基于GRA-DeepAR的燃气轮机燃烧室故障预警研究_李峻辉.pdf
《基于GRA-DeepAR的燃气轮机燃烧室故障预警研究_李峻辉.pdf》由会员分享,可在线阅读,更多相关《基于GRA-DeepAR的燃气轮机燃烧室故障预警研究_李峻辉.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 39 卷第 1 期2023 年 2月上海电力大学学报JournalofShanghaiUniversityofElectricPowerVol39,No 1Feb2023DOI:10 3969/j issn 2096 8299 2023 01 004收稿日期:2022-10-19通信作者简介:黄伟(1966),女,硕士,副教授。主要研究方向为智能控制、系统辨识、故障诊断。E-mail:janehwg163 com。基金项目:上海市“科技创新行动计划”地方院校能力建设专项项目(19020500700)。基于 GA-DeepA 的燃气轮机燃烧室故障预警研究李峻辉,黄伟(上海电力大学 自动化工程
2、学院,上海200090)摘要:为防止电站燃气轮机燃烧室在工作期间出现故障而导致重大经济损失,提出了一种基于灰色关联度分析和深度自回归模型(GA-DeepA)的故障预警方法。首先,采集燃气轮机的正常运行数据进行 GA,提取出与透平排气温度高度相关的特征参数;然后,采用 DeepA 对透平排气温度进行预测,并设定预警阈值,以此建立深度自回归故障预警模型;最后,根据残差绝对值是否超过预警线来间接判断燃烧室的运行情况。以某电厂安萨尔多燃气轮机的运行数据为例进行了分析,结果表明:该方法能够提前识别燃烧室的异常状况,同时发出预警信号提醒工作人员进行处理,可为燃气轮机燃烧室故障预警提供实际参考。关键词:燃气
3、轮机;燃烧室;故障预警;灰色关联度分析;深度自回归模型中图分类号:TK472文献标志码:A文章编号:2096 8299(2023)01 0019 06esearch on Gas Turbine Combustion Chamber Fault WarningBased on GA-DeepALI Junhui,HUANG Wei(School of Automation Engineering,Shanghai University of Electric Power,Shanghai200090,China)Abstract:In order to prevent the major ec
4、onomic losses caused by the failure of the gas turbine com-bustion chamber in the power plant during the working period,a fault early warning method based on Greyelation Analysis-Deep Autoregressive Model(GA-DeepA)is proposed Firstly,the normal operationdata of the gas turbine are collected for GA,a
5、nd the characteristic parameters highly related to the turbineexhaust temperature are extracted;Then,DeepA is used to predict the turbine exhaust temperature,and anearly warning threshold is set to establish a deep autoregressive fault early warning model;Finally,the op-eration of the combustion cha
6、mber is judged indirectly according to whether the absolute value of the re-sidual exceeds the warning lineTaking the operation data of Ansaldo gas turbine in a power plant as anexample,the results show that the method can identify the abnormal conditions of the combustion chamberin advance,and send
7、 an early warning signal to remind the staff to deal with them,providing practical ref-erence for the early warning of gas turbine combustion chamber failureKey words:gas turbine combustion chamber;fault early warning;grey relational analysis;deep autoregressive model上海电力大学学报2022 年燃气轮机是燃气-蒸汽联合循环机组的核
8、心动力装备。它由压气机、燃烧室和透平 3 大部分组成,其中燃烧室被称作燃气轮机的心脏,燃烧室工作运行的可靠性将直接影响到燃气轮机工作运行的可靠性1。燃烧室长期在高温高压的恶劣环境下运行,随着运行时间的增加,内部可能会发生喷嘴堵塞和火焰筒变形、破裂等故障2,将阻碍燃气轮机的正常运行,甚至会造成严重事故。如果能在早期发现燃烧室的异常情况,及时给出维护建议,可以降低由这些故障引起的机组安全事故或非计划停机的风险3,并大大提高燃气轮机的稳定性和经济性。近年来,人工智能和深度学习不断普及到各个领域,为燃气轮机燃烧室故障预警提供了新的思路。叶家豪等人4 利用灰色关联分析(Greyelation Analy
9、sis,GA)建立了训练样本集,提高了历史数据与预测日时间尺度上的信息关联度。黄伟、张泽发5 通过构建燃烧室的多元状态估计模型,引用相似性对真实值和预测值的相似程度进行衡量,用以判断燃烧室的运行情况,虽然能进行故障预警,但预警时间不够提前。彭道刚等人6 采用长短期记忆网络(Long Short TermMemory,LSTM)对燃气轮机压气机进行了故障预警,可以有效预警,但需要庞大的数据集进行分析。SALINAS D 等人7 提出了一种产生精确点预测和概率预测的深度自回归模型(Deep Au-toregressive Model,DeepA),是基于对大量相关时间序列训练的一个自回归的递归网络
10、模型,并通过对几个真实的预测数据集进行广泛的实证评估,与常用循环神经网络(ecurrent Neural Net-works,NN)方法相比,精度有所提高,但该方法没有用于燃气轮机燃烧室方向的研究。针对燃烧室故障预警的现状和存在的问题,本文提出了一种基于灰色关联度分析和深度自回归模型(Grey elation Analysis-Deep Autoregres-sive Model,GA-DeepA)的燃气轮机燃烧室故障预警方法。利用 GA 对正常运行的燃气轮机数据进行分析,温度特征可以有效反映燃烧室故障的渐变趋势。但由于燃烧室内部的火焰温度很高,如果安装温度传感器进行测量,会导致传感器直接损坏
11、。现阶段的方法一般是采取测量透平排气温度间接反馈燃烧室的工作变化趋势8。本文通过提取与透平排气温度关联度高的特征参数作为 DeepA 预测模型的输入,计算得到温度实际值与预测值之间的残差绝对值,并用概率分布拟合设定预警阈值,进而实现燃气轮机燃烧室的故障预警。1相关理论研究1 1DeepA 模型DeepA 是一种基于深度学习的时间序列预测方法。燃气轮机的数据是按照时间周期进行采样的,且采样时间固定,这符合 DeepA 模型的实行标准。DeepA 由 NN(LSTM)组成内部架构,作为一种监督学习算法,能够在一定程度上减轻对数据的要求,也克服了 LSTM 模型的不足;同时,可以有效地从相关的时间序
12、列中学习全局模型及复杂模式,从而对时间序列进行预测9。DeepA 的目标是对条件概率分布进行建模,即给定过去时间序列 zi,1,zi,t02,zi,t01=Zi,t01和协变量 Xi,1 T,建立每个未来时间序列 zi,t0,zi,t0+1,zi,T=Zi,t0 T的条件概率分布P(Zi,t0TZi,1t01,Xi,1T)(1)式中:Zi,t 时间序列 i 在时间 t 处的值;t0 时间划分点。假设模型分布为 Q(Zi,t0 TZi,1 t01,Xi,1 T),则其可以转化为以下的似然形式,即Q(Zi,t0TZi,1t01,Xi,1T)=Tt=t0Q(zi,tZi,1t1,Xi,1T)=Tt=
13、t0(lzi,t(hi,t,)(2)hi,t=H(hi,t1,zi,t1,Xi,t,)(3)式中:l 似然函数;似然函数 l 的参数;网络结构参数;hi,t 隐藏层输出;H 包含 LSTM 的多层循环网络。DeepA 模型是自回归循环网络(Autoregres-sive ecurrent Network,AN)结构,如图 1 所示。在训练阶段,DeepA 输入上一时间的隐藏层 hi,t 1、目标值 Zi,t 1以及当前时间的协变量 Xi,t和模型参数,就能得到当前时间的隐藏层输出hi,t,从而计算似然函数 l(Z|)的参数 i,t=(hi,t,),最后通过对数似然概率最大化来学习得出最佳模型参
14、数。02李峻辉,等:基于 GA-DeepA 的燃气轮机燃烧室故障预警研究图 1DeepA 模型L=Ni=1Tt=t0log(lzi,t|(hi,t)(4)式中:L 对数似然函数;T 采样时间。在预测阶段,每个时间点 t 运用蒙特卡洛采样得到Zi,t l(|i,t)。将这个采样值 Zi,t输入到下一个时间点,通过不断重复此过程,就可以得到t0 t0+T 这一段时间的采样值。运用这些采样值可以计算出所需要的目标值,比如分位数等。的形式取决于似然函数 l 的形式,因为燃气轮机监测数据为实值数据,服从高斯分布,所以似然函数形式为lG(Zi,t|,)=(22)12exp(Zi,t )222(5)(hi,
15、t)=WThi,t+b(6)(hi,t)=(log1+exp(WThi,t+b)(7)式中:均值;标准差;(hi,t)高斯分布函数的均值;W、W 权重矩阵;b、b 偏置矩阵;(hi,t)高斯分布函数的标准差。从理论上来说,DeepA 模型具有较好的预测效果。但,燃气轮机燃烧室结构复杂,特征参数多,且特征参数之间的关联性很强,增加了故障预警的难度,因此需要对特征参数作进一步处理。1 2灰色关联度分析通常来说,对正常运行的燃气轮机燃烧室进行预测时,应该尽可能多地选取输入特征参数,但这样不仅会增大预测时的工作量,而且较多的特征参数可能会相互重叠,反映相似的信息,使得预测没有客观性。对于上述问题,大多
16、数学者一般会使用主成分分析(Principal Component Analysis,PCA)将高维的状态变量转换为低维的变量 10。但 PCA 具有局限性,被原始变量所限制,在降维时容易丢失重要信息;而 GA 可以克服 PCA 的不足,能显示出变量之间的特征以及动态关联程度。因此,本文采用 GA 进行特征参数的提取,降低预测工作量。GA 是一种针对多因素统计和分析的方法,可以分析向量之间、矩阵之间的关联度,或计算得出预测序列与比较特征序列之间的相关程度 11。假设预测序列为X0=(x0(1),x0(2),x0(3),x0(n)(8)m 个比较特征序列为Xi=(xi(1),xi(2),xi(3
17、),xi(n)i=1,2,3,m(9)则两个序列之间的关联度系数为i(k)=minimink|X0(k)Xi(k)|+maximaxk|X0(k)Xi(k)|X0(k)Xi(k)|+maximaxk|X0(k)Xi(k)|k=1,2,3,n(10)式中:minimink|X0(k)Xi(k)|在 k 点X0(k)与Xi(k)的最小绝对差值;maximaxk|X0(k)Xi(k)|在 k 点X0(k)与Xi(k)的最大绝对差值;分辨率系数,通常在 0,1 之间。X0与 Xi之间的关联度为(X0,Xi)=1nnk=1i(k)(11)2燃气轮机燃烧室故障预警燃气轮机燃烧室故障的产生会有早期的预兆。这
18、些预兆体现在燃气轮机运行参数的变化12上海电力大学学报2022 年中。通过提取特征参数,建立预测模型,监测真实值与模型预测值的残差绝对值曲线,以捕获故障发展趋势,从而实现燃气轮机燃烧室的故障预警。2 1燃烧室常见故障根据现阶段使用燃气轮机的电厂用户经验,以及对排气温度与燃烧室燃烧的关系分析,燃烧室常见故障类型12-13 可概括如下。(1)燃料喷嘴堵塞。由于燃气轮机长时间运行后,积灰在内部的管道壁不断累积,使得喷嘴和管道壁的内径缩小,所以容易引发燃烧压力波动,燃烧室热负荷不平衡,导致排温异常。(2)火焰筒裂纹和结焦。冷却空气进入燃烧室,使得燃烧室火焰波动,致使排温异常。(3)燃烧系统过渡段烧损。
19、当燃气轮机启动时,燃烧室的气路通道被渣屑等异物堵塞,导致燃料量过多集中在燃烧室部件的某一点,引发爆燃,使得过渡段烧损,并产生裂纹,冷却空气进入热通道,从而导致排温异常。2 2故障预警流程首先对正常历史数据进行归一化处理,提取出与透平排气温度高度相关的特征参数;其次对DeepA 模型进行训练,使其具有可观的预测效果;最后将待测的数据输入到训练完成的模型中,对透平排气温度的残差绝对值进行监测,并设置预警阈值,若超过阈值的限定范围则发出预警信息。故障预警流程如图 2 所示。2 3特征参数选取预测透平排气温度,需要融合燃气轮机中的多种监测信息。燃气轮机运行过程中,工作状况时有变化,本文根据相关经验8,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GRA DeepAR 燃气轮机 燃烧室 故障 预警 研究 李峻辉
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。