王義強 高驥 張軍輝 馬曉飛

摘要：故障診斷技術(shù)的發(fā)展對提升汽輪機的安全性、經(jīng)濟性具有重要意義?，F(xiàn)介紹了國內(nèi)外汽輪機領(lǐng)域故障診斷研究的發(fā)展現(xiàn)狀，并對現(xiàn)有的故障診斷方法進行了分析和比較，最后闡述了汽輪機故障診斷技術(shù)的發(fā)展方向以及側(cè)重點。

關(guān)鍵詞：汽輪機;故障診斷;狀態(tài)監(jiān)測;人工智能算法

1? ? 故障診斷技術(shù)對汽輪機行業(yè)的重要性

汽輪機是非常核心的旋轉(zhuǎn)動力設(shè)備，由于社會經(jīng)濟發(fā)展的需要，高參數(shù)化、大容量化、多功能化逐漸成為汽輪機主要的特點，給整個社會生產(chǎn)、居民生活提供了便利。

汽輪機組在變化復(fù)雜的環(huán)境中運行，不僅存在很多相互關(guān)聯(lián)的部件和彼此之間耦合較為緊密的部件，而且通流部分長期在高溫高壓或沖擊水蝕的惡劣環(huán)境下工作[1]，在汽輪機的實際運行過程中，任何一個環(huán)節(jié)的問題都有可能成為引起機組故障的不穩(wěn)定因素。汽輪機倘若出現(xiàn)故障，會對機組的運行效率造成影響，嚴(yán)重的還會引起機組癱瘓、人員傷亡，影響供電網(wǎng)絡(luò)、化工煉油等裝置的穩(wěn)定性，使企業(yè)蒙受巨大的經(jīng)濟損失。因此，先進的故障診斷方法對提升汽輪機組的安全性、經(jīng)濟性具有重要意義。

隨著設(shè)備安全運行的要求越來越高，故障診斷不再限定于發(fā)現(xiàn)故障之后尋找問題原因，還需要兼?zhèn)湟恍┕收项A(yù)警的功能，以便采取相應(yīng)措施來預(yù)防機組可能出現(xiàn)的重大事故。統(tǒng)計顯示，應(yīng)用故障診斷系統(tǒng)的旋轉(zhuǎn)動力設(shè)備，其事故發(fā)生率大大降低，維修費用能夠減少約30%[2]?？梢姡收显\斷系統(tǒng)的應(yīng)用一方面能夠降低故障發(fā)生率并減少維修保養(yǎng)費用，另一方面其診斷分析結(jié)果可以為故障處理決策提供合理依據(jù)。

隨著各項技術(shù)的發(fā)展，汽輪機本體結(jié)構(gòu)與外圍布置越來越復(fù)雜，操作系統(tǒng)越來越智能化，這也導(dǎo)致了汽輪機產(chǎn)生的故障更加難以診斷，由于其通流部分工作在高壓、高溫、高轉(zhuǎn)速和頻繁變工況運行的條件下，即便出現(xiàn)微小的異常情況，也會導(dǎo)致機組出現(xiàn)不同程度的振動問題，這將直接影響機組運行的安全性與穩(wěn)定性。當(dāng)振動幅值超過一定范圍時，如果不及時找到故障來源，可能造成嚴(yán)重的運行事故和經(jīng)濟損失。汽輪機故障主要分為軸系故障、通流部分故障以及軸承支撐故障三大類，相關(guān)數(shù)據(jù)顯示，由于汽輪機組故障引起的電廠停機事故約占整個電廠故障的一半以上[3]。

隨著各個行業(yè)的發(fā)展，汽輪機及對應(yīng)的機組系統(tǒng)復(fù)雜程度也在逐步提升，傳統(tǒng)的定期檢修模式已經(jīng)難以應(yīng)付汽輪機運行過程中出現(xiàn)的各類故障，并且無法做到實時監(jiān)測和預(yù)警提醒。而隨著狀態(tài)監(jiān)測應(yīng)用規(guī)模和能力的不斷提升，電廠、化工煉油企業(yè)所存儲的設(shè)備監(jiān)測數(shù)據(jù)也在不斷遞增，不斷積累的歷史運行數(shù)據(jù)占據(jù)了龐大的存儲空間[4]。如何利用好海量的汽輪機運行數(shù)據(jù)，準(zhǔn)確地挖掘出數(shù)據(jù)中的價值，已成為國內(nèi)外汽輪機故障診斷領(lǐng)域的研究重點[5]。

2? ? 國內(nèi)外故障診斷技術(shù)的研究現(xiàn)狀

汽輪機故障根據(jù)其過程主要可以分為漸發(fā)型和突發(fā)型兩大類。漸發(fā)型故障是伴隨著壓力/溫度參數(shù)、振動信號的變化而形成的，是一種過程累積產(chǎn)生的故障，會出現(xiàn)例如結(jié)垢、擦碰磨損、部件變形等現(xiàn)象，造成機組內(nèi)效率下降、部件損傷及運行惡化等狀況;突發(fā)型故障是伴隨著汽輪機在運行過程中突然發(fā)生不可控的變化產(chǎn)生的，主要有閥桿斷裂、葉片斷裂、軸瓦燒毀等故障，此類故障對機組安全運行影響極大，如果沒有及時預(yù)測并得到妥善處理，將會引發(fā)重大事故[6]。

汽輪機故障診斷領(lǐng)域的研究最早源于美國，其在航空航天領(lǐng)域積累了豐富的故障診斷經(jīng)驗，在這個基礎(chǔ)上率先對汽輪機故障診斷技術(shù)展開了較為深入的研究，一些相關(guān)的研究院所及企業(yè)，如Bently、EPRI、BEI等相繼開發(fā)了各自的狀態(tài)監(jiān)測與故障診斷系統(tǒng)，取得了多項世界級領(lǐng)先的成果[7-8]。在美國之后，其他發(fā)達工業(yè)國家，如德、日、英、法等國的一些公司也投入了大量的人力和物力，對汽輪機故障診斷技術(shù)進行了多方面的探索，如德國Siemens、瑞士ABB、日本Toshiba電氣公司，也相繼推出了許多具有實際工程價值的汽輪機故障診斷系統(tǒng)[9-10]。表1給出了一些國外已有的汽輪機狀態(tài)監(jiān)測與故障診斷系統(tǒng)。

與發(fā)達工業(yè)國家相比，我國對汽輪機故障診斷領(lǐng)域的研究起步略晚，但發(fā)展進度較快，迄今為止，已經(jīng)研制出幾十種不同的汽輪機狀態(tài)監(jiān)測與故障診斷系統(tǒng)，取得了很大的成就。得益于監(jiān)測設(shè)備與信息化技術(shù)的飛速發(fā)展為許多高校和科研單位提供了技術(shù)上的有力支持，一大批汽輪機故障診斷方法及系統(tǒng)的研究成果應(yīng)運而生。其中，浙江大學(xué)、西安交通大學(xué)、上海交通大學(xué)、哈爾濱工業(yè)大學(xué)等國內(nèi)高校以及相關(guān)企業(yè)開展了一系列汽輪機狀態(tài)監(jiān)測及故障診斷系統(tǒng)研究[10-11]，如表2、表3所示。

隨著各方面基礎(chǔ)的不斷完善，汽輪機故障診斷與監(jiān)測研究在我國得到了充分的重視和發(fā)展，國內(nèi)高校、企業(yè)的很多學(xué)者與工程師都為此付出了不懈的努力，取得了一些成果。上海發(fā)電設(shè)備成套所的史進淵[12]結(jié)合振動診斷法和熱力參數(shù)診斷法，比對了10種常見的汽輪機通流部分故障，提出了基于可靠性理論的診斷分析模型，能夠較為準(zhǔn)確地識別汽輪機通流部分的故障。周云龍等[13]利用合成BP神經(jīng)網(wǎng)絡(luò)算出了實際情況下最末級組相對內(nèi)效率診斷值，通過與級組相對內(nèi)效率的實際測量值進行比對，認(rèn)定兩者的差值是由通流故障引起的，并準(zhǔn)確診斷出導(dǎo)致相對內(nèi)效率變化的部位以及相應(yīng)的影響程度。張超[14]對常見汽輪機軸系振動故障進行了故障特征提取，采用針對故障類型的加權(quán)K-L變換，減少了故障數(shù)據(jù)的維數(shù)，降低了運算的復(fù)雜度，構(gòu)建了基于支持向量機的多分類故障診斷模型。李文業(yè)等[15]根據(jù)汽輪機熱力參數(shù)的非線性特點，提出了一種基于改進的經(jīng)驗?zāi)B(tài)分解EMD算法與概率神經(jīng)網(wǎng)絡(luò)PNN的汽輪機通流部分故障診斷方法，并對某火電廠實際運行600 MW汽輪機組的實際運行數(shù)據(jù)進行了模擬實驗。

3? ? 故障診斷研究方法對比

普渡大學(xué)V.Venkatasubramanian等[16]將設(shè)備故障診斷方法分為三種，即基于定量模型的方法、基于定性模型的方法和基于過程歷史的方法，并對不同故障診斷方法的特點進行了對比，如表4所示，其中“√”代表該方法能夠滿足期望要求，“×”代表不能滿足期望要求，“？”代表是否滿足期望要根據(jù)實際情況來進行判別。從表4可以看出，不同的故障診斷方法有著不同的優(yōu)缺點以及局限性，這會直接影響故障診斷的精度和速度。

在現(xiàn)階段已有的工業(yè)過程系統(tǒng)中，一方面過程環(huán)節(jié)較為復(fù)雜、參數(shù)變量較多且存在耦合現(xiàn)象，難以獲得貼近實際情況的數(shù)學(xué)物理模型;另一方面旋轉(zhuǎn)機械領(lǐng)域所涵蓋的學(xué)科知識面較廣，專家經(jīng)驗的積累需要漫長的時間以及多實例的學(xué)習(xí)訓(xùn)練，這就導(dǎo)致了純粹依靠理論模型或經(jīng)驗知識的方法存在很大的局限性和主觀性。隨著大數(shù)據(jù)技術(shù)、人工智能技術(shù)以及測量儀器的快速更新和發(fā)展，基于海量數(shù)據(jù)支撐的人工智能AI算法逐漸成為汽輪機故障診斷領(lǐng)域的研究重點。

西交大劉若楠等[17]就人工智能算法在旋轉(zhuǎn)機械領(lǐng)域的應(yīng)用情況進行了歸納總結(jié)，對不同AI算法的優(yōu)點和局限性進行了詳細(xì)介紹，并比較了它們的不同特征，具體如表5、表6所示，其中“*”的數(shù)量代表不同衡量指標(biāo)下相應(yīng)算法能夠勝任的程度。隨著近些年AI技術(shù)的快速發(fā)展，智能故障診斷技術(shù)已經(jīng)成為今后的研究趨勢。為了更好地兼顧各種算法的優(yōu)點，未來需要開發(fā)出能夠同時兼容不同種類問題的智能診斷系統(tǒng)。

4? ? 結(jié)語

隨著汽輪機設(shè)計要求越來越朝著高參數(shù)、高可靠性、多功能性方向發(fā)展，不斷改善現(xiàn)有的故障診斷方法十分必要。經(jīng)過近些年來的發(fā)展，國內(nèi)外高校、企業(yè)中的科研工作者以及工程師們已經(jīng)研究出一些具有代表性且應(yīng)用在汽輪機上的故障診斷系統(tǒng)。為了更好地克服現(xiàn)有故障診斷系統(tǒng)中存在的不足，加強其實用性，改變其診斷理念，實現(xiàn)其大規(guī)模工業(yè)級應(yīng)用，必須以提高故障診斷能力為目標(biāo)，既要注重各種故障機理研究，也要注重與實際運行相結(jié)合，這些要求不僅依賴于對汽輪機故障機理模式的理解，也依賴于傳感測量儀器以及數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展。

[參考文獻]

[1] 周振宇.基于主元分析和神經(jīng)網(wǎng)絡(luò)的汽輪機組通流漸發(fā)故障診斷方法研究[D].北京：華北電力大學(xué)，2015.

[2] 毛志偉，孫永平，王敏.汽輪機通流部分故障的特性分析及仿真計算[J].浙江電力，2000（5）：1-3.

[3] 宋瑩.汽輪發(fā)電機組質(zhì)量不平衡故障預(yù)警與診斷技術(shù)研究[D].北京：華北電力大學(xué)，2016.

[4] 張艷順.基于決策樹的汽輪機振動故障診斷技術(shù)研究[D].北京：華北電力大學(xué)，2016.

[5] 張力寰.基于工業(yè)大數(shù)據(jù)的汽輪機故障深度分析方法研究[D].杭州：浙江大學(xué)，2018.

[6] 周磊.基于智能算法的汽輪機通流部分故障診斷研究[D].吉林：東北電力大學(xué)，2016.

[7] JARRELL D，SISK D，BOND L.A Foundation for Stressor-Based Prognostics for Next Generation Systems[C]// 10th International Conference on Nuclear Engineering， 2002：311-319.

[8] SHAO Y B，ZHANG A P，YE R X，et al.Deve-lopment of acoustic emission and vib-ration monitoring instrument for rota-ting machinery[C]// International Confer-ence on Intelligent Manufacturing，1995：317-321.

[9] ADGAR A，COX C，MACINTYRE J.Automatic Fault Diagnosis Machinery Using Statistical and Neural Network Techniques[J].Comadem Proceedings，1998（2）：35-38.

[10] 方名菊.基于案例的汽輪機智能故障診斷[D].杭州：浙江大學(xué)，2018.

[11] 程道來，吳茜，呂庭彥，等.國內(nèi)電站故障診斷系統(tǒng)的現(xiàn)狀及發(fā)展方向[J].動力工程，1999，19（1）：53-57.

[12] 史進淵.汽輪機通流部分故障診斷模型的研究[J].中國電機工程學(xué)報，1997（1）：29-32.

[13] 周云龍，曹麗華，李勇.基于BP神經(jīng)網(wǎng)絡(luò)的汽輪機最末級組相對內(nèi)效率應(yīng)達值的確定[J].汽輪機技術(shù)，2009，51（1）：51-54.

[14] 張超.基于支持向量機的汽輪機軸系振動故障智能診斷研究[D].保定：華北電力大學(xué)，2009.

[15] 李文業(yè)，楊帆，周亞星，等.基于改進EMD與PNN的汽輪機通流部分故障診斷[J].振動、測試與診斷，2018，38（6）：1138-1142.

[16] VENKATASUBRAMANIAN V，RENGASWAMY R，KAVURI S N，et al.A review of process fault detection and diagnosis：Part Ⅲ：Process history based methods[J].Computers and Chemistry Engineering，2003，27（3）：327-346.

[17] LIU R N，YANG B Y，ZIO E，et al.Artificial intellig-ence for fault diagnosis of rotating machinery：A review[J].Mechanical Systems and Signal Processing，2018，108：33-47.

收稿日期：2020-06-22

作者簡介：王義強（1980—），男，遼寧大連人，助理工程師，研究方向：汽輪機開發(fā)與設(shè)計。