一种基于混合预测的燃气轮机转子故障预警方法与流程

1.本发明涉及燃气轮机设备故障预警技术领域，尤其是涉及一种基于混合预测的燃气轮机转子故障预警方法。


背景技术：

2.燃气轮机技术作为目前提高能源资源利用率，并彻底地解决环境问题的首选技术，已在世界各国得到广泛研究和利用。据国家能源局统计，2020年中国天然气发电行业装机总量超过9700万千瓦，气电在发电装机中的比例突破4.70％。预计天然气发电仍将加快增长，到2025年将新增40～50吉瓦发电机组，电力行业天然气消费量将翻一番达到750～800亿立方米。作为一种大型的旋转动力设备，燃气轮机的内部结构复杂，在高温、高压和高转速的环境下长期运行，容易发生故障，其中，转子作为燃气轮机的整机设计的核心，其故障率占比最高，达45％以上。因此，在燃气轮机转子故障发生前进行有效的预警，及时发出报警信号提醒运维人员处理，变事后维修为事前预防，对提高电厂的经济效益，延长燃气轮机的使用寿命具有重要的意义。
3.针对燃气轮机转子故障缺乏对海量历史数据的利用及对事前预警机制的研究，并且基于数据的故障预警已有的研究成果中依旧存在如下问题需要解决：
4.(1)目前转子故障研究多采用振动分析法，缺乏对转子热力参数的研究。
5.(2)振动趋势智能预测方法的择优选择。
6.(3)数据阈值的获取，避免人为设定阈值的局限性。


技术实现要素：

7.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于混合预测的燃气轮机转子故障预警方法。
8.本发明的目的可以通过以下技术方案来实现：
9.一种基于混合预测的燃气轮机转子故障预警方法，包括以下步骤：
10.1)构建结合lmd
‑
xgboost的混合预测模型，并对燃机转子状态参数进行实时预测，获得预测信号；
11.2)构建基于lmd
‑
pca的阈值模型，根据历史正常运行数据获取监测指标阈值；
12.3)获取预测信号的监测指标，包括主元统计值t2和平方预测误差spe，并与作为上限的监测指标阈值进行比较，实现燃机转子故障的早期预警。
13.所述的步骤1)中，燃机转子状态参数包括振动参数和热力参数，具体为压气机侧的轴承转子x、y向振动位移、透平侧的轴承转子x、y向振动位移以及轴瓦温度。
14.所述的步骤1)中，通过结合局部均值分解方法和极端梯度提升算法构建混合预测模型，将局部均值分解得到的pf分量作为极端梯度提升算法的输入，以极端梯度提升算法的输出作为预测信号。
15.在混合预测模型预测过程中，对采用局部均值分解得到的多个pf分量按频率选取
后进行叠加得到两个子序列，即高频子序列和低频子序列，分别采用极端梯度提升算法进行预测后再重构得到完整的预测信号。
16.所述的混合预测模型中，函数空间中的损失函数为：
[0017][0018]
其中，g
k
为每个叶子节点k的一阶梯度的和，h
k
表示每个叶子节点k的二阶梯度的和，t为叶子节点个数，λ为正则化系数。
[0019]
所述的步骤2)包括lmd的特征分量提取和基于pca的故障检测过程，具体为：
[0020]
将历史正常运行数据进行局部均值分解得到的pf分量组成矩阵投影到pca 模型中，得到作为监测指标的平方预测误差spe和主元统计值t2的阈值。
[0021]
所述的步骤2)中，主元统计值t2的表达式为：
[0022]
t2＝t
t
λ
‑1t
[0023]
其中，λ为转子信号矩阵x(m
×
n)的协方差矩阵，且λ＝diag(λ1，λ2…
λ
j
…
)，λ
j
为协方差矩阵的第j个特征值，上标t表示转置，t为m
×
r的主元矩阵，r为主元个数；
[0024]
主元统计值t2的阈值服从自由度为m和n－m的f分布f(m，n
‑
m)，且置信度为a，则有：
[0025][0026]
其中，m为样本数量，n为pf分量数量。
[0027]
所述的步骤2)中，平方预测误差spe的计算式为：
[0028][0029]
其中，表示置信度为α的控制限，即平方预测误差的阈值spe
lim
，i为单位阵，x为降维后的样本。
[0030]
所述的控制限的计算式为：
[0031][0032][0033][0034]
其中，h0为中间变量，θ1为对应的协方差矩阵特征值之和，θ2为对应的协方差矩阵特征值平方之和，θ3为对应的协方差矩阵特征值三次方之和，c
α
为置信度α的标准正态分布统计值，λ
j
为转子信号矩阵x(m
×
n)的协方差矩阵的第j个特征值。
[0035]
所述的步骤3)中，当任一燃机转子状态对应预测信号的主元统计值t2或平方预测误差spe在预测时间段内超过阈值的数量占比超过设定的预警值时，则对该燃气轮机转子
进行预警。
[0036]
与现有技术相比，本发明具有以下优点：
[0037]
一、本发明针对转子故障局限于振动信号分析的特点，结合了转子振动信号和热力信号从而实现故障预警，提高了转子故障预警的可靠性。
[0038]
二、时序预测往往采用直接预测的方式，预测精度不高，且不能反应预测信号的特征信息，本发明构建转子振动和热力信号的混合预测模型，提高了预测精度。
[0039]
三、pf分量重构为高低频序列，反映出转子信号更细致的特征信息，统一了预测模型的变量数目，有利于混合预测模型的构建。
[0040]
四、为了避免人为设置阈值的局限性，结合信号分解方法和故障检测算法构建阈值模型，可根据sis系统转子历史正常运行数据计算出故障监测指标的阈值。
附图说明
[0041]
图1为lmd分解流程图。
[0042]
图2为1号轴承x向振动位移lmd分解结果。
[0043]
图3为重构后的高低频序列，其中，图(3a)为高频子序列，图(3b)为低频子序列。
[0044]
图4为3种预测方法预测效果图。
[0045]
图5为预测信号故障指标t2变化。
[0046]
图6为预测信号故障指标spe变化。
[0047]
图7为故障监测指标t2预警时间。
[0048]
图8为故障监测指标spe预警时间。
[0049]
图9为本发明的方法流程图。
具体实施方式
[0050]
下面结合附图和具体实施例对本发明进行详细说明。
[0051]
如图9所示，本发明提出一种基于混合预测的燃气轮机转子故障预警方法，旨在改变燃机电厂事后维修的运维方式，为燃机电厂在旋转设备故障预警方案上提供指导意见，具体包括以下步骤：
[0052]
对燃机转子系统的历史数据进行数据阈值分析，建立历史运行时设备健康状态阈值模型；
[0053]
针对转子振动数据和热力数据建立基于信号分解的混合预测模型；
[0054]
计算故障监测指标超出阈值比例和残差超出范围，判断当前设备是否偏离正常；当设备偏离正常范围时，及时发出预警信号提醒运维人员处理。
[0055]
通过本发明对燃机转子开展状态监测和故障预警工作，对故障提前进行预警，加以容错控制，变故障停机为计划停机，减少停机或避免事故扩大化，使企业对设备的维修管理从计划性维修、事故性维修逐步过渡到预防性维修。
[0056]
本发明的原理以及步骤介绍如下：
[0057]
1、转子信号混合预测模型
[0058]
超前实现故障预警的前提是建立转子信号的预测模型获取拟合度较高的转子预测信号，现有技术一般对转子振动信号进行单一时序预测，预测精度不高，且不能体现转子
信号的特征信息，本发明采用混合预测方法将lmd分解方法与时序预测方法相结合，能提取更为细致的转子振动信号特征信息，且进一步提高xgboost时序预测的精度。
[0059]
1.1lmd
‑
xgboost混合预测模型构建
[0060]
信号分解与预测算法相结合的混合算法已经应用于多个领域，本发明的 lmd
‑
xgboost预测算法是一种新的组合算法，利用lmd分解得到的特征分量构建xgboost算法的输入，并对xgboost的输出进行重构获取拟合度更高的预测信号。
[0061]
转子信号混合预测模型中包括的转子状态参数有：1
‑
8号轴承转子x向振动位移、1
‑
8号轴承转子y向振动位移，1
‑
8号轴瓦温度，其中，振动位移包括压气机侧和透平侧，转子信号具有耦合性强，非线性、噪声大等特点，因此，本发明采用 lmd
‑
xgboost混合算法预测转子振动信号。
[0062]
1.1.1lmd信号分解
[0063]
局部均值分解(local mean decomposition，lmd)方法自适应地将一个复杂的非平稳的多分量信号分解为若干个瞬时频率具有物理意义的乘积函数(productfunction,简称pf)之和，不断用原始信号减去局部均值函数并除以包络估计函数(即对其进行解调)，并重复直到包络估计函数近似等于1时，得到纯调频信号，在获得纯调频信号后再进行包络信号与纯调频信号相乘得到pf分量，其中每一个pf 分量由一个包络信号和一个纯调频信号直接求出，包络信号就是该pf分量的瞬时幅值，而pf分量的瞬时频率则可以由纯调频信号直接求出，进一步将所有pf分量的瞬时幅值和瞬时频率组合，便可以得到原始信号的完整的时频分布。
[0064]
lmd分解流程图如图1所示，具体为：构建转子状态参数信号x(t)，即u
k
，作为信号分解算法的输入，固定滑动窗口大小为3，通过滑动窗口的方式，计算转子信号局部极大值、极小值，通过滑动平均法计算所有相邻的局部极值点的平均值和差值，所有的相邻平均值点和差值用直线连起来后通过滑动平均法进行平滑处理得到局域均值函数m
in
和包络均值函数a
in
，持续将原始信号减去局部均值函数并除以包络估计均值(即对其进行解调)构建包络估计函数，重复直到包络估计函数近似等于1时，得到纯调频信号s
in
，在获得纯调频信号后再将包络信号与纯调频信号相乘得到pf分量。
[0065]
1.1.2xgboost时序预测模型构建
[0066]
梯度提升树属于集成算法的一种，是一种迭代决策树算法，其由多棵决策树组成，每棵树都是对前序模型的不足之处进行改进，结果由各决策树累加而得到，从而得到了一个强学习器，但存在容易过拟合的问题，极端梯度提升算法(xgboost) 在梯度提升算法的基础上做了进一步的改进，主要体现在：
[0067]
(1)将树模型的复杂度加入到正则项中，从而避免过拟合，泛化性能好；
[0068]
(2)损失函数是用泰勒展开式展开的，用到了一阶导和二阶导，可以加快优化速度；
[0069]
(3)在寻找最佳分割点时，采用近似贪心算法，用来加速计算；
[0070]
(4)对特征值缺失的样本，采用稀疏感知算法自动学习它的分裂方向。
[0071]
xgboost时序预测的步骤具体为：
[0072]
通过使用滑动时间窗口依次将转子信号高低频子序列x(t)变换为特征图输入xgboost模型进行预测，输入的特征图格式如下所示：
[0073][0074]
xgboost的核心是通过若干个回归树来降低预测误差，同时保证这些回归树组成的树群有尽量大的泛化能力，这可以看作是泛函的最优化，函数空间中的损失函数为：
[0075][0076]
等式的右边由误差函数和正则化项两部分组成，误差函数中的参数是模型输出的转子预测信号，y
i
是转子数据的真实值，正则化项可以用来惩罚模型复杂度，增强泛化能力，其表达式为：
[0077][0078]
式中，t为叶子节点个数，ω为节点数值。λ为xgboost模型的正则化系数。γ是决策树分裂所带来的损失减小阈值。对转子信号进行预测时，预测值数量为300，一般决策树深度在[2,10]之间，本例中决策树的深度为6，故叶子节点个数t为50，正则化系数范围为[0,1]，对转子信号预测模型的正则化系数λ为0.5，γ为7。
[0079]
接下来对xgboost的损失函数进行了二次泰勒展开：
[0080][0081]
其中，一阶导数二阶导数将第j 个叶子节点集合定义为i
j
，令g
j
＝j，代入上式并移除常数项化简，可得：
[0082][0083]
对上式求导得将结果代入原式，得到最终的目标函数为：
[0084][0085]
式中，g
j
表示每个叶子节点的一阶梯度的和，h
j
表示每个叶子节点的二阶梯度的和，本发明中的xgboost模型的学习率为0.05，抽样比例为0.8。
[0086]
2、lmd
‑
pca预警阈值模型构建
[0087]
将通过lmd分解得到的pf分量组成矩阵投影到pca模型中，计算出统计量(监测指标)spe和t2的阈值，通过pca模型计算故障监测指标阈值的过程如下：
[0088]
存在一个转子信号矩阵x(m
×
n)，其中，m为样本数量，n为pf分量数量，对其进行主成分分析后可得：
[0089][0090]
式中，t
j
为m
×
1的向量，表示第j个主元，p
j
为n
×
1的向量，表示第 j个载荷向量；e为残差矩阵。令主元矩阵为t(m
×
r)，载荷矩阵为p(n
×
r)，则x可表示为：
[0091]
x＝tp
t
e
ꢀꢀ
(8)
[0092]
其在残差子空间上投影为：
[0093][0094]
统计量t2反映了每个主成分在变化趋势和幅值上偏离模型的程度，是对模型内部化的一种度量，它可以用来对多个主元同时进行监测，表征状态监测过程中故障信息偏离正常模型的程度；统计量spe刻画了输入变量的测量值对主元模型的偏离程度，是对模型外部变化的一种度量。
[0095]
定义t2的统计量为主元得分，计算出主元得分值t，测量估计值及残差e，计算过程如下：
[0096][0097]
则主元统计值t2为：
[0098]
t2＝t
t
λ
‑1t
ꢀꢀ
(11)
[0099]
式中：λ＝diag(λ1，λ2，
…
)，m为主元个数，λ
i
为协方差矩阵第i个特征值。
[0100]
t2的阈值服从自由度为m和n－m的f分布f(m，n
‑
m)，置信度为a，此处a为0.95。
[0101][0102]
平方预测误差spe衡量样本向量在残差空间的投影的变化，其计算公式为：
[0103][0104]
其中，表示置信度为α的控制限。的计算公式如下：
[0105][0106]
其中：其中：c
α
为置信度α的标准正态分布统计值；λ
j
为x的协方差矩阵的第j个特征值。
[0107]
实施例
[0108]
本例中以上海某燃气电厂的转子运行数据以及故障实例进行仿真分析，该电厂燃气机组的转子相关振动和热力测点如表1所示。
[0109]
表1电厂转子测点名称
[0110][0111][0112]
以涡轮侧1号轴承转子x向振动位移数据为例进行模型效果的验证，选取样本数量为2000，数据采样时间为1s，首先对原始转子信号进行lmd分解，得到5 个不同尺度的pf分量如图2所示：
[0113]
其中，pf1、pf2和pf3波动程度较大，频率较高，故将将振动位移的pf 分量中的pf1、pf2、pf3划分为高频子序列，pf4、pf5划分为低频子序列，并分别进行叠加得到高低频序列如图3所示。
[0114]
以进行lmd分解的2000组数据作为xgboost模型的训练集，后300组数据作为测试集。使用xgboost算法分别对高、低频子序列进行预测并重构得到最终预测信号，通过与xgboost算法和lstm模型对未分解信号的直接预测效果对比，验证该混合预测模型的效果，3种预测方法的效果对比图如图4所示。
[0115]
为了评价转子振动信号混合预测模型的性能，本例选择平均绝对误差(meanabsulute error,mae)、均方根误差(root absulute error,rmse)和拟合度(goodnessof fit,r2)作为模型评价指标，3种预测方法评价指标结果如表2所示。
[0116]
表2 3种预测方法评价指标
[0117]
预测算法maermser2lmd
‑
xgb0.0560.0060.85xgb0.4020.2480.57lstm0.5270.3640.43
[0118]
实验结果表明，对于转子信号预测，本发明提出的lmd
‑
xgboost混合预测方法明显优于xgboost直接预测方法和lstm方法，信号预测精度进一步提高。
[0119]
该电厂#3号燃气轮机机组2019/8/9上午12时发生燃气轮机振动异常情况，并在后续运行过程中，振动出现增加的趋势，为了保证机组安全运行，降低故障风险，将该燃机设置为紧急备用状态，经过机组检查和振动试验找出导致#3号机组振动异常原因为转子质量不平衡，并通过转子动平衡配重有效降低了机组振动幅值。
[0120]
选取正常工况下5
‑
6月份的数据通过lmd
‑
pca模型计算出正常工况下的平均阈值，作为后续故障检测指标阈值，如表3所示。
[0121]
表3故障监测指标阈值
[0122][0123][0124]
为了验证lmd
‑
xgb
‑
pca预警模型的有效性，从电厂sis系统中选取此次故障发生前6天的运行数据进行建模，用前5天(8月3日～8月7日)的数据作为训练集对预警模型进行训练，对后2天(8月8日～8月9日)的数据进行预测，故障发生前预测信号spe和t2变化情况如图5、图6所示。
[0125]
正常工况下spe和t2上下波动但基本处于阈值线下方，故障发生前统计量超出阈值的比例明显增加，计算出预测信号每小时超出阈值的比例p
t2
和p
spe
如下图7和图8所示，根据燃气电厂运维经验，超出阈值比例达到0.32即可表明设备出现劣化趋势，若设置当p
t2
>0.48，p
spe
>0.48时进行预警，由预警曲线图显示出，t2指标预警时间大约为2019/8/8晚上11点左右，spe指标预警时间为2019/8/8晚上10点左右，相对于故障时刻提前了13个小时，且spe指标比t2指标更敏感，在故障监测时更加灵敏。