方继辉, 李 阳

(1.杭州华电江东热电有限公司, 浙江 杭州 310000;2.上海电力大学 自动化工程学院, 上海 200090)

在燃气轮机运行过程中,受热部分和旋转组件如涡轮叶片一般需要承受高温、高压和剧烈振动等冲击,导致其出现蠕变、氧化、热疲劳和热腐蚀等现象,直接影响燃气轮机的寿命和效率,因此涡轮叶片的状态监测和故障诊断非常重要,是燃气轮机故障诊断的热门研究方向之一[1-2]。目前基于解析模型、专家系统等算法的传统故障诊断方法仍存在较多不足[3]。首先,涡轮的工作环境恶劣,内部结构复杂,难以建立精确的数学模型;其次,涡轮故障中容易存在多重耦合,难以实现准确的故障隔离[4]。近年来,随着计算机技术和人工智能的发展,对非线性问题的处理能力逐步提高,机器学习方法可以通过各类算法挖掘大量数据内部的潜在联系,十分适合复杂系统的建模分析。XGBoost(eXtreme Gradient Boosting)是时下最强大的机器学习算法之一[5],其优点是准确性更高、速度更快,同时支持并行计算,广泛应用于金融、医疗和工业等领域[6]。文献[7]表明XGBoost可以实现对二次设备缺陷程度的精确判断,进而可以很好地辅助检修人员进行设备的维护与管理。文献[8]利用XGBoost进行变压器故障诊断,结果表明,能准确、有效地诊断变压器故障类型,精度高于支持向量机(Support Vector Machine,SVM)和IEC(International Electrotechnical Commission)三比值法。

传统机器模型的超参数数目一般较少,比如SVM只有2个超参数径向基核宽度σ和惩罚因子c,随机森林(Random Forest,RF)也只有2个超参数。由于这些算法的计算量较小,机器可以在很短的时间内采用网格搜索的方法把所有的可能都遍历一遍,最后以3D可视化的结果直接给出最优超参数。……