703 Research Institute Wuxi Branch, Wuxi Jiangsu 214151, China)

A method of fault detection and diagnosis for thermal components of gas turbine is proposed on the basis of the theory of fuzzy neural network. By using fuzzy rules to describe the status of system fault and establishing the object function for fault diagnosis, it uses error back gradient algorithm to realize real-time correction of the connection weight and threshold of the neural network. Simulation results show that, compared with traditional BP neural network, the fuzzy neural network is more accurate in the fault recognition of thermal components of the gas turbine.

thermal component； gas turbine； fuzzy neural network； fault diagnosis； simulation

10.3969/j.issn.1000-3886.2017.01.033

TM611.24

A

1000-3886(2017)01-0110-03

朱嵘嘉(1980-)，男， 湖南湘乡人，硕士，高级工程师， 专业方向为：燃气轮机控制。 丁超(1989-)，男， 江苏宜兴人，学士，工程师， 专业方向为：燃气轮机控制。 范政矫(1989-)，男，江苏无锡人，学士，助理工程师，专业方向为：燃气轮机控制。

定稿日期: 2016-07-14