甘 李，姚 智，李 闖，郭云飛，藺奕存，李 昭，譚祥帥，王 林

(1.京能十堰熱電有限公司，湖北 十堰 442000；2.西安熱工研究院有限公司，陜西 西安 710054)

0 引言

汽輪機(jī)數(shù)字電液控制系統(tǒng)利用高壓抗燃油(簡(jiǎn)稱EH油)實(shí)現(xiàn)對(duì)汽門的調(diào)節(jié)控制。EH油系統(tǒng)的密封材料損壞、管道的高頻振動(dòng)、電液伺服閥的故障以及油質(zhì)劣化均可能會(huì)導(dǎo)致EH油泄漏。EH油系統(tǒng)泄漏，會(huì)使汽輪機(jī)調(diào)節(jié)異常，嚴(yán)重危害機(jī)組的運(yùn)行安全。EH油泄漏處理不當(dāng)可能引起火災(zāi)事故，帶來巨大的經(jīng)濟(jì)損失與人員安全風(fēng)險(xiǎn)[1-4]。

隨著電子信息技術(shù)的發(fā)展，電力工業(yè)與信息技術(shù)和計(jì)算機(jī)技術(shù)之間的結(jié)合越來越緊密。目前智慧電廠的研究尚處于起步階段，智慧電廠大數(shù)據(jù)平臺(tái)的建立已經(jīng)可以實(shí)現(xiàn)機(jī)組歷史數(shù)據(jù)的采集、存儲(chǔ)和趨勢(shì)展示，而設(shè)備故障的智能識(shí)別、智能診斷及智能預(yù)警水平尚不能滿足智慧運(yùn)行管理的要求。因此，開展火電廠機(jī)組智慧運(yùn)行管理關(guān)鍵技術(shù)的研究具有重要的實(shí)用意義。

目前電廠對(duì)EH油系統(tǒng)泄漏故障的診斷主要依靠設(shè)置EH油箱油位閾值。當(dāng)油箱油位小于設(shè)定閾值以下時(shí)，DCS系統(tǒng)發(fā)出聲光報(bào)警提示運(yùn)行人員。該方法具有很大的局限性，只有當(dāng)油量泄漏較多，油位下降到閾值時(shí)，才觸發(fā)報(bào)警，而不能在泄漏初期即做出預(yù)警，使得設(shè)備面臨的著火風(fēng)險(xiǎn)顯著增大[5-6]。

該文結(jié)合深度學(xué)習(xí)算法及專家經(jīng)驗(yàn)知識(shí)庫，基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)警方法，提取EH油系統(tǒng)歷史運(yùn)行特征數(shù)據(jù)，建立EH油系統(tǒng)泄漏智能預(yù)警模型，實(shí)時(shí)監(jiān)測(cè)EH油系統(tǒng)的運(yùn)行狀態(tài)。實(shí)際應(yīng)用結(jié)果表明，EH油泄漏模型監(jiān)測(cè)及時(shí)準(zhǔn)確，顯著減輕了巡檢人員的工作負(fù)擔(dān)，提高了電廠的自動(dòng)化、智能化生產(chǎn)水平。

1 設(shè)備簡(jiǎn)介

1.1 EH油系統(tǒng)介紹

某電廠EH油系統(tǒng)結(jié)構(gòu)如圖1所示。其中，當(dāng)AST電磁閥和OPC電磁閥均關(guān)閉時(shí)，油路2和油路3均被截止，安全油壓建立；此時(shí)，EH油經(jīng)油路1流經(jīng)高調(diào)門、中調(diào)門后，從有壓回油管道回到EH油箱。當(dāng)AST電磁閥組打開或OPC電磁閥組突然打開時(shí)，油路1中的EH油經(jīng)油路2后直接進(jìn)入無壓管道快速卸油，高調(diào)門、中調(diào)門失去安全油壓，無法進(jìn)行調(diào)節(jié)；此時(shí)，EH油通過油路3直接進(jìn)入無壓回油管道。

圖1 汽輪機(jī)EH油系統(tǒng)

1.2 EH油系統(tǒng)漏油點(diǎn)分析

當(dāng)汽輪機(jī)系統(tǒng)處于正常工作時(shí)，可能發(fā)生EH油泄漏的位置如圖1中A-D，造成各部位泄漏的原因主要有以下幾個(gè)方面。

A、B部位：靠近汽輪機(jī)本體及汽門閥組附近的管道焊縫及微小裂紋。因汽門閥組與油動(dòng)機(jī)相連，EH油管道與油動(dòng)機(jī)相連接，當(dāng)機(jī)組振動(dòng)較大時(shí)，一些微小裂紋或焊縫可能導(dǎo)致EH油管道開裂。

C部位：高調(diào)閥、中調(diào)閥對(duì)應(yīng)的伺服閥與汽輪機(jī)殼體的貼合面。伺服閥通常為MOOG閥，最小流通線性尺寸僅為0.025～0.05 mm。管道內(nèi)壁上有機(jī)物的溶解和剝離以及金屬間摩擦產(chǎn)生的金屬碎屑等雜質(zhì)可能直接進(jìn)入EH油中，造成伺服閥堵塞、卡澀，形成顆粒磨損，使閥門內(nèi)漏量增加。

D部位：AST電磁閥或OPC電磁閥。AST電磁閥通常設(shè)計(jì)為常帶電，電磁閥線圈一直保持通電狀態(tài)易產(chǎn)生大量熱量，造成EH油局部過熱，油品氧化或受熱裂解，形成的酸性物質(zhì)加快了電磁閥的腐蝕，增大閥門內(nèi)漏。

1.3 EH油系統(tǒng)參數(shù)

EH油系統(tǒng)運(yùn)行狀態(tài)的監(jiān)視要參數(shù)如表1所示。當(dāng)EH油系統(tǒng)發(fā)生泄漏時(shí)，油箱油位逐漸下降，EH油母管壓力存在一定程度下降，EH油箱溫度不隨泄漏發(fā)生變化。當(dāng)油位分別下降至低一值、低二值和低三值以下時(shí)，設(shè)置的LVL L，LVL LL，LVL LLL將會(huì)依次報(bào)警。EH油箱油位與油泵之間存在聯(lián)鎖，當(dāng)油箱油位低于油泵保護(hù)值時(shí)，油泵跳閘，EH油供應(yīng)中斷，導(dǎo)致汽輪發(fā)電機(jī)組跳閘。

表1 EH油系統(tǒng)數(shù)據(jù)采集表

因此，閾值報(bào)警方法用于診斷EH油泄漏具有顯著的滯后性，建立油箱液位異常下降的前端預(yù)警機(jī)制，才能可靠實(shí)現(xiàn)EH油系統(tǒng)的安全監(jiān)控。

2 EH油泄漏預(yù)警模型構(gòu)建

2.1 預(yù)警策略及流程

從1.3中可知，可直接對(duì)油系統(tǒng)泄漏進(jìn)行快速反應(yīng)的參數(shù)為EH油箱油位和EH油母管壓力，而EH油母管壓力不僅隨EH油系統(tǒng)泄漏而變化，也隨EH油泵運(yùn)行狀態(tài)、出力狀態(tài)、濾網(wǎng)狀態(tài)及其他因素相關(guān)。因此選擇EH油箱油位作為表征EH油系統(tǒng)泄漏的核心參數(shù)。

當(dāng)EH油系統(tǒng)發(fā)生泄漏時(shí)，因EH油系統(tǒng)運(yùn)行壓力高(約14 MPa左右)，隨油系統(tǒng)泄漏程度不同，EH油箱油位將在幾十秒至幾十分鐘內(nèi)漏盡。而每次EH油箱內(nèi)加油量不同，EH油箱油位初始值也不同，因此預(yù)警模型選擇應(yīng)關(guān)注EH油箱油位的變化趨勢(shì)，而不僅是EH油箱油位的數(shù)值絕對(duì)值大小。

卷積神經(jīng)網(wǎng)絡(luò)在對(duì)自然語言和圖像分類等領(lǐng)域存在著無可比擬的優(yōu)勢(shì)。因此該文選擇卷積神經(jīng)網(wǎng)絡(luò)對(duì)EH油系統(tǒng)泄漏預(yù)警進(jìn)行識(shí)別，并建立模型。基于卷積神經(jīng)網(wǎng)絡(luò)的EH油系統(tǒng)泄漏預(yù)警的主要流程如圖2所示。通過大數(shù)據(jù)平臺(tái)將采集到EH油系統(tǒng)泄漏歷史數(shù)據(jù)，結(jié)合數(shù)據(jù)特征工程，搭建卷積神經(jīng)網(wǎng)絡(luò)模型并分別采用訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集進(jìn)行模型訓(xùn)練及驗(yàn)證，當(dāng)模型在測(cè)試數(shù)據(jù)集上的準(zhǔn)確率超過90%時(shí)，模型訓(xùn)練完成。

圖2 EH油系統(tǒng)泄漏預(yù)警模型訓(xùn)練流程圖

2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional-Neural-Networks，CNN)是深度學(xué)習(xí)理論中較為典型的模型之一，普遍包含輸入層、卷積層、池化層、全連接層及輸出層[7-11]。如圖3所示為卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

圖3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖

其中，輸入層為圖片數(shù)據(jù)，卷積層用于完成特征提取工作，池化層用于對(duì)數(shù)據(jù)降維，全連接層用作為分類器，輸出層為標(biāo)簽的分類類型。卷積神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)結(jié)構(gòu)逐層從樣本中學(xué)習(xí)特征，通過網(wǎng)絡(luò)中的非線性單元，從上而下提取信息。

卷積神經(jīng)網(wǎng)絡(luò)各層的運(yùn)算記錄及過程如下：

輸入層：在該文中，EH油系統(tǒng)泄漏預(yù)警模型的輸入為相關(guān)特征圖片。輸入信息只包含曲線的形狀以及趨勢(shì)，與色彩無關(guān)，以像素的方式讀取圖片信息，分別進(jìn)行灰度處理及歸一化處理后，作為卷積層的輸入；

將彩色圖片的三分量亮度求平均得到一個(gè)灰度值[12]。

Grayi,j=(Ri,j+Gi,j+Bi,j)/3

(1)

其中：Grayi,j為圖片上第i行第j列的像素點(diǎn)的平均灰度值；Ri,j,Gi,j,Bi,j分別為圖片上第i行第j列的像素點(diǎn)的紅色、綠色、藍(lán)色的亮度。

灰度圖像素最大值為255，最小值為0，因此歸一化如式(2)：

(2)

卷積層：卷積核在工作時(shí)，對(duì)感受視野內(nèi)的輸入矩陣做元素乘法求和并疊加偏置，然后以步長(zhǎng)移動(dòng)卷積核，直至計(jì)算完輸入信號(hào)的全部區(qū)域。具體計(jì)算如公式(3)：

(3)

圖4 一維卷積運(yùn)算示意圖

激活函數(shù)：激活函數(shù)為卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的非線性操作，增強(qiáng)網(wǎng)絡(luò)的非線性表達(dá)能力，使網(wǎng)格可以模擬更細(xì)微地變化。

常見的激活函數(shù)有Sigmoid函數(shù)、雙曲正切函數(shù)(Tanh)和修正線性單元(Relu函數(shù))。其中，Relu函數(shù)表達(dá)式如式(4)，當(dāng)Relu函數(shù)輸入值大于0時(shí)，其導(dǎo)數(shù)始終為1，從而使得誤差在反向傳播時(shí)不會(huì)出現(xiàn)很嚴(yán)重的梯度消失或者梯度爆炸現(xiàn)象。因此，在該文中的EH油系統(tǒng)泄漏故障預(yù)警模型中，將采用Relu函數(shù)作為激活函數(shù)。

(4)

(5)

其中：為l層第i個(gè)特征圖的第t個(gè)神經(jīng)元經(jīng)過池化層后的輸出值；?l(i,t)為l層第i個(gè)特征圖的第t個(gè)神經(jīng)元經(jīng)過激活函數(shù)后的輸出值。

批量歸一化層(Batch Normalization，BN)：批量歸一化算法由Christian.Szegedy和Sergey.Ioffe于2015年提出[13]，可有效加快模型的訓(xùn)練進(jìn)程，提高模型的識(shí)別準(zhǔn)確率。但是每一層對(duì)應(yīng)的所有輸入數(shù)據(jù)都進(jìn)行歸一化處理會(huì)使得計(jì)算量過于龐大，批量歸一化分批對(duì)數(shù)據(jù)進(jìn)行歸一化處理[14]。BN層計(jì)算輸入數(shù)據(jù)的均值計(jì)算、方差計(jì)算和歸一化計(jì)算分別如式(6)～(8)。

(6)

(7)

(8)

其中：m為批量數(shù)。經(jīng)過上述處理后，一定程度上解決了數(shù)據(jù)分布差異過大的問題。

SoftMax分類器：SoftMax分類器連接在最后一層全連接層后面，將最后一層全連接輸出的邏輯值映射為概率分布，對(duì)目標(biāo)值實(shí)現(xiàn)預(yù)測(cè)[15-16]。SoftMax分類器數(shù)學(xué)表達(dá)式為式(9)：

(9)

2.3 損失函數(shù)

卷積神經(jīng)網(wǎng)絡(luò)中的目標(biāo)函數(shù)又稱為損失函數(shù)，輸出的值用來衡量模型的擬合效果，損失值越小表明網(wǎng)格預(yù)測(cè)的效果越好。常用的目標(biāo)函數(shù)有均方差函數(shù)和交叉熵函數(shù)。其中，交叉熵函數(shù)更適合分類任務(wù)，所以在該文網(wǎng)絡(luò)模型中使用交叉熵作為損失函數(shù)[17]，計(jì)算如式(10)：

(10)

其中：L是N是種類數(shù)量；yi是數(shù)據(jù)的標(biāo)簽，如果目標(biāo)的類別為i，則yi=1，否則為0；pi是Softmax分類器輸出的概率值。

在對(duì)誤差的反向傳播過程中，由損失函數(shù)對(duì)網(wǎng)絡(luò)層中的參數(shù)W進(jìn)行求導(dǎo)計(jì)算，對(duì)應(yīng)輸出為式(11):

=σ[L]·X[L-1]

(11)

其中：Z為卷積運(yùn)算；W為卷積層權(quán)重系數(shù)；X為卷積層輸入；b為卷積層的偏置；σ為損失函數(shù)對(duì)卷積層的梯度。

由損失函數(shù)對(duì)偏置b進(jìn)行求導(dǎo)計(jì)算，對(duì)應(yīng)輸出為式(12):

=σ[L]

(12)

對(duì)σ[L]進(jìn)行求導(dǎo)計(jì)算，整理有式(13):

(13)

其中：G(Z)為當(dāng)選擇不同分類器時(shí)，由卷積層輸出Z經(jīng)過分類器的輸出結(jié)果的概率。

網(wǎng)絡(luò)隨著訓(xùn)練迭代次數(shù)按照梯度下降法更新網(wǎng)絡(luò)內(nèi)的參數(shù)，參數(shù)更新如式(14):

(14)

其中：α為學(xué)習(xí)率。

2.4 優(yōu)化算法

該文采用ADAM(Adaptive Moment Estimation)算法作為模型的優(yōu)化算法。ADAM 優(yōu)化算法利用梯度的一階矩估計(jì)和二階矩估計(jì)修正網(wǎng)絡(luò)的學(xué)習(xí)率，將其約束在一定的范圍之內(nèi)，讓權(quán)值更新較為平穩(wěn)。優(yōu)點(diǎn)是計(jì)算高效，占用內(nèi)存小[18-19]。ADAM優(yōu)化算法具體流程如下。

學(xué)習(xí)率為λ，一階、二階矩估計(jì)指數(shù)衰減率分別為ρ1，ρ2，二者默認(rèn)為0.9和0.99，數(shù)值穩(wěn)定常數(shù)ε=10-8，初始網(wǎng)絡(luò)權(quán)重值為θ，初始化一、二階矩陣s=0,v=0與t=0。梯度計(jì)算、偏一階矩迭代、偏二階矩迭代和權(quán)重計(jì)算如式(15)～(18)：

(15)

s=ρ1s+(1-ρ1)g

(16)

v=ρ2s+(1-ρ2)ggT

(17)

(18)

3 模型訓(xùn)練結(jié)果

3.1 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

該文中通過設(shè)計(jì)不同卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分別用劃分好的訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練，再用驗(yàn)證數(shù)據(jù)集進(jìn)行模型驗(yàn)證。主要從模型準(zhǔn)確率accuracy、交叉熵?fù)p失loss和模型預(yù)測(cè)時(shí)間等方面對(duì)模型進(jìn)行評(píng)價(jià)。以下為不同的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其相關(guān)參數(shù)。

結(jié)構(gòu)1：輸入層-卷積層1(卷積核個(gè)數(shù)32，卷積核大小5×5)-池化層1(池化核大小2×2)-全連接層1(全連接神經(jīng)元個(gè)數(shù)64)-輸出層；

結(jié)構(gòu)2：輸入層-卷積層1(卷積核個(gè)數(shù)16，卷積核大小5×5)-池化層1(池化核大小2×2)-全連接層1(全連接神經(jīng)元個(gè)數(shù)64)-輸出層；

結(jié)構(gòu)3：輸入層-卷積層1(卷積核個(gè)數(shù)16，卷積核大小3×3)-池化層1(池化核大小2×2)-全連接層1(全連接神經(jīng)元個(gè)數(shù)64)-輸出層；

結(jié)構(gòu)4：輸入層-卷積層1(卷積核個(gè)數(shù)16，卷積核大小5×5)-池化層1(池化核大小2×2)-全連接層1(全連接神經(jīng)元個(gè)數(shù)512)-全連接層(全連接神經(jīng)元個(gè)數(shù)64)-輸出層；

結(jié)構(gòu)5：輸入層-卷積層1(卷積核個(gè)數(shù)32，卷積核大小5×5)-池化層1(池化核大小2×2)-卷積層2(卷積核個(gè)數(shù)16，卷積核大小2×2)-池化層2(池化核大小2×2)-全連接層1(全連接神經(jīng)元個(gè)數(shù)512)-輸出層；

結(jié)構(gòu)6：輸入層-卷積層1(卷積核個(gè)數(shù)32，卷積核大小5×5)-池化層1(池化核大小2×2)-卷積層2(卷積核個(gè)數(shù)16，卷積核大小2×2)-池化層2(池化核大小2×2)-全連接層1(全連接神經(jīng)元個(gè)數(shù)512)-全連接層2(全連接神經(jīng)元個(gè)數(shù)64)輸出層。

3.2 模型訓(xùn)練結(jié)果

分別采用上述6中卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)EH油油位曲線進(jìn)行訓(xùn)練，訓(xùn)練輪數(shù)設(shè)置10輪。6種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果如表2所示。不同網(wǎng)絡(luò)結(jié)構(gòu)模型的預(yù)測(cè)結(jié)果對(duì)比如圖5所示，不同網(wǎng)絡(luò)結(jié)果運(yùn)算耗時(shí)對(duì)比如圖6所示。

表2 不同網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練結(jié)果

如圖5和圖6所示，采用網(wǎng)絡(luò)結(jié)構(gòu)2訓(xùn)練的模型訓(xùn)練集預(yù)測(cè)交叉熵?fù)p失最小，約為0.010 1；網(wǎng)絡(luò)結(jié)構(gòu)2，3，4訓(xùn)練的模型訓(xùn)練集準(zhǔn)確率相同且最高，約為99.64%；采用網(wǎng)絡(luò)結(jié)構(gòu)1訓(xùn)練的模型測(cè)試集交叉熵?fù)p失最小，約為0.040 3，測(cè)試集的模型預(yù)測(cè)準(zhǔn)確率最高，約為98.92%。采用網(wǎng)絡(luò)結(jié)構(gòu)3的模型計(jì)算速度最快，僅需142 ms/step，而網(wǎng)格4的模型計(jì)算速度最慢，每次運(yùn)算時(shí)間可達(dá)791 ms。

圖5 不同網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)效果對(duì)比圖

圖6 不同網(wǎng)絡(luò)結(jié)構(gòu)運(yùn)算速度對(duì)比圖

3.3 結(jié)果分析

通過對(duì)比上述表格中不同網(wǎng)絡(luò)結(jié)構(gòu)下的預(yù)測(cè)準(zhǔn)確率及交叉熵?fù)p失和訓(xùn)練時(shí)長(zhǎng)，當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜(結(jié)構(gòu)5和6，多一層卷積層和池化層)時(shí)，模型運(yùn)算時(shí)長(zhǎng)相對(duì)較長(zhǎng)(平均280 mm/step左右)，但測(cè)試集準(zhǔn)確率較高，達(dá)到97.85%；網(wǎng)絡(luò)結(jié)構(gòu)4設(shè)計(jì)不合理，一方面卷積核數(shù)量(卷積核個(gè)數(shù)為32)過多，另一方面只包含一層卷積層和池化層，后面直接連接的全連接層神經(jīng)元個(gè)數(shù)多(高達(dá)512個(gè))，因此不僅計(jì)算速度慢，而且模型測(cè)試集準(zhǔn)確率低；網(wǎng)絡(luò)結(jié)構(gòu)2和3比較,結(jié)構(gòu)簡(jiǎn)單，卷積核數(shù)量少，當(dāng)卷積核大小越小，測(cè)試集準(zhǔn)確性越低，但因結(jié)構(gòu)簡(jiǎn)單，運(yùn)算速度快，單步運(yùn)算僅需145 ms左右；網(wǎng)絡(luò)結(jié)構(gòu)1包含卷積核個(gè)數(shù)32個(gè)，僅設(shè)計(jì)1層卷積層和池化層，后面連接64個(gè)全連接神經(jīng)元，計(jì)算速度較快，測(cè)試集準(zhǔn)確性最高，高達(dá)98.92%。

4 結(jié)論

EH油系統(tǒng)泄漏若未及時(shí)發(fā)現(xiàn)并處理，可能會(huì)導(dǎo)致機(jī)組跳閘甚至引發(fā)火災(zāi)事故。該文通過對(duì)EH油系統(tǒng)運(yùn)行的歷史數(shù)據(jù)進(jìn)行分析，基于數(shù)據(jù)驅(qū)動(dòng)及卷積神經(jīng)網(wǎng)絡(luò)模型算法，通過搭建不同的網(wǎng)絡(luò)結(jié)構(gòu)，從驗(yàn)證集數(shù)據(jù)的模型準(zhǔn)確率、交叉熵?fù)p失及模型運(yùn)算速度等方面對(duì)不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了評(píng)價(jià)，其中當(dāng)模型采用A結(jié)構(gòu)時(shí)，模型準(zhǔn)確性最高，約為98.92%，交叉熵?fù)p失最低，約為0.043 1，且模型運(yùn)算時(shí)長(zhǎng)中等。智能預(yù)警模型實(shí)現(xiàn)了EH油系統(tǒng)泄漏的提早發(fā)現(xiàn)，為現(xiàn)場(chǎng)運(yùn)行人員處理故障爭(zhēng)取了更多時(shí)間，減少了現(xiàn)場(chǎng)巡檢人員的工作負(fù)擔(dān)，有效提高了電力設(shè)備的自動(dòng)化、智能化的程度。