基于深度自编码器和支持向量数据描述的燃气轮机高温部件异常检测

白明亮，张冬雪，刘金福*，刘娇，于达仁,

基于深度自编码器和支持向量数据描述的燃气轮机高温部件异常检测

白明亮1，张冬雪2，刘金福2*，刘娇3，于达仁1,2

（1．哈尔滨工业大学控制科学与工程系，黑龙江省 哈尔滨市 150001；2．哈尔滨工业大学能源科学与工程学院，黑龙江省 哈尔滨市 150001；3．中国航空工业集团公司沈阳飞机设计研究所，辽宁省 沈阳市 110035）

开展燃气轮机高温部件的异常检测能有效提高其运行安全性和可靠性。随着人工智能技术的兴起，数据驱动的故障诊断方法已经越来越流行。然而，在实际应用中，燃气轮机故障数据很少甚至几乎没有。针对仅有正常数据场景下的燃气轮机高温部件异常检测问题，提出了一种基于深度自编码器(deep autoencoder，DAE)和支持向量数据描述(support vector data description，SVDD)融合的DAE-SVDD异常检测方法。该方法利用正常数据训练深度自编码器，并利用深度自编码器的重构误差来训练支持向量数据描述。与传统异常检测方法相比，该方法显著提高了异常检测精度，能实现更灵敏鲁棒的燃气轮机高温部件异常检测。

燃气轮机；高温部件；深度自编码器(DAE)；支持向量数据描述(SVDD)；异常检测；故障诊断

0 引言

燃气轮机是一种广泛应用于电力、航空动力、船舶动力等诸多领域的动力设备[1-2]。燃气轮机的工作环境恶劣，易发生故障，一旦发生故障会造成严重的经济损失。开展燃气轮机的在线健康状态监测与异常检测能够实时监测燃气轮机的健康状态，在故障发生初期及时检测出燃气轮机故障，避免严重故障的发生，从而能够大幅度提高燃气轮机的运行安全性与可靠性，同时能够大幅减少维修费用[3-7]。燃气轮机的高温部件包括燃烧室、燃料喷嘴、涡轮前几级叶片等部件，是燃气轮机最为关键、最为重要的部件之一。燃气轮机高温部件长期工作在高温环境下，工作环境尤为恶劣，相比于燃气轮机其他部件更容易发生故障。因此开展燃气轮机高温部件的异常检测研究具有极其重要的意义。

目前，燃气轮机异常检测与故障诊断的研究主要可以分为两大类：基于模型的诊断方法和基于数据的诊断方法[8]。基于模型的方法依赖于精确的燃气轮机数学模型，在实际应用中建立精确的数学模型往往是比较困难的。基于数据的诊断方法只需利用燃气轮机的历史数据，无需建立精确的模型。因此，基于数据的诊断方法受到了研究人员的广泛关注[9]。

随着人工智能和大数据技术的发展，众多研究人员利用各种人工智能算法开展了燃气轮机异常检测与故障诊断研究。目前，极限学习机、支持向量机、随机森林、粗糙集等各种人工智能算法已经被广泛应用于燃气轮机的故障诊断中，取得了良好的故障诊断效果。Wong等[10]提出了一种基于极限学习机的燃气轮机故障诊断方法。Maragoudakis等[11]利用随机森林进行了燃气轮机的故障诊断。Wang等[12]基于粗糙集方法进行了燃气轮机的故障诊断，取得了良好的诊断效果。

深度学习算法是人工智能领域的最新突破性技术。目前，深度学习已经广泛应用于图像识别、语音识别、自动驾驶等领域，取得了前所未有的成功[13]。随着深度学习的兴起，研究人员已经开始尝试将深度学习方法引入燃气轮机的故障诊断中。Yan等[14]利用深度信念网络进行燃气轮机故障诊断，取得了良好的诊断效果。Fu等[15]提出了一种基于分组卷积去噪自编码器的燃气轮机故障诊断方法。Mulewicz等[16]比较了深度学习和几种传统机器学习方法在燃气轮机故障诊断上的诊断效果，验证了深度学习的优越性。

虽然上述各种故障诊断方法已经取得了比较好的故障检测与诊断效果，但是目前的研究主要集中在故障数据比较充足的场景。在燃气轮机的实际运行中，故障数据往往很少。对于新投入运行的燃气轮机，其运行初期往往只有正常数据而没有故障数据。目前，在仅有正常数据的场景下进行燃气轮机故障检测的研究相对较少。同时，目前的燃气轮机故障诊断主要集中在燃气轮机的气路故障诊断上，对于燃气轮机中最为关键、最为重要的部件之一——高温部件的故障诊断研究，仍然相对较少。

本文针对仅有正常数据场景下的燃气轮机高温部件故障检测问题，提出了深度自编码器(deep autoencoder，DAE)和支持向量数据描述(support vector data description，SVDD)融合的DAE-SVDD故障检测方法，大幅度提升了燃气轮机高温部件的故障检测精度。

1 燃气轮机高温部件异常检测的挑战

燃气轮机高温部件包括燃烧室、燃料喷嘴、涡轮前几级叶片等部件，是燃气轮机最为重要的部件之一。燃气轮机的高温部件工作温度高，一般的热电偶很难对其进行长期的健康状态监测。因此，燃气轮机高温部件的健康状态常常通过 均匀分布在透平出口处的多个热电偶进行监测，如图1所示。

图1 透平出口处的热电偶示意图

本文研究的燃气轮机为某单轴重型燃气轮机，具有27个火焰筒，在其透平出口处均匀布置了27个热电偶来测量透平的排气温度，其热电偶的布置如图2所示[17]。当燃气轮机的高温部件处于健康状态时，透平排气温度的周向分布会相对比较均匀，图2中各个热电偶的示数相差不大。当燃气轮机的高温部件发生故障时，透平排气温度的周向分布变得不再均匀，图2中各个热电偶的示数之间会出现较大的偏差。因此，通过透平排气温度可以有效监测燃气轮机高温部件的健康状态。

图2 热电偶的布置示意图

然而，高温部件的故障并不是导致透平排气温度周向分布不均匀的唯一因素，工况的变化、环境条件的变化、燃气的掺混与旋转等诸多干扰因素也会导致透平排气温度周向分布不均匀。 图3和图4展示了燃气旋转对透平排气温度周向分布的影响。因此，在仅有正常训练数据的场景下，如何能够有效消除各种干扰因素对异常检测的影响并实现灵敏鲁棒的异常检测，是燃气轮机高温部件异常检测的关键问题。

图3 燃气旋转示意图

图4 燃气旋转对透平排气温度的影响

2 DAE-SVDD异常检测方法

2.1 深度自编码器算法

深度自编码器是一种目前常用的无监督学习方法[18]，广泛应用于数据降维[19]、特征提取[20]等领域。深度自编码器包括编码器和解码器2部分，其结构如图5所示。

图5 深度自编码器的原理图

2.2 支持向量数据描述算法

本文利用支持向量数据描述算法确定DAE的重构误差阈值。支持向量数据描述算法由Tax等[21]提出，是一种常见的异常检测算法，其基本原理如图6所示。

图6 高维空间内的超球体

该算法通过引入核函数将数据映射到高维空间中，在该高维空间中寻找一个半径尽可能小的超球体，使得尽可能多的正常样本落在超球体内。支持向量数据描述算法旨在最小化公式(4)所示的目标函数：

在利用正常的训练样本对DAE进行训练后，通过支持向量数据描述将训练样本与其重构值之间的误差映射到高维空间中，并压缩至图6所示的最小超球体内。

2.3 基于DAE-SVDD的异常检测流程

1）数据划分。将正常训练数据划分为训练集、验证集和测试集。训练集用来训练DAE-SVDD模型，验证集用来调整算法的参数，测试集用来检测算法效果。

图7 DAE-SVDD异常检测算法流程

3 实验分析

3.1 数据描述

本文采用某200 MW级单轴重型燃气轮机的实际运行数据进行燃气轮机高温部件的异常检测研究。该燃气轮机具有27个火焰筒，在其透平出口处均匀布置了27个热电偶来测量透平的排气温度。该燃气轮机的测量数据包括31个测量参数：功率、转速、压气机入口温度、27个热电偶测量的透平排气温度及其平均值。测量数据包括3 000个正常样本和500个异常样本。本文所采用的数据中，其功率变化范围为0.8~195.0 MW，压气机入口温度的变化范围为-6.7~17.8 ℃。在本文的实验数据中，异常样本发生故障的原因为涡轮第1级叶片发生了比较严重的磨损。

实验中将正常样本按照时间顺序依次划分为训练集、验证集和测试集，分别用于训练DAE-SVDD算法、调整DAE-SVDD算法参数和评估DAE-SVDD算法在正常数据上的检测效果，详细数据描述如表1所示。图8展示了正常数据训练集中前500个样本的工况参数变化。

表1 数据集描述

图8 训练集中前500个样本的工况参数变化

3.2 DAE-SVDD异常检测实验

利用DAE-SVDD算法开展燃气轮机高温部件异常检测研究，首先利用燃气轮机高温部件的正常样本对深度自编码器进行训练，算法参数通过验证集进行调整。训练完成后，正常样本的测试集和故障数据被输入到深度自编码器中，以比较其对正常数据和故障数据的重构误差。本文用公式(5)所示的均方根误差来衡量重构误差的 大小。

本文利用深度自编码器对故障数据以及正常数据的训练集、验证集和测试集进行重构，利用RMSE评价重构误差，在故障数据以及正常数据的训练集、验证集和测试集上的RMSE如表2所示。由表2可见，深度自编码器在故障数据上的RMSE明显大于其在正常数据的训练集、验证集和测试集上的RMSE。因此设置一个合适的重构误差阈值，即可实现灵敏的异常检测。

表2 深度自编码器训练结果

表3 DAE-SVDD异常检测精度

3.3 DAE-SVDD与其他方法的实验比较

将本文提出的DAE-SVDD算法与SVDD方法进行比较，以验证DAE-SVDD算法的优越性。利用正常数据的训练集对SVDD进行训练，并通过验证集对算法进行调参，训练好的SVDD模型的故障检测效果由正常数据的测试集和故障数据进行评价。图10(a)—(d)分别展示了正常数据的训练集、验证集、测试集以及故障数据中样本到球心距离与超球半径的关系。因此，SVDD方法也能比较好地区分正常与故障数据。

本文提出的DAE-SVDD方法与SVDD的异常检测精度对比如表4所示。由表4可知，DAE-SVDD在正常数据的训练集、验证集、测试集以及故障数据上的精度均明显优于SVDD方法，由此验证了本文提出方法的优越性。

表4 DAE-SVDD与SVDD的异常检测精度比较

4 结论

针对仅有正常训练样本场景下的燃气轮机高温部件异常检测问题，提出了基于深度自编码器和支持向量数据描述融合的DAE-SVDD异常检测算法。该方法利用深度自编码器对数据进行压缩与重构，通过支持向量数据描述确定重构误差阈值并进行异常检测。所提出的方法相比于支持向量数据描述能够明显提升燃气轮机高温部件的异常检测精度，实现了灵敏鲁棒的燃气轮机高温部件异常检测，大幅度提高了燃气轮机高温部件的运行安全性与可靠性。

[1] 薛晓东，韩巍，王晓东，等．适合分布式冷热电联供系统的中小型发电装置[J]．发电技术，2020，41(3)：252-260．

XUE X D，HAN W，WANG X D，et al．Small and medium-scale power generation devices suiting for distributed combined cooling, heating and power system[J]．Power Generation Technology，2020，41(3)：252-260．

[2] 丁继伟，李岩．基于弹塑性理论的燃机转子寿命分析[J]．发电技术，2020，41(2)：202-205．

DING J W，LI Y．Analysis on gas turbine rotor life based on elastoplastic theory[J]．Power Generation Technology，2020，41(2)：202-205．

[3] 苏烨，丁俊宏，丁宁，等．全国燃气轮机联合循环机组热控系统典型故障分析及预控措施建议[J]．浙江电力，2020，39(8)：95-102．

SU Y，DING J H，DING N，et al．Typical fault analysis and proposals of pre-control measures for thermal control system of national gas turbine combined cycle units[J]．Zhejiang Electric Power，2020，39(8)：95-102．

[4] 杨卫国，祝铁军，王庆韧，等．燃气轮机组压气机失速引发的不稳定振动分析[J]．广东电力，2019，32(7)：37-43．

YANG W G，ZHU T J，WANG Q R，et al．Analysis on unstable vibration caused by stall of gas turbine compressor[J]．Guangdong Electric Power，2019，32(7)：37-43．

[5] 朱俊杰，王晓维，董玉亮，等．基于工况辨识的重型燃气轮机性能评价方法研究[J]．智慧电力，2020，48(7)：24-29．

ZHU J J，WANG X W，DONG Y L，et al．Performance evaluation method of heavy duty gas turbine based on condition identification[J]．Smart Power，2020，48(7)：24-29．

[6] 白明亮．故障案例稀缺场景下的燃气轮机智能故障检测及诊断研究[D]．哈尔滨：哈尔滨工业大学，2020．

BAI M L．Study on intelligent fault detection and diagnosis of gas turbine under the scarcity of fault cases[D]．Harbin：Harbin Institute of Technology，2020．

[7] 刘娇．燃气轮机高温部件故障早期预警研究[D]．哈尔滨：哈尔滨工业大学，2019．

LIU J．Research on early warning of gas turbine high temperature components fault[D]．Harbin：Harbin Institute of Technology，2019．

[8] TAHAN M，TSOUTSANIS E，MUHAMMAD M，et al．Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: a review[J]．Applied Energy，2017，198： 122-144．

[9] LIN X S，LI B W，YANG X Y．Engine components fault diagnosis using an improved method of deep belief networks[C]//7th International Conference on Mechanical and Aerospace Engineering(ICMAE). IEEE，2016：454-459．

[10] WONG P K，YANG Z，VONG C M， et al．Real-time fault diagnosis for gas turbine generator systems using extreme learning machine[J]．Neurocomputing，2014，128(3)：249-257．

[11] MARAGOUDAKIS M，LOUKIS E，PANTELIDES P P．Random forests identification of gas turbine faults[C]//19th International Conference on Systems Engineering．IEEE，2008：127-132．

[12] WANG L，LI Y G，ABDUL GHAFIR M F，et al．A rough set-based gas turbine fault classification approach using enhanced fault signatures[J]．Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2011，225(8)： 1052-1065．

[13] LECUN Y，BENGIO Y，HINTON G，et al．Deep learning[J]．Nature，2015，521(7553)：436-444．

[14] YAN L P，DONG X Z，WANG T，et al．A fault diagnosis method for gas turbines based on improved data preprocessing and an optimization deep belief network[J]．Measurement Science and Technology， 2019，31(1)：151-162．

[15] FU X Y，LUO H，ZHONG S，et al．Aircraft engine fault detection based on grouped convolutional denoising autoencoders[J]．Chinese Journal of Aeronautics，2019，32(2)：296-307．

[16] MULEWICZ B，MARZEC M，MORKISZ P，et al．Failures prediction based on performance monitoring of a gas turbine: a binary classification approach[J]．Schedae Information，2018，38(26)：9-21．

[17] LIU J，LIU J，YU D，et al．Fault detection for gas turbine hot components based on a convolutional neural network[J]．Energies，2018，11(8)：2149-2158．

[18] 赵志宏，李乐豪，杨绍普，等．一种频域特征提取自编码器及其在故障诊断中的应用研究[J/OL]．中国机械工程：1-8[2021-03-16].http://kns.cnki.net/kcms/detail/42.1294.th.20210316.1534.006.html．

ZHAO Z H，LI L H，YANG S P，et al．A frequency domain feature extraction auto-encoder and its application on fault diagnosis[J/OL]．China Mechanical Engineering：1-8[2021-03-16].http://kns.cnki.net/kcms/detail/42.1294.th.20210316.1534.006.html．

[19] 顾珉，施华君．基于降噪自编码器降维的汽车行驶工况分析[J]．计算机系统应用，2021，30(1)：38-44．

GU M，SHI H J．Analysis of vehicle driving condition based on de-noise autoencoder[J]．Computer Systems & Applications，2021，30(1)：38-44．

[20] 周云成，邓寒冰，许童羽，等．基于稠密自编码器的无监督番茄植株图像深度估计模型[J]．农业工程学报，2020，36(11)：182-192．

ZHOU Y C，DENG H B，XU T Y，et al．Unsupervised deep estimation modeling for tomato plant image based on dense convolutional auto-encoder[J]．Transactions of the Chinese Society of Agricultural Engineering，2020，36(11)：182-192．

[21] TAX D M J，DUIN R P W．Support vector data description[J]．Machine learning，2004，54(1)：45-66．

Anomaly Detection of Gas Turbine Hot Components Based on Deep Autoencoder and Support Vector Data Description

BAI Mingliang1, ZHANG Dongxue2, LIU Jinfu2*, LIU Jiao3, YU Daren1,2

(1. Department of Control Science and Engineering, Harbin Institute of Technology, Harbin 150001, Heilongjiang Province, China; 2. School of Energy Science and Engineering, Harbin Institute of Technology, Harbin 150001, Heilongjiang Province, China; 3. AVIC Shenyang Aircraft Design & Research Institute, Shenyang 110035, Liaoning Province, China)

Anomaly detection of gas turbine hot components can ensure its operational safety and reliability. With the boom of artificial intelligence, data-driven fault diagnosis is becoming increasingly popular. However, in actual applications, fault data of gas turbines are rare or even unavailable. Aiming to solve the anomaly detection problem of gas turbine hot components in the case of only normal data available, this paper proposed an anomaly detection method based on the fusion of deep autoencoder and support vector data description. This method uses normal data to train deep autoencoder and then uses the reconstruction errors of deep autoencoder to train support vector data description. Experiments show that, compared with conventional anomaly detection methods, the proposed method can significantly improve the anomaly detection accuracy and realize more sensitive and robust anomaly detection of gas turbine hot components.

gas turbine; hot components; deep autoencoder (DAE); support vector data description (SVDD); anomaly detection; fault diagnosis

2021-03-23。

10.12096/j.2096-4528.pgt.21021

TK 05

国家自然科学基金项目(51976042)；国家重大科技专项(2017-I-0007-0008)。

Project Supported by National Natural Science Foundation of China (51976042); National Science and Technology Major Project of China (2017-I-0007-0008).

(责任编辑 辛培裕)