基于模糊SOM 神经网络的汽轮机通流部分故障诊断技术

黄 瑜

（国能神福（龙岩）发电有限公司，福建 龙岩 364000）

汽轮机作为发电厂的核心设备，为满足发电厂的发电需求，呈现出高参数、大容量的发展趋势。随着投入运行年限的增加，长时间处于高温、高压环境下的汽轮机组不可避免会出现各种类型的故障，其中流通部分故障发生率较高，是导致机组效率下降、出力不足的主要原因。如果汽轮机通流部分故障不能准确诊断、及时解决，严重时还会导致发电机组受损，给发电厂带来严重经济损失。随着人工智能等技术在工业设备运行监测与故障诊断领域的成熟运用，SOM神经网络和BP 神经网络在汽轮机通流部分故障诊断中开始得到应用。其中，将模糊理论与SOM神经网络相结合，既可以提高诊断结果的精度，同时还具有较强的自适应和学习能力，可以对汽轮机通流部分各类复杂故障作出快速、准确诊断。基于此，本研究对模糊SOM神经网络技术在汽轮机通流部分故障诊断中的应用效果展开了探究。

1 汽轮机通流部分故障样本的建立

1.1 汽轮机通流部分常见故障与故障征兆的选取

汽轮机通流部分故障根据发生位置、表现形式的不同，可以分为多种类型，例如结垢磨损型、叶片断裂型、高低压缸故障等。汽轮机通流部分典型故障集中记录了大部分常见故障，现选取其中部分故障表述如下：

P1：高压调节阀门结垢；

P2：调节级结垢；

P3：高压缸级组磨损；

P4：低压缸级组磨损；

P5：高压缸级组结垢。

除了故障集外，故障征兆表可表示每一种故障与各个可测量状态参数之间的关系，用于反应设备的运行状态。同样选取故障征兆表的部分内容表述如下：

S1：机组燮荷；

S2：调节级后压力；

S3：高压缸排气压力；

S4：中压缸排气压力；

S5：高压轴封压力。

1.2 汽轮机通流部分故障特征向量的选取

由于汽轮机通流部分的结构复杂且故障多样，因此很难用数学式简单明了的表示故障类型与故障征兆参数之间的对应关系，即存在较强的模糊性。这一问题的存在将会直接导致系统的故障诊断结果出现明显误差。为避免这一问题，本研究提出一种将在线采集得到的实际运行数据进行模糊处理的方法，将模糊量作为输入参数，输入进训练好的SOM 神经网络中，从而提高最终诊断结果的精度。

其中，在模糊计算环节确定模糊隶属度函数是一项关键步骤。本研究在综合考虑“汽轮机运行参数”和“汽轮机运行特性”两项因素的基础上，结合以往汽轮机故障检修经验，选取了16 种典型故障，并获取每一种故障的样本特征向量，汇总得到了故障热力参数表。该表可以显示汽轮机通流部分故障与故障征兆之间的关系，这也就意味着当汽轮机通流部分出现故障后，每一种故障征兆的隶属度所显示出的状态是不同的[1]。不同故障样本的特征向量，根据各个故障征兆的隶属度函数可描述为：

（1） 0，参数反方向剧烈变化。

（2） 0.275，参数缓慢减小。

（3） 0.55，参数处于正常状态。

（4） 0.825，参数缓慢增加。

（5） 1，参数正方向剧烈变化。

这里以上文中的P1高压调节阀门结垢故障为例，汽轮机通流部分P1故障的部分特征向量：S1为0.275、S2为0.275、S3为0.55、S4为0.55、S5为0.55。

2 模糊SOM 神经网络学习

2.1 建立SOM神经网络

首先构建故障样本特征模式知识库，然后通过SOM 神经网络工具箱引入具有自组织特征的映射函数newsom ()。参考汽轮机通流部分的故障特征向量，建立起一个包含15 个神经元的SOM神经网络，该网络的取值范围为[0,1]。为进一步提升SOM神经网络的学习速度以及故障诊断结果的准确性，在多次试验的基础上确定了一个12×12 的二维平面结构，这144个神经元共同构成了SOM神经网络的竞争层。在得到SOM神经网络后，打开Matlab 软件，调用该软件自带的trainnet(net,p)函数，训练此神经网络；按照同样的方式，调用sim(net,t)函数，测试此神经网络[2]。将提前选取的16 组样本数据作为SOM 神经网络的训练对象，在训练过程中不断调整权值，实现对样本数据的模糊聚类分析。

2.2 聚类与训练

为了让SOM 神经网络的聚类效果实现最优，本研究分别选择了4 种步数开展训练，分别是50 步、100 步、200 步和500 步，聚类结果见表1。

表1 不同训练步数下SOM 神经网络的聚类结果

对照表1 可以发现，训练步数与竞争层上激发的神经元之间存在一定的关系，这说明SOM 神经网络的竞争层上，任意一种故障的位置是随机分布的。不管该故障是通过哪个神经元激发的，只要竞争层上故障位置没有发生重叠（即表1 中数据不重复）的现象，就说明该故障能够聚类和区分。结合表1 数据，在训练步数为50（P9和P11）和100（P1和P5）时，在竞争层上神经元对应的故障位置均有重复；在训练步数增加至200、500 时，未出现重复情况，说明每种故障在竞争层上都有各自对应的位置，这种情况下能够较为准确地分辨出故障的具体类型。经验表明，训练步数的增加，能够使故障分类的准确性得到提升，但是相应的样本处理的工作量相应增加。因此，本次研究中，在保证能够将故障准确分类的前提下，为了减少工作量、实现快速分类，最终选择训练步数为200。

使用准备好的训练数据对构建的SOM 神经网络开展训练，同时保存网络参数的训练结果。对训练结果做离散化处理，离散结果见图1。

图1 训练完成后临近神经元的距离情况

结合图1 可知，在SOM神经网络的竞争层上，每个小六边形方格代表1 个神经元，并且聚类结果之间并未出现清晰的界限[3]。该竞争层上的任意一个神经元节点，都连接了6 个神经元，但是这些神经元之间的距离并不完全相同。完成200 次的训练后，选择“故障模式”在竞争层上标记处神经元的位置，经过200步的SOM神经网络训练结果见图2。

图2 SOM 神经网络训练结果

图2 中标记有数字的神经元，代表的是SOM 神经网络映射在竞争层上汽轮机通流部分故障集合中对应的故障模式；而空白处的神经元表示该SOM 神经网络对所有输入矢量没有激发竞争层上的故障位置。由图2 可知，1～16 类故障无规则地分布在竞争层上。同时根据前文分析，当竞争层上各类故障的位置相互独立时，能够作为故障诊断的依据。在这种情况下，每当外界输入一个新的故障类型，那么竞争层上的空白区域，就会激发一个对应的神经元，并按照顺序自动生成一个故障序号。要想从图2 中的16 种故障中，更加准确的判断具体的故障类型，还需要将16种故障模式与故障的标准样本进行逐一对照。根据对比结果，当2 种故障在竞争层上引起兴奋的神经元的几何位置完全重叠或者十分相近时，说明2 种故障属于同一类型，然后对照标准样本，即可从16 种故障中确定最终的故障类型[4]。

3 基于模糊SOM 神经网络的汽轮机通流部分故障诊断技术

以某发电厂的1 台300 MW 机组作为研究对象，使该机组在250 MW 燮荷下稳定运行，并收集其运行参数，并保存到一个数据集合中。将该集合中的数据使用隶属度函数进行模糊化处理，处理完毕后该故障案例的特征表见表2。

表2 故障征兆数据

将表2 中已知故障形式的待检测样本，依次输入到已经训练好的SOM神经网络中，然后开始故障诊断，并根据诊断结果判断该SOM神经网络在故障诊断方面的准确性，得到的故障映射图见图3。

图3 SOM 神经网络故障诊断结果

结合图3 可知，该神经网络的分类结果为X（Yc_test=59），神经网络经过聚类分析后，输出诊断结果为故障5（Yc_test=60）。据此可知，该故障激发了SOM神经网络竞争上第59 个神经元。对比可以发现，该诊断结果与训练好的神经网络位置并不完全相同，但是对比图2 和图3 可知，故障X 的映射结果与故障5 的几何距离十分接近，而与其他故障的几何距离则比较远。据此可以得出结论，该机组运行故障属于第5类故障。对照汽轮机通流部分故障集，第5 类故障（P5）为高压缸级组结垢[5]。这一诊断结果与机组拆卸检修结果一致，说明本研究所用的SOM 神经网络能够在汽轮机通流部分的故障诊断中发挥良好的应用效果。

4 结论

汽轮机通流部分故障监测和诊断的智能化，对降低故障发生率、削弱故障影响后果，以及维护发电厂经济效益有重要作用。以汽轮机通流部分的故障案例作为对象，进行故障分类并研究故障征兆。在此基础上将模糊理论和SOM 神经网络相结合，利用模糊SOM神经网络的聚类分析功能，让复杂的故障模式可视化。在经过大量的样本训练后，利用模糊SOM神经网络对案例展开分析，快速、准确地完成了故障诊断。从实际应用效果来看，本研究设计的基于模糊SOM神经网络的汽轮机通流部分故障诊断系统，在诊断结果上与人工拆解汽轮机的检查结果一致，验证了该诊断技术的实用效果。下一步，发电厂推广应用该技术，能够实现对汽轮机通流部分故障的超前识别、精确诊断，将故障发生率降至最低，从而提高发电效率和提升自身经济效益。