汽轮机组健康状态预测的研究

汽轮机组健康状态预测的研究

韩军

安徽晋煤中能化工热电车间 安徽 阜阳236400

摘要：汽轮机组一般依靠传感器和采集系统来收集实时数据，这些数据包含了工作过程的大量信息，得益于传感器的快速发展，其分布在不同部位的传感器部件可稳定可靠的运行在环境复杂、恶劣的汽轮机组内部，所采集的数据也更加精准。依据多种类传感器所采集的信息，对汽轮机组的监测变量通过各类数据挖掘算法进行挖掘和分析，可以实现多种研究目的，其多类信息数据包含振动、温度、压力等，每种不同信息的变化都对应着汽轮机组状态的变化。对这些信息进行有效预测后，再对其进行分类，可以实现对汽轮机组状态的预测，为后续汽轮机组的运行、检修和调控提供指导，有利于机组的平稳、安全、经济运行。

关键词：汽轮机组；健康状态；预测

1汽轮机组异常运行状态

汽轮机组异常运行状态主要有以下几种：第一，负荷异常。汽轮机组负荷异常状态是指其负荷不处于正常数值，其所带电负荷与热负荷之和超出额定运行值时是过负荷运行，汽轮机组过负荷运行时转子受作用力过大，会导致转子产生裂纹缩短使用寿命，还会使叶片承力太大而产生弯曲形变。当进气量增大时，轴向推力会增加从而导致推力瓦温度上升，造成推力瓦损坏。与过负荷相对的就是低负荷运行，低负荷运行时流经汽轮机的蒸汽只在高压段做功，如此运行不仅经济性低，长时间下会导致汽轮机排气温度升高，容易带来安全隐患。第二，振动异常。振动异常主要原因有四个方面，一是转子问题导致，原因可能为转子原始质量不均匀、转子部件零件松动、转自受热过高产生弯曲形变。二是油膜震荡导致，原因为高速游动的油流入油颈，破坏油颈绕轴承中心转动的平衡状态，使其偏离平衡点。三是动静摩擦导致，摩擦会使转子和轴承产生抖动和涡动，同时导致摩擦部位温度升高。四是蒸汽振荡导致，此情况发生在高速旋转的转子上，由于密封腔内的不均匀气压使转子产生切向推力。长时间运行在振动异常状态下，会使汽轮机组热经济性降低，造成动静部分和支撑部件的损坏以及连接部分松动，容易引发安全事故。第三，叶片异常。叶片是汽轮机组的重要组成部分，其发生故障最频繁，因为叶片运行环境是高温高压状态，造成叶片破损的主要原因有疲劳破损，高温疲劳破损，应力腐蚀破损，接触疲劳破损等。疲劳破损的原因是叶片受应力作用大，导致叶片破裂。高温疲劳破损主要是高压缸和低压缸中叶片的破损现象，是由于高温蒸汽导致的。应力腐蚀破损是由于液体腐蚀叶片，在应力作用下腐蚀面不断加大，从而导致叶片破损。接触疲劳破损主要是由于叶片转动不均，与其他部件产生摩擦导致叶片破损。

2汽轮机组健康状态预测

2.1基于CEEMDAN-LSTM-SVM的汽轮机组数据预测研究

汽轮机数据是非线性、不平稳的，采用单一模型预测准确度不高，本节提出了一种基于CEEMDAN-LSTM-SVM的组合预测模型，用于汽轮机组数据预测，有效提高了数据预测精度。模型输入为预处理得到的单一时间序列，序列经过CEEMDAN分解，然后进行LSTM和SVM预测，再通过拉格朗日乘子法对分量加权重构后，累加得到最终预测结果。具体过程如下：（1）对输入数据进行CEEMDAN分解，得到IMF分量和RES分量，为尽量减小分解误差，采用多次CEEMDAN分解，对分解结果取平均值得到待预测IMF分量和RES分量。（2）对待预测IMF分量和RES分量分别进行LSTM预测和SVM预测，并计算预测值与真实值的误差。（3）对LSTM预测分量和SVM预测分量进行重构，利用拉格朗日乘子法进行权重分析，计算得到重构imf预测分量和res预测分量。（4）最后将最优权重组合得到的imf预测分量和res预测分量叠加，输出最终预测结果。以汽轮机组数据集中发电机功率𝑊进行操作演示，采用python中PyEMD库进行CEEMDAN分解，得到12个子序列，包含11个IMF分量和RES分量，分解次数为10次，取10次分解结果的平均值作为分解最终结果。通过CEEMDAN操作后，得到的分量按照频率大小可分为高频、中频、低频分量，每一个分量可理解为不同影响因素下的发电功率波动，从图中可看出，其分量的波动性较之原始数据有规律，预测模型可以对其有效预测。LSTM预测模型的性能主要取决于模型参数，其参数可分为训练参数和超参数，超参数无法通过训练模型获得，要根据人为经验拟定，神经网络中的超参数主要为：1.迭代次数(epochs)：是神经网络的学习次数。2.神经元数量（hidden_size）：是神经网络的主体，决定了模型的泛化能力。3.优化器（optimizer）：用于更新和计算影响训练和输出的网络参数，使其接近或达到最佳值，从而使损失函数最小化。4.学习率（learning_rate）：是在模型训练期间控制网络权重的更新率。5.激活函数（activation）：使用激活函数将非线性因素添加到模型中，使其可以逼近任意非线性函数6.时间窗（timesteps）：决定待预测数据与原始数据时间间隔的关系，影响模型的泛化能力。7.丢弃正则化（dropout）：可有效避免模型过度拟合状态。实验运行环境为AMDRyzen54600H处理器，显卡为NVIDIAGTX1650，采用python3.8语言实现算法仿真，使用pytorch1.13.1GPU训练神经网络。经上述参数搭建模型后，用训练集与测试集比例6：4进行划分，对IMF1进行回归预测，将0-200的数据进行可视化，从细节分析LSTM预测效果。

2.2基于改进CNN网络的汽轮机组状态判别研究

汽轮机组状态判别能够直观的反映机组运行状态，可以对机组运行提供参考意见，减少异常状态持续过长导致的事故问题。本节提出了一种基于改进CNN网络的汽轮机组状态判别模型，用于提高机组状态判别准确率。状态判别是将一段时间内数据的时域频域信息进行特征提取，将提取到的特征进行识别分类的过程。常见的时域特征信息有均值、方差、标准差、均方根幅值、绝对均值、峭度、偏斜度等，常见的频域特征信息有均值频率、频谱均方根、频率标准差、频率中心等。运用神经网络进行状态判别的依据是将特征信息构建出特征矩阵，使其在空间分布上有较好的区分度，再通过神经网络作为分类器，使具有相同特征的数据在空间中形成聚类，将新的数据输入到训练好的网络中可以分类到对应的状态，实现状态判别。CNN网络的优势在于能够自动提取信号的特征再进行分类，省略了人工通过公式进行特征提取的步骤，且CNN通过网络自身的特征提取更适用于CNN分类，若通过其他方式提取到CNN进行分类则准确率略差。本节构建了基于改进CNN网络的状态判别模型，该模型主要由CNN结合GRU、BWO构成。首先将状态样本输入CNN中，经过卷积层卷积处理，再进行PReLU激活函数激活后，输入到池化层降维，通过设置两层卷积层和池化层可以有效降低输出信息的维度。然后，在两层卷积和池化后添加dropout层，目的是防止网络过度拟合，它可以有效将第二池化层输出的信息随机失活，原理是使部分神经元的激活值按一定概率停止工作。再将dropout层输出数据输入到GRU层中，实现GRU单元对汽轮机状态样本数据和CNN输出时序特征的捕捉。利用全局平均池化层替换传统的全连接层，后续连接Softmax层对应到不同分类结果，实现状态分类。其中引入BWO算法进行参数寻优，寻优参数确定最佳模型。该模型将CNN空间特征提取能力与GRU时间特征提取能力有效地融合在一起，从而提高识别准确率。

3结束语

使汽轮机组安全、经济、高效的运行是企业和运行人员的目标，对汽轮机组的状态进行有效预测能够规避汽轮机组重大安全事故的发生，可以辅助汽轮机组在健康状态下达到最高的经济效益。因此，本文针对汽轮机组健康状态预测开展研究。国内外针对汽轮机组的研究主要包括机组故障诊断研究、状态监测研究、故障分析处理等，在机组健康状态预测领域研究较少。因此，本文从两个方面入手，分别处理模型的预测部份和状态判别部分，将数据代入整体模型后输出其预测状态达到研究目的。

参考文献

[1]周灵杰,李博彤,汪鸿,等.基于改进神经网络和能量守恒法的热电联产机组发电量计算[J].热力发电,2020,49(1):70-77.

[2]邵科嘉,周玉,宋豪,等.基于PSO优化BiLSTM的联合循环电厂输出功率预测[J].电力科学与工程,2022,38(2):9-17.