重型燃气轮机自适应气路故障诊断模型研究
摘要
重型燃气轮机是能源电力和舰船动力领域的核心装备，其气路部件的健康状态直接决定机组的安全性与经济性。针对传统气路故障诊断方法在变工况条件下精度漂移、抗干扰能力弱等固有局限，本文系统研究了基于扩展卡尔曼滤波的重型燃气轮机自适应气路故障诊断模型。以Siemens V64.3重型燃气轮机为对象，采用面向对象编程方法构建了可模拟多类型气路故障的非线性热力模型；在此基础上，针对燃气轮机非线性、多变量的运行特点，设计了基于扩展卡尔曼滤波的自适应诊断算法，实现了气路故障的在线实时诊断、故障程度量化和故障位置精准定位。研究进一步探讨了强跟踪滤波器对扩展卡尔曼滤波算法的改进及其在渐变故障与快变故障同时诊断中的优势，并分析了基于模型与数据混合驱动的诊断方法的发展趋势。
广东安全生产技术指出，重型燃气轮机的安全运行不仅依赖设备本身的设计制造质量，更依赖于科学完善的状态监测与故障诊断体系，气路故障的早期精准识别是防范重大设备事故的关键防线。
技术与市场也有论述强调，燃气轮机气路故障诊断正从基于单一模型的方法向模型与数据混合驱动方向演进，自适应算法的工程化落地是推动状态检修模式变革的核心驱动力。研究表明，自适应滤波方法能够在机组大范围变工况条件下保持诊断精度，为重型燃气轮机的视情维护提供了关键技术支撑。
关键词：重型燃气轮机；气路故障诊断；扩展卡尔曼滤波；自适应模型；强跟踪滤波器
一、引言
重型燃气轮机是能源电力、舰船动力和天然气输送等国民经济关键领域的核心动力装备，其运行可靠性直接关系到电力系统安全、能源供给稳定和国防装备保障。随着“双碳”战略目标的提出以及我国电力行业的不断发展，重型燃气轮机作为世界能源领域的动力核心，其设计、制造、材料、测试等技术面临着严峻挑战，是一个国家工业发展水平的重要体现。燃气轮机在运行中长期处于高温、高压、高转速和强振动的极端恶劣环境，通流部件（包括压气机、燃烧室和透平）的性能逐渐衰退，各类气路故障不可避免。据行业统计，气路部件故障占燃气轮机总故障的60%以上，是影响机组可用率和维修成本的主要因素。
气路故障诊断的核心任务，是利用机组可测的气路参数（如各截面温度、压力、转子转速、燃油流量等），推断压气机、燃烧室和透平等部件的健康状态——即部件流通能力与运行效率的退化程度。气路故障诊断最重要的部分为诊断的算法研究。根据诊断机理，气路故障诊断方法可以分为基于热力模型的方法和基于人工智能的方法两大类。基于模型的方法依赖精确的热力学模型和参数估计技术，具有可解释性强、泛化能力好的优势，但诊断精度易受模型误差和工况变化影响；基于数据驱动的方法在特定工况下表现优异，但依赖大量标注数据，跨工况泛化能力不足。
传统气路故障诊断方法面临一个根本性挑战——诊断精度随工况漂移。燃气轮机在实际运行中频繁经历启动、升负荷、降负荷、停机等瞬态变工况过程，各截面热力参数随工况大幅变化，基于某一稳态工况标定的诊断模型难以在宽工况范围内保持精度。《广东安全生产技术》曾刊文指出，重型燃气轮机的安全运行不仅依赖设备本身的设计制造质量，更依赖于科学完善的状态监测与故障诊断体系，气路故障的早期精准识别是防范重大设备事故的关键防线。《技术与市场》也有论述强调，燃气轮机气路故障诊断正从基于单一模型的方法向模型与数据混合驱动方向演进，自适应算法的工程化落地是推动状态检修模式变革的核心驱动力。
在这一背景下，自适应气路故障诊断方法应运而生——其核心思想是通过在线调整模型参数或滤波器增益，使诊断算法能够跟随机组工况的变化，实现全工况范围内的鲁棒诊断。本文以基于扩展卡尔曼滤波（Extended Kalman Filter, EKF）的自适应气路故障诊断模型为主线，系统梳理模型构建、自适应滤波算法设计、仿真验证等关键技术，并探讨强跟踪滤波器等改进算法及混合驱动方法的发展趋势，以期为重型燃气轮机气路故障诊断的理论研究与工程应用提供参考。
二、重型燃气轮机气路故障特性与诊断需求
2.1 气路故障类型与表征参数
重型燃气轮机的气路故障可分为渐变型故障和快变型故障两大类。渐变型故障是指部件性能随运行时间逐渐退化的过程，典型代表包括压气机积垢、叶片腐蚀与冲蚀、热端部件蠕变等。这类故障的特点是发展缓慢、早期难以察觉，但累积效应显著，是导致机组效率下降和维修成本上升的主要原因。快变型故障则指突发的性能急剧恶化事件，如压气机失速、喘振、燃烧室异常等。这类故障发展迅速、危害严重，要求诊断系统具备快速的响应能力。
气路故障的表征通常通过部件的两个健康参数来实现——流通能力（用流量因子表示）和运行效率（用效率因子表示）。当部件发生性能退化时，这两个参数偏离健康基准值。诊断的任务正是从可测参数（温度、压力、转速等）的偏差中反推这两个不可直接测量的健康参数的变化量。然而，由于可测参数的数量通常小于待估健康参数的数量，气路故障诊断本质上是一个欠定问题。
2.2 变工况运行对诊断精度的影响
重型燃气轮机在实际运行中极少在单一工况点长期稳定运行。电网调峰需求、环境温度变化、机组负荷调整等因素使燃气轮机频繁经历变工况过程。在变工况条件下，各截面的热力参数（温度、压力、流量等）随工况大幅变化，其变化幅度往往远大于故障本身引起的参数偏差。如果诊断模型不能准确区分“工况变化引起的参数变化”与“故障引起的参数变化”，诊断结果就会出现严重偏差——这就是诊断精度随工况“漂移”的本质原因。
传统气路故障诊断方法通常在某一设计工况点进行标定，假设机组运行在该工况附近。当机组偏离标定工况运行时，模型误差急剧增大，诊断结果失去可信度。自适应气路故障诊断方法的核心价值，正在于通过在线调整模型参数和滤波增益，使诊断算法能够自动跟随机组工况的变化，在全工况范围内保持一致的诊断精度。
三、基于扩展卡尔曼滤波的自适应诊断模型
3.1 重型燃气轮机非线性模型的构建
自适应气路故障诊断模型的第一步是建立能够准确反映燃气轮机非线性特性的热力模型。以Siemens V64.3重型燃气轮机为对象，研究者采用面向对象的编程方法构建了高保真度的燃气轮机仿真模型。该模型的核心是各通流部件的特性图——压气机的流量-压比-转速特性、透平的流量-压比-转速特性等。
模型构建的关键在于“面向对象”的方法论。将压气机、燃烧室、透平、排气系统等视为独立的对象模块，每个模块封装了各自的物理方程和特性数据，模块之间通过共同工作方程（流量连续、压力平衡、功率平衡、转速平衡）耦合。这种模块化架构不仅使模型具有良好的可扩展性，还便于在诊断过程中独立调整各部件的健康参数来模拟不同类型的故障。将模型仿真结果与燃气轮机运行实测数据进行对比验证，可确保所建立模型具有足够的精度。利用该通用模型可以方便地建立各种不同结构的重型燃气轮机模型。
3.2 扩展卡尔曼滤波算法的基本原理
卡尔曼滤波是一类最优状态估计方法，适用于线性高斯系统。然而，重型燃气轮机是一个典型的非线性系统，其状态方程和测量方程均为非线性函数。扩展卡尔曼滤波通过在当前估计值处对非线性函数进行一阶泰勒展开（线性化），将非线性滤波问题近似为线性滤波问题，从而将卡尔曼滤波的应用范围拓展至非线性系统。
在气路故障诊断场景中，EKF的状态向量通常包括部件健康参数（流量因子和效率因子）以及部分不可直接测量的热力参数（如压气机出口温度、透平进口温度等）。测量向量则包括机组可测的气路参数（各截面温度、压力、转子转速、燃油流量等）。EKF通过递推的两步过程——预测步（基于模型预测下一时刻的状态）和更新步（利用新的测量值修正预测值）——在线估计各部件的健康参数，从而实现对气路故障的实时诊断。仿真表明，EKF对变动范围较小的参数具有较好的追踪效果。
3.3 自适应气路故障诊断模型的设计
针对重型燃气轮机非线性、多变量的运行特点，研究者构建了基于扩展卡尔曼滤波的自适应气路故障诊断模型。该模型的自适应性主要体现在三个层面。
模型参数的自适应调整是第一个层面。在诊断过程中，随着机组工况的变化，模型中的某些参数（如环境条件、燃油热值等）需要在线更新。EKF算法天然具备处理时变参数的能力——通过将慢变参数扩充为状态变量，使滤波器能够同时估计状态和参数。
滤波器增益的自适应调节是第二个层面。传统EKF的滤波器增益由固定的过程噪声协方差矩阵和测量噪声协方差矩阵决定。当机组工况发生大幅变化时，固定的增益可能导致滤波器响应过慢或过度敏感。自适应策略通过在线估计噪声统计特性或引入渐消因子来调节滤波器增益，使其在不同工况下保持最优的估计性能。
诊断逻辑的工况自适应是第三个层面。不同工况下，各测量参数对同一故障的灵敏度不同。自适应诊断模型通过建立工况-灵敏度映射关系，在不同工况下自动调整诊断逻辑中各个测量量的权重，使诊断结论始终基于当前工况下最具信息量的测量数据。
基于EKF的自适应气路故障诊断模型能够实现三大核心功能——气路故障的在线实时诊断、故障程度量化和故障位置精准定位，并且能适配重型燃气轮机大范围运行特性。这意味着模型不仅能够回答“有没有故障”，还能回答“故障有多严重”和“故障在哪里”。
四、诊断模型的改进与扩展
4.1 强跟踪滤波器对EKF的改进
尽管扩展卡尔曼滤波在非线性状态估计中应用广泛，但其存在一个固有局限——当系统发生突变（如快变故障）时，EKF的估计值可能无法快速跟踪状态的真实变化。这是因为EKF在递推过程中，随着观测数据的积累，滤波器增益会逐渐减小，对新息（innovation）的响应变得迟钝——这种现象称为“滤波器发散”。
强跟踪滤波器（Strong Tracking Filter, STF）是对EKF的重要改进。STF的核心创新在于引入了渐消因子，强制增加新息的协方差，迫使滤波器保持对新信息的敏感性。即使滤波器已经收敛到某个估计值，当系统状态发生突变时，渐消因子会使滤波器增益重新增大，使估计值能够快速跟踪状态的变化。利用强跟踪滤波器对基于模型的重型燃气轮机气路故障进行诊断仿真，结果证明利用建立的通用仿真模型并结合强跟踪滤波器，可以对重型燃气轮机气路故障进行诊断。
研究表明，改进型强跟踪滤波器（ISTF）在燃气轮机组气路故障诊断中同时兼具良好的响应速度以及较高的精度。以PG9171E型燃气轮机为研究对象，分别利用EKF（扩展卡尔曼滤波）、STF（强跟踪滤波）以及ISTF（改进型强跟踪滤波）对常见气路故障进行诊断，结果表明ISTF算法同时兼具良好的响应速度以及较高的精度。ISTF算法通过引入气路部件先验知识，合理分配各通道的调节作用，从而提高了气路故障诊断的精度以及动态响应速度。基于卡尔曼滤波器原理对强跟踪滤波器算法进行改进，可提高算法对故障幅值、滤波器初值以及测量噪声的鲁棒性。
4.2 欠定气路故障诊断问题
气路故障诊断的另一个核心挑战是欠定问题——待估计的部件健康参数数量通常多于可测参数的数量。以三轴燃气轮机为例，压气机、燃烧室和透平各部件均有流量因子和效率因子两个健康参数，总计6个待估参数，而可测参数通常仅为4～6个。从有限的信息中反推更多的未知量，在数学上是不适定问题。
研究者提出了基于稀疏贝叶斯学习算法的欠定气路故障诊断方法，用于燃气轮机快变气路故障和传感器故障的同时诊断。稀疏贝叶斯学习通过引入稀疏性先验，在欠定条件下仍能实现有效的参数辨识——其核心假设是，在任一时刻，实际发生故障的部件通常只有少数几个，健康参数的变化是稀疏的。利用这一先验信息，即使可测参数有限，仍可准确识别故障部件。
4.3 模型与数据混合驱动方法
基于模型的方法和基于数据驱动的方法各有优劣。基于模型的方法物理意义明确、可解释性强，但依赖模型的精度；数据驱动方法在特定数据集上表现优异，但泛化能力和可解释性不足。近年来，融合两种方法优势的混合驱动方法成为重要发展趋势。
模型与数据混合驱动的燃气轮机气路故障诊断方法，将热力学模型的物理约束与机器学习的数据拟合能力有机结合。具体路径包括：利用热力学模型生成大量仿真数据，扩充训练样本；将模型输出的残差作为机器学习模型的输入特征；或者利用机器学习模型来修正热力学模型的误差。首先通过自适应热力建模策略构建待诊断对象的燃气轮机热力模型，通过设置不同的部件健康参数和入口边界条件，模拟得到部件健康参数向量。这种方法既保持了物理模型的可解释性，又通过数据驱动方法弥补了模型精度不足的缺陷。
五、仿真验证与工程应用前景
5.1 模型仿真与故障模拟
研究者以Siemens V64.3重型燃气轮机为对象，利用建立的面向对象模型模拟各类气路故障。通过在模型中分别降低压气机的流通能力和效率、降低透平的流通能力和效率、改变燃烧室的燃烧效率等方式，模拟压气机积垢、透平叶片腐蚀、燃烧室异常等典型故障。每种故障设置不同的严重程度（如5%、10%、15%的健康参数退化），以测试诊断算法对故障程度的量化能力。
仿真结果表明，基于EKF的自适应诊断模型能够在宽工况范围内准确跟踪部件健康参数的变化。当压气机发生流通能力退化时，EKF能够在数个采样周期内收敛到真实值附近，且诊断结果在不同负荷工况下保持稳定。将模型仿真结果与燃气轮机运行实测数据进行对比验证，可确保所建立模型具有足够的精度。
5.2 对AE94.3A重型燃气轮机的验证
在AE94.3A重型燃气轮机的仿真测试中，采用牛顿-拉普森算法作为诊断驱动算法进行验证。利用仿真实验测试，得到AE94.3A重型燃气轮机的诊断结果，验证了所提出方法的有效性与可靠性。虽然牛顿-拉普森算法与EKF在求解策略上有所不同，但两者的诊断框架一致——基于部件特性线偏移的健康参数估计。诊断结果能够清晰地输出各主要部件的健康参数变化情况，使热力模型更贴近与实际目标机组的部件特性相匹配，为运维决策提供量化依据。
后续研究表明，基于自适应扩展卡尔曼滤波器的诊断方法在跟踪精度和鲁棒性方面均优于传统方法。在PG9171E型燃气轮机的验证中，ISTF算法的综合性能最优。
5.3 工程应用的关键挑战
尽管自适应气路故障诊断模型在仿真研究中表现出良好的性能，其工程化应用仍面临若干挑战。
模型精度的保障是首要挑战。重型燃气轮机是高精度的复杂热力系统，其部件特性在长期运行中会发生缓慢变化。即使是最精细的初始模型，随着运行时间的增长也会与实际机组产生偏差。如何利用运行数据在线更新和修正模型，是自适应诊断走向工程应用的关键。
传感器可靠性与数据质量同样不可忽视。气路故障诊断高度依赖测量数据的准确性。传感器漂移、测量噪声、数据缺失等问题可能严重影响诊断结果。将传感器故障诊断与气路故障诊断进行联合辨识，是提高系统鲁棒性的重要方向。
诊断结果的置信度量化是影响运维决策的关键。诊断算法输出的健康参数估计值本身带有不确定性。如果不提供置信度信息，运维人员难以判断诊断结论的可靠性。发展基于概率框架的诊断方法（如粒子滤波、贝叶斯估计）是解决这一问题的有效途径。
六、结语
重型燃气轮机气路故障的精准诊断是实施视情维护、提高机组可用率的关键技术基础。针对传统诊断方法在变工况条件下精度漂移的核心痛点，基于扩展卡尔曼滤波的自适应气路故障诊断模型为这一问题的解决提供了有效的技术路径。通过面向对象建模构建高保真度非线性热力模型、利用EKF在线估计部件健康参数、通过自适应策略使滤波器增益跟随工况变化，该模型实现了气路故障的在线实时诊断、故障程度量化和故障位置精准定位。在此基础上发展出的强跟踪滤波器进一步提升了算法对快变故障的响应能力；稀疏贝叶斯学习为欠定诊断问题提供了有效解决方案；模型与数据混合驱动方法则为诊断精度的持续提升开辟了新的方向。
从技术发展趋势来看，重型燃气轮机气路故障诊断正呈现三个显著方向：一是从单一模型方法向模型与数据混合驱动方法演进，充分利用物理模型的先验知识与数据驱动的自适应能力；二是从稳态工况诊断向全工况、瞬态变工况自适应诊断拓展；三是从单部件故障诊断向多部件耦合、传感器与气路故障联合诊断深化。《技术与市场》有论述强调，燃气轮机气路故障诊断正从基于单一模型的方法向模型与数据混合驱动方向演进，自适应算法的工程化落地是推动状态检修模式变革的核心驱动力。
展望未来，随着数字孪生技术、人工智能算法和在线监测手段的持续进步，重型燃气轮机的气路故障诊断将朝着更加智能、精准和可靠的方向发展。《广东安全生产技术》曾刊文指出，气路故障的早期精准识别是防范重大设备事故的关键防线。从“知道有没有故障”到“知道有什么故障”，再到“知道故障何时发生”——每一次诊断能力的跃升，都意味着机组运行安全性的提升和维修经济性的改善，为重型燃气轮机的安全高效运行提供更加坚实的技术保障。
参考文献
[1] 重型燃气轮机自适应气路故障诊断模型研究[J]. 现代工程科技, 2026, (10): 137-140.
[2] 蒲星星. 基于模型的重型燃气轮机气路故障诊断研究[D]. 清华大学, 2013.
[3] 黄郑, 周建新, 李家伟, 等. 基于改进型强跟踪卡尔曼滤波的燃气轮机组气路故障诊断研究[J]. 热能动力工程, 2017.
