0 引　言

汽轮机组是船舶核动力系统中重要的热功转换与动力输出装置^{[1 − 2]}。由于其运行于高温、高压的极端环境中，且核动力系统蒸汽发生器产生的是饱和蒸汽，低压缸内湿度较高，容易发生各类故障^[3]。同时由于船舶汽轮机组各参数相互关联耦合，如果不及时发现和处理异常，将引发一系列连锁故障^[4]。因此，监测船舶汽轮机组的运行状态并及时判明故障类型意义重大。

传统的故障诊断方法基于专家经验知识实现设备健康监测。如故障树方法通过对特定的故障模式进行演绎以形成故障因果链^[5]。但是由于汽轮机组配置各异、工况多变且系统复杂，故障种类较多，因此建立机理模型或专家系统都成本高昂。

随着人工智能技术的发展，预测与健康管理技术（Prognostics and Health Management，PHM）形成了包含状态监测与故障诊断等技术的体系^[6]。在基于机器学习的汽轮机组故障诊断方面，有3种主要思路。一是基于循环神经网络类（RNNs）算法进行参数预测，再分析可能发生的故障^{[7 − 8]}。这可以实现故障预测，但是少数目标参数与阈值无法满足全部故障的诊断需求。二是以正常数据训练聚类模型，判定系统是否发生异常^[9]。这种方法不需要故障训练数据，但是无法区分故障类型。三是用分类算法进行系统故障诊断^[10]。这种方法可以区分故障类型，但是需要相应的故障数据提前训练模型。

然而共性的问题是现有的研究大多针对汽轮机组的某一稳态工况开展。这是由于除了RNNs外大多数机器学习算法不能直接处理时序数据，同时汽轮机组常运行于某一稳态工况且工况识别技术较为成熟。但是，一些船舶的高机动性需求使得船舶汽轮机组需要频繁切换负荷，进而导致了更多的动态过程的故障。变工况过程中船舶汽轮机组各参数发生波动，在稳态时有效的诊断方法会受到干扰。此外诸如阀门磨损导致的空程等问题在变负荷过程中才会对参数造成显著影响，稳态时则难以被发现^[11]。

针对上述问题，本文引入具备复杂网络拓扑结构且可以处理时间序列数据的TREE-LSTM算法以实现高精度的船舶汽轮机组动态故障诊断。首先针对某船舶核动力系统汽轮机组建立仿真模型；随后分析传感器故障引起的负荷偏差、阀门故障造成的负荷突变等故障机理，实现故障仿真；最后搭建TREE-LSTM模型进行时间序列故障诊断，并与经典LSTM模型以及常用的支持向量机（SVM）分类模型进行对比分析。

1 理论基础 1.1 LSTM算法简介

原始循环神经网络（RNN）能在时间步之间传递信息，因此可以处理时序数据。但是如果参数间的影响传播有较长时间间隔，RNN的效果将会下降，这便是长期依赖（Long-Term Dependencies）问题^[12]。于是长短时记忆网络（LSTM）被提出以解决此问题^[13]。一个LSTM层由若干单元组成，每个LSTM层不但接收上一层的输出h_t，还接收之前单元的状态C_t。h_t单元的短期记忆，C_t即为单元的长期记忆^[14]。

图1为典型的单层LSTM单元模型，其中3个$\sigma$分别是遗忘门、输入门、输出门，$\otimes$为点乘操作。3个门给出了遗忘、输入与输出的权重。由f_t控制的输入门控制单元的输入。由ot控制的输出门读取部分长期状态并产生当前的输出ht。由it控制的遗忘门删除一部分长期单元状态，与tanh（激活函数）共同控制更新。更新后的单元状态共同添加到长期单元状态Ct。

在$t$时刻下由式(1)～式(6)来计算LSTM单层的长期状态、短期状态以及各时间步的输出。

${i_t} = \sigma ({W_i}{x_t} + {U_i}{h_{t - 1}})，$

(1)

${f_t} = \sigma ({W_f}{x_t} + {U_f}{h_{t - 1}})，$

(2)

${o_t} = \sigma ({W_o}{x_t} + {U_i}{h_{t - 1}})，$

(3)

${\hat C_t} = \tanh ({W_C}{x_t} + {U_C}{h_{t - 1}})，$

(4)

${C_t} = {f_t} \otimes {C_{t - 1}} + {i_t} \otimes {\hat C_t} ，$

(5)

${h_t} = {o_t} \otimes \tanh ({C_t})。$

(6)

利用上述方程，LSTM层可以通过输入门学习重要的输入特征，并将它们的值保存在长期状态中。一旦输入值的重要性降低，就使用遗忘门从长期记忆中删除这些值。

1.2 TREE-LSTM模型

LSTM结构中每条数据只能随着时间序列依次进入LSTM网络，并且只存在严格顺序下的信息传播，即线性的信息处理方法。然而汽轮机组的各个参数之间存在较强的非线性耦合性，变负荷时参数间的影响错综复杂，单一的线性LSTM结构无法满足诊断需求。因此本文引入一种改进型的LSTM算法，即树形长短时记忆网络（TREE-LSTM）来解决汽轮机组变负荷过程故障诊断问题^[15]。

TREE-LSTM算法允许更丰富的神经网络拓扑结构，其中每个LSTM单元能够合并来自多个子单元的信息。与LSTM一样，每个TREE-LSTM单元也包含输入门、输出门、一个记忆单元和隐藏状态。两者的区别在于TREE-LSTM的门控向量和记忆单元的更新依赖于所有与之相连的单元状态。此外，TREE-LSTM单元对每个子结点都有一个遗忘门。这允许TREE-LSTM单元有选择地获取信息。一个典型的TREE-LSTM网络结构与原始LSTM网络结构的区别如图2所示。由于更复杂时间序列输入顺序与拓扑结构，TREE-LSTM可以处理更复杂的非线性时间序列信息。

2 船舶汽轮机组仿真与故障仿真 2.1 船舶汽轮机组仿真模型建立

某船舶核动力二回路系统如图3所示。图中虚线框内为目标汽轮机组，包括蒸汽发生器出口到除氧器入口的所有设备。主汽母管直接向2台中压缸，2台辅助汽轮机以及再热设备供汽；辅机乏汽进入乏汽母管。低压缸出口蒸汽分别进入2台冷凝器。低压缸第2、第3与第4复速级后有静叶栅除湿槽用于级间疏水，避免出现冷蒸汽回流与水蚀问题^[16]。

使用JTopmeret软件对船舶汽轮机组进行仿真建模，模型如图4所示。采用热力设计数据对仿真模型进行校验，结果如表1所示。其中仿真值为模型稳态运行100 s的平均值。

在完成校验后，设定该船舶汽轮机组仿真模型100%工况运行25 s，随后切换负荷，待变至10%工况后稳定运行30 s。全变工况过程耗时437 s，以每秒8条数据的频率采集运行数据。共采集3500条正常数据。每条数据包含20个参数，如表2所示。

2.2 变负荷过程故障分析与仿真

在建立了船舶汽轮机组仿真模型并获得了正常状态下的变负荷数据后，需要分析故障机理以进行故障仿真。本文分析并仿真的汽轮机组变负荷过程故障共有以下4种：

1）变负荷过程中轴封泄漏量增大。由于摩擦副损坏、密封件老化变形等原因造成汽轮机组变负荷过程中轴封处蒸汽泄漏量增大。这会影响各个汽缸的输出功率、冷凝器真空度等参数。

2）传感器故障引起的负荷偏差。由于传感器测量误差或电磁干扰，最终造成控制器反应缓慢。与正常变工况过程相比汽缸功率、母管压力等参数会有一定差异。

3）控制器故障引起的负荷偏差。由于控制器故障或参数设置问题，导致变工况过程中控制器输出突变，进汽阀门开度快速变化而造成汽缸功率、冷凝器真空度等参数的波动。

4）阀门故障造成的负荷突变。由于主汽阀的轭衬套等部件磨损导致阀盘松动，产生空程，最终导致汽门部分升程无效，从而导致负载变化率突变。

选择上述4个故障的原因是尽量囊括以下情况：对稳态与动态数据都有较大影响（故障1）；对稳态数据影响较小，对动态数据影响较大（故障2）；仅对动态数据有较大影响（故障3与故障4）；两故障数据分布相似但是部分特征出现的时间不同（故障3与故障4）。

在仿真模型中进行相应的故障设置，再次进行100%到10%的变负荷过程仿真。其中故障1模拟了泄漏10%、20%以及30%共3种程度；故障2模拟了传感器误差5%与10%两种程度；故障3模拟了控制参数偏差10%与20%两种程度；故障4模拟了阀门10%与20%磨损空程2种程度。每种故障及不同程度都以每秒8条的频率采集了1000条数据。

3 变负荷过程故障诊断 3.1 模型建立与配置

建立了典型的SVM分类模型、LSTM模型与TREE-LSTM模型。3个模型的配置参数如表3所示。为方便后续比较，LSTM模型与TREE-LSTM模型的参数设置除损失函数外均保持一致。由于损失函数的适用性与模型结构有关，在3.3节单独探讨其影响。

3.2 数据预处理与特征工程

在进行机器学习模型的训练之前，首先进行数据归一化处理，以免在算法训练过程中由于不同参数量纲不同出现模型忽略数值较小的参数的现象^[17]。

随后，针对2.1节的20个参数进行特征参数筛选，引用RFE-RF方法进行特征工程^[18]。Embedded类的RFE-RF方法针对每个参数遍历了所有其他参数，以随机森林本身的特性避免了过拟合问题，在针对复杂非线性系统进行特征参数筛选方面具有优势。最后得出的表2中的20个参数相关性排序热力图如图5所示，其中每一列的数据为其他19个参数对该参数的相关性排序，因而整体并不像MIC等方法的热力图一样沿对角线对称。最终选出15个特征参数如表4所示。

3.3 诊断结果对比与讨论

使用船舶汽轮机组正常运行变负荷数据、故障一20%严重程度数据、故障二5%严重程度数据、故障三10%严重程度数据以及故障四20%严重程度数据用于模型训练。随后运用其余的正常与故障状态的数据进行变负荷过程故障诊断测试。SVM、LSTM、TREE-LSTM三种模型的诊断结果正确率与各种故障下的多次平均误判数据量如表5与表6所示。表5中括号内表示不同的损失函数配置。

可以看出，SVM模型的分类效果最差，TREE-LSTM模型的效果最好。由于SVM模型并未引入时间序列，因此仅能分辨“错误地点”类型的故障而无法分辨“错误时间”类型的故障。同时，汽轮机组变负荷过程中的参数波动较大，无时间维度仅有数据分布边界的模型容易引起误判。因此SVM诊断错误较多。而LSTM模型由于引入了时间窗，同时拥有长期特征的处理能力，因此效果较好。但是，对于故障3和故障4两种影响的参数几乎相同的故障（都会造成汽缸功率突变与压力波动）则会产生较多误判。而TREE-LSTM模型由于更复杂时间序列输入顺序与拓扑结构，其处理非线性系统时间序列数据时可以捕捉更多的动态特征。因而无论在何种损失函数的情况下，TREE-LSTM模型效果都优于LSTM模型。

4 结　语

本文针对船舶汽轮机组频繁变负荷条件下的动态故障诊断问题，引入了TREE-LSTM进行动态数据分类。首先搭建某船舶核动力系统汽轮机组仿真模型并进行验证。随后分析故障机理并进行故障仿真，获得正常与故障条件下的船舶汽轮机组变负荷数据。进行数据预处理与特征工程以改善数据质量，最后搭建TREE-LSTM模型进行训练与诊断测试，并与SVM、LSTM两种模型进行了结果比较，最终结论如下：

1）相比于SVM等分类算法，由于引入了时间序列与时间窗，RNN更适合处理多参数时间序列动态数据的分类问题。LSTM与TREE-LSTM模型相比于SVM模型的诊断正确率都高25%以上。

2）相比于线性LSTM结构，TREE-LSTM的拓扑结构更丰富，其每个LSTM单元能够合并来自多个子单元的信息，因此更适合处理系统动态数据分类问题，避免正常的参数波动的干扰。最终TREE-LSTM模型针对4种汽轮机组变负荷故障的诊断正确率可达98.7%。