張艾森

(上海工業(yè)自動(dòng)化儀表研究院有限公司，上海 200233)

0 引言

當(dāng)前，燃?xì)廨啓C(jī)在工業(yè)領(lǐng)域和航空領(lǐng)域發(fā)揮了越來(lái)越重要的作用。在電力行業(yè)，燃?xì)廨啓C(jī)的應(yīng)用也成為主要發(fā)展趨勢(shì)[1-3]。但是，隨著燃?xì)廨啓C(jī)工作環(huán)境的變化，尤其是啟動(dòng)過(guò)程中轉(zhuǎn)速和溫度均發(fā)生較大變化，各種故障將不斷出現(xiàn)。為了確保燃?xì)廨啓C(jī)的安全使用，燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷已成為當(dāng)前的研究重點(diǎn)[4]。

由于燃?xì)廨啓C(jī)內(nèi)部結(jié)構(gòu)較為復(fù)雜，當(dāng)前故障診斷方法的應(yīng)用存在諸多不足。文獻(xiàn)[5]提出基于交叉全局人工蜂群和支持向量機(jī)(crossover global artificial bee colony and support vector machine，CGABC-SVM)的故障診斷方法，實(shí)時(shí)輸出故障診斷結(jié)果，并考慮到參數(shù)信息變化對(duì)診斷結(jié)果的影響，結(jié)合人工蜂群算法優(yōu)化參數(shù)，提升診斷準(zhǔn)確率。但是，該診斷方法的泛化能力較差。文獻(xiàn)[6]以改進(jìn)深度信念網(wǎng)絡(luò)(deep belief networks，DBN)為核心，建立診斷方法。該方法為了解決玻爾茲曼機(jī)模型的數(shù)據(jù)擬合問(wèn)題，融合Dropout 技術(shù)和Adam 優(yōu)化器，提升了故障診斷效率；采用隨機(jī)梯度下降法進(jìn)行反向微調(diào)，避免陷入局部最優(yōu)解情況。但是，該診斷方法的容錯(cuò)性較低。文獻(xiàn)[7]設(shè)計(jì)了基于深度學(xué)習(xí)與信息融合的故障診斷方法。該方法使用核主元分析技術(shù)處理原始數(shù)據(jù)，并從數(shù)據(jù)集中選取出主要表征參數(shù)；通過(guò)深度學(xué)習(xí)算法建立包含多個(gè)隱含層的診斷模型，自動(dòng)獲取故障數(shù)據(jù)中包含的關(guān)鍵信息，實(shí)現(xiàn)故障診斷的自動(dòng)化。但該方法計(jì)算復(fù)雜度較高，故障診斷效率較低。

參考上述故障診斷方法，本文對(duì)燃?xì)廨啓C(jī)啟動(dòng)過(guò)程進(jìn)行深入分析，生成DBN故障診斷模型。試驗(yàn)結(jié)果表明，本文方法在實(shí)際應(yīng)用中展現(xiàn)了更好的應(yīng)用效果，有利于平均故障診斷錯(cuò)誤率的降低。

1 故障診斷方法設(shè)計(jì)

1.1 故障樣本數(shù)據(jù)抽取

燃?xì)廨啓C(jī)的啟動(dòng)屬于1種大范圍變工況操作，具體包括盤(pán)車(chē)、啟動(dòng)、點(diǎn)火等多個(gè)步驟。燃?xì)廨啓C(jī)啟動(dòng)各階段分界情況如圖1所示。

圖1 燃?xì)廨啓C(jī)啟動(dòng)各階段分界情況圖

由圖1可知，燃?xì)廨啓C(jī)啟動(dòng)過(guò)程中，冷、熱加速階段以點(diǎn)火為分界點(diǎn)，而熱加速、自升速階段則以脫扣為分界點(diǎn)。基于上述啟動(dòng)過(guò)程，本文針對(duì)典型啟動(dòng)故障進(jìn)行模擬，獲取啟動(dòng)過(guò)程故障發(fā)生后燃?xì)廨啓C(jī)運(yùn)行情況；通過(guò)不同故障程度的模擬，收集故障數(shù)據(jù)與近似故障數(shù)據(jù)。

考慮到上述樣本數(shù)據(jù)不會(huì)受到主觀因素影響而產(chǎn)生變化，為了確保故障診斷結(jié)果的準(zhǔn)確性，從上述樣本數(shù)據(jù)和正常數(shù)據(jù)中按比例選取大部分?jǐn)?shù)據(jù)，將一部分?jǐn)?shù)據(jù)標(biāo)簽清除后形成預(yù)訓(xùn)練樣本數(shù)據(jù)集，另一部分則保留標(biāo)簽作為測(cè)試數(shù)據(jù)，輸出故障診斷結(jié)果。為了降低診斷誤差，本文采用極差歸一化方法處理樣本數(shù)據(jù)[8]。計(jì)算式為：

(1)

式中：xi為數(shù)據(jù)樣本歸一化處理結(jié)果；xi0為原始樣本；xmin為樣本數(shù)據(jù)集中最小數(shù)據(jù)；r為樣本數(shù)據(jù)集極差。

通過(guò)式(1)，即可完成故障樣本數(shù)據(jù)的處理，獲取歸一化數(shù)據(jù)樣本值，作為故障診斷的數(shù)據(jù)基礎(chǔ)。

1.2 典型啟動(dòng)故障特征提取

燃?xì)廨啓C(jī)啟動(dòng)過(guò)程中如有故障問(wèn)題，則會(huì)導(dǎo)致多種設(shè)備參數(shù)產(chǎn)生變化。因此，本文從機(jī)理入手，分析典型啟動(dòng)故障特征，并將此作為啟動(dòng)故障判斷指標(biāo)[9]。本文對(duì)喘振裕度、啟動(dòng)速度與加速度變化，以及燃料空氣比進(jìn)行研究，提取典型啟動(dòng)故障特征。

當(dāng)燃?xì)廨啓C(jī)發(fā)動(dòng)機(jī)組與喘振區(qū)重合后，會(huì)產(chǎn)生喘振裕度。當(dāng)壓氣機(jī)效率降低后，會(huì)出現(xiàn)熱懸掛故障[10]。熱懸掛故障發(fā)生概率隨著喘振裕度的提升而增長(zhǎng)。喘振裕度的計(jì)算式為：

(2)

式中：S為喘振裕度；K、L分別為某折合轉(zhuǎn)速的不穩(wěn)定邊界點(diǎn)和工作點(diǎn)；πK為不穩(wěn)定邊界點(diǎn)的增壓比；mK為不穩(wěn)定邊界點(diǎn)流量值。

由式(2)可知，喘振裕度值越大，表明運(yùn)行與喘振邊界之間的距離越大，則燃?xì)廨啓C(jī)啟動(dòng)過(guò)程越安全。

燃?xì)廨啓C(jī)啟動(dòng)過(guò)程中，需要注意的1項(xiàng)主要參數(shù)為啟動(dòng)速度與加速度變化。正常情況下，燃?xì)廨啓C(jī)啟動(dòng)速度處于平穩(wěn)狀態(tài)。當(dāng)轉(zhuǎn)速上升速度較慢或產(chǎn)生停滯，表明燃?xì)廨啓C(jī)啟動(dòng)出現(xiàn)故障，需要工作人員立即停機(jī)檢查。

最后1項(xiàng)典型啟動(dòng)故障特征是燃?xì)廨啓C(jī)啟動(dòng)過(guò)程中燃料空氣比變化。作為評(píng)估燃燒室性能的主要參數(shù)，其計(jì)算式為：

(3)

式中：f為燃料空氣比；λ為1 kg燃料對(duì)應(yīng)的實(shí)際控制量。

開(kāi)始點(diǎn)火后，當(dāng)燃料空氣比處于正常狀態(tài)時(shí)，燃?xì)廨啓C(jī)啟動(dòng)正常。當(dāng)燃料空氣比低于正常范圍時(shí)，極易發(fā)生點(diǎn)火失敗。所以，在啟動(dòng)故障診斷過(guò)程中，需要計(jì)算燃料空氣比，并將其與實(shí)際啟動(dòng)工程相比較，從而確定故障狀態(tài)。

1.3 DBN診斷模型設(shè)計(jì)

本文以DBN結(jié)構(gòu)為基礎(chǔ)，構(gòu)建故障診斷模型。DBN屬于非監(jiān)督深層網(wǎng)絡(luò)結(jié)構(gòu)，由多個(gè)徑向基網(wǎng)絡(luò)(radial basis network，RBN)共同組成。每個(gè)RBN由可視層與隱含層2部分組成。1個(gè)RBM包含的能量計(jì)算式為：

(4)

式中：E為RBN能量值；v為網(wǎng)絡(luò)可視層結(jié)構(gòu)；h為網(wǎng)絡(luò)隱含層結(jié)構(gòu)；i、j為網(wǎng)絡(luò)神經(jīng)元；ci為可視層偏置量；bj為隱含層偏置量；ω為神經(jīng)元連接權(quán)重；vi為可視層神經(jīng)元狀態(tài)；hj為隱含層神經(jīng)元狀態(tài)；θ為RBN的結(jié)構(gòu)參數(shù)；V為可視層神經(jīng)元總數(shù)；H為隱含層神經(jīng)元總數(shù)。

RBN中，可視層和隱含層內(nèi)的神經(jīng)元均處于獨(dú)立狀態(tài)。當(dāng)隱含層狀態(tài)確定后，可視層神經(jīng)元激活概率計(jì)算式為：

(5)

式中：P為激活概率；φ為sigmoid激活函數(shù)。

反之，可視層神經(jīng)元狀態(tài)確定后，隱含層激活概率為：

(6)

式(5)與式(6)分別為逆向?qū)W習(xí)和正向?qū)W習(xí)。學(xué)習(xí)過(guò)程中，連接權(quán)重值更新式為：

Δωij=α[O(vihj)-G(vihj)]

(7)

式中：α為學(xué)習(xí)率；O為網(wǎng)絡(luò)訓(xùn)練目標(biāo)；G為訓(xùn)練模型輸出結(jié)果。

本文設(shè)計(jì)的診斷模型由3個(gè)RBN組成。包含3個(gè)RBN的DBN結(jié)構(gòu)如圖2所示。

圖2 包含3個(gè)RBN的DBN結(jié)構(gòu)圖

圖2中：有色節(jié)點(diǎn)為輸入層和輸出層的神經(jīng)元；無(wú)色節(jié)點(diǎn)為隱含層1～3的神經(jīng)元。

利用圖2所示的DBN結(jié)構(gòu)進(jìn)行燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷，主要包含以下2個(gè)操作步驟。首先是非監(jiān)督式學(xué)習(xí)，通過(guò)輸入層、隱含層、輸出層3個(gè)環(huán)節(jié)完成每個(gè)RBN的訓(xùn)練，獲取深度信念網(wǎng)絡(luò)初始結(jié)構(gòu)參數(shù)[11]。其次是采用監(jiān)督式反向?qū)W習(xí)模式，合理調(diào)整DBN結(jié)構(gòu)參數(shù)[12]。RBN通過(guò)獨(dú)立訓(xùn)練生成最優(yōu)化參數(shù)，計(jì)算式為：

(8)

式中：M為染色體個(gè)數(shù)。

結(jié)合對(duì)比散度生成連接權(quán)重、可視層偏置量、隱含層偏置量更新條件：

(9)

式中：ε為對(duì)比散度。

RBN訓(xùn)練結(jié)束后，通過(guò)反向微調(diào)優(yōu)化結(jié)構(gòu)參數(shù)，實(shí)現(xiàn)故障診斷模型的訓(xùn)練誤差降低。訓(xùn)練誤差計(jì)算式為：

(10)

式中：μ為訓(xùn)練誤差；L為訓(xùn)練樣本；Y為分類(lèi)器輸出。

根據(jù)式(10)計(jì)算結(jié)果，將訓(xùn)練誤差與訓(xùn)練誤差預(yù)期要求作對(duì)比，不斷調(diào)整結(jié)構(gòu)參數(shù)，直到訓(xùn)練誤差滿足故障診斷要求。

1.4 啟動(dòng)故障診斷實(shí)現(xiàn)

應(yīng)用上述診斷模型可以得到燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷結(jié)果。在實(shí)現(xiàn)過(guò)程中，考慮到局部最優(yōu)解現(xiàn)象的出現(xiàn)，因此建立以列文伯格-馬夸爾特(Levenberg-Marquardt,L-M)算法為核心的自適應(yīng)學(xué)習(xí)技術(shù)，去除DBN中誤差函數(shù)曲面上非最小誤差值節(jié)點(diǎn)。L-M算法的應(yīng)用結(jié)合了梯度法和高斯牛頓法，采用均方誤差充當(dāng)損失代價(jià)函數(shù)，得出誤差梯度：

ζ(θ)=J(θ)e(θ)

(11)

(12)

式中：a為雅克比矩陣行數(shù)；z為雅克比矩陣列數(shù)。

在L-M算法的基礎(chǔ)上，生成以下DBN結(jié)構(gòu)參數(shù)更新式：

θw+1=θw-JwIw

(13)

式中：w為迭代次數(shù)；Jw為以網(wǎng)絡(luò)學(xué)習(xí)誤差函數(shù)為核心的迭代雅克比矩陣；Iw為迭代誤差向量。

通過(guò)上述操作，可降低故障診斷結(jié)果錯(cuò)誤率，獲取高精度燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷結(jié)果。

2 試驗(yàn)

為了驗(yàn)證本文設(shè)計(jì)方法的應(yīng)用效果，通過(guò)試驗(yàn)的方式得到燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷結(jié)果?？紤]到燃?xì)廨啓C(jī)結(jié)構(gòu)較為復(fù)雜，產(chǎn)生啟動(dòng)故障的原因多種多樣，本文采用MATLAB工具開(kāi)發(fā)試驗(yàn)環(huán)境，驗(yàn)證本文設(shè)計(jì)診斷方法的有效性。

2.1 試驗(yàn)樣本選取

為了維護(hù)燃?xì)廨啓C(jī)啟動(dòng)正常，氣路截面壓力、燃機(jī)轉(zhuǎn)速等多種參數(shù)的監(jiān)控是不可或缺的。本文按照參數(shù)表征性和冗余性選取試驗(yàn)樣本，確定排氣溫度、電機(jī)電流、燃機(jī)轉(zhuǎn)速和電機(jī)轉(zhuǎn)速這4種參數(shù)類(lèi)型。同時(shí)，每種參數(shù)選擇部分正常數(shù)據(jù)和小部分故障數(shù)據(jù)，匯總形成試驗(yàn)樣本，作為故障診斷方法測(cè)試的數(shù)據(jù)基礎(chǔ)。上述4種參數(shù)采集過(guò)程中，以啟動(dòng)過(guò)程中某一時(shí)刻為參考，分析相同時(shí)刻不同參數(shù)值，生成啟動(dòng)過(guò)程的特征向量。

參數(shù)樣本分布如圖3所示。

圖3 參數(shù)樣本分布圖

圖3中，每個(gè)參數(shù)的分布均處于均勻狀態(tài)，表明試驗(yàn)樣本具有較強(qiáng)的表征性。

2.2 診斷模型參數(shù)設(shè)置

本文設(shè)計(jì)的故障診斷方法以DBN為基礎(chǔ)，所以網(wǎng)絡(luò)診斷模型參數(shù)的研究是試驗(yàn)進(jìn)行的前提。根據(jù)本文設(shè)計(jì)可知，堆疊3個(gè)RBN單元構(gòu)成整體故障診斷模型。為了確定DBN模型的具體結(jié)構(gòu)，分析隱含層節(jié)點(diǎn)數(shù)量發(fā)生變化時(shí)，不同隱含層節(jié)點(diǎn)個(gè)數(shù)對(duì)應(yīng)的訓(xùn)練誤差如圖4所示。由圖4可知： RBN1、RBN2和RBN3的隱含層節(jié)點(diǎn)分別為93個(gè)、43個(gè)和19個(gè)時(shí)，訓(xùn)練誤差最小。

圖4 不同隱含層節(jié)點(diǎn)個(gè)數(shù)對(duì)應(yīng)的訓(xùn)練誤差

根據(jù)上述得出的最優(yōu)隱含層節(jié)點(diǎn)數(shù)量，構(gòu)建如圖5所示的DBN故障診斷模型。

圖5 DBN故障診斷模型

DBN參數(shù)配置如表1所示。

表1 DBN參數(shù)配置

除了上述參數(shù)外，本文按照標(biāo)準(zhǔn)DBN學(xué)習(xí)特點(diǎn)，將初始學(xué)習(xí)率設(shè)置為0.6。診斷模型參數(shù)設(shè)置完成后，將試驗(yàn)樣本應(yīng)用于模型中，獲取燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷結(jié)果。

2.3 故障診斷結(jié)果對(duì)比

為了加強(qiáng)試驗(yàn)結(jié)果的真實(shí)性，將試驗(yàn)數(shù)據(jù)集分別應(yīng)用于本文方法、CGABC-SVM故障診斷方法以及深度學(xué)習(xí)與信息融合診斷方法中，并將不同方法的識(shí)別結(jié)果以混淆矩陣的形式表現(xiàn)出來(lái)。

不同方法診斷結(jié)果的混淆矩陣如圖6所示。

圖6 不同方法診斷結(jié)果的混淆矩陣

(14)

式中:eerror為平均故障診斷錯(cuò)誤率;R為識(shí)別誤差樣本數(shù);N為樣本總數(shù)。

由式(14)可知，本文設(shè)計(jì)方法的平均故障診斷錯(cuò)誤率為3.3%，相比其他方法將平均故障診斷錯(cuò)誤率降低了28.7%、37.0%。綜上所述，本文設(shè)計(jì)的故障診斷方法有效提升了燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷結(jié)果的準(zhǔn)確性。

3 結(jié)論

本文針對(duì)燃?xì)廨啓C(jī)啟動(dòng)故障進(jìn)行研究，提出以DBN結(jié)構(gòu)為核心的燃?xì)廨啓C(jī)啟動(dòng)故障診斷方法。該方法選取排氣溫度、電機(jī)電流、燃機(jī)轉(zhuǎn)速和電機(jī)轉(zhuǎn)速這4種參數(shù)類(lèi)型作為樣本數(shù)據(jù)和特征數(shù)據(jù)，構(gòu)建啟動(dòng)過(guò)程的特征向量。通過(guò)分析不同隱含層節(jié)點(diǎn)數(shù)量的訓(xùn)練誤差波動(dòng)情況，確定了DBN的最優(yōu)參數(shù)配置，構(gòu)建了DBN燃?xì)廨啓C(jī)啟動(dòng)故障診斷模型。經(jīng)由模型得出的故障診斷試驗(yàn)結(jié)果可知，本文設(shè)計(jì)方法的平均故障診斷錯(cuò)誤率為3.3%，相比CGABC-SVM故障診斷方法以及深度學(xué)習(xí)與信息融合診斷方法，本文提出的DBN模型將平均故障診斷錯(cuò)誤率降低了28.7%、37.0%，有效提升了燃?xì)廨啓C(jī)啟動(dòng)過(guò)程故障診斷結(jié)果的準(zhǔn)確性。

針對(duì)本文中所提出的診斷方法需要注意的一點(diǎn)是，該方法得出的故障診斷結(jié)果對(duì)于未出現(xiàn)過(guò)的故障類(lèi)型還無(wú)法識(shí)別。此外，DBN的結(jié)構(gòu)調(diào)整一定程度上依賴(lài)于人為經(jīng)驗(yàn)。這些問(wèn)題都將是未來(lái)主要研究方向。