基于LSTM-SVM的燃气轮机压气机故障预警研究

彭道刚，姬传晟，涂 煊，王丹豪

(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)

压气机是燃气轮机的重要部件之一[1]，其运行状态直接影响燃气轮机的安全性和可靠性。但由于压气机长期在高转速、高温环境中运行，经常会出现叶片积垢、磨损腐蚀等故障。如果能够在早期发现压气机的故障趋势，提前进行维修和保护，可以降低因这些故障引起的燃气轮机不稳定运行或非计划停机的风险[2]。因此，压气机故障预警对燃气轮机的稳定运行具有重要意义。

目前，对压气机的研究主要集中在压气机故障类型对燃气轮机机组性能的影响上，而对压气机故障预警方面的研究较少。刘涛等[3]采用多元状态估计和偏离度的方法对电厂风机故障进行预警。通过多元状态估计建立风机的参数模型，利用偏离度监测模型输出结果，捕捉故障发展过程，实现预警。滕卫明等[4]提出了基于相似性原理的发电设备故障预警系统，将历史数据通过数学分析建立矩阵模型，比较实际值与模型输出估计值，若超过预定偏差就报警。崔亚辉等[5]提出了利用灰色理论和相似性原理建立汽轮发电机组动态预警模型，采用超球相似度分析技术能够及时发现设备的异常状态，为设备故障预警提供了新方法。上述方法虽然没有应用于燃气轮机领域，但有一定的参考价值，压气机结构复杂，其不同故障类型之间对应的特征参数变化关联性强，增加了压气机早期故障预警的难度。

因此，笔者提出了一种基于长短期记忆网络和支持向量机(LSTM-SVM)的燃气轮机压气机故障预警方法。根据文献研究和压气机故障案例分析确定特征参数，并根据压气机历史数据建立相应的长短期记忆网络(LSTM)单输入单输出预测模型。将特征参数运行数据代入相应的预测模型，通过监测模型输出的预测值与实际值之间的残差曲线，设定报警阈值，超限报警；再将报警点的报警信息通过正负偏离度进行数据处理后作为支持向量机的输入参数，从而预测压气机的故障类型，实现燃气轮机压气机故障预警。

1 长短期记忆网络与支持向量机

1.1 长短期记忆网络

LSTM是递归神经网络的一种，适用于预测时间序列样本[6]。燃气轮机压气机的数据是按照时间周期进行采样，且采样时间固定。因此，在处理时间序列数据方面，LSTM对燃气轮机压气机的预测效果良好。LSTM拥有能够跨越时间点的自连接隐藏层，隐藏层的输出不仅进入输出端，还进入下一个时间步骤的隐藏层，所以它能够持续保留信息，根据历史状态判断出将来的状态。LSTM中包括遗忘门、输入门和输出门3种门限，每个门限都包含sigmoid激活函数。sigmoid激活函数将取值约束在[0,1]，这个特点可以保留和移除原来的信息。

遗忘门是将上一时刻(t-1时刻)的输出ht-1和t时刻的输入数据xt作为输入，通过sigmoid激活函数得到输出ft。

ft=σ(Wf×[ht-1,xt]+bf)

(1)

式中：Wf为t时刻遗忘门权重;bf为遗忘门的偏置量;σ为sigmoid激活函数。

it=σ(Wi×[ht-1,xt]+bi)

(2)

(3)

(4)

输出门ot用来控制该层的细胞状态有多少被过滤:

ot=σ(Wo×[ht-1,xt]+bo)

(5)

ht=ot×tanh(Ct)

(6)

式中：Wo为t时刻输出门ot的权重;bo为偏置量。

LSTM预测模型通过将燃气轮机压气机特征参数的运行数据导入并进行归一化，设置网络参数，利用遗忘门、输入门和输出门对压气机的历史数据进行处理，使压气机特征参数的历史状态不断更新，从而调节输出，使其具有较好的预测效果。

1.2 偏离度

笔者通过监测压气机特征参数的残差曲线进行故障报警，选取压气机进气质量流量、压气机效率、入口温度、出口温度、入口压力、出口压力和级组压比7个特征参数来反映燃气轮机压气机的状态，分别记为xi{i=1，2，3，…，7}。由于7个特征参数的量纲不同，需要对报警信息进行处理，因此引入偏离度(见式(7))，将信息进行偏离计算。为了区分偏离的方向性，定义了正、负偏离度。将超过高报警限定义为正偏离度即残差监测超上限，低于低报警限定义为负偏离度即残差监测超下限，如果没有报警信息则定义为0。通过LSTM预测模型监测7个特征参数，将报警信息构成向量Mk[m1,m2,…,m7](k为样本数)，作为SVM模型的输入。取训练样本为20，测试样本为80。

(7)

式中：mi为第i个特征参数的报警点偏离度;xi实为第i个特征参数报警点的实际值;xi预测为第i个特征参数报警点的预测值。

1.3 支持向量机

支持向量机[7]对有限样本数据具有很好的分类效果。笔者利用LSTM预测模型，通过监测模型输出的残差曲线获得报警向量，作为支持向量机的输入，并利用SVM进行分类，判断出压气机的故障类型。

支持向量机的训练集T如下：

T={(M1,y1),(M2,y2),…,(Mi,yi),…,

(Mk,yk)}

(8)

式中：Mi为第i个报警向量；yi为压气机故障类型标记,yi取-1或1,i=1,2,…,k。

目标函数和约束条件如下：

(9)

s.t.yi(ω·Mi+b)≥1,i=1,2,…,k

(10)

式中：ω为划分压气机故障类型的超平面法向量；b为划分压气机故障类型的超平面偏移项。

SVM一般需要对数据进行标准化处理，然后建立规划模型对样本数据进行分类，具有较高的准确率。SVM一般是解决二分类问题，由于所研究压气机有4个故障类别，所以需要考虑多分类的情况。对于支持向量机四分类问题，采取“一类对其余类”的方法，即先分出一类确定类别，把另外三类划分成另一类，构成一个样本集，同理，就会有4个样本集，构成了4个二分类问题。每个样本集都会有分类结果，选取最大值作为最终的分类结果。

2 燃气轮机压气机故障类型预警

燃气轮机压气机故障的形成都有早期征兆，这些征兆隐藏在压气机运行参数的变化中，挖掘出这些征兆参数并建立预测模型，对模型输出预测值与实际值的残差曲线进行监测，捕捉压气机故障发展过程，提取报警信息，然后利用支持向量机进行模式识别，实现燃气轮机压气机的故障类型预警。

2.1 特征参数选取

燃气轮机压气机常见的4种故障为叶片积垢[8]、叶片磨损腐蚀[9]、进气口结冰[10]和喘振[11]。压气机故障的发生会伴随特征参数的变化。国内有些学者对压气机的故障类型与其特征参数之间的关系进行了研究。韩朝兵等[12]通过对PG9351FA型燃气轮机进行实验仿真，证明燃气轮机压气机叶片积垢会使压气机的进气质量流量和压比减小，效率降低。孙海鸥等[13]对单级轴流式压气机NASA Stage35模型进行研究，所得结果类似。王浩[14]通过专家经验和案例分析建立了燃气轮机故障知识库，认为燃气轮机压气机叶片磨损腐蚀会使压气机出口压力降低、进气质量流量减小、入口温度不变等。陈仁贵等[15]通过热力学模型验证进气口结冰会导致空气流量减小、压气机效率降低等。刘健鑫等[16]研究表明燃气轮机压气机喘振会使进气质量流量减小，入口温度升高，压气机效率降低。

压气机故障对其特征参数具有较大影响，同时特征参数的变化也能够反映压气机的状态，因此选取合理的特征参数显得至关重要。

2.2 故障预警流程

根据选取的7个特征参数，利用正常历史数据分别建立LSTM单输入单输出的预测模型，使其具有良好的预测效果。然后把特征参数运行数据代入训练好的预测模型，对各模型输出的残差曲线进行监测，设立报警阈值，超限则报警，为了能够预警出压气机将来发生什么故障，需要将所有的报警信息进行故障特征提取，采用正负偏离度来进行数据处理，构成的向量作为SVM模型的输入。SVM模型对输入数据进行标准化处理，然后对样本进行分类，从而预警出压气机的故障类型，实现了燃气轮机压气机的故障预警，其流程图如图1所示。

图1 燃气轮机压气机故障预警流程图

3 仿真分析

3.1 LSTM预测模型

以PG9351FA型燃气轮机为例，选取某电厂2017年5月10日的压气机正常历史数据3 000组，测试数据300组。大气压力为101.3 kPa,压气机输出功率为255.6 MW，压气机压比为15.4。通过对7个特征参数进行训练，观察各LSTM预测模型输出的预测值与实际值曲线，如图2所示。从图2可以看出，预测值与实际值曲线吻合度较好，残差曲线波动范围为±0.5%，表明LSTM预测模型输出的预测误差在0.5%以内，验证了该模型对压气机这7个特征参数适应性较好。

为了能够捕捉燃气轮机压气机的故障趋势，选取一段压气机叶片积垢时进气质量流量的早期故障数据代入LSTM预测模型，得到压气机叶片积垢时进气质量流量的预测值与实际值曲线(见图3)。从图3可以看出，压气机叶片积垢时进气质量流量实际值开始向下偏移，压气机性能开始衰退。通过监测压气机进气质量流量预测值与实际值的残差曲线(见图4)，可以看出残差曲线刚开始的波动比较均匀，到第116点低于报警线进行报警，报警点的进气质量流量实际值为616.48 kg/s，预测值为623.08 kg/s,根据偏离度公式和低报警限，得到负偏离度为-1.05。

图3 叶片积垢时压气机进气质量流量预测值和实际值

图4 叶片积垢时压气机进气质量流量残差

由图5可知，对于压气机叶片积垢故障，压气机效率也出现下降趋势。通过监测此时压气机效率预测值与实际值的残差曲线(见图6)可知，压气机叶片积垢时效率残差刚开始的波动比较正常，到第148点低于报警线，于是报警。报警点的压气机效率实际值为87.15%，预测值为87.92%。根据偏离度公式和低报警限，得到负偏离度为-0.87。

图6 叶片积垢时压气机效率残差

根据上述对报警信息的处理方法，同理获得压气机叶片积垢时其他特征参数的正负偏离度，构成1个报警向量M1[-1.05，-0.87,0，0.93，0，-0.97，-1.12]，再利用正负偏离度进行故障特征提取，并将故障信息代入SVM模型中进行故障识别，对压气机的故障类型进行预警。

3.2 故障类型预警结果对比

针对PG9351FA型燃气轮机，将叶片积垢、叶片磨损腐蚀、进气口结冰和喘振4种故障类型分别记为1,2,3,4。将每种故障类型的早期运行数据代入LSTM预测模型，产生的报警信息通过正负偏离度处理作为SVM模型的输入，从而进行故障类型识别。首先在每种故障类型中选取5个报警向量组进行训练，共有20个训练样本，结果如图7所示，可以看出预警结果准确性较高。

图7 训练样本LSTM-SVM的预警结果

在每种故障类型中选取20个报警向量组进行测试，共80个测试样本，分别采用SVM算法与随机森林(Random Forest,RF)算法进行对比，LSTM-SVM的预警结果如图8所示。从图8可以看出，LSTM-SVM的准确率达到98.7%。LSTM-RF的预警结果如图9所示。从图9可以看出，LSTM-RF的准确率为96.25%。LSTM-SVM的准确率要比LSTM-RF的准确率高，因此采用LSTM-SVM的燃气轮机压气机故障预警方法能够较好地对压气机的故障类型进行预警。

图8 测试样本LSTM-SVM的预警结果

图9 测试样本LSTM-RF的预警结果

4 结 论

本文利用LSTM-SVM模型实现燃气轮机压气机的故障预警，通过监测压气机特征参数的残差曲线，能够观察到压气机是否偏离正常运行状态，当残差曲线超过报警限时进行故障预警，捕捉压气机早期的故障趋势。所研究的故障预警方法可以利用压气机7个特征参数的报警信息反映出压气机的4种故障类型，能够判断出压气机将要发生的故障，为工作人员的检修和维护提供了参考。