第1章绪论
1.1重型燃气轮机通流部件故障诊断的研究意义
燃气轮机是一种将气体或液体燃料的化学能转变为有用功的内燃式叶轮旋转机械。根据燃气轮机的用途，可将其分为航空发动机、舰船燃气轮机、重型燃气轮机、小型燃气轮机和微型燃气轮机等[1]。因其具备启停快速、调载能力强、热效率高及环保等优异性能，已被广泛应用于石油和天然气管道运输、舰船工业、航空工业和工业电站等领域[2]。作为能源转换装备制造业的高端产品，燃气轮机被誉为装备制造业“皇冠上的明珠”，是工业强国的重要标志之一，并被我国列为优先发展的重大装备，对国家国防、能源等重要领域的安全发展具有特别重要的意义。其中，重型燃气轮机被广泛应用于燃气-蒸汽联合循环电厂[3]。据统计，重型燃气轮机发电是继煤电和核电之后当今世界第三大发电方式，重型燃气轮机将是21世纪乃至更长时期内能源高效转换与洁净利用系统的核心动力设备[4]。工业燃气轮机运行过程中，在恶劣工况条件（机组内部的高温、高压、高转速、高热流、高强度燃烧及高机械应力和热应力）以及周围污染的环境条件下，其主要部件（如压气机、燃烧室和透平）会随着运行时间的增加产生各种各样的性能衰退或损伤，如积垢、泄漏、腐蚀、热畸变、内物损伤等，并易导致各种严重的故障发生。随着重型燃气轮机技术发展，其维修成本在不断增加，在F级重型燃气轮机电厂全寿命周期总成本中，运行维护总费用占15%～20%，其中维修费用占总成本的10%～15%，且随着技术的进步，虽然基建和燃料成本所占的比例逐渐下降，但维修费用所占比例逐渐上升[5]。透平、压气机、燃烧室等通流部件是重型燃气轮机*易发生故障的部件，其性能的渐变退化是机组运行的必然结果，会影响机组的可用性、可靠性和运行成本。目前，世界主要的燃气轮机制造商都在研发下一代重型燃气轮机（H级、G级），其压比和燃气初温更高，单机功率更大，且现今燃气轮机越来越需要在电网支持模式下更灵活地运行，增加了其失效的风险，为此，对其运行可靠性的要求越来越高[6，7]。
当前电厂燃气轮机用户的日常维修策略通常采用预防性维修保养，即严格按照燃气轮机制造商提供的技术文件和有关规范中要求的等效运行小时数（equivalent operating hour，EOH）来决定燃气轮机通流部件是否需要小修、中修、大修。对于机组的停机检修，无论是计划内的（普遍存在过修和失修情况）还是计划外的，总是意味着高昂的运行和维修成本。我国作为燃气轮机用户大国，为提高设备的可靠性和可用性，同时*大限度地延长使用寿命，降低运行维护成本，用户需要通过监测、诊断和预测手段根据机组实际性能健康状况来采取相应的维修策略，即采用视情维修（预测性维修）。通常，视情维修的可靠性与有效性取决于以下两个主要过程[8-10]。
（1）故障诊断：①故障检测，监测正在演变或即将发生的恶化情况；②故障隔离，定位病态部件；③故障识别，判断故障根源。
（2）寿命预测：①预测即将发生的故障；②评估机组剩余使用寿命。
为推动从预防性维修保养过渡到预测性维修保养的维修理念改革，本书针对上述电厂燃气轮机运行维护问题，开展重型燃气轮机状态监测与故障诊断方法研究，实现电厂燃气轮机故障预测诊断的“可视化、精准化与智能化”，以便及时制定恰当合理的维修策略，防止过修和失修，提供控制优化指导，提高机组的可靠性与可用性，*大限度地延长使用寿命，降低运行维护成本，以期打造适应智慧电厂应用的复杂强非线性热力系统故障预测诊断安全防护体系。
1.2重型燃气轮机通流部件故障诊断的国内外研究现状分析
燃气轮机是一种输入-状态-输出三者强非线性耦合的热力系统，环境条件（如大气温度、大气压力、大气相对湿度）和操作控制条件的变化都会致使燃气轮机热力系统内部状态（如各通流部件的性能参数）发生显著变化，这给如何通过有效方法来诊断与预测这种强非线性热力系统的部件性能衰退、老化、损伤及故障情况带来了极大的挑战。
根据故障机理，燃气轮机常见故障情况如图1.1所示。燃气轮机的故障通常分为两大类：一类是与机械性质有关，而与空气动力学及热力学无耦合关系，如轴不对中、质量不平衡、轴承缺陷、油膜失稳等机械故障。对于这些机械故障，众多技术手段，如振动分析[11，12]、油屑分析、噪声分析、热成像、金属温度分析、应力分析等方法，可用于对其诊断，这些技术已趋于成熟。Silva等[13]提出了一种基于连续小波变换的单点碰摩早期故障检测方法，该方法通过机壳上的振动加速度信号来实现转子与壳体碰摩的诊断。另一类是与空气动力学及热力学相关，如压气机积垢、透平腐蚀等通流部件故障情况。对于这类气路故障，气路故障分析方法是一种对正在演变或即将发生的通流部件性能恶化情况发布早期预警信息的技术手段。目前，气路故障分析方法根据诊断机理可以分为基于人工智能的气路故障诊断方法和基于热力模型决策的气路故障诊断方法。
图1.1燃气轮机常见故障情况
1.2.1基于人工智能的气路故障诊断方法
燃气轮机的性能健康状况通常可由各主要通流部件的健康参数来表示，如压气机和透平的流量特性指数（表征部件的通流能力）、压气机和透平的效率特性指数（表征部件的运行效率），以及燃烧室的燃烧效率指数。然而，这些至关重要的健康状态信息不能直接测得，因此不易监测诊断。基于数据驱动的人工智能诊断技术有神经网络[14-17]、贝叶斯网络、模糊逻辑[18-21]、支持向量机和粗糙集理论等方法。采用人工神经网络进行故障检测与故障识别的原理如图1.2所示。
图1.2采用人工神经网络进行故障检测与故障识别的原理
由图1.2（a）可知，在燃气轮机故障检测方面，*先从健康燃气轮机获得的运行数据或由燃气轮机热力模型生成的气路可测参数来训练一个神经网络模型（）；其次，监测已训练的神经网络模型（）的输出值与实际燃气轮机机组的气路参数测量值之间的残差，可以用于故障检测。由图1.2（b）可知，在燃气轮机故障识别方面，*先从故障燃气轮机获得的运行数据或由燃气轮机热力模型故障模拟生成的气路可测参数来训练一个神经网络模型（）；其次，监测已训练的神经网络模型（）的输出值与实际燃气轮机机组的气路参数测量值之间的残差，可以用于故障识别。基于人工智能的气路故障诊断方法往往需要建立在已有燃气轮机机组故障数据样本集上，对于样本集中未涉及的故障类型，这种方法通常难以给出准确的诊断结果。Amare等[22]提出了一种集成自联想神经网络、机器学习分类器和多层感知器的燃气轮机混合智能诊断方法，通过仿真测试论证了该混合智能诊断方法相对于单一智能诊断方法能提高诊断的可靠性。Losi等[23]提出了一种基于贝叶斯分层模型的燃气轮机时序信号异常检测方法，并通过仿真测试阐述了该方法对传感器冲击故障与固定偏差故障检测的有效性。同年，Fentaye等[24]对比分析了基于热力模型决策的气路故障诊断方法和基于人工智能的气路故障诊断方法的各自优缺点，并阐述了基于人工智能的气路故障诊断方法及其混合诊断方法具有更大的应用潜力。Zaccaria等[25]通过文献调研了燃气轮机故障诊断领域应用的各种信息融合和决策融合方法，并提出可以通过将不同诊断方法得到的诊断信息进行融合来提高诊断系统的可靠性。随着深度学习方法在图像识别、语音识别、自动驾驶等领域的成功应用，不断有学者尝试将深度学习方法引入燃气轮机故障诊断与预测领域。Oliaee等[26]提出了一种基于深度神经网络的重型燃气轮机故障检测与识别方法，其中深度特征提取模块采用自编码器作为特征工程处理单元，通过仿真测试论证了该方法对四类故障诊断识别的有效性。Tang等[27]提出了一种基于迁移学习的涡扇发动机气路诊断方法，并通过仿真测试论证了该方法相比于传统的人工智能诊断方法，能显著提高诊断准确性。同年，针对缺乏标定的故障数据样本集问题，Zhong等[28]提出了一种基于卷积神经网络迁移学习的涡扇发动机故障诊断方法，*先用大量已标定的健康样本数据集来训练卷积神经网络，然后将已训练的卷积神经网络（作为深度特征提取模块）与支持向量机（作为故障分类模块）串联后用于故障诊断，并通过实测数据论证了该方法适用于在故障样本数据集较少的情况。Shen等[29]提出了一种基于混合多模机器学习的航空发动机故障诊断方法，将循环神经网络作为深度特征提取模块，将自组织神经网络作为多模诊断分类模块，并通过仿真测试论证了该方法的有效性。同年，Zhou等[30]提出了一种基于卷积神经网络的双轴燃气轮机气路诊断方法，该方法*次尝试了将多维时序气路可测参数所构成的数据矩阵转换成二维图像，利用卷积神经网络对图像空间结构局部特征的感知能力来实现深度特征提取与分类识别，并通过仿真测试论证了该方法对部件故障与传感器故障分类识别的有效性。同年，Yan[31]提出了一种基于深度表示学习的燃气轮机燃烧室半监督异常检测方法，*先通过深度特征提取方法对传感器时序测量参数进行深度表示学习，再通过极限学习机来建立半监督异常检测模型，并通过实测数据论证了该方法对燃烧室异常或故障检测的有效性。深度学习方法给在智慧电厂应用场景下的燃气轮机故障诊断与预测提供了新的思路和技术，目前基于深度学习的燃气轮机故障诊断方法主要直接利用传感器采集的时序数据作为训练样本，试图让算法自己去寻找故障特征，在仿真层面取得了一定效果，但由于其“黑箱”的特点，*好与特征工程的方法相结合来研究，以增强深度学习模型的可解释性，提高故障特征识别机理方面的认识。在重型燃气轮机的实际运行过程中，由于缺乏各种标定的故障数据样本集，尤其对于新型或刚投运的机组，难以在短时间内建立能够覆盖所有故障类型的完备故障样本集，制约了该方法的应用，且该方法难以定量评估故障严重程度。由于当前尚未形成标准的燃气轮机故障诊断范式，通过历史运行经验和现场监测数据，来积累故障模式与故障征兆之间的关系规则库，是项艰难而费时费力的工作。
1.2.2基于热力模型决策的气路故障诊断方法
在燃气轮机运行操作过程中，当某些部件发生性能衰退或损伤时，其内在性能参数（如压比、质量流量、等熵效率等）会发生改变，并导致外在的气路可测参数（如温度、压力、转速等）发生变化，如图1.3所示。
图1.3？通流部件内在性能参数与外在气路可测参数之间的热力学耦合关系
针对上述人工智能诊断方法存在的问题，基于热力模型的气路故障诊断方法应运而生。其物理原理是利用机组可测气路参数（如环境条件参数、操作控制参数以及各部件进出口截面处的温度、压力等）通过热力学耦合关系式求解部件性能参数（如质量流量、压比/膨胀比、等熵效率等），进而求得部件健康参数（在同一部件特性线图上比较发生性能衰退/损伤情况下的部件运行点与健康情况下的运行点，以此观测特性线偏移的程度和方向，如图1.4所示，即得到部件健康参数），并以此来检测、识别性能衰退/损伤的部件并量化严重程度。
图1.4压气机发生性能衰退或损伤时的特性线偏移情况
燃气轮机气路可测参数与部件性能参数之间的热力学关系可由式（1.1）表示：
（1.1）
式中，为传感器测量噪声向量；为环境条件参数和操作控制参数。
将式（1.1）在基准工况点附近进行泰勒展开，可得
（1.2）
略去二阶及以上的高阶项HOT后，可得
（1.3）
展开
