基于卷積神經網絡的汽輪機抗燃油泄漏智能預警技術研究

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

汽輪機數字電液控制系統利用高壓抗燃油(簡稱EH油)實現對汽門的調節控制。EH油系統的密封材料損壞、管道的高頻振動、電液伺服閥的故障以及油質劣化均可能會導致EH油泄漏。EH油系統泄漏，會使汽輪機調節異常，嚴重危害機組的運行安全。EH油泄漏處理不當可能引起火災事故，帶來巨大的經濟損失與人員安全風險[1-4]。

隨著電子信息技術的發展，電力工業與信息技術和計算機技術之間的結合越來越緊密。目前智慧電廠的研究尚處于起步階段，智慧電廠大數據平臺的建立已經可以實現機組歷史數據的采集、存儲和趨勢展示，而設備故障的智能識別、智能診斷及智能預警水平尚不能滿足智慧運行管理的要求。因此，開展火電廠機組智慧運行管理關鍵技術的研究具有重要的實用意義。

目前電廠對EH油系統泄漏故障的診斷主要依靠設置EH油箱油位閾值。當油箱油位小于設定閾值以下時，DCS系統發出聲光報警提示運行人員。該方法具有很大的局限性，只有當油量泄漏較多，油位下降到閾值時，才觸發報警，而不能在泄漏初期即做出預警，使得設備面臨的著火風險顯著增大[5-6]。

該文結合深度學習算法及專家經驗知識庫，基于數據驅動的預警方法，提取EH油系統歷史運行特征數據，建立EH油系統泄漏智能預警模型，實時監測EH油系統的運行狀態。實際應用結果表明，EH油泄漏模型監測及時準確，顯著減輕了巡檢人員的工作負擔，提高了電廠的自動化、智能化生產水平。

1 設備簡介

1.1 EH油系統介紹

某電廠EH油系統結構如圖1所示。其中，當AST電磁閥和OPC電磁閥均關閉時，油路2和油路3均被截止，安全油壓建立；此時，EH油經油路1流經高調門、中調門后，從有壓回油管道回到EH油箱。當AST電磁閥組打開或OPC電磁閥組突然打開時，油路1中的EH油經油路2后直接進入無壓管道快速卸油，高調門、中調門失去安全油壓，無法進行調節；此時，EH油通過油路3直接進入無壓回油管道。

圖1 汽輪機EH油系統

1.2 EH油系統漏油點分析

當汽輪機系統處于正常工作時，可能發生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方面。

A、B部位：靠近汽輪機本體及汽門閥組附近的管道焊縫及微小裂紋。因汽門閥組與油動機相連，EH油管道與油動機相連接，當機組振動較大時，一些微小裂紋或焊縫可能導致EH油管道開裂。

C部位：高調閥、中調閥對應的伺服閥與汽輪機殼體的貼合面。伺服閥通常為MOOG閥，最小流通線性尺寸僅為0.025～0.05 mm。管道內壁上有機物的溶解和剝離以及金屬間摩擦產生的金屬碎屑等雜質可能直接進入EH油中，造成伺服閥堵塞、卡澀，形成顆粒磨損，使閥門內漏量增加。

D部位：AST電磁閥或OPC電磁閥。AST電磁閥通常設計為常帶電，電磁閥線圈一直保持通電狀態易產生大量熱量，造成EH油局部過熱，油品氧化或受熱裂解，形成的酸性物質加快了電磁閥的腐蝕，增大閥門內漏。

1.3 EH油系統參數

EH油系統運行狀態的監視要參數如表1所示。當EH油系統發生泄漏時，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生變化。當油位分別下降至低一值、低二值和低三值以下時，設置的LVL L，LVL LL，LVL LLL將會依次報警。EH油箱油位與油泵之間存在聯鎖，當油箱油位低于油泵保護值時，油泵跳閘，EH油供應中斷，導致汽輪發電機組跳閘。

表1 EH油系統數據采集表

因此，閾值報警方法用于診斷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警機制，才能可靠實現EH油系統的安全監控。

2 EH油泄漏預警模型構建

2.1 預警策略及流程

從1.3中可知，可直接對油系統泄漏進行快速反應的參數為EH油箱油位和EH油母管壓力，而EH油母管壓力不僅隨EH油系統泄漏而變化，也隨EH油泵運行狀態、出力狀態、濾網狀態及其他因素相關。因此選擇EH油箱油位作為表征EH油系統泄漏的核心參數。

當EH油系統發生泄漏時，因EH油系統運行壓力高(約14 MPa左右)，隨油系統泄漏程度不同，EH油箱油位將在幾十秒至幾十分鐘內漏盡。而每次EH油箱內加油量不同，EH油箱油位初始值也不同，因此預警模型選擇應關注EH油箱油位的變化趨勢，而不僅是EH油箱油位的數值絕對值大小。

卷積神經網絡在對自然語言和圖像分類等領域存在著無可比擬的優勢。因此該文選擇卷積神經網絡對EH油系統泄漏預警進行識別，并建立模型?；诰矸e神經網絡的EH油系統泄漏預警的主要流程如圖2所示。通過大數據平臺將采集到EH油系統泄漏歷史數據，結合數據特征工程，搭建卷積神經網絡模型并分別采用訓練數據集和測試數據集進行模型訓練及驗證，當模型在測試數據集上的準確率超過90%時，模型訓練完成。

圖2 EH油系統泄漏預警模型訓練流程圖

2.2 卷積神經網絡結構

卷積神經網絡(Convolutional-Neural-Networks，CNN)是深度學習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所示為卷積神經網絡的結構示意圖。

圖3 卷積神經網絡的結構示意圖

其中，輸入層為圖片數據，卷積層用于完成特征提取工作，池化層用于對數據降維，全連接層用作為分類器，輸出層為標簽的分類類型。卷積神經網絡利用網絡結構逐層從樣本中學習特征，通過網絡中的非線性單元，從上而下提取信息。

卷積神經網絡各層的運算記錄及過程如下：

輸入層：在該文中，EH油系統泄漏預警模型的輸入為相關特征圖片。輸入信息只包含曲線的形狀以及趨勢，與色彩無關，以像素的方式讀取圖片信息，分別進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列的像素點的紅色、綠色、藍色的亮度。

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，對感受視野內的輸入矩陣做元素乘法求和并疊加偏置，然后以步長移動卷積核，直至計算完輸入信號的全部區域。具體計算如公式(3)：

(3)

圖4 一維卷積運算示意圖

激活函數：激活函數為卷積神經網絡內的非線性操作，增強網絡的非線性表達能力，使網格可以模擬更細微地變化。

常見的激活函數有Sigmoid函數、雙曲正切函數(Tanh)和修正線性單元(Relu函數)。其中，Relu函數表達式如式(4)，當Relu函數輸入值大于0時，其導數始終為1，從而使得誤差在反向傳播時不會出現很嚴重的梯度消失或者梯度爆炸現象。因此，在該文中的EH油系統泄漏故障預警模型中，將采用Relu函數作為激活函數。

(4)

(5)

其中：為l層第i個特征圖的第t個神經元經過池化層后的輸出值；?l(i,t)為l層第i個特征圖的第t個神經元經過激活函數后的輸出值。

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練進程，提高模型的識別準確率。但是每一層對應的所有輸入數據都進行歸一化處理會使得計算量過于龐大，批量歸一化分批對數據進行歸一化處理[14]。BN層計算輸入數據的均值計算、方差計算和歸一化計算分別如式(6)～(8)。

(6)

(7)

(8)

其中：m為批量數。經過上述處理后，一定程度上解決了數據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，對目標值實現預測[15-16]。SoftMax分類器數學表達式為式(9)：

(9)

2.3 損失函數

卷積神經網絡中的目標函數又稱為損失函數，輸出的值用來衡量模型的擬合效果，損失值越小表明網格預測的效果越好。常用的目標函數有均方差函數和交叉熵函數。其中，交叉熵函數更適合分類任務，所以在該文網絡模型中使用交叉熵作為損失函數[17]，計算如式(10)：

(10)

其中：L是N是種類數量；yi是數據的標簽，如果目標的類別為i，則yi=1，否則為0；pi是Softmax分類器輸出的概率值。

在對誤差的反向傳播過程中，由損失函數對網絡層中的參數W進行求導計算，對應輸出為式(11):

=σ[L]·X[L-1]

(11)

其中：Z為卷積運算；W為卷積層權重系數；X為卷積層輸入；b為卷積層的偏置；σ為損失函數對卷積層的梯度。

由損失函數對偏置b進行求導計算，對應輸出為式(12):

=σ[L]

(12)

對σ[L]進行求導計算，整理有式(13):

(13)

其中：G(Z)為當選擇不同分類器時，由卷積層輸出Z經過分類器的輸出結果的概率。

網絡隨著訓練迭代次數按照梯度下降法更新網絡內的參數，參數更新如式(14):

(14)

其中：α為學習率。

2.4 優化算法

該文采用ADAM(Adaptive Moment Estimation)算法作為模型的優化算法。ADAM 優化算法利用梯度的一階矩估計和二階矩估計修正網絡的學習率，將其約束在一定的范圍之內，讓權值更新較為平穩。優點是計算高效，占用內存小[18-19]。ADAM優化算法具體流程如下。

學習率為λ，一階、二階矩估計指數衰減率分別為ρ1，ρ2，二者默認為0.9和0.99，數值穩定常數ε=10-8，初始網絡權重值為θ，初始化一、二階矩陣s=0,v=0與t=0。梯度計算、偏一階矩迭代、偏二階矩迭代和權重計算如式(15)～(18)：

(15)

s=ρ1s+(1-ρ1)g

(16)

v=ρ2s+(1-ρ2)ggT

(17)

(18)

3 模型訓練結果

3.1 卷積神經網絡設計

該文中通過設計不同卷積神經網絡結構，分別用劃分好的訓練數據集進行模型訓練，再用驗證數據集進行模型驗證。主要從模型準確率accuracy、交叉熵損失loss和模型預測時間等方面對模型進行評價。以下為不同的卷積神經網絡結構及其相關參數。

結構1：輸入層-卷積層1(卷積核個數32，卷積核大小5×5)-池化層1(池化核大小2×2)-全連接層1(全連接神經元個數64)-輸出層；

結構2：輸入層-卷積層1(卷積核個數16，卷積核大小5×5)-池化層1(池化核大小2×2)-全連接層1(全連接神經元個數64)-輸出層；

結構3：輸入層-卷積層1(卷積核個數16，卷積核大小3×3)-池化層1(池化核大小2×2)-全連接層1(全連接神經元個數64)-輸出層；

結構4：輸入層-卷積層1(卷積核個數16，卷積核大小5×5)-池化層1(池化核大小2×2)-全連接層1(全連接神經元個數512)-全連接層(全連接神經元個數64)-輸出層；

結構5：輸入層-卷積層1(卷積核個數32，卷積核大小5×5)-池化層1(池化核大小2×2)-卷積層2(卷積核個數16，卷積核大小2×2)-池化層2(池化核大小2×2)-全連接層1(全連接神經元個數512)-輸出層；

結構6：輸入層-卷積層1(卷積核個數32，卷積核大小5×5)-池化層1(池化核大小2×2)-卷積層2(卷積核個數16，卷積核大小2×2)-池化層2(池化核大小2×2)-全連接層1(全連接神經元個數512)-全連接層2(全連接神經元個數64)輸出層。

3.2 模型訓練結果

分別采用上述6中卷積神經網絡結構對EH油油位曲線進行訓練，訓練輪數設置10輪。6種卷積神經網絡結構的訓練結果如表2所示。不同網絡結構模型的預測結果對比如圖5所示，不同網絡結果運算耗時對比如圖6所示。

表2 不同網絡結構訓練結果

如圖5和圖6所示，采用網絡結構2訓練的模型訓練集預測交叉熵損失最小，約為0.010 1；網絡結構2，3，4訓練的模型訓練集準確率相同且最高，約為99.64%；采用網絡結構1訓練的模型測試集交叉熵損失最小，約為0.040 3，測試集的模型預測準確率最高，約為98.92%。采用網絡結構3的模型計算速度最快，僅需142 ms/step，而網格4的模型計算速度最慢，每次運算時間可達791 ms。

圖5 不同網絡結構預測效果對比圖

圖6 不同網絡結構運算速度對比圖

3.3 結果分析

通過對比上述表格中不同網絡結構下的預測準確率及交叉熵損失和訓練時長，當網絡結構復雜(結構5和6，多一層卷積層和池化層)時，模型運算時長相對較長(平均280 mm/step左右)，但測試集準確率較高，達到97.85%；網絡結構4設計不合理，一方面卷積核數量(卷積核個數為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元個數多(高達512個)，因此不僅計算速度慢，而且模型測試集準確率低；網絡結構2和3比較,結構簡單，卷積核數量少，當卷積核大小越小，測試集準確性越低，但因結構簡單，運算速度快，單步運算僅需145 ms左右；網絡結構1包含卷積核個數32個，僅設計1層卷積層和池化層，后面連接64個全連接神經元，計算速度較快，測試集準確性最高，高達98.92%。

4 結論

EH油系統泄漏若未及時發現并處理，可能會導致機組跳閘甚至引發火災事故。該文通過對EH油系統運行的歷史數據進行分析，基于數據驅動及卷積神經網絡模型算法，通過搭建不同的網絡結構，從驗證集數據的模型準確率、交叉熵損失及模型運算速度等方面對不同的網絡結構進行了評價，其中當模型采用A結構時，模型準確性最高，約為98.92%，交叉熵損失最低，約為0.043 1，且模型運算時長中等。智能預警模型實現了EH油系統泄漏的提早發現，為現場運行人員處理故障爭取了更多時間，減少了現場巡檢人員的工作負擔，有效提高了電力設備的自動化、智能化的程度。