第 ３６ 卷第 ３ 期　 　 　 　 　 　 　 　 　 　 　 哈　 尔　 滨　 工　 程　 大　 学　 学　 报 　 　 　 　 　 　 　 　 　 　 Ｖｏｌ．３６ №．３

２０１５ 年 ３ 月　 　 　 　 　 　 　 　 　 　 Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ 　 　 　 　 　 　 　 　 　 　 　 Ｍａｒ．２０１５

燃气轮机排气温度异常检测及诊断
王伟影１ ， 赵宁波１ ， 唐瑞２ ， 李淑英１ ， 胡清华３
（１． 哈尔滨工程大学 动力与能源工程学院， 黑龙江 哈尔滨 １５０００１； ２． 哈尔滨船舶锅炉涡轮机研究所， 黑龙江 哈尔滨
１５００７８； ３． 天津大学 计算机科学与技术学院， 天津 ３０００７２）

摘　 要：针对燃气轮机运行过程中的健康维护问题，提出了一种基于模糊 Ｃ 均值聚类的燃气轮机排气温度异常检测方
法。 以某型工业燃气轮机为例，采用模糊 Ｃ 均值聚类算法对排气温度的监测数据进行了聚类分析，得到了燃气轮机不同
运行状态下的排气温度特征模式，并在此基础上实现了燃气轮机排气温度异常状态下的故障诊断分析。 研究结果表明，
燃气轮机甩负荷及其热通道部件的损坏失效均能够对排气温度产生不同程度的影响，模糊 Ｃ 均值聚类算法可以有效实
现燃气轮机排气温度的异常检测，为燃气轮机性能退化预测及故障诊断提供决策参考。
关键词：燃气轮机；模糊 Ｃ 均值聚类；排气温度；异常检测；故障诊断；健康管理
ｄｏｉ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００６⁃７０４３．２０１３０８０６４
网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ ／ ｄｅｔａｉｌ ／ ２３．１３９０．Ｕ．２０１５０１０９．１５２３．０１２．ｈｔｍｌ
中图分类号： ＴＫ１４ 　 文献标志码：Ａ　 文章编号：１００６⁃７０４３（２０１５）０３⁃０３３７⁃０６

Ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｄｉａｇｎｏｓｉｓ ｏｆ

ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ
ＷＡＮＧ Ｗｅｉｙｉｎｇ１ ，ＺＨＡＯ Ｎｉｎｇｂｏ１ ，ＴＡＮＧ Ｒｕｉ２ ，ＬＩ Ｓｈｕｙｉｎｇ１ ，ＨＵ Ｑｉｎｇｈｕａ３
（ １． Ｃｏｌｌｅｇｅ ｏｆ Ｐｏｗｅｒ ａｎｄ Ｅｎｅｒｇｙ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｈａｒｂｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｈａｒｂｉｎ １５０００１， Ｃｈｉｎａ； ２． Ｈａｒｂｉｎ Ｍａｒｉｎｅ Ｂｏｉｌｅｒ ＆ Ｔｕｒ⁃
ｂｉｎｅ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ， Ｈａｒｂｉｎ １５００７８， Ｃｈｉｎａ； ３． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｔｉａｎｊｉｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｔｉａｎｊｉｎ ３０００７２，
Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｈｅａｌｔｈ ｍａｉｎｔｅｎａｎｃｅ ｕｎｄｅｒ ｇａｓ ｔｕｒｂｉｎｅ ｏｐｅｒａｔｉｎｇ ｃｏｎｄｉｔｉｏｎｓ， ａ ｆｕｚｚｙ Ｃ⁃ｍｅａｎｓ
ｃｌｕｓｔｅｒｉｎｇ ａｐｐｒｏａｃｈ ｗａｓ ａｐｐｌｉｅｄ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ ｉｎ ｔｈｉｓ ｐａ⁃
ｐｅｒ． Ｔａｋｉｎｇ ａｎ ｉｎｄｕｓｔｒｙ ｇａｓ ｔｕｒｂｉｎｅ ａｓ ａｎ ｅｘａｍｐｌｅ， ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ａｎａｌｙｓｉｓ ｏｆ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ
Ｃ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｐｐｒｏａｃｈ ｗａｓ ｓｔｕｄｉｅｄ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｆｅａｔｕｒｅ ｐａｔｔｅｒｎ ｏｆ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ ｗｈｅｎ ｔｈｅ ｇａｓ ｔｕｒ⁃
ｂｉｎｅ ｗａｓ ｉｎ ｄｉｆｆｅｒｅｎｔ ｏｐｅｒａｔｉｎｇ ｃｏｎｄｉｔｉｏｎｓ． Ｂａｓｅｄ ｏｎ ｔｈｉｓ， ａ ｄｉａｇｎｏｓｉｓ ｓｔｕｄｙ ｗａｓ ｃａｒｒｉｅｄ ｏｕｔ ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｅｘｈａｕｓｔ
ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ ｉｎ ｔｈｅ ａｂｎｏｒｍａｌ ｓｔａｔｅ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｂｏｔｈ ｔｈｅ ｇａｓ ｅｎｇｉｎｅ＇ｓ ｌｏａｄ ｒｅｊｅｃｔｉｏｎ ａｎｄ ｔｈｅ ｄａｍａｇｅ
ｆａｉｌｕｒｅ ｏｆ ｈｏｔ ｓｅｃｔｉｏｎ ｐａｒｔｓ ｈａｖｅ ｅｆｆｅｃｔｓ ｏｎ ｔｈｅ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ ｏｆ ｔｈｅ ｇａｓ ｔｕｒｂｉｎｅ ｔｏ ｖａｒｙｉｎｇ ｄｅｇｒｅｅｓ． Ｔｈｅ
ｆｕｚｚｙ Ｃ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｐｐｒｏａｃｈ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｒｅａｌｉｚｅ ｔｈｅ ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａ⁃
ｔｕｒｅ， ｗｈｉｃｈ ｐｒｏｖｉｄｅｓ ｄｅｃｉｓｉｏｎ ｒｅｆｅｒｅｎｃｅｓ ｆｏｒ ｇａｓ ｔｕｒｂｉｎｅ ｐｅｒｆｏｒｍａｎｃｅ ｄｅｇｒａｄａｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ．
Ｋｅｙｗｏｒｄｓ：ｇａｓ ｔｕｒｂｉｎｅ； ｆｕｚｚｙ Ｃ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ； ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ； ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ； ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ；
ｈｅａｌｔｈ ｍａｎａｇｅｍｅｎｔ
　 　 异常状态检测与故障诊断作为燃气轮机健康管理 常现象，汪雪飞等 ［７］ 详细分析了燃气轮机高温热通道
的重要组成部分，其目的在于通过选择合适的监测参 部件故障、燃烧部件故障以及燃料系统部件故障对排
数对燃气轮机运行状态进行有效评估，并对可能发生 气温度均匀度的影响，研究结果表明，相对于平均排气
的各种异常状态及时做出诊断，提高燃气轮机的可靠 温度而言，排气温度的均匀度更能够反映燃气轮机热
性和安全性 ［１⁃２］ 。 通道部件的健康状态。 考虑传感器状态对燃气轮机排
排气温度作为燃气轮机的重要监测参数，能够提 气温度监测的影响，陈娇等 ［８］ 将广义回归神经网络应
供大量有关燃气轮机性能、燃烧系统操作以及热气体 用于燃气轮机排气温度传感器的故障检测，并提出了
通道部件状况等方面的信息 ［３⁃５］ 。 通过对发动机性能 一种传感器状态判断阈值方法。 Ｍｕｔｈｕｒａｍａｎ 等 ［９］ 通过
参数的相关性分析，宋云雪等 ［６］ 发现排气温度与其他 监测排气温度来评估燃气轮机燃烧室的健康状态，并
气路性能参数之间存在明显的线性相关性。 针对某台 建立了自动联想神经网络故障诊断模型。
ＰＧ６５５１Ｂ 型燃气轮机运行过程中所出现的排气温度异 考虑燃气轮机排气温度监测信号的空间分布特
征，本文研究了模糊 Ｃ 均值（ ｆｕｚｚｙ Ｃ⁃ｍｅａｎｓ， ＦＣＭ） 聚类
收稿日期： ２０１３⁃０８⁃３０． 网络出版时间：２０１５⁃０１⁃０９．
算法在燃气轮机排气温度异常检测中的应用，分析了
基金项目：国家自然科学基金资助项目（６０７０３０１３） ；中央高校基本科
研业务费专项资金资助项目（ ＨＥＵＣＦＺ１００５） ． 不同数据预处理方法对排气温度聚类精度的影响，得
作者简介：王伟影（１９８３⁃） ， 男， 博士研究生；
到了燃气轮机不同运行状态下的排气温度特征模式，
李淑英（１９６３⁃） ， 女， 教授， 博士生导师．
通信作者：李淑英， Ｅ⁃ｍａｉｌ： ｌｉｓｈｕｙｉｎｇ＠ ｈｒｂｅｕ．ｅｄｕ．ｃｎ． 并根据现场检修结果对燃气轮机排气温度异常状态进
 · ３３８· 哈　 尔　 滨　 工　 程　 大　 学　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 第 ３６ 卷

行了故障诊断分析。 　 　 如果存在 ｊ 与 ｒ ，使得 ｄ （ｋ）

ｒｊ
＝ ０，则令 μ （ｋ）
ｉｊ
＝ １；当 ｉ ≠
（ｋ）
ｒ 时， μ ｉｊ ＝ ０。
１　 模糊 Ｃ 均值聚类算法
３） 计算 Ｖ （ ｋ ：
＋ １）

１．１　 基本原理
∑ （μ
ｎ

作为一种无监督学习算法，ＦＣＭ 聚类算法是目前
（ｋ）
ｉｊ ） ｍ ｘｊ
（７）
ｊ＝１

应用最广泛的聚类算法之一 ［１０⁃１１］ 。 与传统的 Ｃ 均值聚 Ｖ ｋ＋１

ｉ
＝
∑ （μ
ｎ

类算法不同，ＦＣＭ 聚类算法采用了隶属度的概念，即
（ｋ）
ｉｊ ） ｍ

ｊ＝１

样本并不是依靠简单的距离评估进行聚类，而是通过 　 　 ４） 迭代检验：
‖Ｖ （ｋ １） － Ｖ （ｋ） ‖ ≤ ε （８）
＋
计算隶属度确定归属类。 目前，ＦＣＭ 聚类算法已经成
功应用于热力系统监控 ［１２］ 、故障诊断 ［１３］ 以及图像分割 　 　 采用 矩 阵 范 数 比 较 Ｖ （ｋ １） 与 Ｖ （ｋ） ， 如 果 满 足 式
＋

识别 ［１４］ 等众多领域。 （８） ，则停止迭代，否则置 ｋ ＝ ｋ ＋ １，转向步骤 ２ 继续

给定样本集合 Ｘ ＝ { ｘ １ ，ｘ ２ ，…，ｘ ｎ } ，其中每个样本 迭代。
ｘ ｋ 有 ｔ 个属性，即 ｘ ｋ ＝ { ｘ ｋ１ ，ｘ ｋ２ ，…，ｘ ｋｔ } 。 给定聚类数
２　 燃气轮机排气温度异常检测
ｃ， ＦＣＭ 聚类算法根据最小平方差和目标函数可以将
集合样本划分为 ｃ 类，每个样本以一定的程度隶属于 ｃ ２．１　 数据描述
个不同区域。 　 　 本文以一台工业发电用 ｓｏｌａｒ 金牛 ７０ 型燃气轮机
用 μ ｉｊ 表示第 ｊ 个样本隶属于第 ｉ 类的隶属度， μ ｉｊ 为研究对象，该燃气轮机周向布置有 １２ 个排气温度测
满足如下约束条件 ［１５］ ： 点，燃气轮机正常运行状态下的排气温度监测信号时
１） 每个 样 本 对 每 一 类 的 隶 属 度 都 在 ０ 和 １ 之 序变化趋势如图 １ 所示。
间，即 根据燃气轮机的运行状况，选取 ２００９ 年所测量得
μ ｉｊ ∈ ［０，１］ （１） 到的 ９４ １８８ 组排气温度数据进行聚类分析，并选择另
　 　 ２） 每个样本对全部类的隶属度之和为 １，即 外 ２ 台相同型号燃气轮机在相同运行工作条件下的
４ ４９８组排气温度数据进行聚类验证。
∀ｊ，∑ μ ｉｊ ＝ １
ｃ

（２）
ｉ＝１

　 　 ３） 每一类包含的样本数为 （０，ｎ） ，即

∀ｉ，∑ μ ｉｊ ∈ （０，１）
ｎ

（３）
ｊ＝１

　 　 ＦＣＭ 聚类算法通过对平方误差函数求得最优值，
实现对目标函数的优化：

∑∑μ
ｃ ｎ

ｍｉｎＪ ｍ（ Ｕ，Ｖ） ＝ ｍ
ｉｊ ｄ ２ｉｊ （４）
ｉ＝１ ｊ＝１

式中： ｍ 为模糊权重因子， ｍ ＞ １， ｍ 越大，代表聚类效

果越模糊，通常取 ｍ ＝ ２； Ｕ 为模糊隶属度矩阵， Ｕ ＝
［ μ ｉｊ ］ ｃ ×ｎ ； Ｖ 为聚类中心矢量集合， Ｖ ｉ 表示第 ｉ 个聚类
中心矢量； ｄ ｉｊ 表示第 ｊ 个样本到第 ｉ 个聚类中心矢量的
距离，即 图 １　 燃气轮机正常运行状态下排气温度趋势图
ｄ ｉｊ ＝ ‖ｘ ｊ － Ｖ ｉ ‖ （５） Ｆｉｇ． １ 　 Ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ ｔｒｅｎｄ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ
　 　 由此可知，ＦＣＭ 聚类算法的本质是通过寻求一组 ｕｎｄｅｒ ｎｏｒｍａｌ ｏｐｅｒａｔｉｏｎ ｓｔａｔｅ

中心矢量，能够使各个样本到该组中心矢量的加权距 ２．２　 数据预处理

离平方和最小。 对于 ＦＣＭ 聚类算法而言，样本数据的取值范围会
１．２　 算法描述 对样本的相似性判定造成影响。 传统的数据归一化和
根据上述 给 出 的 ＦＣＭ 聚 类 算 法 基 本 原 理， 基 于 标准化处理方法虽然能够将数据的绝对值变换为某种
ＦＣＭ 聚类算法进行无监督聚类分析的具体建模过程 相对值，但是容易丢失燃气轮机排气温度的空间分布
如下 ［１５⁃１６］ 。 不均匀信息。 因此，综合考虑排气温度的空间分布特
１） 初始化。 征与数据归一化基本原理，本文提出一种适用于燃气
给定迭代标准 ε ＞ ０，初始化分类矩阵 Ｖ （０） 与迭代 轮机排气温度的数据预处理新方法。
步数 ｋ ＝ ０。 对于 燃 气 轮 机 排 气 温 度 测 量 信 号 数 据 集 合
２） 计算 Ｕ （ｋ） ： { Ｔ １ ，Ｔ ２ ，…，Ｔ １２ } ，首先将该集合中的 １２ 个排气温度按
１ 数值大小进行递增排序得到 { Ｔ ＇１ ，Ｔ ＇２ ，…，Ｔ ＇１２ } ，其中，
μ （ｋ） ＝ （６）
Ｔ ＇１ ＜ Ｔ ＇２ ＜ … ＜ Ｔ ＇１２ ，然后将每个排气温度减去该集合
ｉｊ ２

ｄ （ｋ）
∑
ｃ ｍ－ １

（ （ｋ） ）
ｉｊ

ｒ＝１ ｄ ｒｊ 中 １２ 个排气温度的平均值 Ｔ ａｖｅ ，得到新的排气温度集

第 ３ 期　 　 　 　 　 　 　 　 　 　 　 　 　 王伟影，等：燃气轮机排气温度异常检测及诊断 · ３３９·

合 { Ｔ １＇＇ ，Ｔ ２＇＇ ，…，Ｔ １２

＇＇
} ，即 以保留排气温度的不均匀信息，能够进一步提取样本
Ｔ ＝ Ｔ ＇ｉ － Ｔ ａｖｅ ，
＇＇
ｉ ｉ ＝ １，２，…，１２ （９） 数据的特征信息。
　 　 为验证上述数据预处理方法的有效性，表 １ 给出 ２．３　 排气温度状态聚类分析
了不同数据预处理方法的聚类精度对比结果。 由于 ＦＣＭ 聚类算法的性能依赖于初始聚类中心
表 １　 数据预处理方法对聚类精度的影响 的数目，聚类中心数目过少容易导致误分类。 根据排
Ｔａｂｌｅ １　 Ｅｆｆｅｃｔｓ ｏｆ ｄａｔａ ｐｒｅｐｒｏｃｅｓｓｉｎｇ ａｐｐｒｏａｃｈ ｏｎ ｃｌｕｓｔｅ⁃ 气温度的样本数据特点，为了提高聚类精度，本文采用
ｒｉｎｇ ａｃｃｕｒａｃｙ 反复试凑法确定聚类数目。 经过反复 ＦＣＭ 聚类分析
数据预处理方法 聚类精度 ／ ％ 发现，只有将排气温度的状态设为 ７ 类时，排气温度的
直接聚类 ７０．１６ 特征能够全面表征，而当聚类中心数目低于 ７ 时，由于
排序后直接聚类 ７２．１８ 数据样本的不平衡，容易将某些排气温度样本（ 例如
排序后归一化聚类 ７５．２４ Ｎｏ４ 类） 作为噪声信号处理，从而降低聚类精度。 表 ２
排序后标准化聚类 ６０．４４ 给出了聚类中心数目为 ７ 时，不同排气温度状态下的
排序后减均值聚类 ８５．６８ 聚类中心。
排序后比均值聚类 ８０．４５ 由于排气温度样本数据的维数较高，难以直接对排
气温度的聚类结果进行可视化分析，因此，本文选取样
　 　 由表 １ 可以看出，相对于其他数据预处理方法，本
本数据中 ２ 个重要参数（ Ｔ１＇＇ ， Ｔ１２
＇＇
） 对聚类结果进行二维
文提出的排序后减均值数据预处理方法对燃气轮机排
气温度具有更高的聚类精度。 该种方法不仅能够消除 作图，如图 ２ 所示。 其中， Ｔ１＇＇ 代表排气温度最小值与平
＇＇
不同变量之间取值范围差异对聚类精度的影响，还可 均值之差； Ｔ１２ 代表排气温度最大值与平均值之差。

表 ２　 燃气轮机排气温度聚类中心
Ｔａｂｌｅ ２　 Ｃｌｕｓｔｅｒｉｎｇ ｃｅｎｔｅｒｓ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ　 　 　 　 　 　 　 　 　 ℃
类型 Ｔ１＇＇ Ｔ２＇＇ Ｔ３＇＇ Ｔ４＇＇ Ｔ５＇＇ Ｔ６＇＇ Ｔ７＇＇ Ｔ８＇＇ Ｔ９＇＇ ＇＇
Ｔ１０ ＇＇
Ｔ１１ ＇＇
Ｔ１２
Ｎｏ１ －９．３３４ ０ －６．０７６ ６ －４．６３５ ４ －３．１９２ ５ －１．７３５ ４ －０．６７６ ７ ０．６７６ ７ ２．８９８ ８ ５．５１５ １ ７．５０１ ５ １３．９９８ １６．３２５
Ｎｏ２ －３１．９２６ －２３．０４４ －１６．４９１ －１４．６４３ －７．４７５ １ －５．７１１ ０ ５．７１１ ０ ７．１６７ ９ ９．９７０ １ １４．２３０ １５．０７０ １６．０３８
Ｎｏ３ －６．１８３ ４ －４．８７５ ７ －３．６２４ ４ －２．３６２ ９ －１．３７４ １ －０．４９５ ２ ０．４９５ ２ １．３３９ ４ ２．５２８ ９ ４．６０２ ５ １１．４２１ １６．１３４
Ｎｏ４ －１５１．３５ －１２８．９５ －９７．５６６ －７４．６０７ －３３．０７３ －１．２３３ ８ １．２３３ ８ １１．３４０ ２１．５０２ ２４．５４５ ３１．３７９ ３６．２９８
Ｎｏ５ －１１．９６４ －８．８６４ ７ －７．２２３ ８ －５．５７６ ６ －２．９５７ ８ －１．２０７ ３５ １．２０７ ３ ２．１３２ ８ ３．０３７ ８ ５．０５３ ４ １４．１２３ １５．８３６
Ｎｏ６ －３１．８８８ －２５．３３８ －１５．７９３ －１３．９１９ －７．９５１ １ －６．９１９ ４ ６．９１９ ４ １０．６１２ １２．８７０ １５．８９８ １６．９５７ １８．９５２
Ｎｏ７ －１０．８０３ －８．８１３ ６ －７．１１２ ０ －５．３８０ ７ －３．１６４ １ －１．０１４ ８ １．０１４ ８ ２．４２７ ０ ４．２９５ １ ６．２８０ ３ ８．９６５ ５ １１．１９７

　 　 根据表 ２ 与图 ２ 可知，采用 ＦＣＭ 聚类算法得到的 　 　 在保证排气温度传感器正常状态下，排气温度分

７ 个聚类中心之间依然存在相似性，其中，Ｎｏ４ 类的聚 散度代表了 １２ 个排气温度测量值的分布不均匀特征，
类中心与其他聚类中心相差较大，Ｎｏ２ 类与 Ｎｏ６ 类的 当燃气轮机处于正常运行状态时，分散度较小，反之则
聚类中心较为接近，而 Ｎｏ１ 类、Ｎｏ３ 类、Ｎｏ５ 类及 Ｎｏ７ 类 较大。 因此，本文采用如下 ３ 种分散度（ Ｓ １ 、 Ｓ ２ 、 Ｓ ３ ） 对
之间也存在较为相似的特征。 因此，有必要对上述聚 燃气轮机排气温度的分布均匀性进行分析 ［１７］ ：
类结果进行再聚类分析。 Ｓ １ ＝ Ｔ １２
＇＇
－ Ｔ １＇＇ （１０）
Ｓ ２ ＝ Ｔ １２ － Ｔ ２＇＇
＇＇
（１１）
Ｓ３ ＝ Ｔ － Ｔ ＇＇
１２ （１２）
＇＇
３

　 　 值得指出，上述 ３ 种分散度只能表征部分排气温
度信息。
　 　 图 ３（ ａ） 给出了 Ｎｏ１ 类、Ｎｏ３ 类、Ｎｏ５ 类、Ｎｏ７ 类排
气温度的分散度分布，由图 ３（ ａ） 可知，上述 ４ 种类型
排气温度的分散度分布并不完全一致，但是又存在明
显 的 交 集， 即 排 气 温 度 分 散 度 相 对 较 小， 通 常 有
０≤Ｓ １ ≤４０℃ 且 ０≤ Ｓ ２ ≤４０℃ ，并且样本元素最多。 因
此，可判断上述 ４ 种类型代表的排气温度属于同一类，
即燃气轮机正常运行状态。
图 ２　 燃气轮机排气温度可视化聚类结果 图 ３（ ｂ） 给出了 Ｎｏ１ 类、Ｎｏ２ 类、Ｎｏ４ 类、Ｎｏ６ 类排
Ｆｉｇ． ２　 Ｇｒａｐｈｉｃ ｃｌｕｓｔｅｒｉｎｇ ｒｅｓｕｌｔ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ 气温度的分散度分布，从图 ３（ ｂ） 中可以看出，与其他
ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ
类排气温度的分散度相比，Ｎｏ４ 类排气温度的分散度
· ３４０· 哈　 尔　 滨　 工　 程　 大　 学　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 第 ３６ 卷

极大，通常有 １４０℃ ≤ Ｓ １ 且 １００℃ ≤ Ｓ ２ ，属于排气温度 由于正常状态下的 样 本 数 据 较 大， 导 致 数 据 样 本 的

异常状态 １。 此外，图 ３ （ ｂ） 的 结 果 还 表 明，Ｎｏ２ 类 与 不平衡，从 而 造 成 部 分 排 气 温 度 状 态 的 误 分 类， 使
Ｎｏ６ 类 ２ 种类型排气温度的分散度分布较为一致。 同 得聚类 精 度 有 所 下 降。 然 而， 从 总 体 角 度 来 看， 采
时，相对于 Ｎｏ１ 类而言，上述 ２ 种类型排气温度的分散 用 ＦＣＭ 聚类方法 所 得 到 的 燃 气 轮 机 排 气 温 度 聚 类
度较大，通常有 ４０℃ ≤ Ｓ １ ≤７０℃ 且 ４０℃ ≤ Ｓ ２ ≤７０℃ 。 结果能够满足工程应用要求。
因此，可判断上述 Ｎｏ２ 类与 Ｎｏ６ 类排气温度属于同一
类，即为排气温度异常状态 １。 表 ３　 燃气轮机排气温度状态划分
Ｔａｂｌｅ ３　 Ｓｔａｔｅ ｄｉｖｉｓｉｏｎ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａ⁃
ｔｕｒｅ
类型 正常状态 异常状态 １ 异常状态 ２
Ｎｏ１ √
Ｎｏ２ √
Ｎｏ３ √
Ｎｏ４ √
Ｎｏ５ √
Ｎｏ６ √
Ｎｏ７ √

（ ａ） Ｎｏ１、Ｎｏ３、Ｎｏ５、Ｎｏ７ 类 表 ４　 燃气轮机排气温度聚类验证
Ｔａｂｌｅ ４ 　 Ｃｌｕｓｔｅｒｉｎｇ ｖａｌｉｄａｔｉｏｎ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ ｇａｓ
ｔｅｍｐｅｒａｔｕｒｅ
实际状态 聚类状态 样本数 聚类精度 ／ ％
正常状态 正常状态 ３ ３８３ １００
异常状态 １ 异常状态 １ １５ １００
异常状态 ２ 正常状态 ７４
９３．３
异常状态 ２ 异常状态 ２ １ ０２６

３　 燃气轮机排气温度异常诊断分析
３．１　 燃气轮机甩负荷对排气温度的影响
图 ４ 给出了燃气轮机在某段时间内发生异常状态
（ ｂ） Ｎｏ１、Ｎｏ２、Ｎｏ４、Ｎｏ６ 类 １（ Ｎｏ４ 类） 时，不同运行状态参数的变化规律。 根据图
图 ３　 燃气轮机排气温度分散度分布 ４ 可知，该现象发生时，燃气轮机排气温度骤降，功率骤
Ｆｉｇ． ３ 　 Ｄｉｓｐｅｒｓｉｏｎ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｅｘｈａｕｓｔ 降为 ０，而转速变化不明显。 此时，燃气轮机不对外输
ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ
出功率，高温燃气所作的功全部用于带动压气机，导致
　 　 综合图 ２ 与图 ３ 可知，本文研究的燃气轮机排气 燃气轮机转速变化不大，压气机入口空气流量增大，同
温度状态可划分为 ３ 类，即正常状态、异常状态 １ 与异 时燃料供给减少，使得排气温度骤降。 综合分析表明，
常状态 ２，如表 ３ 所示。 燃气轮机排气温度异常状态 １（ Ｎｏ４ 类） 是由于燃气轮
　 　 为验证上述 聚 类 分 析 结 果 的 有 效 性 与 普 适 性， 机甩负荷导致。
选择另外 ２ 台相同型号燃气轮机在相同运行工作环
境条件下的 ４ ４９８ 组排气温度数据进 行 总 体 聚 类 验
证，聚类 结 果 如 表 ４ 所 示。 由 表 ４ 可 知， 采 用 ＦＣＭ
聚类方法 能 够 有 效 地 实 现 燃 气 轮 机 排 气 温 度 的 状
态聚类与 检 测， 其 中， 正 常 状 态 与 异 常 状 态 １ 的 聚
类精度均 能 够 达 到 １００％ ， 其 主 要 原 因 在 于 异 常 状
态 １（ Ｎｏ４ 类） 条件下的排气温度及 其 分 散 度 分 布 与
另外 ２ 种状态相比特征十分明显。 而异常状态 ２ 的
聚类精度为 ９３．３％ ，存在６．７％ 的 异 常 状 态 ２ 误 判 为
正常状态，误分类样 本 集 中 于 正 常 状 态 与 异 常 状 态
２ 的分割边界 附 近， 其 主 要 原 因 是 该 ２ 种 状 态 下 的
排气温度及其分散 度 分 布 特 征 存 在 部 分 相 似， 同 时 （ ａ） 排气温度
第 ３ 期　 　 　 　 　 　 　 　 　 　 　 　 　 王伟影，等：燃气轮机排气温度异常检测及诊断 · ３４１·

（ ｂ） 转速 （ ａ） Ｎｏ２ 类

（ ｃ） 输出功率
（ ｂ） Ｎｏ６ 类
图 ４　 燃气轮机甩负荷对不同运行参数的影响
图 ５　 燃气轮机涡轮叶片损伤对排气温度均匀度的影响
Ｆｉｇ． ４　 Ｅｆｆｅｃｔｓ ｏｆ ｇａｓ ｔｕｒｂｉｎｅ ｌｏａｄ ｒｅｊｅｃｔｉｏｎ ｏｎ ｄｉｆｆｅｒｅｎｔ
Ｆｉｇ． ５　 Ｅｆｆｅｃｔｓ ｏｆ ｔｕｒｂｉｎｅ ｂｌａｄｅ ｄａｍａｇｅ ｏｎ ｅｘｈａｕｓｔ ｇａｓ
ｏｐｅｒａｔｉｏｎ ｐａｒａｍｅｔｅｒｓ
ｔｅｍｐｅｒａｔｕｒｅ ｕｎｉｆｏｒｍｉｔｙ
３．２　 燃气轮机涡轮叶片损伤对排气温度的影响
图 ５ 给出了燃气轮机在某段时间内发生异常状态
２（ Ｎｏ２ 类与 Ｎｏ６ 类） 时的排气温度周向分布。 由图 ５
可知，上述 ８ 个日期的燃气轮机排气温度周向分布非
常相似，排气温度最大值与最小值分别出现在 ９０° 与
１５０°方向。 现场检修结果发现，该情况下造成燃气轮
机排气温度周向分布不均匀的根本原因在于燃气轮机
的一级涡轮叶片磨损严重，部分二级涡轮叶片也存在
磨损，导致流道型线发生改变，造成各叶片通道的焓降
有所差异，周向温度场分布不均匀。 同时，叶片磨损造
成叶片损失增大，叶片效率下降，容易使燃气轮机在环 图 ６ 燃气轮机涡轮叶片损伤对排气温度分散度的影响
境温度较高时的启动过程中发生热悬挂现象，这与文 Ｆｉｇ． ６　 Ｅｆｆｅｃｔｓ ｏｆ ｔｕｒｂｉｎｅ ｂｌａｄｅ ｄａｍａｇｅ ｏｎ ｅｘｈａｕｓｔ ｇａｓ
献［７］ 中的故障分析结果一致。 因此，可以判定燃气轮 ｔｅｍｐｅｒａｔｕｒｅ ｄｉｓｐｅｒｓｉｏｎ
机排气温度异常状态 ２（ Ｎｏ２ 类与 Ｎｏ６ 类） 为涡轮叶片
磨损故障。 ４　 结论
　 　 图 ６ 给出了燃气轮机在上述时间段内 的 排 气 温 本文根据燃气轮机排气温度的空间分布特征与时
度分散度 （ Ｓ １ ， Ｓ ２ ， Ｓ ３ ） 时 序 变 化 规 律， 从 图 ６ 中 可 序变化规律，研究了模糊 Ｃ 均值聚类算法在燃气轮机
以看出，当燃气轮 机 排 气 温 度 处 于 异 常 状 态 ２ （ Ｎｏ２ 排气温度异常检测与诊断中的应用，得到如下结论：
类与 Ｎｏ６ 类） 时，３ 种排气温度分散度明显升高。 此 １） 综合考虑燃气轮机排气温度的空间分布均匀性
外，由于涡轮叶片磨 损 对 热 通 道 部 件 产 生 了 不 可 逆 信息与数据归一化思想，本文所提出的减均值后排序
的腐蚀损伤，使得燃 气 轮 机 的 排 气 温 度 分 散 度 在 部 数据预处理方法可以有效提取样本数据的特征信息，
分维修之后依然处 于 缓 慢 上 升 状 态，燃 气 轮 机 总 体 提高排气温度的聚类精度。
性能不断退化。 ２） 基于模糊 Ｃ 均值聚类算法对某型工业燃气轮机
排气温度的分析结果表明，通过该方法得到的聚类检
 · ３４２· 哈　 尔　 滨　 工　 程　 大　 学　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 第 ３６ 卷
测结果与现场实际检修结果较为一致，聚类精度较高，
验证了该算法在燃气轮机排气温度异常检测中应用的
有效性。
３） 根据聚类结果与现场实际检修分析发现，排气
温度能够有效反映燃气轮机运行状态与健康水平，燃
气轮机甩负荷与热通道部件的损坏失效均能够对排气
温度产生不同程度的影响，因此，加强排气温度方面的
研究有利于提高燃气轮机的健康管理水平。
４） 由于燃气轮机甩负荷条件下的排气温度样本较
少，得到的聚类特征相对比较分散，有必要进一步进行
数据积累与分析验证。
参考文献：
［ １］ ＬＥＥ Ｙ Ｋ， ＭＡＶＲＩＳ Ｄ Ｎ， ＶＯＬＯＶＯＩ Ｖ Ｖ， ｅｔ ａｌ． Ａ ｆａｕｌｔ ｄｉ⁃
ａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｆｏｒ ｉｎｄｕｓｔｒｉａｌ ｇａｓ ｔｕｒｂｉｎｅｓ ｕｓｉｎｇ Ｂａｙｅｓｉａｎ ｄａｔａ
ａｎａｌｙｓｉｓ ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ ｆｏｒ Ｇａｓ Ｔｕｒｂｉｎｅｓ ａｎｄ
Ｐｏｗｅｒ， ２０１０， １３２（４） ： ０４１６０２．
［２］ ＬＩ Ｙ Ｇ． Ｐｅｒｆｏｒｍａｎｃｅ ａｎａｌｙｓｉｓ ｂａｓｅｄ ｇａｓ ｔｕｒｂｉｎｅ ｄｉａｇｎｏｓｔｉｃｓ：
ａ ｒｅｖｉｅｗ ［ Ｊ］ ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｓｔｉｔｕｔｉｏｎ ｏｆ Ｍｅｃｈａｎｉｃａｌ
Ｅｎｇｉｎｅｅｒｓ， Ｐａｒｔ Ａ： Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ ａｎｄ Ｅｎｅｒｇｙ， ２００２， ２１６
（５） ： ３６３⁃３７７．
［３］ ＨＥ Ｈ Ｘ， ＬＩ Ｎ， ＺＨＥＮＧ Ｇ Ｆ， ｅｔ ａｌ． Ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ
ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃ｄｅｔｅｃｔｏｒ ｆｕｓｉｏｎ ｕｓｅｄ ｉｎ ｔｕｒｂｉｎｅ ［ Ｊ］ ． Ｊｏｕｒｎａｌ
ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１３， ２０（１） ： １１３⁃１１７．
［４］ ＰＡＴＲＩＣＫ Ｈ Ｐ Ｅ， ＨＡ Ｄ． Ｅｘｈａｕｓｔ ｇａｓ ｔｅｍｐｅｒａｔｕｒｅ ｃａｐａｂｉｌｉ⁃
ｔｉｅｓ ｎｏｗ ｉｎ ｓｙｓｔｅｍ １ ® ｓｏｆｔｗａｒｅ ［ Ｊ ］ ． Ｐｒｏｄｕｃｔ Ｕｐｄａｔｅ，
２００５， ２５（１） ： ８８⁃８９．
［５］ ＬＩＵ Ｘ， ＪＥＦＦＲＩＥＳ Ｊ Ｂ， ＨＡＮＳＯＮ Ｒ Ｋ， ｅｔ ａｌ． Ｄｅｖｅｌｏｐｍｅｎｔ
ｏｆ ａ ｔｕｎａｂｌｅ ｄｉｏｄｅ ｌａｓｅｒ ｓｅｎｓｏｒ ｆｏｒ ｍｅａｓｕｒｅｍｅｎｔｓ ｏｆ ｇａｓ ｔｕｒ⁃
ｂｉｎｅ ｅｘｈａｕｓｔ ｔｅｍｐｅｒａｔｕｒｅ ［ Ｊ］ ． Ａｐｐｌｉｅｄ Ｐｈｙｓｉｃｓ Ｂ， ２００６， ８２
（３） ： ４６９⁃４７８．
［６］ 宋云雪， 张科星， 史永胜． 基于多元线性回归的发动机性
能参数预测 ［ Ｊ］ ． 航空动力学报， ２００９， ２４（２） ： ４２７⁃４３１．
ＳＯＮＧ Ｙｕｎｘｕｅ， ＺＨＡＮＧ Ｋｅｘｉｎｇ， ＳＨＩ Ｙｏｎｇｓｈｅｎｇ． Ｒｅｓｅａｒｃｈ
ｏｎ ａｅｒｏｅｎｇｉｎｅ ｐｅｒｆｏｒｍａｎｃｅ ｐａｒａｍｅｔｅｒｓ ｆｏｒｅｃａｓｔ ｂａｓｅｄ ｏｎ ｍｕｌ⁃
ｔｉｐｌｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄ ［ Ｊ ］ ． Ｊｏｕｒｎａｌ ｏｆ
Ａｅｒｏｓｐａｃｅ Ｐｏｗｅｒ， ２００９， ２４（２） ： ４２７⁃４３１．
［７］ 汪雪飞， 杨建明． ＰＧ６５５１Ｂ 燃机排气分散度大故障的分
析与处理 ［ Ｊ］ ． 燃气轮机技术， ２００４， １７（２） ： ５８⁃６１．
ＷＡＮＧ Ｘｕｅｆｅｉ， ＹＡＮＧ Ｊｉａｎｍｉｎｇ． Ａｎａｌｙｓｉｓ ａｎｄ ｔｒｅａｔｍｅｎｔ ｏｆ
ｌａｒｇｅｒ ｅｘｈａｕｓｔ ｄｉｓｐｅｒｓｉｔｙ ｆａｕｌｔ ｆｏｒ ＰＧ６５５１Ｂ ｇａｓ ｔｕｒｂｉｎｅ ［ Ｊ］ ．
Ｇａｓ Ｔｕｒｂｉｎｅ Ｔｅｃｈｎｏｌｏｇｙ， ２００４， １７（２） ： ５８⁃６１．
［８］ 陈娇， 王永泓， 翁史烈． 广义回归神经网络在燃气轮机排
气温度传感器故障检测中的应用 ［ Ｊ］ ． 中国电机工程学
报， ２００９， ２９（３２） ： ９２⁃９７．
ＣＨＥＮ Ｊｉａｏ， ＷＡＮＧ Ｙｏｎｇｈｏｎｇ， ＷＥＮＧ Ｓｈｉｌｉｅ． Ａｐｐｌｉｃａｔｉｏｎ
ｏｆ ｇｅｎｅｒａｌ ｒｅｇｒｅｓｓｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ｏｆ ｅｘ⁃
ｈａｕｓｔ ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒｓ ｏｎ ｇａｓ ｔｕｒｂｉｎｅｓ ［ Ｊ］ ． Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆ ｔｈｅ ＣＳＥＥ， ２００９， ２９（３２） ： ９２⁃９７．
［９］ ＭＵＴＨＵＲＡＭＡＮ Ｓ， ＴＷＩＤＤＬＥ Ｊ， ＳＩＮＧＨ Ｍ， ｅｔ ａｌ． Ｃｏｎｄｉ⁃
ｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ＳＳＥ ｇａｓ ｔｕｒｂｉｎｅｓ ｕｓｉｎｇ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔ⁃
ｗｏｒｋｓ ［ Ｊ ］ ． Ｉｎｓｉｇｈｔ⁃Ｎｏｎ⁃Ｄｅｓｔｒｕｃｔｉｖｅ Ｔｅｓｔｉｎｇ ａｎｄ Ｃｏｎｄｉｔｉｏｎ
Ｍｏｎｉｔｏｒｉｎｇ， ２０１２， ５４（８） ： ４３６⁃４３９．
［１０］ ＤＵＮＮ Ｊ． Ａ ｆｕｚｚｙ ｒｅｌａｔｉｖｅ ｏｆ ｔｈｅ ＩＳＯＤＡＴＡ ｐｒｏｃｅｓｓ ａｎｄ ｉｔｓ
ｕｓｅ ｉｎ ｄｅｔｅｃｔｉｎｇ ｃｏｍｐａｃｔ ｗｅｌｌ⁃ｓｅｐａｒａｔｅｄ ｃｌｕｓｔｅｒｓ ［ Ｊ］ ． Ｊｏｕｒ⁃
ｎａｌ ｏｆ Ｃｙｂｅｒｎｅｔｉｃｓ， １９７３， ８（３） ： ３２⁃５７．
［ １１］ ＢＥＺＤＥＫ Ｊ Ｃ． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ｆｕｚｚｙ ｏｂｊｅｃｔｉｖｅ ｆｕｎｃ⁃
ｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ［ Ｍ］ ． Ｎｅｗ Ｙｏｒｋ： Ｐｌｅｎｕｍ Ｐｒｅｓｓ， １９８１： ６２⁃
７８．
［１２］ 赵欢， 王培红， 钱瑾， 等． 基于模糊 Ｃ⁃均值聚类的锅炉
监控参数基准值建模 ［ Ｊ］ ． 中国电机工程学报， ２０１１，
１１（１５） ： １６⁃２２．
ＺＨＡＯ Ｈｕａｎ， ＷＡＮＧ Ｐｅｉｈｏｎｇ， ＱＩＡＮ Ｊｉｎ， ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ
ｆｏｒ ｔａｒｇｅｔ⁃ｖａｌｕｅ ｏｆ ｂｏｉｌｅｒ ｍｏｎｉｔｏｒｉｎｇ ｐａｒａｍｅｔｅｒｓ ｂａｓｅｄ ｏｎ
ｆｕｚｚｙ Ｃ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ［ Ｊ］ ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ
ＣＳＥＥ， ２０１１， １１（１５） ： １６⁃２２．
［１３］ 徐超， 张培林， 任国全， 等． 基于改进半监督模糊 Ｃ⁃均
值聚类的 发 动 机 磨 损 故 障 诊 断 ［ Ｊ］ ． 机 械 工 程 学 报，
２０１１， ４７（１７） ： ５５⁃６０．
ＸＵ Ｃｈａｏ， ＺＨＡＮＧ Ｐｅｉｌｉｎ， ＲＥＮ Ｇｕｏｑｕａｎ， ｅｔ ａｌ． Ｅｎｇｉｎｅ
ｗｅａｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｂａｓｅｄ ｏｎ ｉｍｐｒｏｖｅｄ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ
ｆｕｚｚｙ Ｃ⁃ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉ⁃
ｎｅｅｒｉｎｇ， ２０１１， ４７（１７） ： ５５⁃６０．
［１４］ ＹＡＮＧ Ｙ， ＨＵＡＮＧ Ｓ． Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂｙ ｆｕｚｚｙ Ｃ⁃
ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ａ ｎｏｖｅｌ ｐｅｎａｌｔｙ ｔｅｒｍ ［ Ｊ］ ．
Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｃｓ， ２００７， ２６： １７⁃３１．
［ １５］ ＰＡＬ Ｎ Ｒ， ＢＥＺＤＥＫ Ｊ Ｃ． Ｏｎ ｃｌｕｓｔｅｒ ｖａｌｉｄｉｔｙ ｆｏｒ ｔｈｅ ｆｕｚｚｙ Ｃ⁃
ｍｅａｎｓ ｍｏｄｅｌ ［ Ｊ］ ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，
１９９５， ３（３） ： ３７０⁃３７９．
［１６］ ＣＨＡＴＴＯＰＡＤＨＹＡＹ Ｓ． Ａ ｃｏｍｐａｒａｔｉｖｅ ｓｔｕｄｙ ｏｆ ｆｕｚｚｙ ｃ⁃
ｍｅａｎｓ ａｌｇｏｒｉｔｈｍ ａｎｄ ｅｎｔｒｏｐｙ⁃ｂａｓｅｄ ｆｕｚｚｙ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏ⁃
ｒｉｔｈｍｓ ［ Ｊ］ ． Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｃｓ， ２０１１， ３０： ７０１⁃
７２０．
［１７］ 毛华军． 燃气轮机排气温度监视和保护功能分析 ［ Ｊ］ ．
华电技术， ２００９， ３１（８） ：１１⁃１５．
ＭＡＯ Ｈｕａｊｕｎ． Ａｎａｌｙｓｉｓ ｏｆ ｅｘｈａｕｓｔ ｔｅｍｐｅｒａｔｕｒｅ ｍｏｎｉｔｏｒ ａｎｄ
ｐｒｏｔｅｃｔｉｏｎ ｆｕｎｃｔｉｏｎ ｆｏｒ ｇａｓ ｔｕｒｂｉｎｅ ［ Ｊ］ ． Ｈｕａｄｉａｎ Ｔｅｃｈｎｏｌｏ⁃
ｇｙ， ２００９， ３１（８） ：１１⁃１５．