燃气轮机性能分析诊断

燃气轮机性能分析诊断：评论

——翻译稿

摘要

伴随着燃气轮机的发展，燃气轮机诊断技术也历史悠久。早期我们通过技术手册上的制造信息和维修上的经验来进行燃气轮机故障诊断。在20世纪60年代晚期Urban引入了气道分析，这无疑使燃气轮机诊断取得重大突破。从那时起，各种被用于航空工业的不同分析手段相继出现。目前也有大量此领域的论文相继发表。本文试图作一个较为全面的梳理，针对目前各种已发表的关于燃气轮机故障诊断技术的轮机性能分析。

1.简介

由于气道部件在运行过程中的恶化，燃气轮机性能就会下降。最常见的引起性能下降的原因有：压气机阻塞，长期磨损和侵蚀造成的叶片顶端间隙增加，复杂垫圈损坏，内外部件耗损，热端部件损害以及材料腐蚀等。这些物理的故障造成了燃气轮机可测性能参数（效率，流量）的变化，又使得其他可测机器参数，包括温度，压力，转速以及燃料流量的变化。我们可以从这些测量值中去探测到性能的下降并发现部件的故障，正如Urban所提出的关系如图1所示。为保证燃气轮机运行的稳定性，有效维护必不可少。随着燃气轮机诊断技术的发展，轮机维护已经从被动预防转变为基于轮机健康监视和故障诊断的稳定性维护。

目前对于燃气轮机工况监测和故障诊断有多种途径，例如性能分析，油量分析，可视化检查，管路检查，X光诊断，涡流诊断，振动监测，随便监测，噪声监测和涡轮排气监测等等。基于性能分析的诊断是其中最为有效的工具之一，通过这种方法，对燃气轮机气道参数的分析提供了燃气气道部件巨大衰退的信息。

气路分析（GPA）是在1967年由Urban第一次引入线性模型的方法，紧接着又派生出不同的方式，例如最优化模型。为了把机器部分非线性化的特点考虑进来，在1990年Stamatis等人引入了结合传统最优化的非线性模型。不幸的是，传统的最优化方法只能是在局部最优化处得到结论。近年来，这种非线性模型的不足已经被传统遗传算法所克服，这是由Zedda和Singh提出的。在1965年由Denny引入神经网络算法到燃气轮机故障诊断的应用中，并在1989年后得到充分发展和广泛运用。它有着这样的优势，建立神经网络是需要轮机试验知识，但一旦网络建立后，诊断计算变得非常快捷。燃气轮机专家诊断系统的运用可以追述到20世纪80年代早期，这种专家系统仍是目前最好的燃气轮机故障诊断方法之一，并不断地发展着。目前更多专家系统燃气轮机诊断的进展都是基于模糊专家系统的，这是由Fuster和Siu等人在1997年引入的。大多数诊断方法是基于燃气轮机稳态工况测量。在20世纪80年代晚期一些诊断信息已经采用了机器过渡工况的测量值，但基于过渡工况的数据诊断方法还有待发展。

数据误差和测量扰动引起数据在真值附近波动是导致故障诊断不准的另外一个原因。通过平均测量和过滤技术手段能有效降低由于测量扰动引起的影响，并能提高诊断精度。

在本文中，对燃气轮机基于性能分析的诊断方法的技术发展和在公开资料中的出版进行梳理和评价，包括数据的精度和不同燃气轮机故障诊断技术。主要的燃气轮机诊断方法包括，线性模型，非线性模型，人工智能（神经网络，遗传算法和专家系统），模糊逻辑模型以及基于过渡工况数据的故障诊断。

2.数据精度（可靠性）

燃气轮机故障诊断是基于对部件实际特性与理论特性的偏差进行分析的。只能通过实际测量才能得到具体信息。整个诊断系统的精度部分地取决于测量的品质。不幸的是，测量数据常常被传感器噪声、扰动，测量仪器的衰退以及人为误差所影响。为了提高诊断结果的可靠性，在输入到诊断系统前，先对测量数据进行排查和校正显得十分重要。

一般而言，被测量参数的数据再起真值附近波动，且能够用概率密度函数来表述。一个参数的真值可以用它的平均值来估计。所以一般使用移动平均法，即一个平均值包含某测试点的多个算数平均值。移动平均值法的缺点在于它没有使用初始点，并且对趋势变化响应缓慢。相对于10个移动平均值的指数平均值由Deplod和Gass引入来降低测量噪声。用带有15%已知数据的新数据点来代替了新数据。经证明用指数平均数据来降低噪声更为显著，且指数平均值对于数据变化的响应优于滚动平均值。近来，Ganguli探索了不同的数据过滤方法，用来保存可以反映燃气轮机测量值变化趋势的锐边上，移除数据中的噪声。与线性化过滤先比，非线性化过滤，FIR，中值混合过滤法被发现有着更好的精度表现在噪声数据中搜寻基础信号。一个良好的标量形式的气道测量残差可以用来区别故障机器与正常机器。

由Roemer和Mattern等人提出的自关联神经网络也可被用于过滤测量噪声，以提高输入数据的品质。由Lu等人提出的二阶段神经网络算法在燃气轮机高级应用中得到发展。其中一阶段是建立噪声过滤和基于后遗传算法的自匹配的自关联神经网络。第二阶段是使用基于上述网络的最优化程序来实现偏移量的诊断和校正。众所周知，AANN（自关联神经网络）是一种有效的对原始数据的噪声过滤的方法，且对于提高诊断系统的精度极为重要。

对于那些运行在绝对温度较高的环境中的燃气轮机，空气温度对部件参数偏差的影响不亚于由于效率引起的偏差，因此得到的诊断精度将会下降。Mathioudakis和Tsalavoutas建议引入以降低空气温度对测量数据影响的校正方法。

3.线性模型

燃气轮机独立参数（例如气道压力，温度，冲力和质量流量等）和非独立参数（例如压比，某部件的流量和效率）的关系式高度非线性化的。为了简化这一问题，将提出一下的在某一个运行点上的线性估计。

z⃗=H∙x⃗

基于这样的假定，Urban于1967年提出了GPA方法，并且他针对燃气轮机条件监控和多重故障诊断有更为详细的论述。Smetana对GPA作了评估。这种GPA方式已广泛应用于实际之中。通过这种方法，我们可以用线性影响因素矩阵ICM来表述轮机实测参数与不可实测参数之间的关系。

∆z⃗=H∙∆x⃗⃗

所以轮机部件参数的偏移量可以用故障系数矩阵来计算，就是影响系数矩阵的逆矩阵。

∆x⃗⃗=H−1∙∆z⃗

故障系数的得到是依赖于已知部件损坏的推导。这种方法理论上简单且能够提高轮机诊断的应急结果。它也有着故障隔离，量化和多重故障诊断的优点。不幸的是，它所需达到的条件极为苛刻：需要能够精确描述轮机性能的影响系数矩阵的，且免于故障和噪声的传感器，与轮机部件参数量相等的不相关的测量值和准确测量位置的选取。此外，拖尾效应也可能会降低诊断结果的精度。

通过使用最优化估计原理来估计delta_x值也取得了进展，例如最小偏差（或最大可行域）估计，甲醛最小平方，最大归纳法和Kalman过滤。Grewal曾对最优估计在燃气轮机的应用作了较为细致的分析。测量噪声也被考虑在内了。通过比较在单一故障诊断下的Kalman过滤和神经网络两种方法：神经网络比Kalman 过滤方法要略好一些。Kalman过滤方法的另外一个问题在于在少数部件参数变化或整体变化中高阶偏差中的真实变化会造成拖尾的影响。由Provost引入的改进型Kalman过滤系统（也被称为集中器）克服了上述问题。Kong和Ki对于基于Kalman过滤估计的线性和非线性GPA测量参数选择了进行了评估，得到了这样的结论：随着测量参数种类和数量的增加，以及参数测量的适当筛选，诊断系统的可靠性有所提升。

为了使不同GPA方法有均有效，所测量的参数量不能少于诊断预估的参数个数。这个要求由于有限的可测量，一般很难达到要求。为了克服这个问题，由Stamatis，Papailiou等人提出了独立运行条件下的GPA。

Kalman过滤算法也被运用于诊断燃气轮机的瞬态数据，在接下来的章节中将会详述。

4.非线性模型

线性模型假定了燃气轮机运行中，诊断过程的线性表型是线性的，但是这与实际情况不符。为了将轮机运行中的高度线性化考虑在内，我们引入了非线性诊断模型。这一诊断方法是基于过去50多年来轮机性能发展的稳态工况下的精确建模的非线性。燃气轮机的建模技术得到了敖阔Bird，Shwartz和Sanghi等专家的评估。在稳态工况中，燃气轮机的独立变量与非独立变量可用非线性关系表述。

z⃗=F(x⃗⃗)∙v⃗

非线性模型的概念从图1中可见。真实的轮机不见参数变量x决定了轮机性能可测量z，通过预估初值x，轮机模型提供了一个预测的性能可测量z。通过最优化的方法来使目标函数值达到最小值。

Objection Function=∑∅(∥z i⃗⃗⃗−z i⃗⃗⃗̂∥)

i

也就是函数e，真实可测量值z与预估的可测量值z的差值。通过反复迭代求解得到目标函数的最小值，从而得到部件参数x针对真实x的值。