基于卷积神经网络的汽轮机抗燃油泄漏智能预警技术研究

甘 李，姚 智，李 闯，郭云飞，蔺奕存，李 昭，谭祥帅，王 林

(1.京能十堰热电有限公司，湖北 十堰 442000；2.西安热工研究院有限公司，陕西 西安 710054)

0 引言

汽轮机数字电液控制系统利用高压抗燃油(简称EH油)实现对汽门的调节控制。EH油系统的密封材料损坏、管道的高频振动、电液伺服阀的故障以及油质劣化均可能会导致EH油泄漏。EH油系统泄漏，会使汽轮机调节异常，严重危害机组的运行安全。EH油泄漏处理不当可能引起火灾事故，带来巨大的经济损失与人员安全风险[1-4]。

随着电子信息技术的发展，电力工业与信息技术和计算机技术之间的结合越来越紧密。目前智慧电厂的研究尚处于起步阶段，智慧电厂大数据平台的建立已经可以实现机组历史数据的采集、存储和趋势展示，而设备故障的智能识别、智能诊断及智能预警水平尚不能满足智慧运行管理的要求。因此，开展火电厂机组智慧运行管理关键技术的研究具有重要的实用意义。

目前电厂对EH油系统泄漏故障的诊断主要依靠设置EH油箱油位阈值。当油箱油位小于设定阈值以下时，DCS系统发出声光报警提示运行人员。该方法具有很大的局限性，只有当油量泄漏较多，油位下降到阈值时，才触发报警，而不能在泄漏初期即做出预警，使得设备面临的着火风险显著增大[5-6]。

该文结合深度学习算法及专家经验知识库，基于数据驱动的预警方法，提取EH油系统历史运行特征数据，建立EH油系统泄漏智能预警模型，实时监测EH油系统的运行状态。实际应用结果表明，EH油泄漏模型监测及时准确，显著减轻了巡检人员的工作负担，提高了电厂的自动化、智能化生产水平。

1 设备简介

1.1 EH油系统介绍

某电厂EH油系统结构如图1所示。其中，当AST电磁阀和OPC电磁阀均关闭时，油路2和油路3均被截止，安全油压建立；此时，EH油经油路1流经高调门、中调门后，从有压回油管道回到EH油箱。当AST电磁阀组打开或OPC电磁阀组突然打开时，油路1中的EH油经油路2后直接进入无压管道快速卸油，高调门、中调门失去安全油压，无法进行调节；此时，EH油通过油路3直接进入无压回油管道。

图1 汽轮机EH油系统

1.2 EH油系统漏油点分析

当汽轮机系统处于正常工作时，可能发生EH油泄漏的位置如图1中A-D，造成各部位泄漏的原因主要有以下几个方面。

A、B部位：靠近汽轮机本体及汽门阀组附近的管道焊缝及微小裂纹。因汽门阀组与油动机相连，EH油管道与油动机相连接，当机组振动较大时，一些微小裂纹或焊缝可能导致EH油管道开裂。

C部位：高调阀、中调阀对应的伺服阀与汽轮机壳体的贴合面。伺服阀通常为MOOG阀，最小流通线性尺寸仅为0.025～0.05 mm。管道内壁上有机物的溶解和剥离以及金属间摩擦产生的金属碎屑等杂质可能直接进入EH油中，造成伺服阀堵塞、卡涩，形成颗粒磨损，使阀门内漏量增加。

D部位：AST电磁阀或OPC电磁阀。AST电磁阀通常设计为常带电，电磁阀线圈一直保持通电状态易产生大量热量，造成EH油局部过热，油品氧化或受热裂解，形成的酸性物质加快了电磁阀的腐蚀，增大阀门内漏。

1.3 EH油系统参数

EH油系统运行状态的监视要参数如表1所示。当EH油系统发生泄漏时，油箱油位逐渐下降，EH油母管压力存在一定程度下降，EH油箱温度不随泄漏发生变化。当油位分别下降至低一值、低二值和低三值以下时，设置的LVL L，LVL LL，LVL LLL将会依次报警。EH油箱油位与油泵之间存在联锁，当油箱油位低于油泵保护值时，油泵跳闸，EH油供应中断，导致汽轮发电机组跳闸。

表1 EH油系统数据采集表

因此，阈值报警方法用于诊断EH油泄漏具有显著的滞后性，建立油箱液位异常下降的前端预警机制，才能可靠实现EH油系统的安全监控。

2 EH油泄漏预警模型构建

2.1 预警策略及流程

从1.3中可知，可直接对油系统泄漏进行快速反应的参数为EH油箱油位和EH油母管压力，而EH油母管压力不仅随EH油系统泄漏而变化，也随EH油泵运行状态、出力状态、滤网状态及其他因素相关。因此选择EH油箱油位作为表征EH油系统泄漏的核心参数。

当EH油系统发生泄漏时，因EH油系统运行压力高(约14 MPa左右)，随油系统泄漏程度不同，EH油箱油位将在几十秒至几十分钟内漏尽。而每次EH油箱内加油量不同，EH油箱油位初始值也不同，因此预警模型选择应关注EH油箱油位的变化趋势，而不仅是EH油箱油位的数值绝对值大小。

卷积神经网络在对自然语言和图像分类等领域存在着无可比拟的优势。因此该文选择卷积神经网络对EH油系统泄漏预警进行识别，并建立模型。基于卷积神经网络的EH油系统泄漏预警的主要流程如图2所示。通过大数据平台将采集到EH油系统泄漏历史数据，结合数据特征工程，搭建卷积神经网络模型并分别采用训练数据集和测试数据集进行模型训练及验证，当模型在测试数据集上的准确率超过90%时，模型训练完成。

图2 EH油系统泄漏预警模型训练流程图

2.2 卷积神经网络结构

卷积神经网络(Convolutional-Neural-Networks，CNN)是深度学习理论中较为典型的模型之一，普遍包含输入层、卷积层、池化层、全连接层及输出层[7-11]。如图3所示为卷积神经网络的结构示意图。

图3 卷积神经网络的结构示意图

其中，输入层为图片数据，卷积层用于完成特征提取工作，池化层用于对数据降维，全连接层用作为分类器，输出层为标签的分类类型。卷积神经网络利用网络结构逐层从样本中学习特征，通过网络中的非线性单元，从上而下提取信息。

卷积神经网络各层的运算记录及过程如下：

输入层：在该文中，EH油系统泄漏预警模型的输入为相关特征图片。输入信息只包含曲线的形状以及趋势，与色彩无关，以像素的方式读取图片信息，分别进行灰度处理及归一化处理后，作为卷积层的输入；

将彩色图片的三分量亮度求平均得到一个灰度值[12]。

Grayi,j=(Ri,j+Gi,j+Bi,j)/3

(1)

其中：Grayi,j为图片上第i行第j列的像素点的平均灰度值；Ri,j,Gi,j,Bi,j分别为图片上第i行第j列的像素点的红色、绿色、蓝色的亮度。

灰度图像素最大值为255，最小值为0，因此归一化如式(2)：

(2)

卷积层：卷积核在工作时，对感受视野内的输入矩阵做元素乘法求和并叠加偏置，然后以步长移动卷积核，直至计算完输入信号的全部区域。具体计算如公式(3)：

(3)

图4 一维卷积运算示意图

激活函数：激活函数为卷积神经网络内的非线性操作，增强网络的非线性表达能力，使网格可以模拟更细微地变化。

常见的激活函数有Sigmoid函数、双曲正切函数(Tanh)和修正线性单元(Relu函数)。其中，Relu函数表达式如式(4)，当Relu函数输入值大于0时，其导数始终为1，从而使得误差在反向传播时不会出现很严重的梯度消失或者梯度爆炸现象。因此，在该文中的EH油系统泄漏故障预警模型中，将采用Relu函数作为激活函数。

(4)

(5)

其中：为l层第i个特征图的第t个神经元经过池化层后的输出值；∂l(i,t)为l层第i个特征图的第t个神经元经过激活函数后的输出值。

批量归一化层(Batch Normalization，BN)：批量归一化算法由Christian.Szegedy和Sergey.Ioffe于2015年提出[13]，可有效加快模型的训练进程，提高模型的识别准确率。但是每一层对应的所有输入数据都进行归一化处理会使得计算量过于庞大，批量归一化分批对数据进行归一化处理[14]。BN层计算输入数据的均值计算、方差计算和归一化计算分别如式(6)～(8)。

(6)

(7)

(8)

其中：m为批量数。经过上述处理后，一定程度上解决了数据分布差异过大的问题。

SoftMax分类器：SoftMax分类器连接在最后一层全连接层后面，将最后一层全连接输出的逻辑值映射为概率分布，对目标值实现预测[15-16]。SoftMax分类器数学表达式为式(9)：

(9)

2.3 损失函数

卷积神经网络中的目标函数又称为损失函数，输出的值用来衡量模型的拟合效果，损失值越小表明网格预测的效果越好。常用的目标函数有均方差函数和交叉熵函数。其中，交叉熵函数更适合分类任务，所以在该文网络模型中使用交叉熵作为损失函数[17]，计算如式(10)：

(10)

其中：L是N是种类数量；yi是数据的标签，如果目标的类别为i，则yi=1，否则为0；pi是Softmax分类器输出的概率值。

在对误差的反向传播过程中，由损失函数对网络层中的参数W进行求导计算，对应输出为式(11):

=σ[L]·X[L-1]

(11)

其中：Z为卷积运算；W为卷积层权重系数；X为卷积层输入；b为卷积层的偏置；σ为损失函数对卷积层的梯度。

由损失函数对偏置b进行求导计算，对应输出为式(12):

=σ[L]

(12)

对σ[L]进行求导计算，整理有式(13):

(13)

其中：G(Z)为当选择不同分类器时，由卷积层输出Z经过分类器的输出结果的概率。

网络随着训练迭代次数按照梯度下降法更新网络内的参数，参数更新如式(14):

(14)

其中：α为学习率。

2.4 优化算法

该文采用ADAM(Adaptive Moment Estimation)算法作为模型的优化算法。ADAM 优化算法利用梯度的一阶矩估计和二阶矩估计修正网络的学习率，将其约束在一定的范围之内，让权值更新较为平稳。优点是计算高效，占用内存小[18-19]。ADAM优化算法具体流程如下。

学习率为λ，一阶、二阶矩估计指数衰减率分别为ρ1，ρ2，二者默认为0.9和0.99，数值稳定常数ε=10-8，初始网络权重值为θ，初始化一、二阶矩阵s=0,v=0与t=0。梯度计算、偏一阶矩迭代、偏二阶矩迭代和权重计算如式(15)～(18)：

(15)

s=ρ1s+(1-ρ1)g

(16)

v=ρ2s+(1-ρ2)ggT

(17)

(18)

3 模型训练结果

3.1 卷积神经网络设计

该文中通过设计不同卷积神经网络结构，分别用划分好的训练数据集进行模型训练，再用验证数据集进行模型验证。主要从模型准确率accuracy、交叉熵损失loss和模型预测时间等方面对模型进行评价。以下为不同的卷积神经网络结构及其相关参数。

结构1：输入层-卷积层1(卷积核个数32，卷积核大小5×5)-池化层1(池化核大小2×2)-全连接层1(全连接神经元个数64)-输出层；

结构2：输入层-卷积层1(卷积核个数16，卷积核大小5×5)-池化层1(池化核大小2×2)-全连接层1(全连接神经元个数64)-输出层；

结构3：输入层-卷积层1(卷积核个数16，卷积核大小3×3)-池化层1(池化核大小2×2)-全连接层1(全连接神经元个数64)-输出层；

结构4：输入层-卷积层1(卷积核个数16，卷积核大小5×5)-池化层1(池化核大小2×2)-全连接层1(全连接神经元个数512)-全连接层(全连接神经元个数64)-输出层；

结构5：输入层-卷积层1(卷积核个数32，卷积核大小5×5)-池化层1(池化核大小2×2)-卷积层2(卷积核个数16，卷积核大小2×2)-池化层2(池化核大小2×2)-全连接层1(全连接神经元个数512)-输出层；

结构6：输入层-卷积层1(卷积核个数32，卷积核大小5×5)-池化层1(池化核大小2×2)-卷积层2(卷积核个数16，卷积核大小2×2)-池化层2(池化核大小2×2)-全连接层1(全连接神经元个数512)-全连接层2(全连接神经元个数64)输出层。

3.2 模型训练结果

分别采用上述6中卷积神经网络结构对EH油油位曲线进行训练，训练轮数设置10轮。6种卷积神经网络结构的训练结果如表2所示。不同网络结构模型的预测结果对比如图5所示，不同网络结果运算耗时对比如图6所示。

表2 不同网络结构训练结果

如图5和图6所示，采用网络结构2训练的模型训练集预测交叉熵损失最小，约为0.010 1；网络结构2，3，4训练的模型训练集准确率相同且最高，约为99.64%；采用网络结构1训练的模型测试集交叉熵损失最小，约为0.040 3，测试集的模型预测准确率最高，约为98.92%。采用网络结构3的模型计算速度最快，仅需142 ms/step，而网格4的模型计算速度最慢，每次运算时间可达791 ms。

图5 不同网络结构预测效果对比图

图6 不同网络结构运算速度对比图

3.3 结果分析

通过对比上述表格中不同网络结构下的预测准确率及交叉熵损失和训练时长，当网络结构复杂(结构5和6，多一层卷积层和池化层)时，模型运算时长相对较长(平均280 mm/step左右)，但测试集准确率较高，达到97.85%；网络结构4设计不合理，一方面卷积核数量(卷积核个数为32)过多，另一方面只包含一层卷积层和池化层，后面直接连接的全连接层神经元个数多(高达512个)，因此不仅计算速度慢，而且模型测试集准确率低；网络结构2和3比较,结构简单，卷积核数量少，当卷积核大小越小，测试集准确性越低，但因结构简单，运算速度快，单步运算仅需145 ms左右；网络结构1包含卷积核个数32个，仅设计1层卷积层和池化层，后面连接64个全连接神经元，计算速度较快，测试集准确性最高，高达98.92%。

4 结论

EH油系统泄漏若未及时发现并处理，可能会导致机组跳闸甚至引发火灾事故。该文通过对EH油系统运行的历史数据进行分析，基于数据驱动及卷积神经网络模型算法，通过搭建不同的网络结构，从验证集数据的模型准确率、交叉熵损失及模型运算速度等方面对不同的网络结构进行了评价，其中当模型采用A结构时，模型准确性最高，约为98.92%，交叉熵损失最低，约为0.043 1，且模型运算时长中等。智能预警模型实现了EH油系统泄漏的提早发现，为现场运行人员处理故障争取了更多时间，减少了现场巡检人员的工作负担，有效提高了电力设备的自动化、智能化的程度。