汽輪發電機振動異常診斷及處理

趙志強

【摘 ?要】二十世紀以來，隨著工業生產和科學技術的發展，機械故障的可靠性、可用性、可維護性與安全性問題日益突出，從而促進了人們對機械設備故障機理及診斷技術的研究汽輪機是電力生產的重要設備，由于其結構的復雜性和運行環的特殊性，汽輪機的故障率較高，而卻故障危害也很大。汽輪發電機組常見的機械振動故障有：轉子不平衡、轉子彎曲、轉子不對中、油膜振蕩、碰摩、轉子橫向裂紋和轉子支承系統松動等。汽輪機振動故障的汽輪機最常見的故障，因此，汽輪機的振動故障診斷一直是故障診斷技術應用中非常重要的部分。

【關鍵詞】汽輪機;故障診斷;小波;神經網絡

1基于信號處理的振動故障診斷方法

信息的采集和處理是實現機組振動檢測與故障診斷中的一個基本環節、也是振動檢測軟件的核心技術。現代信息分析主要包括兩種形式：一種是以計算機為核心的專用數字式信號處理儀器，另一種是采用通用計算軟件來進行信號分析的方式。

1.1小波變換方法

這是一種新的信號處理方法，是一種時間―尺度分析方法，具有多分辨率分析的特點。利用小波變換可以檢測信號的奇異性。因噪聲的小波變換的模的極大值隨著尺度的增大而迅速衰減，而小波變換在突變點的模的極大值隨著尺度的增大而增大（或由于噪聲的影響而緩慢衰減），即噪聲的Lipschitz指數處處小于零，而在信號突變點的Lipschitz指數大于零（或由于噪聲的影響而等于模很小的負數），所以可以用連續小波變換區分信號突變和噪聲。同樣，離散小波變換可以檢測隨機信號頻率的突變。應用了小波分析理論，采用多分辨分析和小波分解等基本思想對汽輪機轉子振動信號進行了分析，針對振動信號的弱信號特征，提出了基于離散小波細化頻率區間，小波分解后進行能量譜分析和小波變換結合傅立業變換分析法，并將其應用于模擬轉子試驗臺上。以小波分析為基礎，針對汽輪機早期振動故障信號具有背景噪聲強，特征信號弱的特點改進傳統的Donoho硬閾值降噪算法，提出了基于shannon熵的最優小波包基降噪算法，能明顯地提高信號的信噪比。采用小波神經網絡松散結合的診斷方法，利用小波包的分解重構系數得到信號的頻帶能量，再將頻帶能量作為神經網絡輸入向量進行模式識別。利用BP神經網絡在故障診斷方面具有診斷精度高，學習速度快的特點與小波分析相結合。

小波神經網絡是一種非模型的診斷方法，回避了抽取對象數學模型的難點，避免了復雜的關于建模的傳遞函數的運算，以及建模不完全或不精確導致的診斷誤差。小波變換不需要系統的數學模型，對噪聲有很強的抑制能力，有較高的靈敏度，運算量也不大，是一種很有前途的方法。

1.2信息融合的方法

信息融合是利用計算機技術對按時序獲得的多源的觀測信息在一定準則下加以自動分析、綜合以完成所需的決策和估計任務而進行的信息處理過程。

設計了汽輪機轉子軸系故障模擬試驗方案，并對各種故障進行了多組升速試驗，對故障信號進行了傅立葉分析，以三維幅值譜和升速過程波德圖為工具，對故障信號的頻域信息進行了融合研究。研究表明，一階矩向量三維圖不僅融合了信號的時頻特征，還融合了信號的空間特征，因而可用來對故障的產生過程進行全面分析，是進行軸系典型故障診斷的又一有效工具。

1.3其他信息處理法

提出了一種經驗模態分解方法（EMD），其主旨為把一個時間序列的信號分解成不同尺度的本征模態函數（IMF），每個本征模態函數序列都是單組分的，相當于序列的每一點只有一個瞬時頻率，無其他頻率組分的疊加。瞬時頻率是通過對IMF進行希爾伯特變換得到，同時求得振幅，最后求得振幅頻率時間的三維譜分布。利用EMD分析方法以及其對應的Hilbert變換在大型汽輪機故障診斷中進行非平穩信號的算法和應用，并描繪出仿真故障信號的時頻圖、時頻譜和幅值譜。嘲利用Kohonen網絡聚類的特點，把汽輪機振動故障信號頻譜中的相關頻段上不同頻率譜的譜峰能量值作為故障信號的訓練樣本輸入到Kohonen網絡，并由網絡進行聚類，產生聚類中心點。根據此聚類中心點的位置來確認和診斷汽輪機振動故障的原因以及目前的嚴重程度。

2基于知識的故障診斷方法

基于知識的方法不需要精確的數學模型就能準確預測故障，當前這一領域的研究較為活躍。

2.1基于專家系統的故障診斷方法

專家系統（Expert System――ES）是人工智能領域較為活躍的一支，它已廣泛應用于過程監測系統，并取得了相當可觀的經濟效益。專家系統是一種基于知識的智能計算機程序系統，其運用領域專多年積累的經驗與專門知識，模擬人類專家的思維過程來處理該領域的問題。張曉等提出了一種新的基于模糊與綜合的離線式汽輪機故障診斷專家系統，并且提出了相關基于模糊診斷的推理和專家系統知識的漏診斷和無診斷的自學習方法。

2.2基于人工神經網絡的故障診斷方法

人工神經網絡技術以分布的方式存儲信息，利用網絡的拓撲結構和權值分布實現非線性的映射，并利用全局并行處理實現從輸入空間到輸出空間的非線性信息變換。對于某一特定對象建立特定的神經網絡故障診斷系統，將故障征兆作為輸入信號可以直接得到故障，方便地實現了故障檢測與診斷。

提出了采用概率神經網絡（PNN）的汽輪發電機組故障診斷方法。利用PNN算法簡單、訓練和泛化速度快的優點，把新的訓練樣本添加到以前訓練好的分類器中，便于提高故障診斷結果的準確性。而且具有很高的運算速度，抗干擾能力強，對傳感器測量噪聲具有較強的診斷魯棒性。新的訓練樣本也很容易加入以前訓練好的分類器中，更適用于在線檢測。程衛國翻通過對振動信號的分析，并對BP算法進行了研究和改進。建立了人工魚群神經網絡模型，利用人工魚的聚群、追尾和覓食行為訓練RBF神經網絡的權系數，提高了神經網絡的收斂速度和精度。依據此模型提出一種故障診斷方法，并應用于汽輪機振動故障分析，提高了神經網絡的泛化能力和故障診斷的準確率。

3基于解析模型的故障診斷方法

基于解析模型的故障檢測和診斷方法在故障診斷的研究中占有重要地位，它充分利用了系統模型的深層知識進行故障診斷，具體是指使用系統的結構、行為和功能等方面的知識對系統進行診斷推理，這就需要建立系統結構、行為和功能模型。

針對轉子裂紋故障的早期診斷與預示這一問題，提出了基于多模型估計（MMAE）的轉子裂紋故障診斷方法。并對Jeffcott轉子建立了正常、裂紋轉子模型和基于卡爾曼濾波器的多模 型自適應估計器，通過裂紋故障的仿真分析和故障多模型估計表明，該方法對早期診斷和預示轉子裂紋故障有良好的效果。張國平針對汽輪機啟動和停止過程信號比平穩過程復雜這一特點用短時傅里葉變換提取狀態特征信息，引入基于連續HMM建立在在線狀態監測系統的應用。HMM是一種時間序列的統計模型，能用參數描述隨機過程統計特性的概率模型，是一種用針對性的信號的建模和識別工具。利用了貝葉斯網絡模型進行汽輪機故障診斷，通過對主成分分析方法提取故障特征的討論，提出了基于主成分分析方法和貝葉斯網絡的汽輪機故障診斷模型建立方法，應用特征提取后的樣本建立了汽輪機故障貝葉斯網絡模型，該汽輪機故障診斷模型簡潔，易于推理，提高了汽輪機故障診斷的效率。

4結語

基于對以上汽輪機振動故障診斷技術的綜述，可以看出汽輪機故障診斷方法是復雜多樣性的。（1）基于信號的處理方法能夠對故障信號有較好的分析識別作用，能夠對檢測信號進行加工、變換、提取敏感的故障征兆，對故障信號位置確定比較精確。（2）基于知識的診斷方法能在知識的表達與組織上比基于經驗知識的診斷推理具有更大的優越性，知識獲取方便，維護簡單，但搜索空間大，推理速度慢。（3）基于解析模型的故障診斷方法能夠判斷系統的識別故障的出現位置，便于實現故障的分離。（4）基于離散事件的診斷方法的是一種新型的故障診斷方法，其優點是不需要被診斷系統的精確數學模型，適用于解決難以建立精確模型的系統的故障診斷問題。

參考文獻：

[1] 國家汽車產業調整和振興規劃[R].2009.

[2] 劉馥清.試驗模態分析基礎[R].

（作者單位：山東電力建設第三工程有限公司）