火電廠引風機故障預警與診斷綜述

張 令，劉 暉，李彥文，李政謙，樊 怡，趙立慧

（1.國電宿遷熱電有限公司，江蘇 宿遷 223803；

2.北京華電天仁電力控制技術有限公司，北京 100039；3.華北電力大學，河北 保定 071003）

0 引言

當前，隨著火電廠節能減排工作的推進，排放的煙氣要求越來越嚴格[1]，對煙風燃燒系統改進越來越完善。而引風機作為將高溫煙氣排出鍋爐的裝置，工作在高溫、雜質多且摩擦腐蝕都很嚴重的工作條件下，很容易發生故障[2]。引風機作為常用風機中典型、重要、故障率最多且故障分析難度大的運行設備，對其進行故障預警與診斷成為研究的熱點。

引風機作為故障類型繁多的設備，不同的信號之間相互耦合，且設備運行時會受到許多不確定性因素和隨機干擾的影響[2]，導致對設備運行征兆與故障之間的關系未知。傳統現場實際應用時，多采用運行數據進行閾值比對法，輔之以巡檢的方法進行預警與診斷，不能夠全面準確地進行預警與診斷工作。隨著火電廠信息化的發展，通過對歷史數據進行關鍵信息挖掘并將故障特征信息提取，使用于構建引風機智能大數據監控系統成為可能。

圖1 引風機狀態檢修流程圖Fig.1 Flow chart of induced draft fan status maintenance

對引風機進行診斷與預測的智能化是火電廠裝備管理新的研究方向。其顯著特點是構建火電廠廠級監控信息系統（SIS），在傳統的故障診斷方案中引入了預測能力以及智能計算的思想方法[3]，形成一套盡早發現引風機故障早期征兆的運行狀態檢測系統。目前的研究成果[2-29]主要集中在利用風機故障歷史數據，挖掘出不同的故障所對應的設備運行狀態，從而達到判斷出現故障的目的[4]。同時，劉濤等[2,11,12,23,24]提出使用模式識別方法，使用正常歷史數據建立進行引風機狀態庫，使用相似性建模的多元狀態估計方法。潘作為等[5,6,8,17,25-28]使用振動信號與運行參數數據進行分析，并設計實現了對應的監測系統。

本文總結了現有的火電廠引風機故障診斷與預警的方法與應用優缺點，同時從裝備智能故障診斷角度，結合火電廠實際情況對方案進行綜合評價與發展趨勢分析。為構建火電廠引風機故障診斷與預警大數據平臺提供方案參考。

1 發展歷程

由于電站的引風機是火電廠重要機型之一，其設備的運行狀態直接關系到機組的啟停[6]。引風機主要依靠電機的旋轉帶動葉輪，使得進入進氣箱的氣體能夠在葉輪中獲取克服管網阻力所需的能量[2]。機械運轉方面的故障通過傳感器監測設備的溫度、壓力等來進行初步的判斷，而性能方面的故障則需要使用運行數據來進行分析。同時，在風機的各個部件中，葉輪轉子及其支撐軸承的故障率最高[7,8]。因此，滾動軸承、葉輪故障診斷是引風機故障診斷領域的主要研究對象[5]。

1.1 引風機智能故障診斷發展歷程

圖2 引風機測點分布Fig.2 Induced draft fan distribution

早期，火電廠引風機是通過巡檢人員定時到現場檢查振動、溫度以及氣壓等參數來確定設備狀況。這種檢查為人工操作，較為繁瑣且不能夠在故障早期及時發現問題。此后，隨著計算機在發電行業的普及，數據庫、通信網絡等可以實現對設備的遠程監控目標。在此之后，引風機的監測逐步向自動化、智能化方向發展[9]。為了迎合電廠信息化趨勢，國內外的大容量機組都安裝有檢查測點，監測數據實時接入電廠的運行監控系統，以供實時報警系統使用[5]。

現在電站的故障保護裝置方式多采用點表閾值比對法。如果短時間設備的實時運行值未在報警系統中的點表設定運行范圍內則報警；若在設定時長后運行數據仍舊處于異常運行狀態，則將設備切除，機組將非計劃停運。現有較為成熟且廣泛應用的引風機狀態檢修實施平臺設計的流程圖見圖1[10]。

該軟件搭建了一個檢修平臺，首先從運行數據表提取出實時的數據進行狀態評價和風險評估，同時根據維修記錄來給出檢修建議，運行人員根據軟件的檢修建議操作引風機。所需要進行后臺操作優化的部分主要集中在數據操作模塊，也就是智能故障診斷方法研究。

現有的智能故障診斷的研究方向主要集中在兩個大方向。其一，使用多元狀態估計法對引風機系統運行狀態建模分析[2]；其二，使用包絡分析的方法對振動信號等進行分析[5]。

1.2 引風機監測參數

目前對性能方面使用歷史數據進行故障診斷的方式主要有兩種：一種是使用振動信號進行分析得出設備異常[5,6,8,17,25,26,27,28]，另一種是綜合使用振動、壓力、葉輪轉子轉速以及電流信號構造狀態矩陣進行分析[2,11,12,21,23,24]，而設備的轉速可以使用電機功率來替代。當前火電廠都裝備有SIS來實現引風機狀態監測，SIS中含有能夠反映引風機設備運行狀態與故障信息的數據[11]。綜合各類文獻[2,5,6,8,11,12,17,24-28]總結研究所需要的測點，設備的主要測點分布情況見圖2，參數說明見表1[2]。

SIS系統可以實時記錄參數的運行數據，每條記錄包括振動、溫度、壓力、流量、電壓和電流共計22個參數[2,11]。其中，文獻[2,11]使用全部22個測點進行相關性分析，篩選出相關性強的15個測點。文獻[5]使用傳感器測量4個振動幅值、風機出口壓力、風機軸轉速、電機電流7個測點。其余文獻[6,8,11,12,17,24-28]使用的測點均能在圖2、表1中取得。

表1 監測參數說明Table 1 Monitoring parameter description

圖3 故障預警系統實現方法Fig.3 Method of fault warning system implementation

2 研究現狀

2.1 多元狀態估計法

隨著數據挖掘技術的不斷發展，使用模式識別的方法對引風機狀態進行相似性建模的方法也具有很強的實際操作意義。其中，MSET（Multivariate State Estimation Technique）是由Singer等提出的一種非線性的多元預測診斷技術。通過分析實際監測參數與設備正常運行時的健康數據，估計正常運行時的各個參數的標準量，稱為估計向量[12]。使用實際運行數據構造觀測向量，運用估計向量與觀測向量之間的距離衡量實際狀態與正常狀態的相似性來做出診斷[12]。

文獻[2,11]在引風機故障診斷方案中使用MEST法。首先，采集SIS中引風機系統關鍵測點的正常情況下的運行數據，使用聚類方法得出大量正常運行歷史數據的質心，使用質心來代表該類工況。通過計算實時運行狀態向量與根據歷史數據計算而成的狀態估計向量，采用歐氏距離進行狀態估計向量與實測向量之間的距離測算，作為相似度預測。如果距離超過了設定的閾值即進行報警。其實現方法流程圖見圖3。

這種多元診斷方式能檢測設備狀態初始劣化點的特點，可以捕獲故障動態發展過程，實現風機故障預警[2]。但其需要大量的歷史數據做支撐，如果歷史狀態庫未能涵蓋當前工況，則結果不具有參考性。且該方案對噪聲很敏感，如果有某個測點數據出現傳感器或數據傳輸異常，則會有誤報警情況。該方案可以隨著時間的累積越來越完善，且具有建模過程簡單和物理意義明確等優點。該方法也是火電廠智能化診斷應用的熱點研究方向。

2.2 振動信號頻譜分析

引風機是高轉速的旋轉設備，其存在的故障會反映在振動信號內[13]。從振動角度出發，引風機振動的因素一般為引風機自身的振動和因為相關電機震動導致了引風機共振這兩大類[5]。在排除了電機故障之后，確定是因為引風機故障造成的異常振動后，使用振動信號頻譜分析的方法進行檢測。

基于引風機的監測方法中，使用SIS中的數據進行信號分析與故障特征提取成為研究的熱點[5]。其中針對實測振動瞬態信號，通過各種信號分析方法進行有效提取故障信息的手段已經廣泛應用于工業現場實際中[5]。最基本的信號分析及故障特征提取方法是時域分析、頻譜分析、倒頻譜和包絡分析，這些方法統稱為經典方法[14]。同時，包絡分析很好地實現滾動軸承振動調制信號的解調分析，提取軸承故障的特征信息，是振動故障特征提取的主要方法之一。文獻[15]給出了希爾伯特變換在振動信號分析中應用研究的介紹。且文獻[5]針對引風機使用小波與分形結合的故障特征提取方法，并研發了引風機振動監測系統。

分析振動信號的方法研究較為完善，相關的方法也層出不窮。具有包含故障信息豐富、反映速度快、對故障的可識別性強等突出優點。但是振動信號的主要缺點是對干擾噪聲非常敏感，引風機的干擾信號較多，從振動信號中有效的分理出故障信號，確定干擾成分比較難。現有的引風機需要配合火電廠負荷進行自動調節，在提高其穩定性的同時，故障特征隨時間變化易為非平穩信號，其數學基礎、模型都很復雜，且較難理解。

3 發展趨勢

在實際工業診斷中，振動信號分析具有準確、高效的優點，但是所需要的設備儀器多，且對運行人員分析操作要求較高，在火電廠引風機中應用不廣泛。而多元狀態估計法模型簡單，應用便捷，逐漸成為火電廠常用的報警方法。但是，其不能夠實現具體的故障診斷方案，且計算的精確度以及故障信息的豐富程度和響應速度還沒有達到應用的要求。主要的發展趨勢在于：逐漸完善數據庫實時分析技術以及通信傳輸設備，使實時診斷響應速度得到提高；其次，完善運行數據庫異常狀態下的故障特征及其處理方式，建立故障診斷專家庫，提高故障分類的準確度。

同時，由于數據庫運行和故障分析需要有大量的硬件及軟件資源，而智能故障診斷系統的運行維護是一個非常冗雜且專業要求很高的問題，電站維護開支較大。則從集團級研究出一個可以針對大數據、多接口、多電廠整合故障診斷平臺將是可預見的重點發展方向之一。

4 結束語

本文針對引風機故障診斷問題，闡述了現有的引風機故障診斷系統的基本結構、故障預警及診斷方法。綜合文獻以及現場實地可以看出，現有應用引風機智能故障診斷的手段較為單一，能夠達到實時報警的功能。使用歷史數據進行狀態檢修的理論與實踐還停留在小樣本且無自適應能力的階段，已建立的模型仍需要通過更多實測振動數據和故障案例驗證，來檢驗所研發的系統的功能及故障診斷效果，經過現場實踐不斷改進提高系統的功能和可靠性。