陳尚年，李錄平*，張世海，歐陽敏南，樊昂，文賢馗

汽輪發(fā)電機組振動故障診斷技術研究進展

陳尚年1，李錄平1*，張世海2，歐陽敏南1，樊昂1，文賢馗2

（1．長沙理工大學能源與動力工程學院，湖南省 長沙市 410014；2．貴州電網有限責任公司電力科學研究院，貴州省 貴陽市 550002）

高參數(shù)大容量汽輪發(fā)電機組的安全穩(wěn)定運行對電力生產具有重要意義。綜述了汽輪發(fā)電機組振動故障的機理、信號檢測、信號分析、特征提取以及故障診斷方法。針對傳統(tǒng)的智能診斷方法面臨采樣數(shù)據量大、信號特征提取困難、故障訓練樣本不足等問題，介紹了先進的傳感技術和以深度學習為代表的新一代智能機器學習技術。通過分析得出結論：未來汽輪發(fā)電機組振動故障診斷技術應以人工智能、大數(shù)據、云計算等技術為核心，融合虛擬化及三維可視化技術，實現(xiàn)故障診斷的速度與精度相統(tǒng)一。

汽輪發(fā)電機組；特征提??；故障診斷；人工智能；大數(shù)據；云計算；深度學習

0 引言

汽輪發(fā)電機組作為電力生產系統(tǒng)的關鍵設備，造價昂貴、結構復雜、自動化程度高、運行工況多變，不同運行數(shù)據之間關聯(lián)性強，往往面臨多故障并存的風險，導致診斷數(shù)據信息量大增，機組狀態(tài)信息存在嚴重的數(shù)據異構，信息冗余度高，不同的機組之間難以實現(xiàn)資源共享[1-4]。國內外關于汽輪發(fā)電機組故障診斷技術方面的研究已經有很大的進展，例如美國西屋公司研制出的TurbinID系統(tǒng)和GenAID系統(tǒng)，德國EPro公司研制的SCOPE系統(tǒng)等，在機組安全運行方面發(fā)揮著巨大的作用。另外，我國也在汽輪發(fā)電機組的故障診斷方面取得了一定的進展，如華中科技大學研制的汽輪發(fā)電機組振動監(jiān)測與故障診斷專家系統(tǒng)和東南大學研制的基于知識的汽輪發(fā)電機組故障診斷專家系統(tǒng)等，對汽輪發(fā)電機組的安全運行和振動故障診斷起到了重要的作用[5]。

本文針對汽輪發(fā)電機組的轉子不平衡振動故障、動靜部分碰磨故障和轉子不對中振動故障機理的分析，總結了近年來一些專家學者在汽輪發(fā)電機組振動故障機理方面的相關研究進展；概括了關于汽輪發(fā)電機組振動故障檢測中應用的基于激光測量的信號檢測技術、基于電測量的信號檢測技術及基于光纖的信號檢測技術的研究現(xiàn)狀，對目前在機組振動故障信號分析方面較常應用的信號分析與特征提取方法，如基于時頻的信號分析、基于模態(tài)分解的信號分析和自適應迭代濾波等振動信號分析方法進行歸納，并闡述了不同方法的優(yōu)缺點?？偨Y了在汽輪發(fā)電機組振動故障診斷方面所應用的故障診斷方法，如專家系統(tǒng)、支持向量機(support vector machines，SVM)、神經網絡等方法。針對未來電廠趨于智能化、虛擬化運行的發(fā)展方向，為提高機組運行維護的效率，加快實現(xiàn)火力發(fā)電站全智能化運行，提出了以人工智能、大數(shù)據、云計算等技術為核心的智能診斷技術，并將其運用于汽輪發(fā)電機組振動故障的診斷技術中，為今后汽輪發(fā)電機組振動故障診斷技術的研究提供了相應的建議和參考。

1 汽輪發(fā)電機組振動故障機理

1.1 轉子不平衡故障

對大功率汽輪發(fā)電機組轉子系統(tǒng)而言，無論是單根轉子還是整個軸系，轉軸的第1階臨界轉速均小于工作轉速，因此，大功率的汽輪發(fā)電機組轉軸均為柔性轉子。在具有黏性阻尼的情況下，柔性不平衡轉軸運動微分方程[6]為

方程(1)的解為

式中：A，B為系數(shù)，由初始條件決定；為轉子階臨界轉速；為軸長；表示初始相位角，由初始條件決定，

不平衡量的存在使轉子各橫截面質心的連線與各橫截面幾何中心連線不重合，從而產生的空間離心力系使轉子或與轉子相連接的支撐部件產生振動。Bin等[7]通過總結轉子系統(tǒng)動平衡的方法，針對聯(lián)軸器連接的多轉子系統(tǒng)，建立了多轉子運動的有限元模型，分析轉子系統(tǒng)的不平衡響應，提出一種多轉子系統(tǒng)的無試重虛擬動平衡方法。賓光富等[8]通過建立汽輪發(fā)電機組兩跨三支撐軸系的有限元模型，求解軸系前3階臨界轉速的振型，并通過實驗施加同向和反向的不平衡激勵，模擬了一階和二階不平衡響應特性。沈意平等[9]通過研究多跨轉子系統(tǒng)在一階和二階不平衡激勵下，轉子系統(tǒng)的幅頻、相頻以及臨界轉速的變化特性，表明各轉子間在臨界轉速附近的振動響應比較明顯，會出現(xiàn)多個峰值的可能，且單支撐的多跨轉子系統(tǒng)具有外伸端的振動特性。周生通等[10]通過分析柔性轉子的彎曲故障和不平衡故障相互耦合共振的特性，構建了轉子共振穩(wěn)態(tài)響應的動力學函數(shù)模型，并通過實驗仿真和計算驗證了該模型的正確性。

1.2 動靜部分碰磨故障

汽輪發(fā)電機組發(fā)生動靜碰磨時作用在轉軸上碰磨點的作用力[11]分別為：

1.3 轉子不對中故障

聯(lián)軸器連接的轉子發(fā)生對中不良時，轉子往往處于有軸線平行位移和軸線角度位移的綜合狀態(tài)[16]，轉子受到交變力作用如式(7)所示：

當平行位移D和偏角存在時，交變力作用導致轉子發(fā)生彎曲變形，當主動轉子按一定轉速旋轉時，從動轉子的轉速會發(fā)生周期性變動，使其振動頻率為轉子轉動頻率的2倍。胡航領等[17]通過實驗研究，表明三跨轉子的單支撐軸系比雙支撐軸系的耦合振動更為強烈，并對比了不同聯(lián)軸器的振動響應。Lei等[18]利用轉子中心線和軸心軌跡組合的特征趨勢圖描述了不對中與不平衡的響應變化特性。李自剛等[19]研究了交角不對中的柔性轉子–軸承耦合系統(tǒng)的非線性動力學特性，結果表明：轉軸的運動特性在某些參數(shù)變化下會出現(xiàn)分叉、跳躍及混沌等非線性特性，使轉子失穩(wěn)，增大橫向振動。潘宏剛等[20]利用有限元分析和實驗研究了雙跨三支撐轉子系統(tǒng)的不對中故障，分析表明不同的偏角量產生的不對中故障對倍頻的影響較明顯，在通過臨界轉速時3倍頻的振幅倍率提升最大。

2 振動故障診斷技術

2.1 振動故障的信號檢測技術

良好的信號檢測技術能夠實時監(jiān)控汽輪發(fā)電機組運行狀態(tài)的各類信號參量，以下為目前在振動信號檢測中應用的3類傳感技術。

2.1.1 基于激光的信號檢測技術

基于激光測量的振動檢測技術具有識別率高、測量范圍大、適應性強等優(yōu)點。田新啟等[21]提出了一種基于位置靈敏探測器的激光傳感器，用于旋轉機械的振動信號檢測，具有精度高、響應速度快以及穩(wěn)定性好等特點。李志鳳等[22]針對旋轉部件的在線檢測，提出一種能同時測量旋轉機械軸彎曲振動、扭轉振動及轉速測量的激光多普勒振動檢測技術。劉洋等[23]提出了基于虛擬現(xiàn)實的激光傳感器數(shù)據多維可視化技術，用于數(shù)據采集與處理，以良好的三維可視性和靈活交互性能實現(xiàn)信號的快速采集處理和多維可視化操作。

2.1.2 基于電測量的信號檢測技術

電測法是通過傳感器將旋轉機械的振動量轉化為電信號或電參數(shù)變化，比如電渦流傳感器具有高靈敏度、高分辨率、工作穩(wěn)定性好以及具有較寬的測量范圍[24]，目前在汽輪發(fā)電機組的振動測量中應用較為廣泛。趙梓妤等[25]針對旋轉機械動靜間隙測量困難的問題，根據電渦流傳感器測量原理，設計了一種高分辨率的微小間隙測量裝置，用于旋轉機械動態(tài)間隙的測量。Ye等[26]在汽輪發(fā)電機組末級葉片的振動檢測中，提出了一種高頻響應的電渦流傳感器，用于汽輪機帶冠葉片的振動測量。許澤瑋等[27]通過渦流傳感器測量不同狀態(tài)下的軸徑中心，并分析了軸瓦變形會導致軸徑中心位置的測量誤差。

2.1.3 基于光纖的信號檢測技術

光纖傳感器是由纖維光學、光電子學、智能材料及微結構加工等技術融合的一種新型傳感器檢測技術[28]，相比于傳統(tǒng)的信號檢測技術更能適應多維數(shù)據的信號檢測，具有較高的檢測精度，且適用于寬頻微弱帶信號檢測。佟慶彬等[29]設計了一種用于高速旋轉機械徑向振動檢測的反射式光強調制型非接觸式光纖傳感系統(tǒng)，通過測量旋轉機械轉子和定子之間的間隙，實現(xiàn)高速旋轉機械徑向位移的在線測量，進而實現(xiàn)設備運行狀態(tài)直接有效的監(jiān)控。Li等[30]研究一種基于磁耦合原理和FBG傳感獲得振動的非接觸式光纖光柵振動傳感器，用于汽輪機轉子動平衡的振動測量，通過FBG振動傳感器和電渦流位移傳感器的對比實驗分析，表明兩者的時域、頻域和時頻變化的分析結果基本一致。Ye等[31]針對應變儀測量葉片振動特性的不足，提出了基于帶透鏡的光纖傳感器，用于汽輪機帶冠葉片同步振動的測量，通過對葉片振動試驗的信號測量，表明帶透鏡的光纖振動傳感器提高了信號測量的精度和速度。

2.2 振動故障信號的分析與特征提取

汽輪發(fā)電機組旋轉部件的運動軌跡較為復雜，傳統(tǒng)的故障信號分析方法，如幅值域分析法、傅里葉變換、相關分析法等[32]對信號的分析缺乏時效性，分析精度差且抗干擾能力弱。因此，振動故障信號的現(xiàn)代分析技術成為了研究熱點。

2.2.1 基于時頻信號分析的方法

在故障診斷中常用的時頻信號分析方法，如短時傅里葉變換和小波分析等，能夠將采集的汽輪發(fā)電機組振動的原始信號經合適的函數(shù)變換進行分析，此類方法能夠觀察其信號的結構，直接反映信號中的頻率構成隨時間變化的規(guī)律，并能在故障診斷中快速提取故障信號[33]。短時傅里葉變換[34]克服了標準傅里葉變換不具備局部分析能力的不足，將汽輪發(fā)電機組振動的時域特征和頻域特征聯(lián)系起來，分別從振動信號的時域或者頻域觀察信號的整體信息，能夠分析平穩(wěn)和分段平穩(wěn)的信號，具有對確定性信號和平穩(wěn)性信號處理的能力。但由于時頻窗口固定，其信號提取的精確性受限于窗口的長度，因此適用于特征尺度大致相同的信號分析。

小波分析的本質是一種待分析信號與不同比例小波函數(shù)之間的近似計算，信號與小波函數(shù)越相似，故障越容易被提取[35]。當分解尺度和小波基確定時，信號頻帶就是固定范圍，小波變換能夠反映出信號的整體性，克服了傅里葉變換不能在時頻域上局部化的缺點，能夠較好地處理非平穩(wěn)信號[36]。牛培峰等[37]采用小波包能量分析提取汽輪機故障的特征，該方法具有靈活的時頻分辨率，能對汽輪發(fā)電機組的平穩(wěn)信號進行表征，檢測運行中的突變故障。Liao等[38]對汽輪發(fā)電機組振動的信號利用小波包進行頻譜分析，提取振動信號的特征向量作為分類數(shù)據，建立以數(shù)據驅動的故障分類方法對特征向量進行分類驗證，經實例驗證了基于小波和數(shù)據驅動故障診斷分類方法的有效性。因汽輪機碰磨產生的振動信號為微弱沖擊信號，胡三高等[39]通過對采集的汽輪發(fā)電機組碰磨故障的軸振和瓦振信號進行濾波處理，利用希爾伯特解調法對提取的瞬時沖擊成分進行包絡分析，通過小波奇異值檢測碰磨引起信號突變的位置和持續(xù)作用的時間。李宏坤等[40]針對旋轉機械早期的故障信號特征表現(xiàn)微弱問題，提出小波尺度譜進行同步平均和小波脊線的解調方法，經過仿真分析與實驗驗證了該方法對微弱故障信號特征提取的有效性。Umbrajlaar等[41]在對轉子系統(tǒng)的不對中故障進行分析時，應用了離散的小波變換與模糊邏輯相結合的方法，實驗結果表明，利用該方法能夠預測轉子系統(tǒng)的不對中程度，提高故障分析的精度。

2.2.2 基于模態(tài)分解的方法

汽輪發(fā)電機組運行的振動參數(shù)具有海量、高維、及非線性和非平穩(wěn)的特點，基于傅里葉變換和小波分析的方法對此類信號的分析適應性弱。因此，模態(tài)分解方法能夠自適應地處理振動信號，對振動信號進行解調，將復雜非平穩(wěn)信號分解為多個瞬時頻率，得到完整的信號時頻分布，有效提取了振動信號的特征[42]。文獻[43]中將局部模態(tài)分解方法應用在故障信號的處理中，將給定信號分解為多個單分量調頻–調幅信號和單調函數(shù)，組合所有的單分量調幅–調頻信號，獲取給定信號的完整時頻分布。文獻[44]中針對汽輪發(fā)電機組振動信號經驗模態(tài)分解的模態(tài)混疊現(xiàn)象，采用了集合經驗模態(tài)分解和云模型相結合的方法，有效地提取振動信號并做降噪處理，提高了故障特征的識別率。田松峰等[45]利用變分模態(tài)分解和相對熵云模型把故障信號分解為多個模態(tài)分量，根據各分量和原始信號相對熵的大小，去除故障信號中夾雜的偽分量信號，利用逆向發(fā)生器提取輸入云模型的最佳分量的特征向量。該方法相比于傳統(tǒng)的經驗模態(tài)分解方法，能夠在一定程度上有效抑制端點效應，避免包絡、欠包絡及模態(tài)混疊的出現(xiàn)。

2.2.3 基于自適應迭代濾波的方法

濾波是通過迭代篩選的方法得到每個本征模態(tài)函數(shù)(intrinsic mode function，IMF)分量，首先經內循環(huán)過程對信號濾波構造滑動算子迭代篩選每個IMF分量，然后外循環(huán)終止內循環(huán)的IMF分量提取過程。自適應迭代濾波[46]通過自適應局部迭代濾波將原始信號分解為一系列瞬時頻率，再利用希爾伯特變換對每個瞬時頻率進行求解。因汽輪發(fā)電機組的振動故障信號往往是多分量的非平穩(wěn)信號，自適應迭代濾波相比于其他信號分析方法可以自適應地選取濾波函數(shù)，有效提取多分量的非平穩(wěn)特征信號，同時還有效避免模態(tài)分解中存在的過包絡、欠包絡及模態(tài)混疊問題。Lin等[47]通過迭代濾波算法代替?zhèn)鹘y(tǒng)的經驗模態(tài)分解方法，對信號進行分解，求其曲線擬合函數(shù)。Cicone等[48]提出的自適應局部迭代濾波能較大程度提高信號的分解，對噪聲和異常信號具有抗干擾能力。唐貴基等[49]提出了一種自適應噪聲完備集合魯棒局部均值分解的特征提取方法，通過對轉子不平衡和動靜碰磨故障模擬信號的處理，表明該方法能精確提取故障的特征，并準確識別故障類型。

2.2.4 基于圖像表征的信號特征提取

基于對稱點模式 (symmetrized dot pattern，SDP)算法的圖像表征是將原始信號經過降噪處理后，利用SDP對時域信號進行變換，將一維的時間序列信號變換為極坐標空間下的圖像，在極坐標空間下不同的形狀特征反映出不同信號的原始特征[50]。能夠將振動信號映射為可視化表達形式，有效避免了特征信息丟失；特征信息融合SDP圖能夠更清楚、直觀、全面地表征轉子的振動信號特征，提高不同狀態(tài)特征間的可區(qū)分度[51]。為去除所提取特征信號中含有的冗余信息，文獻[52]通過SDP算法對原始信號進行特征提取，再利用線性局部切空間排列(linear local tangent space alignment，LLTSA)對所提取的信號做降維處理后輸入支持向量機進行分類識別，去除形狀特征中的冗余信息，獲取高維非線性數(shù)據中低維精確的特征數(shù)據。朱霄珣等[53]通過在轉子上多個位置固定的傳感器采集振動信號，使用SDP融合多傳感器的信號特征，將高維非線性信號轉化為可視化圖像，結合卷積神經網絡對故障狀態(tài)進行識別，相比于其他的智能診斷狀態(tài)識別，具有精準、高效的故障狀態(tài)識別能力。

3 振動故障診斷方法

故障診斷技術的智能化發(fā)展日趨成熟，基于知識、模型及數(shù)據分析的故障診斷方法已經有較成熟的研究。

3.1 基于專家系統(tǒng)的故障診斷方法

基于專家系統(tǒng)的故障診斷方法根據其原理的不同分為基于規(guī)則推理、案例推理、模型推理等方法。因汽輪發(fā)電機組故障信息難提取，且多故障并存現(xiàn)象使得單一的故障診斷方法很難實現(xiàn)精確的診斷，如基于規(guī)則式推理過程易于理解，推理速度快，但是知識獲取不易、診斷效率低、對多故障并存問題診斷能力低；基于案例推理無須進行規(guī)則提取，求解方式簡單、準確，但診斷速度過慢，推理過程不易理解[54-55]。Yang等[56]通過對機組的故障診斷研究，提出了基于模糊規(guī)則推理和基于案例推理方法所集成的專家系統(tǒng)，并通過實例證明了此方法診斷結果的準確性。Yan等[57]建立了一種基于規(guī)則推理和案例推理相結合的專家系統(tǒng)，從汽輪發(fā)電機組的故障知識中提取規(guī)則，用于汽輪發(fā)電機組的故障診斷，經過實例驗證，多技術融合的故障診斷方法不僅縮小了故障信息的搜索范圍，同時提高了故障檢索效率、故障的診斷精度及系統(tǒng)的可靠性。Fang等[58]研究汽輪發(fā)電機組故障診斷時，針對轉子不平衡和轉子與靜止部件碰磨故障的信號采樣率相對較低的問題，提出將專家系統(tǒng)與神經網絡分析相結合的故障診斷方法，用于消除不同的信號值所產生的干擾，測試結果表明，專家系統(tǒng)與神經網絡技術的融合，將故障信息并行處理、自學習和聯(lián)想記憶，能夠對故障的復雜信息進行精確識別，使故障診斷技術得到優(yōu)化。

3.2 基于支持向量機的故障診斷方法

支持向量機是基于統(tǒng)計學習理論與結構風險最小化原則的一種機器學習方法，針對汽輪發(fā)電機組故障的非線性樣本，通過核函數(shù)能夠將非線性樣本映射到高維的線性特征分類空間，利用SVM分類器得到非線性分類的最優(yōu)分類函數(shù)[59]。該方法具有結構簡單的數(shù)學表達和直觀的幾何解釋，能夠實現(xiàn)快速學習與診斷，利用有限的樣本集得到獨立函數(shù)，提高機器學習的泛化能力，有效診斷汽輪發(fā)電機組的振動故障。Lin等[60]基于支持向量機的機械故障診斷原理，利用故障模擬數(shù)據建立了多故障分類器模型，并在汽輪發(fā)電機組的故障分類中得到了驗證。石志標[61]等針對軸系振動信號的瞬態(tài)沖擊特征受噪聲干擾難以提取的問題，通過小波變換將采集的振動故障信號分解為一系列單分量信號，由相關度原則選取異常本征模態(tài)函數(shù)，并計算其排列熵值，構建特征向量，利用SVM實現(xiàn)振動故障的診斷與分類。文獻[62]提出排列熵與果蠅算法優(yōu)化相關向量機(improved fruit fly optimization algorithm-related vector machines，IFOA-RVM)相結合的方法，用于汽輪機轉子振動故障診斷，利用自適應完備的集合經驗模態(tài)將原始信號分解為多個IMF，利用排列熵計算IMF中的異常信號，將結果輸入IFOA-RVM分類模型對故障進行診斷識別。

3.3 基于神經網絡的故障診斷方法

基于神經網絡的故障診斷方法，利用大量歷史數(shù)據建立訓練系統(tǒng)與決策結果間的映射關系，通過歷史數(shù)據的積累，實現(xiàn)對模型的不斷修正、自我進化與學習的能力[63]。文獻[64]提到在大數(shù)據推動下以數(shù)據驅動的診斷方法采用多隱層網絡逐層學習的方式從輸入的數(shù)據中提取信息，滿足對復雜系統(tǒng)中故障的高階、非線性自適應特征的提取，其較強的表征學習能力使智能診斷技術更加準確、有效。周奇才等[65]針對旋轉機械的故障診斷，提出了一維深度卷積神經網絡，利用卷積網絡的卷積層和池化層來實現(xiàn)輸入數(shù)據的特征提取和自學習，將實驗模擬數(shù)據輸入該模型進行驗證，相比于傳統(tǒng)的神經網絡分析方法，該模型具有較深的網絡結構，能進行復雜的特征學習和分類。Wang等[66]提出一種具有3種連接權值和改進的相關函數(shù)的加權可拓神經網絡(weighted- extension neural network，W-ENN)，用于汽輪發(fā)電機組的故障診斷中，經過與ENN等相關模型進行對比分析，表明W-ENN模型具有較強的抗噪聲能力，在小樣本集環(huán)境下能夠實現(xiàn)較高的故障識別精度。王崇宇等[67]通過建立汽輪機轉子模型，模擬不平衡和不對中的故障信號，利用深度卷積神經網絡故障檢測方法實現(xiàn)了單一簡單故障的位置、故障程度等多任務的協(xié)同檢測。

3.4 新一代人工智能故障診斷技術

隨著大數(shù)據、云計算、虛擬化、數(shù)字孿生等信息技術的發(fā)展，人工智能技術通過構建分布式數(shù)據計算系統(tǒng)實現(xiàn)數(shù)據分析計算、多物理量及數(shù)據的廣泛采集與共享，突破傳統(tǒng)數(shù)據之間的壁壘。將大數(shù)據與深度學習模型以及訓練方法有機結合，能實現(xiàn)數(shù)據的高速計算處理、異常數(shù)據監(jiān)測等功能?；跈C器的深度學習、知識圖譜和類腦科學等新一代人工智能技術，利用深度學習技術在人工神經網絡的基礎上增加網絡隱層數(shù)量[68]，針對圖像分析和故障診斷，借助先進智能感知技術，快速處理與深度融合多參數(shù)信息，實現(xiàn)“精度”與“速度”的統(tǒng)一，快速獲取信息與知識分析需求。文獻[69]提出再優(yōu)化深度自編碼器，使得燃氣輪機無監(jiān)督異常檢測的性能得到提升。文獻[70]將雙向長短時記憶和膠囊網絡相融合應用于機械故障診斷，利用雙向長短時記憶網絡對提取的故障特征進行融合，利用膠囊網絡完成小樣本的高精度故障診斷。

將智慧化的故障診斷技術應用于電廠中，集數(shù)字化、三維可視化、遠程互動和協(xié)調、數(shù)據的深度挖掘與利用等技術的實現(xiàn)，能夠推進以人工智能運行為核心的智能電廠的發(fā)展。

4 結論與展望

多傳感器采集樣本數(shù)據緯度高、故障的非線性特征信號微弱，并且采樣頻率的不同會造成特定數(shù)據的丟失及采樣數(shù)據失效。與傳統(tǒng)分析方法相比，新一代故障信號分析、特征提取及故障診斷方法借助于大數(shù)據、物聯(lián)網、人工智能等信息技術，將以深度學習、強化學習、知識圖譜和類腦科學等為核心的機器學習方法應用于故障診斷中，大數(shù)據技術與深度學習模型、訓練方法相結合，能夠實現(xiàn)數(shù)據的高速計算處理、異常數(shù)據監(jiān)測等功能。

1）未來電廠的運行將會向智能化、虛擬化的方向發(fā)展，實現(xiàn)全智能運行的目標將是今后研究的重點之一。將智能測量設備應用于故障檢測中，研發(fā)高性能的傳感器，重點以無線智能傳感器和多參量傳感器等為研究對象，借助于5G通信網絡，實現(xiàn)對故障數(shù)據的多元化采集和深度化采集，將故障信息通過可視化圖像的表達方式傳遞給數(shù)據終端，實現(xiàn)機器的自主學習和自動檢測分析。

2）隨著人工智能、大數(shù)據、云計算等技術的發(fā)展，未來汽輪發(fā)電機組故障診斷技術將以深度學習、知識分析、大數(shù)據智能計算、云服務自主控制等為核心，在現(xiàn)有的故障診斷技術上，借助成熟的理論知識，利用物聯(lián)網技術、虛擬化、三維可視性及數(shù)字孿生等信息技術，建立區(qū)域性的機組實時信息監(jiān)控及故障診斷系統(tǒng)。

3）通過建立基于深度學習的知識圖譜模型，采用多技術融合的機器學習代替?zhèn)鹘y(tǒng)的故障分析方法，開發(fā)具有自感知信息能力、同時進行故障信息采集分析、提取故障特征并進行自主學習訓練的故障診斷系統(tǒng)。

4）通過人工智能技術、計算機軟件技術以及遠程網絡監(jiān)測技術，利用高帶寬的信息傳輸通道，實時地將分析結果和診斷意見以可視化的方式傳遞給技術人員，加快實現(xiàn)未來智能化電廠的步伐。

[1] 孫和泰，孫彬，黃翔，等．汽輪發(fā)電機組振動故障診斷相關分析方法及應用[J]．汽輪機技術，2020，62(4)：292-294．

SUN H T，SUN B，HUANG X，et al．Correlative analysis method and application for vibration fault diagnosis of turbine generator unit[J]．Turbine Technology，2020，62(4)：292-94．

[2] 梁銀林，張小波，翟璇．數(shù)據驅動的汽輪機健康狀態(tài)管理技術綜述[J]．浙江電力，2021，40(4)：120-126．

LIANG Y L，ZHANG X B，ZHAI X，et al．A review of data-driven health management technology of steam turbine[J]．Zhejiang Electric Power，2021，40(4)：120-126．

[3] 郝帥，吳昕，王明遠，等．350 MW超臨界機組汽輪機汽流激振分析及處理[J]．發(fā)電技術，2019，40(2)：168-174．

HAO S，WU X，WANG M Y，et al．Analysis and processing of the steam-flow exciting vibration in steam turbine of a 350 MW supercritical unit[J]．Power Generation Technology，2019，40(2)：168-174．

[4] 王志杰，陳厚濤，唐楨淇．基于運行數(shù)據的汽輪機閥門流量特性參數(shù)優(yōu)化[J]．廣東電力，2019，32(3)：32-36．

WANG Z J，CHEN H T，TANG Z Q，et al．Optimization on characteristic parameters of steam turbine valve flow based on operating data [J]．Guangdong Electric Power，2019，32(3)：32-36．

[5] 艾科勇．基于本體和信號分析的汽輪發(fā)電機組故障診斷技術[D]．蘭州：蘭州理工大學，2020．

AI K Y．Fault diagnosis technology of turbine generator based on ontology and signal analysis [D]．Lanzhou：Lanzhou University of Technology，2020．

[6] 黃金平．轉子瞬態(tài)動平衡方法研究[D]．西安：西北工業(yè)大學，2006．

HUANG J P．Research on transient dynamic balancing method of rotor[D]．Xi’an：Northwestern Polytechnical University，2006．

[7] BIN G，LI X，WU J，et al．Virtual dynamic balancing method without trial weights for multi-rotor series shafting based on finite element model analysis [J]．Journal of Renewable & Sustainable Energy，2014，6(4)：130-136．

[8] 賓光富，李學軍，蔣勉，等．三支撐軸系轉子殘余不平衡量相位差組合振動特性研究[J]．動力學與控制學報，2017，15(5)：446-452．

BIN G F，LI X J，JIANG M，et al．Vibration characteristics for residual unbalance phase difference of shafting with three supports[J]．Journal of Vibration and Control，2017，15(5)：446-452．

[9] 沈意平，賓光富，王鋼，等．透平機械三轉子四支撐軸系不平衡振動特性[J]．振動、測試與診斷，2018，38(5)：985-990．

SHEN Y P，BIN G F，WANG G，et al．Vibration characteristics for unbalance of turbomachinery shafting with three-rotor and four-support[J]．Journal of Vibration，Measurement & Diagnosis，2018，38(5)：985-990．

[10] 周生通，祁強，周新建，等．軸彎曲與不平衡柔性轉子共振穩(wěn)態(tài)響應隨機分析[J]．計算力學學報，2020，37(1)：23-30．

ZHOU S T，QI Q，ZHOU X J，et al．Stochastic analysis of resonance steady-state response of rotor with shaft bending and unbalance faults[J]．Chinese Journal of Computational Mechanics，2020，37(1)：23-30．

[11] 崔亞輝，姚劍飛，徐亞濤，等．西門子1 000 MW汽輪機組軸系碰磨故障特性研究[J]．中國電力，2020，53(6)：133-139．

CUI Y H，YAO J F，XU Y T，et al．Theoretical study and experimental research on collision fault of shaft system of Siemens 1000MW steam turbine unit[J]．China Electric Power，2020，53(6)：133-139．

[12] 許琦，吳昊，趙立超，等．多跨轉子系統(tǒng)耦合故障定量診斷方法[J]．振動工程學報，2015，28(3)：495-502．

XU Q，WU H，ZHAO L C，et al．Quantitative coupling fault diagnosis method of multi-span rotor based on harmonic components[J]．Journal of Vibration Engineering，2015，28(3)：495-502．

[13] ASJAD M M，DARPE A K，KSHITIJ G．Analysis of stator vibration response for the diagnosis of rub in a coupled rotor-stator system[J]．International Journal of Mechanical Sciences，2018，144：392-406．

[14] 王威，甘春標．不確定性激勵下碰摩轉子的振動響應識別[J]．振動與沖擊，2019，38(18)：122-127．

WANG W，GAN C B．Identification of the vibration responses of a rub-impact rotor under uncertain excitations[J]．Journal of Vibration and Shock，2019，38(18)：122-127．

[15] 李傲，趙立，周傳迪，等．碰摩拉桿轉子彎扭耦合非線性動力學響應特性[J]．動力工程學報，2020，40(3)：205-211．

LI A，ZHAO L，ZHOU C D，et al．Nonlinear dynamic characteristics of a rod rotor with rub-impact faults under bending-torsion coupling[J]．Journal of Chinese Society of Power Engineering，2020，40(3)：205-211．

[16] 李洪亮，侯磊，徐梅鵬，等．基于HB-AFT方法的不對中轉子系統(tǒng)超諧共振分析[J]．機械工程學報，2019，55(13)：94-100．

LI H J，HOU L，XU M P，et al．Superharmonic resonance analysis of misaligned rotor system based on HB-AFT method[J]．Journal of Mechanical Engineering，2019，55(13)：94-100．

[17] 胡航領，何立東，王晨陽．2N和N+1支撐三跨轉子在三種聯(lián)軸器下的振動特性實驗研究[J]．振動與沖擊，2017，36(5)：172-176．

HU H L，HE L D，WANG C Y．Tests for vibration characteristics of a N-span & 2N-support rotor system and a N-span & (N+1)-support one connected with three kinds of coupling[J]．Journal of Vibration and Shock，2017，36(5)：172-176．

[18] LEI Q，LIN J，LIAO Y，et al．Changes in rotor response characteristics based diagnostic method and its application to identification of misalignment[J]．

Measurement，2019，86：268-276．

[19] 李自剛，李明，江?。唤遣粚χ修D子-軸承系統(tǒng)非線性動力學行為研究[J]．振動工程學報，2019，32(3)：509-516．

LI Z G，LI M，JIANG J．Nonlinear dynamics of rotor-bearing systems with a fault of angular misalignment[J]．Journal of Vibration Engineering，2019，32(3)：509-516．

[20] 潘宏剛，龐智元，肖增弘，等．多跨轉子系統(tǒng)聯(lián)軸器偏角不對中試驗研究[J]．動力工程學報，2020，40(4)：305-310．

PAN H G，PANG Z Y，XIAO Z H，et al．Experimental study on misalignment of coupling deflection angle in multi-span rotor system[J]．Journal of Chinese Society of Power Engineering，2020，40(4)：305-310．

[21] 田新啟，高亹．基于PSD的旋轉機械振動傳感器[J]．振動、測試與診斷，2010，30(6)：638-641．

TIAN X Q，GAO W．Rotating machinery vibration sensor based on position sensitive detector[J]．Journal of Vibration，Measurement & Diagnosis，2010，30(6)：638-641．

[22] 李志鳳，趙登峰，馬國鷺，等．回轉件彎扭測量系統(tǒng)及其不確定度分析[J]．應用光學，2015，36(5)：778-783．

LI Z F，ZHAO D F，MA G L，et al．Bending and torsion measuring system of rotary parts and it's uncertainty analysis[J]．Journal of Applied Optics，2015，36(5)：778-783．

[23] 劉洋，曹宇，辛旭．基于虛擬現(xiàn)實技術的激光傳感器數(shù)據多維可視化方法[J]．激光雜志，2021，42(2)：166-169．

LIU Y，CAO Y，XIN X．Multi-dimensional visualization method of laser sensor data based on virtual reality technology[J]．Laser Journal，2021，42(2)：166-169．

[24] 許良毅．汽輪機軸向位移、脹差的安裝與調試[J]．控制工程，2009，16：171-172．

XU L Y．Eddy current transducer installation and debugging in turbine axis displacement and differential expansion[J]．Control Engineering of China，2009，16：171-172．

[25] 趙梓妤，劉振俠，呂亞國，等．高分辨率轉子葉尖間隙測量傳感器的設計及驗證[J]．儀器儀表學報，2018，39(6)：132-139．

ZHAO Z Y，LIU Z X，LIU Y G，et al．Design and verification of high resolution eddy current sensor for blade tip clearance measurement[J]．Chinese Journal of Scientific Instrument，2018，39(6)：132-139．

[26] YE D C，DUAN F J，Zhou Q，et al．Vibrations measurements for shrouded blades of steam turbines based on eddy current sensors with high frequency response[J]．Journal of Measurement Science and Instrumentation，2019，10(4)：315-321．

[27] 許澤瑋，楊建剛，沈德明．熱應力引發(fā)的軸頸中心位置測量誤差分析[J]．動力工程學報，2021，41(3)：208-213．

XU Z W，YANG J G，SHEN D M．Analysis of measurement error of journal center position caused by thermal stress[J]．Journal of Chinese Society of Power Engineering，2021，41(3)：208-213．

[28] 滕峰成，蔡亞楠，李志全，等．一種改進型光纖光柵振動檢測系統(tǒng)[J]．儀器儀表學報，2005，26(5)：17-19．

TENG F C，CAI Y N，LI Z Q，et al．An improved vibration detecting system based on fiber grating[J]．Chinese Journal of Scientific Instrument，2005，26(5)：17-19．

[29] 佟慶彬，馬惠萍，劉麗華，等．高速旋轉機械徑向振動檢測系統(tǒng)關鍵技術研究[J]．儀器儀表學報，2011，32(5)：1026-1032．

TONG Q B，MA H P，LIU L H，et al．Key technology study on radial vibration detection system of high-speed rotating machinery[J]．Chinese Journal of Scientific Instrument，2011，32(5)：1026-1032．

[30] LI T，TAN Y，ZHOU Z，et al．Turbine rotor dynamic balance vibration measurement based on the non-contact optical fiber grating sensing[J]．IEICE Electronics Express，2015，12(12)：1210-1219．

[31] YE D，DUAN F，JIANG J，et al．Synchronous vibration measurements for shrouded blades based on fiber optical sensors with lenses in a steam turbine [J]．Sensors，2019，19(11)：156-163．

[32] Al-BADOUR F，SUNAR M，CHEDED L．Vibration analysis of rotating machinery using time–frequency analysis and wavelet techniques[J]．Mechanical Systems & Signal Processing，2011，25(6)：2083-2101．

[33] YU X，LI S，CHENG C，et al．An intelligent fault diagnosis method of rotating machinery based on deep neural networks and time-frequency analysis [J]．Journal of Vibroengineering，2018，20(6)：2321-2335．

[34] 向玲，李媛媛．經驗小波變換在旋轉機械故障診斷中的應用[J]．動力工程學報，2015，35(12)：975-981．

XIANG L，LI Y Y．Application of empirical wavelet transform in fault diagnosis of rotary mechanisms [J]．Journal of Chinese Society of Power Engineering，2015，35(12)：975-981．

[35] YAN R，GAO R X，CHEN X．Wavelets for fault diagnosis of rotary machines：a review with applications[J]．Signal Processing，2014，96：1-15．

[36] NIU P F，ZHANG J，ZOU G．Study on application of wavelet transform technique to turbine generator fault diagnosis[J]．Chinese Journal of Scientific Instrument，2007，28(1)：189-192．

[37] 牛培峰，張君，鄒剛．小波分析技術在汽輪機故障診斷中的應用研究[J]．儀器儀表學報，2007，28(1)：189-192．

NIU P F，ZHANG J，ZOU G．Study on application of wavelet transform technique to turbine generator fault diagnosis[J]．Chinese Journal of Scientific Instrument，2007，28(1)：189-192．

[38] LIAO W，HUA W，F(xiàn)ENG L．Fault diagnosis of turbine generator vibration based on wavelet packet and data-driven[C]//ISECS International Colloquium on Computing，Communication，Control，& Management．IEEE，2009．

[39] 胡三高，安宏文，馬志勇，等．基于小波奇異值分析的汽輪機碰磨特征提取[J]．動力工程學報，2013，33(3)：184-188．

HU S G，AN H W，MA Z Y，et al．Feature extraction of rubbing fault for steam turbines based on wavelet singularity analysis[J]．Journal of Chinese Society of Power Engineering，2013，33(3)：184-188．

[40] 李宏坤，徐福健，高巧紅，等．利用小波尺度譜同步平均的時頻脊故障特征提取[J]．振動工程學報，2015，28(3)：487-494．

LI H K，XU F J，GAO Q H，et al．Fault feature extraction for synchronous averaging wavelet scalogram based on time-frequency ridge[J]．Journal of Vibration Engineering，2015，28(3)：487-494．

[41] UMBRAJKAAR A，KRISHNAMOORTHY A．Vibration analysis using wavelet transform and fuzzy logic for shaft misalignment[J]．Journal of Vibroengineering，2018，20(8)：156-161．

[42] LEI Y，LI N，LIN J，et al．Fault diagnosis of rotating machinery based on an adaptive ensemble empirical mode decomposition[J]．Sensors，2013，13(12)：286-294．

[43] 向玲，鄢小安．汽輪機轉子故障診斷中LMD法和EMD法的性能對比研究[J]．動力工程學報，2014，34(12)：945-951．

XIANG L，YAN X A．Performance contrast between lmd and emd in fault diagnosis of turbine rotors [J]．Journal of Chinese Society of Power Engineering，2014，34(12)：945-951．

[44] 田松峰，胥佳瑞，王美俊，等．基于EEMD云模型與SVM的汽輪機轉子故障診斷方法[J]．熱力發(fā)電，2017，46(4)：111-114．

TIAN S F，XU J R，WANG M J，et al．A rotor fault diagnosis method based on EEMD cloud model and SVM[J]．Thermal Power Generation，2017，46(4)：111-114．

[45] 田松峰，魏言，郁建雄，等．基于變分模態(tài)分解云模型和優(yōu)化LSSVM的汽輪機振動故障診斷[J]．動力工程學報，2019，39(10)：818-825．

TIAN S F，WEI Y，YU J X，et al．Vibration fault diagnosis of steam turbines based on VMD and optimized LSSVM[J]．Journal of Chinese Society of Power Engineering，2019，39(10)：818-825．

[46] 唐貴基，龐彬．基于ALIF-HT的汽輪發(fā)電機組轉子故障診斷[J]．動力工程學報，2017，37(11)：883-889．

TANG G J，PANG B．Fault diagnosis of a turbo-generator rotor based on ALIF-HT[J]．Journal of Chinese Power Engineering，2017，37(11)：883-889．

[47] LIN L，WANG Y，ZHOU H．Iterative filtering as an alternative algorithm for empirical mode decomposition[J]．Advances in Adaptive Data Analysis，2009，1(4)：543-560．

[48] CICONE A，LIU J，ZHOU H．Adaptive local iterative filtering for signal decomposition and instantaneous frequency analysis[J]．Applied & Computational Harmonic Analysis，2016，41(2)：384-411．

[49] 唐貴基，李樹才，盧盛陽，等．基于CERLMDAN的轉子故障診斷[J]．動力工程學報，2020，309(9)：34-41．

TANG G J，LI S C，LU S Y，et al．Rotor fault diagnosis based on CERLMDAN[J]．Journal of Chinese Power Engineering，2020，309(9)：34-41．

[50] ZHU X，ZHAO J，HOU D，et al．An SDP characteristic information fusion-based CNN vibration fault diagnosis method[J]．Shock and Vibration，2019(3)：1-14．

[51] ZHU X，HOU D，ZHOU P，et al．Rotor fault diagnosis using a convolutional neural network with symmetrized dot pattern images[J]．Measurement，2019，67：365-372．

[52] 張前圖，房立清．基于圖像形狀特征和LLTSA的故障診斷方法[J]．振動與沖擊，2016，35(9)：172-177．

ZHANG Q T，F(xiàn)ANG L Q．Fault diagnosis method based on image shape features and LLTSA[J]．Journal of Vibration and Shock，2016，35(9)：172-177．

[53] 朱霄珣，羅學智，葉行飛，等．基于深度特征學習的汽輪機轉子狀態(tài)識別方法[J]．中國電機工程學報，2021，41(2)：432-442．

ZHU X X，LUO X Z，YE X F，et al．State recognition method of turbine rotor based on depth feature learning[J]．Proceedings of the CSEE，2021，41(2)：432-442．

[54] 王慧濱．基于規(guī)則和案例推理的汽輪發(fā)電機組故障診斷專家系統(tǒng)[D]．蘭州：蘭州理工大學，2014．

WANG H B．Fault diagnosis expert system of turbine generator sets based on rules reasoning and case reasoning[D]．Lanzhou：Lanzhou University of Technology，2014．

[55] 于達仁，王偉．基于規(guī)則的故障診斷計算復雜性分析[J]．動力工程，2007，27(3)：372-375．

YU D R，WANG W．On computational complexity of rule-based fault diagnosis[J]．Journal of Chinese Society of Power Engineering，2007，27(3)：372-375．

[56] YANG M，QIANG S．Reinforcing fuzzy rule-based diagnosis of turbomachines with case-based reasoning [J]．International Journal of Knowledge-Based and Intelligent Engineering Systems，2008，12(2)：173-181．

[57] YAN C F，WANG H B，ZHOU L L，et al．Fault diagnosis expert system of turbine generator sets based on rule reasoning and case reasoning[J]．Applied Mechanics & Materials，2014，513/517：4443-4448．

[58] FANG M，XU Z．Vibration fault diagnosis for steam turbine-generators based on history cases and artificial neural network[C]//2nd IEEE Advanced Information Management，Communicates，Electronic and Automation Control Conference (IMCEC)．IEEE，2018．

[59] XU C，HAO Z，PENG D．Study of fault diagnosis based on SVM for turbine generator unit[J]．IEEE，2012(5)：110-113．

[60] LIN S，ZHANG T．Fault diagnosis of steam turbine generator unit based on support vector machine[C]// International Conference on Measurement．IEEE，2014．

[61] 石志標，陳斐，曹麗華．基于EWT與排列熵的SVM汽輪機轉子故障診斷[J]．汽輪機技術，2017，59(6)：439-442．

SHI Z B，CHEN F，CAO L H．Fault diagnosis of steam turbine rotor based on EWT and permutation entropy and SVM[J]．Turbine Technology，2017，59(6)：439-442．

[62] 石志標，陳斐，曹麗華．基于排列熵與IFOA-RVM的汽輪機轉子故障診斷[J]．振動與沖擊，2018，37(5)：79-84．

SHI Z B，CHEN F，CAO L H．Fault diagnosis of steam turbine rotor based on permutation entropy and IFOA-RVM[J]．Journal of Vibration and Shock，2018，37(5)：79-84．

[63] 楊楠，葉迪，林杰，等．基于數(shù)據驅動具有自我學習能力的機組組合智能決策方法研究[J]．中國電機工程學報，2019，39(10)：2934-2946．

YANG N，YE D，LIN J，et al．Research on data-driven intelligent security-constrained unit commitment dispatching method with self-learning ability [J]．Proceedings of the CSEE，2019，39(10)：2934-2946．

[64] 尚宇煒，郭劍波，吳文傳，等．數(shù)據–知識融合的機器學習(1)：模型分析[J]．中國電機工程學報，2019，39(15)：4406-4416．

SHANG Y W，GUO J B，WU W C，et al．Machine learning methods embedded with domain knowledge (part i)：model analysis[J]．Proceedings of the CSEE，2019，39(15)：4406-4416．

[65] 周奇才，劉星辰，趙炯，等．旋轉機械一維深度卷積神經網絡故障診斷研究[J]．振動與沖擊，2018，37(23)：39-45．

ZHOU Q C，LIU X C，ZHAO J，et al．Fault diagnosis for rotating machinery based on 1D depth convolutional neural network[J]．Journal of Vibration and Shock，2018，37(23)：39-45．

[66] WANG T，WANG J，WU Y，et al．A fault diagnosis model based on weighted extension neural network for turbo-generator sets on small samples with noise [J]．Chinese Journal of Aeronautics，2020，33(10)：2757-2769．

[67] 王崇宇，鄭召利，劉天源，等．基于卷積神經網絡的汽輪機轉子不平衡與不對中故障檢測方法研究[J]．中國電機工程學報，2021，41(7)：2417-2427．

WANG C Y，ZHENG Z L，LIU T Y，et al．Research on detection method of steam turbine rotor unbalance and misalignment fault based on convolution neural network[J]．Proceedings of the CSEE，2021，41(7)：2417-2427．

[68] HINTON G E，OSINDERO S，TEH Y W．A fast learning algorithm for deep belief nets[J]．Neural Computation，2006，18(7)：1527-1554．

[69] FU S，ZHONG S，LIN L，et al．A re-optimized deep auto-encoder for gas turbine unsupervised anomaly detection[J]．Engineering Applications of Artificial Intelligence，2021，101(12)：104199．

[70] TIAN H A，RM A，JZ B．Combination bidirectional long short-term memory and capsule network for rotating machinery fault diagnosis[J]．Measurement，2021，176：235-242．

Research Progress of Vibration Fault Diagnosis Technology for Steam Turbine Generator Sets

CHEN Shangnian1, LI Luping1*, ZHANG Shihai2, OUYANG Minnan1, FAN Ang1, WEN Xiankui2

(1. School of Energy and Power Engineering, Changsha University of Science and Technology, Changsha 410014,Hunan Province, China; 2. Electric Power Research Institute of Guizhou Power Grid Co., Ltd., Guiyang 550002, Guizhou Province, China)

With the increasing demand of power energy, the safe and stable operation of high parameter and large capacity turbo-generator sets is of great significance to power production. The vibration fault mechanism, signal detection, signal analysis, feature extraction and fault diagnosis methods of turbine generator set were summarized, respectively. Moreover, an advanced sensing technology and a new generation of intelligent machine learning technology represented by deep learning were introduced to solve the problems that traditional intelligent diagnosis methods are faced with, such as large amount of sampled data, difficulty in extracting signal features and shortage of fault training samples. It is summarized that the future vibration fault diagnosis technology of turbo generator sets should be based on artificial intelligence, big data, and cloud computing, supplemented by fusion virtualization and three-dimensional visualization technology, to achieve the unity of fault diagnosis speed and accuracy.

steam turbine generator set; feature extraction; fault diagnosis; artificial intelligence; big data; cloud computing; deep learning

2021-04-30。

10.12096/j.2096-4528.pgt.21048

TK 05

國家重點研發(fā)計劃項目(2017YFB0903600)；南方電網公司重點科技項目(GZKJXM20172214)。

Project Supported by National Key Research and Development Program of China (2017YFB0903600)；Key Science and Technology Project of China Southern Power Grid Corporation (GZKJXM20172214).

(責任編輯 辛培裕)