李靖超，　王　生，　馮云鶴，　曹曼琳，　應(yīng)雨龍

(1. 上海電機學(xué)院 電子信息學(xué)院, 上海 201306;2. 上海電氣燃?xì)廨啓C有限公司 工程技術(shù)部, 上海 200240)

自適應(yīng)灰關(guān)聯(lián)算法的動力裝置故障診斷

李靖超1，王生1，馮云鶴1，曹曼琳1，應(yīng)雨龍2

(1. 上海電機學(xué)院 電子信息學(xué)院, 上海 201306;2. 上海電氣燃?xì)廨啓C有限公司 工程技術(shù)部, 上海 200240)

摘要動力裝置在長期運行后，其部件性能會逐漸衰退，容易導(dǎo)致各種故障發(fā)生。因此，對裝置進行一定的氣路數(shù)據(jù)測量，進而對裝置進行診斷、預(yù)測具有重要意義。提出一種自適應(yīng)灰色關(guān)聯(lián)算法的動力裝置故障診斷算法，通過對故障數(shù)據(jù)的關(guān)聯(lián)計算處理，實現(xiàn)了動力裝置故障模式的診斷。

關(guān)鍵詞灰關(guān)聯(lián)算法; 動力裝置; 故障診斷; 故障識別

動力裝置長期在高溫、高壓、高轉(zhuǎn)速等惡劣的環(huán)境下運行，其部件性能會逐漸衰退，容易導(dǎo)致各種故障發(fā)生，從而帶來嚴(yán)重的人力或物力的損失。因此，對于用戶而言，當(dāng)前動力裝置的健康狀況是非常重要的信息。將由監(jiān)測或間接計算得到的信息作為判據(jù)，可以判斷動力裝置可能存在的故障，以便采取相應(yīng)的維護措施。目前的故障診斷技術(shù)[1]主要有2種： ① 非氣路診斷技術(shù)，如振動分析、油液分析、內(nèi)孔窺視儀監(jiān)測等，主要用于評估機組部件內(nèi)部(如軸承、轉(zhuǎn)子、輪盤、葉片、燃燒室氣缸、透平噴嘴等)機械結(jié)構(gòu)的物理損傷狀況[1]；② 氣路診斷技術(shù)，利用機組各主要部件的熱力性能狀況，來評估機組各主要氣路部件(如壓氣機、燃燒室、透平等)的總體性能和健康狀況[2]。由于氣路診斷技術(shù)能夠提供機組總體的性能狀況和各主要部件的健康狀況的關(guān)鍵信息，故其已在動力裝置故障診斷中被廣泛應(yīng)用，特別是基于模式識別的氣路診斷技術(shù)。

目前，各種不同類型的模式識別方法[3-4]已廣泛應(yīng)用于動力裝置的健康監(jiān)測中，它們的共同特征是具備自學(xué)習(xí)、自組織、自適應(yīng)的柔性處理能力，能夠根據(jù)待識別對象的特征向量(氣路測量參數(shù)向量)及其他的約束條件，判斷其屬于哪種性能衰退或故障模式的類別?；谀Ｊ阶R別的氣路診斷技術(shù)具有兩個主要優(yōu)點： ① 無需建立復(fù)雜的目標(biāo)動力裝置的熱力性能模型；② 可以準(zhǔn)確識別并隔離發(fā)生性能衰退的部件。其中，應(yīng)用最為廣泛的模式識別方法是神經(jīng)網(wǎng)絡(luò)[5-7]和支持向量機[8]法。訓(xùn)練神經(jīng)網(wǎng)絡(luò)通常需要大量的樣本數(shù)據(jù)，尤其是故障樣本數(shù)據(jù)，這在實際工程應(yīng)用中很難滿足條件。而支持向量機方法基于統(tǒng)計學(xué)習(xí)理論，相比于神經(jīng)網(wǎng)絡(luò)，能夠在小樣本數(shù)據(jù)訓(xùn)練的情況下表現(xiàn)出更優(yōu)的泛化能力，并能確保局部最優(yōu)解和全局最優(yōu)解的基本一致[8]。然而，采用支持向量機方法進行故障模式識別的準(zhǔn)確性主要取決于其最優(yōu)參數(shù)的選擇[8-9]。為確保故障模式識別的準(zhǔn)確性，通常需要為支持向量機選擇一個最優(yōu)算法[9-10]和(或)設(shè)計復(fù)雜的多層分類結(jié)構(gòu)[11]來改善故障模式識別的有效性。

為解決當(dāng)前基于模式識別的氣路診斷技術(shù)中算法通用性與準(zhǔn)確性的問題，本文提出了一種基于自適應(yīng)灰色關(guān)聯(lián)算法的氣路診斷方法，通過計算測試氣路數(shù)據(jù)與故障樣本數(shù)據(jù)的關(guān)聯(lián)度，在小樣本數(shù)據(jù)情況下能簡單、準(zhǔn)確地實現(xiàn)故障模式識別，進而達到對動力裝置的健康狀況進行預(yù)測的目的。

1灰色關(guān)聯(lián)理論

1.1普通灰色關(guān)聯(lián)理論

灰關(guān)聯(lián)理論[12-13]是灰色系統(tǒng)的研究基礎(chǔ)，它主要基于空間數(shù)學(xué)的基礎(chǔ)理論來計算參考特征向量與每個待識別的特征向量的關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度。將灰色關(guān)聯(lián)理論應(yīng)用于燃?xì)廨啓C氣路性能診斷，相較于其他模式識別方法，該方法具有以下特點[14-15]： ① 具有良好的抗噪能力；② 能夠?qū)?shù)進行特征選擇，進而實現(xiàn)分類的目的；③ 能夠解決小樣本數(shù)據(jù)學(xué)習(xí)問題；④ 算法結(jié)構(gòu)相對簡單，能解決算法通用性與準(zhǔn)確性相矛盾的問題。

假設(shè)待識別的動力裝置氣路測量參數(shù)序列如下：

(1)

式中，Xi為第i個待識別氣路的性能衰退模式；x1為第i個氣路的測量參數(shù)；i∈N；n為被選擇作為特征向量的氣路測量參數(shù)的總個數(shù)。

假設(shè)故障模式庫中故障征兆(即氣路測量參數(shù)向量)和故障模式(即發(fā)生性能衰退的部件情況)的分類如下：

(2)

式中，Cj為第j個已知的故障模式；cj為第j個氣路的測量參數(shù)；m為已知的故障模式數(shù)目。

對于分辨系數(shù)ρ∈(0，1)，Xi和Cj的第k個特征參數(shù)的灰色關(guān)聯(lián)系數(shù)為

(3)

i∈N，j=1，2，…，m

Xi和Cj的關(guān)聯(lián)度為

(4)

i=N，j=1，2，…,m

式中，ρ通常設(shè)為0.5。

求得ξ(Xi，Cj)(j=1，2，…，m)后，就可將Xi分類至最大關(guān)聯(lián)度所屬的故障模式。

1.2自適應(yīng)灰色關(guān)聯(lián)理論

為增強算法的自適應(yīng)能力，本文提出了自適應(yīng)灰色關(guān)聯(lián)算法，引入信息論中關(guān)于熵[16-18]的概念，來計算樣本之間的關(guān)聯(lián)度。

(1) 計算特征參數(shù)的距離和概率如下：

(5)

(6)

(2) 定義熵為

(7)

(3) 計算最大熵值為

(8)

(4) 計算相對熵值為

eij(k)=Eij(k)/Emax

(9)

(5) 參考信息論中剩余度的概念，定義第k個特征參數(shù)的剩余度為

Dij(k)=1-eij(k)

(10)

剩余度的本質(zhì)意義在于消除第k個特征參數(shù)的熵值與特征參數(shù)的最優(yōu)熵值的差別。當(dāng)Dij(k)越大，則表明第k個特征參數(shù)越重要，應(yīng)當(dāng)賦予更大的權(quán)重。

(6) 計算第k個特征參數(shù)的權(quán)重系數(shù)為

(11)

(7) 利用權(quán)重系數(shù)計算關(guān)聯(lián)度，即

(12)

由此求得Xi與已知故障模式庫中每一個Cj(j=1，2，…，m)的關(guān)聯(lián)度ξ(Xi，Cj)(j=1，2，…，m)，然后就可以將Xi分類至最大關(guān)聯(lián)度所屬的故障模式，即通過氣路測量參數(shù)識別出發(fā)生性能衰退的部件情況。

2應(yīng)用與分析

2.1動力裝置模型

以某型三軸船用燃?xì)廨啓C[19-21]為例，驗證算法的有效性。三軸船用燃?xì)廨啓C如圖1所示。

圖1　某型三軸船用燃?xì)廨啓CFig.1　A marine three-shaft gas turbine

由圖可見，該型三軸燃?xì)廨啓C包括2個壓氣機(C)，其中低壓壓氣機(LC)和高壓壓氣機(HC)各 1個；1個燃燒室(B)；3個透平(T)，其中高壓透平(HT)、低壓透平(LT)和動力透平(PT)各1個，且發(fā)電機通過一個減速齒輪箱與PT相連接。該機組在運行過程中的氣路測量參數(shù)如表1所示。

表1　燃?xì)廨啓C機組的氣路測量參數(shù)

2.2診斷分析

由于通過運行經(jīng)驗和現(xiàn)場數(shù)據(jù)來積累故障模式與故障征兆的關(guān)系規(guī)則庫是項艱巨而費時費力的工作，目前動力裝置熱力性能模型正越來越多的應(yīng)用于探索故障模式-征兆的關(guān)系[22]。

對動力裝置而言，各部件的性能衰退可以用特性線的偏移來表示，且這些偏移可用部件健康指數(shù)(如壓氣機透平的流量特性指數(shù)ΔSFFC，壓氣機、透平和燃燒室的效率特性指數(shù)ΔSFEFF)來表征。更多關(guān)于動力裝置部件的健康指數(shù)、部件特性線及動力裝置熱力模型的詳細(xì)描述可以參見文獻[1，19-21]。

為有效識別故障模式(即識別、隔離性能衰退的部件)，本文分析了某型三軸船用燃?xì)廨啓C的氣路測量參數(shù)相對于部件健康指數(shù)的敏感性(即部件健康指數(shù)的相對變化能引起氣路測量參數(shù)相對變化的大小)，從而來選取作為特征向量X的氣路測量參數(shù)。將表2所示的不同診斷案例分別植入燃?xì)廨啓C熱力模型中，可以得到t0=15℃，p0=1.013kPa(1.013bar)，RH=60%，PNe=24265kW時，相對于健康時各氣路測量參數(shù)的偏差，如表3所示。其中，ΔSFC，F(xiàn)C、ΔSFC，Eff為壓氣機的流量效率特性指數(shù)；ΔSFB，Eff為燃燒室的效率特性指數(shù)；ΔSFT，F(xiàn)C、ΔSFT，Eff為透平的流量效率特性指數(shù)。

表2　植入燃?xì)廨啓C熱力模型中的部件故障模式

本文假設(shè)所有的氣路傳感器是健康的，即不存在測量偏差。當(dāng)氣路測量參數(shù)發(fā)生偏差時，表示相關(guān)部件的性能可能發(fā)生衰退或故障。

由表3可知，不同部件的故障模式會導(dǎo)致不同的氣路測量參數(shù)偏差，故選取如下的特征向量用于故障模式診斷識別：

X=[p1，p2，t2，p3，t3，p5，t5，p6，t6，

p7，t7，n1，n2，Gf]T

(13)

常見的燃?xì)廨啓C部件故障模式有壓氣機(LC/HC)積垢、燃燒室燒換、透平腐蝕等[23]，這些部件的故障程度的范圍如表4所示。根據(jù)表4中的部件故障模式及故障程度范圍，利用三軸燃?xì)廨啓C熱力模型模擬的數(shù)據(jù)建立故障征兆(即氣路測量參數(shù))與故障模式(即發(fā)生性能衰退的部件情況)的知識庫。各部件用于建立知識庫和校驗的故障樣本如圖2所示，圖中只選取各部件故障程度范圍邊界上的少量點作為用于建立規(guī)則庫的性能衰退樣本，且假設(shè)單部件、雙部件或3部件同時可能發(fā)生故障。由此用于建立知識庫的樣本總數(shù)為3260個，用于校驗的樣本總數(shù)為7681個。

由于在實際的氣路測量中測量噪聲不可避免，并會影響各部件健康狀況的診斷結(jié)果，故在模擬的氣路測量中引入了測量噪聲來使診斷分析更切合實際。針對不同的測量參數(shù)，本文采用文獻[24]中提供的最大測量噪聲。

為減小測量噪聲的影響，在氣路測量參數(shù)樣本輸入診斷系統(tǒng)前，通常需進行測量數(shù)據(jù)的降噪預(yù)處理。由于測量噪聲一般符合高斯分布，本文將連續(xù)獲取的多個氣路測量值，采用10點滾動平均方法[25]得到一個平均測量值，即

表3　各部件氣路測量參數(shù)相對于健康時的偏差

表4　常見的部件故障模式及故障程度范圍

圖2　用于各部件的故障樣本選擇Fig.2　Fault sample selection for components

(14)

式中，zj為每一個氣路測量參數(shù)的第j個樣本值；q為每一個氣路測量參數(shù)的樣本數(shù)量，本文中，q=10用于10點滾動平均。

表5給出了利用灰色關(guān)聯(lián)算法和自適應(yīng)灰色關(guān)聯(lián)算法進行故障模式識別的結(jié)果。由表可知，利用自適應(yīng)灰色關(guān)聯(lián)算法進行故障模式診斷較灰度關(guān)聯(lián)算法具有較高的識別率。

為分析用于建立規(guī)則庫的樣本密度對故障識別率的影響，本文還使用了額外的樣本用于建立知識庫。用于建立知識庫的樣本總數(shù)為9695個，相應(yīng)的故障模式的診斷識別結(jié)果同樣列于表5中。由表5可知，用于建立規(guī)則庫的樣本密度對

表5利用灰色關(guān)聯(lián)算法和自適應(yīng)灰色關(guān)聯(lián)算法的故障模式診斷識別結(jié)果比較

Tab.5Comparison of fault classification success rates based on gray relation algorithm and adaptive gray relation algorithm respectively

樣本數(shù)目識別率/%用于規(guī)則庫建立用于校驗灰度關(guān)聯(lián)算法自適應(yīng)灰度關(guān)聯(lián)算法3260768190.4194.529695768193.1595.89

分類成功率的有一定影響。當(dāng)樣本密度較小時，自適應(yīng)灰關(guān)聯(lián)算法的故障模式診斷成功率更優(yōu)，而當(dāng)樣本密度增大時，灰色關(guān)聯(lián)算法和自適應(yīng)關(guān)聯(lián)算法的診斷成功率都有所提高，此時自適應(yīng)灰關(guān)聯(lián)算法的優(yōu)勢不太明顯。因此，自適應(yīng)灰關(guān)聯(lián)算法更適用于實際工程中在小樣本數(shù)據(jù)情況下簡單準(zhǔn)確地實現(xiàn)故障模式識別，進而達到對動力裝置的健康狀況進行預(yù)測的目的。

3結(jié)語

本文提出了一種基于灰關(guān)聯(lián)理論的動力裝置部件診斷方法，通過對故障部件的診斷分析可知，利用基于自適應(yīng)的灰關(guān)聯(lián)分類器對動力裝置的故障部件進行診斷，其識別準(zhǔn)確率率大于95%。本文提出的診斷算法可能具有運用于其他不同類型動力裝置的潛力，對動力裝置的故障診斷具有一定的應(yīng)用價值。

參考文獻

[1]占健,吳斌,王加祥. 基于支持向量機的齒輪箱齒輪故障診斷[J]. 上海電機學(xué)院學(xué)報, 2014，17(1)： 5-10.

[2]YING Yulong，CAO Yunpeng，LI shuying，et al.Nonlinear steady-state model based gas turbine health status estimation approach with improved particle swarm optimization algorithm[J].Mathematical Problems in Engineering，2015： 940757.

[3]侯鳳陽.基于人工神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C氣路故障診斷研究[D].南京: 南京航空航天大學(xué)，2007：13-16.

[4]楊兵，丁輝，羅為民，等.基于知識庫的變壓器故障診斷專家系統(tǒng)[J].中國電機工程學(xué)報，2002，22(10): 121-124.

[5]WANG C C，KANG Y，SHEN P C，et al.Applications of fault diagnosis in rotating machinery by using time series analysis with neural network[J].Expert Systems with Applications，2010，37： 1696-1702.

[6]SAMANTA B，Al-BALUSHI K R.Artificial neural network based fault diagnostics of rolling element bearings using time-domain features[J].Mechanical Systems and Signal Processing，2003，17(2)： 317-328.

[7]JAYASWAL P，VERMA S N，WADHWANI A K.Development of EBP-artificial neural network expert system for rolling element bearing fault diagnosis[J].Journal of Vibration & Control，2011，17(8)： 1131-1148.

[8]Dong S，Xu X，Liu J，et al.Rotating machine fault diagnosis based on locality preserving projection and back propagation neural network-support vector machine model[J].Measurement and Control，2015，48(7)： 211-216.

[9]AO H L，CHENG J，YANG Y，et al.The support vector machine parameter optimization method based on artificial chemical reaction optimization algorithm and its application to roller bearing fault diagnosis[J].Journal of Vibration and Control，2013： 1077546313511841.

[10]ZHANG X L，CHEN X F，HE Z J.Fault diagnosis based on support vector machines with parameter optimization by an ant colony algorithm[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science，2010，224(1)： 217-229.

[11]HSU C W，LIN C J.A comparison of methods for multiclass support vector machines[J].IEEE Transactions on Neural Networks，2002，13(2)： 415-425.

[12]LI Yibing，LI Jingchao，KANG Jian.Classifier design algorithms aimed at overlapping characteristics[J].Information Technology Journal，2012，11(8)： 1091-1096.

[13]東亞斌，段志善.灰色關(guān)聯(lián)度分辨系數(shù)的一種新的確定方法[J].西安建筑科技大學(xué)學(xué)報(自然科學(xué)版)，2008，40(4)： 589-592.

[14] LI Jingchao.A novel recognition algorithm based on holder coefficient theory and interval gray relation classifier[J].KSII Transactions on Internet and Information Systems (TIIS),2015,9(11): 4573-4584.

[15]LI Jingchao.A new robust signal recognition approach based on holder cloud features under varying SNR environment[J].KSII Transactions on Internet and Information Systems,2015,9(12):4934-4949.

[16]LI Jingchao，YING Yulong.Radar signal recognition algorithm based on entropy theory[C]∥2014 2nd International Conference on Systems and Informatics (ICSAI).Shanghai: IEEE，2014： 718-723.

[17]LI Jingchao，Guo Jian.A new feature extraction algorithm based on entropy cloud characteristics of communication signals[J].Mathematical Problems in Engineering，2015： 1-8.

[18]LI Jingchao，Li Yibing，Kidera S，et al.A robust signal recognition method for communication system under time-varying SNR environment[J].IEICE Transactions on Information and Systems，2013，96(12)： 2814-2819.

[19]YING Yulong，CAO Yunpeng，LI Shuying.Research on fuel supply rate of marine intercooled-cycle engine based on simulation experiment[J].International Journal of Computer Applications in Technology，2013，48(3)： 212-221.

[20]應(yīng)雨龍，李淑英.基于 MATLAB/GUI的間冷循環(huán)燃?xì)廨啓C的仿真評估軟件開發(fā)設(shè)計和使用策略研究[J].燃?xì)廨啓C技術(shù)，2013，26(4)： 33-40.

[21]YING Yulong，CAO Yunpeng，LI Shuying，et al.Study on flow parameters optimisation for marine gas turbine intercooler system based on simulation experiment[J].International Journal of Computer Applications in Technology，2013，47(1)： 56-67.

[22]WANG L，LI Y G，GHAFIR M F A.Rough set diagnostic frameworks for gas turbine fault classification[C]∥ASME Turbo Expo 2013：Turbine Technical Conference and Exposition.American Society of Mechanical Engineers.[S.L.]： ASME，2013： V002T07A007.

[23]DIAKUNCHAK I S.Performance deterioration in industrial gas turbines[J].Journal of Engineering for Gas Turbines and Power，1992，114(2)： 161-168.

[24]DYSON R，DOEL D，CF-80 condition monitoring—The engine manufacturing’s Involvement in data acquisition and analysis[EB/OL].(2015-07-25).http：∥dx.doi.org/10.2514/6.1984_1412.

[25]LI Y G，SINGH R.An advanced gas turbine gas path diagnosic system-PYTHIA[C]∥17th International Symposium on Airbreathing Engines.Munich，Germany，2005： ISABE-2005-1284.

Fault Diagnosis for Power Plant Based onAdaptive Gray Relation Algorithm

LI Jingchao1，WANG Sheng1，F(xiàn)ENG Yunhe1，CAO Manlin1，YING Yulong2

(1. School of Electronic Information Engineering, Shanghai Dianji University, Shanghai 201306, China;2. Engineering Department, Shanghai Electric Gas Turbine Co., Ltd., Shanghai 200240, China)

AbstractComponents in a power plant may degrade during operation, leading to serious faults. It is therefore essential to monitor gas-path measurement in a power plant, and carry out fault diagnosis for its components. For this purpose, a fault diagnostic method for power plant based on adaptive gray relation algorithm is proposed. By correlating calculation of the gas-path measurement, accurate recognition of fault patterns can be achieved.

Keywordsgray relation algorithm; power plant; fault diagnosis; fault recognition

收稿日期：2015-11-22

基金項目：上海電機學(xué)院大學(xué)生科研創(chuàng)新項目資助(A1-5701-15-012-01-066)

作者簡介：李靖超(1986-)，女，講師，博士，主要研究方向為信號處理、輻射源識別，E-mail： lijc@sdju.edu.cn

文章編號2095-0020(2016)02-0081-07

中圖分類號TK 478;TP 277.3

文獻標(biāo)志碼A