一种基于深度学习的燃气轮机故障检测方法与流程

本发明涉及深度学习，尤其涉及一种基于深度学习的燃气轮机故障检测方法。

背景技术：

1、随着燃气轮机在发电、油气输送、舰船动力、分布式能源和工业驱动中的应用增加，燃气轮机运行安全性和故障检测及时性成为设备运维的重要内容。燃气轮机长期处于高温、高压、高转速和变负荷工况下运行，压气机、燃烧室、透平、转子、轴承及润滑系统之间存在气热耦合、机械耦合和控制耦合关系。现有燃气轮机故障检测方法通常采集转速、燃料流量、排温、压比、输出功率、燃烧压力、燃烧室温度、轴承温度、润滑油压力、转子振动等多源运行监测数据，通过阈值报警、趋势分析、专家规则、传统机器学习或深度学习模型识别压气机喘振、燃烧不稳定、透平效率下降、转子异常振动、轴承温升和润滑异常等故障状态。基于运行数据的在线故障检测方法能够连续反映燃气轮机运行状态，为故障预警、检修决策和运行调度提供数据依据。

2、现有基于深度学习的燃气轮机故障检测方法通常将多源监测数据按时间序列输入循环神经网络、卷积神经网络、注意力网络或混合预测模型，利用预测误差、分类概率或异常评分判断故障类型和故障等级。燃气轮机在升载、降载、稳态和折返工况阶段下存在明显工况迁移，同一故障前兆在不同转速相位、负荷阶段和气路效率状态下呈现不同残差形态，按采集时间直接建模容易造成工况相图轨迹偏离、燃烧响应失配和气路漂移偏差混叠，导致早期故障前兆识别稳定性不足。传统周期分析或模态分解方法通常以固定时间坐标提取周期成分，难以适应变转速和变负荷下的周期漂移，容易将转子转动周期、燃烧脉动周期、压气机级段相关周期和透平级段相关周期混合在同一模态中，造成故障部件定位和故障类型判定不准确。现有方法多输出单一报警结果，缺少前兆偏离矩阵、故障前兆周期模态簇和故障前兆证据链的连续构建，难以形成多通道异常、周期模态、部件关联路径和检修复核任务之间的可追溯检测依据。

3、因此，如何提供一种基于深度学习的燃气轮机故障检测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的燃气轮机故障检测方法，本发明利用燃气轮机多源运行监测数据、工况相图轨迹构建、改进tkan网络、自适应周期模态分解算法和故障前兆证据链生成技术，详细描述了燃气轮机运行数据预处理、工况相图轨迹切片、前兆预测状态包生成、前兆偏离矩阵构建、故障前兆周期模态提取和故障检测结果输出的实现过程，实现了燃气轮机在升载、降载、稳态和折返工况下的故障前兆识别、故障部件定位、故障类型判定和检修复核任务生成。相比传统基于固定阈值、单一预测残差或常规时间序列模态分解的燃气轮机故障检测方式，本发明具备工况适应性强、早期故障前兆识别稳定性高、周期模态分解精度高、故障部件定位准确、检测证据链完整以及检修复核指向明确的优点。

2、根据本发明实施例的一种基于深度学习的燃气轮机故障检测方法，包括：

3、采集燃气轮机多源运行监测数据和设备配置数据，对燃气轮机多源运行监测数据进行预处理，生成标准化燃气轮机监测数据集，并根据设备配置数据生成部件关联表；

4、从标准化燃气轮机监测数据集中提取转速、燃料流量、排温、压比和输出功率，构造工况相图坐标，对采集窗口执行相图轨迹切片、轨迹折返标记和工况阶段标记，生成多源运行时序样本和工况相图轨迹集；

5、构建改进tkan网络，对多源运行时序样本和工况相图轨迹集进行时序递推，将燃气轮机工况相图折叠记忆嵌入循环记忆更新，引入燃烧热释放隐状态递推表征燃烧状态与排温响应，采用气路效率漂移基线校准修正气路退化基线，生成前兆预测状态包；

6、对前兆预测状态包执行相图偏离、燃烧响应失配和气路漂移偏差计算，并按部件关联表映射监测通道与关联故障部件，生成前兆偏离矩阵；

7、将前兆偏离矩阵输入自适应周期模态分解算法，执行转速相位重排子空间构建处理和复合周期核分叉拆解处理，生成故障前兆周期模态簇；

8、对故障前兆周期模态簇执行模态持续窗口标记、通道同步关系匹配和部件路径归并，生成故障前兆证据链；

9、根据故障前兆证据链确定故障部件、故障类型、故障等级、报警时间窗口和检修复核任务，生成燃气轮机故障检测结果并发送至监测管理端。

10、可选的，所述燃气轮机多源运行监测数据具体包括转速、燃料流量、排温、压气机进出口压力、压比、输出功率、燃烧压力、燃烧室温度、轴承温度、润滑油压力与温度、转子振动幅值和机组负荷指令。

11、可选的，所述设备配置数据具体包括机组型号、部件编号、压气机配置、燃烧室布置、透平配置、转子支承位置、轴承与润滑配置、燃料通道配置、排气测点、传感器位置、通道部件对应关系、额定转速、额定功率、设计压比和设计排温范围。

12、可选的，所述生成标准化燃气轮机监测数据集和部件关联表，包括：

13、按机组编号、采集时间和监测通道编号归集燃气轮机多源运行监测数据，形成燃气轮机监测通道时序表；

14、对燃气轮机监测通道时序表执行采样时间对齐、缺失采样补齐、异常跳变修正和重复采样剔除，生成燃气轮机对齐监测时序表；

15、根据额定转速、额定功率、设计压比、设计排温范围和各监测通道量程，对燃气轮机对齐监测时序表进行量纲统一和幅值归一化，生成标准化燃气轮机监测数据集；

16、依据设备配置数据中的压气机配置、燃烧室布置、透平配置、转子支承位置、轴承与润滑配置和传感器位置，建立部件编号、监测通道编号和监测类型的对应关系；

17、根据部件编号、监测通道编号、监测类型、关联故障部件、故障类型和工况阶段，生成部件关联表。

18、可选的，所述生成多源运行时序样本和工况相图轨迹集，包括：

19、按机组编号、采集时间和监测通道编号，从标准化燃气轮机监测数据集中提取转速、燃料流量、排温、压比、输出功率、燃烧压力和燃烧室温度，生成燃气轮机工况变量序列表；

20、将转速和输出功率组合为工况相图横向坐标分量，将燃料流量、排温和压比组合为工况相图纵向坐标分量，将同一采集时刻的工况变量映射为工况相图点；

21、按照采集窗口对工况相图点进行连续切片，将相邻工况相图点按采集时间顺序连接，生成采集窗口相图轨迹；

22、根据采集窗口相图轨迹的移动方向和轨迹回转位置，标记升载轨迹、降载轨迹、稳态轨迹和折返轨迹，并生成工况阶段标记；

23、将采集窗口内的燃气轮机工况变量序列表、采集窗口相图轨迹、折返轨迹标记和工况阶段标记组合，生成多源运行时序样本和工况相图轨迹集。

24、可选的，所述生成前兆预测状态包，包括：

25、构建改进tkan网络，改进tkan网络包括燃气轮机工况相图折叠记忆层、燃烧热释放隐状态递推层和气路效率漂移基线校准层；

26、燃气轮机工况相图折叠记忆层对多源运行时序样本和工况相图轨迹集按工况阶段分组，执行轨迹起点对齐、折返位置配准和弧长归一化，计算当前轨迹与历史同工况轨迹的相图偏移量，更新循环记忆状态，生成工况相图记忆表示；

27、燃烧热释放隐状态递推层根据工况相图记忆表示、燃料流量、燃烧压力、燃烧室温度和排温，计算燃料输入及燃烧压力、燃烧室温度、排温的时序变化量，并与上一时刻燃烧隐状态融合递推，生成燃烧响应预测表示；

28、气路效率漂移基线校准层根据工况相图记忆表示、燃烧响应预测表示、压比、排温、燃料流量和输出功率，计算压比、排温、燃料流量和功率偏移，并与同工况阶段气路效率参考基线对齐，生成气路效率漂移表示；

29、将工况相图记忆表示、燃烧响应预测表示和气路效率漂移表示输入时序预测单元，输出运行状态预测序列，将运行状态预测序列与多源运行时序样本按监测通道进行差值计算，生成多通道预测残差，并组合为前兆预测状态包；

30、对改进tkan网络进行训练，基于历史燃气轮机多源运行监测数据、历史工况相图轨迹和历史故障记录构造训练样本，采用运行状态预测误差、燃烧响应预测误差、气路效率漂移误差和预测残差稳定性误差组合作为联合优化目标，重复执行前向计算和参数更新，当连续5轮训练中的联合优化目标变化幅度均小于0.001时，得到训练完成的改进tkan网络。

31、可选的，所述生成前兆偏离矩阵，包括：

32、按采集窗口、工况阶段和监测通道，对运行状态预测序列、多通道预测残差、燃烧响应预测表示和气路效率漂移表示进行对齐，生成前兆偏离计算序列表；

33、根据运行状态预测序列中的转速、燃料流量、排温、压比和输出功率预测值，构造预测工况相图轨迹，并与对应采集窗口的工况相图轨迹进行轨迹距离计算，生成相图偏离量；

34、根据燃烧响应预测表示和多通道预测残差，计算燃料流量、燃烧压力、燃烧室温度和排温残差之间的同步偏差，生成燃烧响应失配量；

35、根据气路效率漂移表示，计算压比、排温、燃料流量和输出功率偏移之间的组合偏差，生成气路漂移偏差量；

36、按照部件关联表，将相图偏离量、燃烧响应失配量和气路漂移偏差量映射至压气机、燃烧室、透平、转子、轴承和润滑系统对应的关联故障部件，按采集窗口和关联故障部件排列，生成前兆偏离矩阵。

37、可选的，所述生成故障前兆周期模态簇，包括：

38、按照采集窗口、监测通道和关联故障部件，将前兆偏离矩阵中的相图偏离量、燃烧响应失配量和气路漂移偏差量排列为故障前兆偏离序列，并将故障前兆偏离序列输入自适应周期模态分解算法；

39、执行转速相位重排子空间构建处理，根据采集窗口内的转速序列计算相邻采样点之间的转速相位增量，将故障前兆偏离序列由采集时间坐标重排至转速相位坐标，并按相位区间聚合前兆偏离值，生成转速相位重排子空间；

40、在转速相位重排子空间内计算相位重复间隔、峰值相位位置和相位能量集中区间，确定与关联故障部件对应的候选周期核；

41、执行复合周期核分叉拆解处理，将候选周期核拆解为本周期核、倍周期核、约数周期核、边带周期核和近邻漂移周期核，并按照不同周期核对故障前兆偏离序列进行模态分解，生成故障前兆子模态；

42、按照关联故障部件、监测通道、周期核类型和采集窗口，对故障前兆子模态进行归并，生成故障前兆周期模态簇。

43、可选的，所述生成故障前兆证据链，包括：

44、按照关联故障部件、监测通道、周期核类型和采集窗口，对故障前兆周期模态簇进行分组，提取各组周期模态的峰值幅度、能量占比和持续窗口长度，生成模态持续窗口标记；

45、按采集窗口匹配相图偏离量、燃烧响应失配量和气路漂移偏差量对应周期模态的通道同步关系，生成同步通道组合；

46、根据部件关联表，将模态持续窗口标记和同步通道组合沿压气机、燃烧室、透平、转子、轴承和润滑系统的关联路径进行归并，生成故障前兆路径片段；

47、将关联故障部件、周期核类型、模态持续窗口标记、同步通道组合和故障前兆路径片段按采集窗口顺序组合，生成故障前兆证据链。

48、可选的，所述生成燃气轮机故障检测结果，包括：

49、按采集窗口整理故障前兆证据链中的关联故障部件、周期核类型、模态持续窗口标记、同步通道组合和故障前兆路径片段，生成故障前兆判别表；

50、根据故障前兆判别表，将关联故障部件与压气机、燃烧室、透平、转子、轴承和润滑系统对应的故障类型进行匹配，确定故障部件和故障类型；

51、根据模态持续窗口标记、周期模态峰值幅度、能量占比和同步通道数量，生成故障前兆强度值，并将故障前兆强度值与预设故障等级边界匹配，确定故障等级和报警时间窗口；

52、将故障部件、故障类型、故障等级、报警时间窗口和故障前兆证据链组合为燃气轮机故障检测结果，生成检修复核任务，并发送至监测管理端。

53、本发明的有益效果是：

54、本发明提出的一种基于深度学习的燃气轮机故障检测方法，通过构建燃气轮机多源运行监测数据预处理、工况相图轨迹生成、改进tkan网络前兆预测、自适应周期模态分解和故障前兆证据链生成流程，提升了复杂工况下故障前兆识别的准确性和稳定性。相比传统固定阈值、趋势分析或普通时间序列预测方法，本发明将转速、燃料流量、排温、压比和输出功率映射至工况相图坐标，并结合相图轨迹切片、轨迹折返标记和工况阶段标记，对升载、降载、稳态和折返工况下的状态变化进行结构化表达，降低变负荷运行对故障前兆识别结果的干扰。

55、本发明通过改进tkan网络中的燃气轮机工况相图折叠记忆层、燃烧热释放隐状态递推层和气路效率漂移基线校准层，对工况相图轨迹、燃烧状态与排温响应、气路效率退化基线进行联合建模，生成前兆预测状态包和前兆偏离矩阵。该方式能够结合运行状态预测序列、多通道预测残差、燃烧响应预测表示和气路效率漂移表示，减少单一预测残差造成的误判，提高燃烧不稳定、气路性能退化、转子异常和轴承润滑异常等故障前兆的区分能力。

56、本发明通过自适应周期模态分解算法执行转速相位重排子空间构建处理和复合周期核分叉拆解处理，将故障前兆偏离序列由采集时间坐标重排至转速相位坐标，并对不同周期核进行拆解，生成故障前兆周期模态簇。该方式能够适应变转速和变负荷运行下的周期漂移，减少转子转动周期、燃烧脉动周期、压气机相关周期和透平相关周期之间的模态混叠，并通过故障前兆证据链提高故障部件定位、故障类型判定、故障等级划分和检修复核任务生成的可靠性。