汽輪機組凝汽器故障診斷方式研究

王廣社

摘要：凝汽器是汽輪機組的重要組成部分，加強其狀態檢測與故障診斷技術自動化水平的研究與實現，有利于優化汽輪機組凝汽器的性能指標、提升系統運行的整體性能。本文主要介紹了凝汽器故障診斷的常用方法，分別是模糊模式識別、神經網絡、模糊神經網絡。希望與凝汽器故障檢查診斷相關人員一起分享技術經驗，共同提升凝汽器的運行效率。

關鍵詞：汽輪機組；凝汽器；故障診斷；方法探究

凝汽器及其有關的輔助設備設施故障診斷是最常見的汽輪機組技術診斷技術之一，其主要由在線診斷與設備運行狀態監測兩個部分構成。故障診斷即結合狀態監測過程中所獲取的各類信息資源，參照已知的結構屬性與參數及環境條件等，在設備設施歷史運行記錄等協助下，預測、報警、分析與判別設備在后續運行期間可能出現的故障類型及性質等。導致凝汽器運行期間出現的故障是多樣化的，且很多故障具有模糊性特征，這在很大程度上增加了故障診斷難度。

1模糊模式識別法

該種故障診斷方法適用對象為自身具有模糊性或辨識要求上具備模糊性，通常包括兩種歸類方法：①直接法，即遵照最大隸屬度規則進行歸類，多被應用在單個故障的辨識領域；②間接法：依照就近原則進行歸類，通常被應用在群體模型中。因為凝汽器故障診斷作業中辨識對象屬于個體，故此多建議選用直接方法。

直接法在應用過程中通常被劃分為三個步驟：首先，獲取識別對象的特征，同時把對象p轉型為模式p={p1，p2，～pn}。其次，建設隸屬函數，這是辨識工作開展的關鍵點。最后，對目標對象進行辨識判斷，具體是依照相應的歸屬原則對p進行判斷，明確其屬于哪種故障類別。辨識判斷期間可遵照的原則較多，本文應用最大隸屬度原則去辨識凝汽器故障形成的主要原因[1]。

1.1建設凝汽器故障論域分類及故障征兆集

提取數個預兆設為分析對象，依照二值邏輯，存在預兆記為“1”，反之記為“0”，此時，待辨識的對象就轉型為一個由“1”或“0”組成的關系矩陣。故障原因分析過程中需考慮的論域P，即P={P1，P2，～Pn}。將不同故障類別視為論域U的模糊子集，故障診斷工作的目的在于辨識待檢對象應歸屬于哪個模糊子集的問題。

1.2建設隸屬函數

本文選擇模糊模式識別中的直接法對凝汽器故障進行診斷，在求距離方法的協助下建設隸屬函數。待檢對象 ，其中x為故障發生時依照是否存在預兆分別取值1或0。計算其與典型故障模糊模式之間的距離（d），確定模糊模式的隸屬函數： ，其中D為分子的最大值，凝汽器的常見故障有凝汽器的循環水泵嚴重故障、后軸封供汽中斷、凝汽器滿水、真空系統管路破裂等，以上數式可對以上故障類型做出判斷。

2人工神經網絡方法

最近幾年中，人工神經網絡方法憑借自體獨有的想象、記憶、存儲與學習等功能，在機械設備故障診斷中有較廣泛的應用，其中以反向傳播神經（BP）網絡的成熟度最高，其屬于多層結構，網絡在學習過程中依照輸入層→輸出層的方向，結合目標輸出與網絡輸出之間存在的偏差，按照一定次序修整不同層面神經元間的銜接強度與閾值，以降低誤差[2]。

本文選擇三層BP網絡對汽輪組凝汽器故障進行診斷，過程如下：采用常規典型故障模式訓練網絡，在以上操作技術后就可實時迅速辨識凝汽器運轉期間出現的故障類別。設定輸入層節點數對應的故障預兆數N=16，與輸出層節點數相對應的故障類型數L= 11；隱含層節點數設為9。設網絡訓練精度T≤0.009，神經網絡中間層和輸出層對應神經元響應函數均設為f（x）=1/（1+t-x）。利用MATLAB 6.5編程對BP網絡進行訓練仿真模擬，為推動學習進程，建議應用自適應學習率算法traindx進行，學習率 =0.86。在對訓練過程進行分析期間，發現自適應學習率應用后，網絡系統的運行速率顯著提升，在短時間內就能達成預設精度，此外因為訓練過程中有動量項參與，可明顯提升網絡運行的穩定性，此時網絡能自主調整其學習速率以經由局部最小。

例如，在對凝汽器真空系統漏封堵故障診斷期間，可以對軸加水封帶，氣泵水封帶進行注水、低壓缸軸封、低壓缸大氣膜等部位進行查漏處理，最終真空嚴密性降低至：低背壓凝汽器 0.204 KPa/min，高背壓凝汽器 0.174KPa/min。技術人員在對本機低壓缸本體、低加系統、凝結水系統等檢查后，發現軸封結合面、缸體結合面、低壓缸軸封，防爆門等存在漏點，全部泄漏部位均采用了1596密封膠進行封堵后，真空嚴密性試驗結果表明，軸封壓力提高至100KPa，結果為低背壓51Pa/min. 高背壓75Pa/min.合格，符合技術協議100Pa/min以下要求，驗收合格。回顧本次故障診斷歷程，筆者認為應維持負荷穩定>80%，在停止抽氣設備的條件下，試驗時間為8min，取5min的真空下降速度的平均值（Pa/min），對于300MW及以上機組的真空下降速度不高于100Pa/min

3模糊神經網絡識別法

從本質上分析，神經網絡識別方法屬于一類黑箱型推理過程，盡管其能呈現出特征空間→故障模式空間運轉情況，但是在透明性、概念清晰度等方面不占優勢。正因如此，為提升智能辨識系統的運作性能，可將各類概念清楚明了的辨識方法和神經網絡有機整合。建設模糊神經網絡等多樣化的神經網絡類型。結合模糊系統與神經網絡銜接形式與功能類型，兩者整合方式通常有如下幾種類別：①松散型，②并聯型，③串聯型，④網絡學習型，⑤結構等價型。本文對串聯型結合方法在凝汽器故障診斷中的應用情況做出如下分析。

模糊神經網絡在機械設備故障診斷領域中的應用，先需將被診斷對象的征兆數據信息整合至系統中，在模糊隸屬函數的協助下對數據進行模糊處理，繼而將數據整合至BP神經網絡內。此時神經網絡的訓練活動已結束且處于備用狀態中[3]。嚴格遵照最大隸屬度規則對設備故障進行映射處理，這樣模糊神經網絡系統就能對被檢對象故障類型、性質等做出診斷結論。

在對某發電廠300MW汽輪發電機組凝汽器的故障進行診斷過程中，檢測到某次故障參數有：循環泵電機電流40A、循環泵出口壓力0.8MPa、轉子差脹14mm，循環水溫11℃，凝汽設備端差值為8℃，凝結水過冷度1℃、抽出空氣和冷水進口之間的溫度差值為4℃，凝汽設備抽氣口到抽氣器的氣壓差為0.03MPa，凝結水電導度0.2，電機電流26.6A，水泵出口壓力0.17MPa。對以上參數進行模糊化處理，得到的故障模式為

R=[0.5，0.001，0.2，0.5，0.5，0.6，0.6，0.5，0.5，0.5，0.5，0.5]T，采用模糊神經網絡識別法進行診斷，確定為循環水泵故障，和機械設備與實際的情況相符。

結束語：

凝汽器是汽輪機組的常見構件之一，其在運行期間可能出現多種問題，其對機組運行效率產生明顯影響。故此加強設備故障診斷與處理具有很大現實意義，但有故障出現時，先要考慮是否存在誤操作，其次有選擇性的采用相關診斷方法，分析故障類型、性質，以為機組安穩運行提供充足保障。

參考文獻

[1]魯錦，劉漢金，劉娟，等.1000 MW機組凝汽器低真空故障特征向量的提取及應用[J].江西電力，2018，42（10）：49-52.

[2]陳軻.凝汽式汽輪機真空度降低的原因及分析處理措施探討[J].當代化工研究，2018（09）：41-42.

[3]譚聰，金俊忠.燃氣-蒸汽聯合循環汽輪發電機組凝汽器真空下降分析[J].燃氣輪機技術，2018，31（01）：56-59.

（作者單位：大唐黃島發電有限責任公司）