汽輪機故障鏈診斷與評估方法研究

楊 楠，顧煜炯，孫樹民，王 仲

(1.華北電力大學能源動力與機械工程學院，北京 102206；2.華北電力大學國家火力發電工程技術研究中心，北京 102206)

0 引言

汽輪機故障智能診斷過程涉及數據采集與分析、故障診斷、維修決策、維修效果反饋這四個重要步驟。目前，已有大量文獻對前兩個步驟作了研究[1-7]。但這些研究普遍將設備的故障看作孤立的事件或模式，而非變化的過程。由于診斷結論未能充分描述故障的發生、發展過程和故障程度，且缺乏對結論可信度、故障起因、發展程度等因素的綜合評估，在維修過程中需要進一步查找故障原因和評估嚴重程度，才能作出最合理的維修決策。因此，本文提出基于故障鏈診斷與評估的故障診斷與維修決策方法，將故障原因診斷、故障劣化程度、故障風險程度等決策信息，融入故障鏈嚴重程度指標計算過程。通過對比故障鏈嚴重程度，以降低設備運行風險為目標，制定最終故障排查順序。

1 網絡型診斷模型的建立

1.1 故障因果網的建立

設備從正常運行到出現故障狀態，是一個從操作失誤或設備隱患等原因發展為對設備性能或安全造成破壞性影響的過程。雖然故障的原因及影響具有隨機性，但對故障原因和影響的分析有利于在故障后更準確地診斷出故障原因，以便采取針對性的維修措施；也有利于對設備故障風險的把控。本文采用故障樹分析(fault tree analysis，FTA)和故障模式及影響分析(fault mode and effect analysis,FMEA)方法，對設備故障原因及影響進行分析?；谠O備的結構、功能、操作等資料，以及對常見故障的試驗數據分析和經驗積累，經歸納和演繹，總結出設備產生各類故障的原因，以及對設備性能、監測數據等產生的影響及檢測方法。

從故障發生發展過程來看，FTA是從“故障發生”向前分析“故障原因”的過程[8]，FMEA是從“故障發生”向后分析“故障結果”的過程[9]。

對于復雜系統的故障，分析步驟如下： ①確定分析范圍，劃分系統結構初步確定要分析的故障模式清單；②基于FTA “演繹法建樹”，分析各層次故障原因；③基于FMEA，確定故障發生后影響的參數變化規律，即故障征兆。

將以上分析所得的故障事件間的因果關系定義為故障因果網絡(fault cause and effect network,FCEN)，如圖1所示。

圖1 故障因果網絡

以圖形化結構，總結故障機理分析所得的診斷知識。第一層為故障原因層，是基于多個故障模式的FTA分析得到的故障樹，并由其聯立形成的網絡結構，其中包含了故障模式的成因知識信息。第二層為故障模式層，是故障機理分析的核心，也是故障診斷的目標。第三層為故障特征層，是基于多種故障模式FMEA分析得到的故障影響，總結為監測、檢修、試驗等手段可獲得的故障特征描述，形成的征兆集合。FCEN以關系型網絡結構，將設備多類故障模式的成因、現象以及抽象名稱有機結合，從設備功能、故障原因、故障后果、監測系統響應、檢修現象等方面，盡可能全面地描述了設備所有可能的故障因果鏈。

1.2 FCEN轉化為診斷模型

針對基于FCEN故障機理分析建立的特點，在將其轉化為診斷模型時，作如下定義。

①先驗概率。設備可靠性研究認為，設備發生故障是必然的,只是發生的概率有高有低。故障發生的概率近似地服從某種概率分布規律。本文中特指對故障原因R根據先驗知識對其發生概率的估計，稱為先驗概率。

②條件概率。故障F(或征兆S)在故障原因R(或故障F)發生(或不發生)條件下出現的概率(或)。當轉子發生不平衡故障(F1=T)時，該轉子軸承水平方向振動超限(S1=T)的概率 。以條件概率表(conditional probability table,CPT)，描述完整的條件概率。

③后驗概率。在得知故障征兆S(或故障模式F)出現與否(或概率值)后，利用貝葉斯定理對故障模式F(或故障原因R)出現的概率進行修正，從而得到更符合當前情況的概率。

在以上定義的基礎上，結合故障案例統計以及專家經驗，即可將FCEN中的故障率、故障因果關系、故障與征兆的對應關系等診斷知識，表示為以先驗概率、條件概率為基礎的概率圖模型，形成基于貝葉斯網絡診斷模型。通過實時輸入監測征兆狀態、修正故障先驗概率等在線設備狀態信息，可推理出FCEN中各故障事件的后驗概率，即在當前狀態下各事件發生的概率P(F)。

2 故障因果鏈嚴重程度評估

對故障嚴重程度的評估研究，一般分為兩個方面。①故障引起設備機械、電氣、材料等特性變化的程度，例如轉子裂紋故障中裂紋的深度，本文稱之為故障物理劣化程度評估(physical deterioration degree evaluation，PDDE)。PDDE可通過分析狀態監測得到的特征參數(如振動、溫度等)間接獲得[10-11]。②故障后引起部件、設備、系統性能的退化，以及對設備維修成本、停機損失、人員和環境危害的影響程度，稱為故障風險影響程度評估(risk impact degree evaluation，RIDE)。RIDE更多的是從安全、成本、環保角度，通過故障影響分析及專家經驗評估獲得。但大部分RIDE方法只關注設備生產過程的靜態風險，而忽略設備在運行和檢修過程中的實時風險變化[12]。

PDDE在明確故障類型時可對故障作出合理的評估，而在線診斷結果具有不確定性。因此，PDDE的使用受到限制。就像在未確診時，就單純地以某一疾病的標志性指標評估患者病情嚴重程度，是不合理的。RIDE為預防性定期檢修工作提供了有效的建議，然而設備運行中工況的變化、操作失誤、突發異常等，會改變設備發生各類故障甚至停機的風險。單純的預防性維修可能造成剩余檢修或遺漏檢修。因此，PDDE和RIDE對故障嚴重程度的評估各有優劣。為了在故障評估與決策中發揮各自優勢，本文對兩種方法進行了融合。

理想情況下，設備故障的發生和發展，會按照FCEN中規劃的路徑發展和傳播。網絡中每一節點從正常到異常的變化，都對設備產生不同的影響。根據RIDE，可定量評估網絡中各節點事件的發生，對設備整體運行的影響。但是，實際診斷中，無法獲得每個事件是否發生的準確結果，以及準確的故障原因。因此，結合故障診斷結果，以及PDDE中的劣化度評估指標，可以獲得各獨立故障事件的嚴重程度評估結果。由于故障的發生伴隨著連鎖故障反應，因此完整的設備故障評估，需要對所有可能故障傳播路徑的嚴重程度進行評估，從而找出嚴重程度最高，也就是故障風險最高的故障鏈。最終，以最大化降低設備運維風險為目標，及時處理或排除最嚴重的故障鏈。

2.1 故障獨立嚴重度指標定義

2.1.1 獨立嚴重程度指標

對于FCEN中單一的事件Fi，其嚴重程度可從靜態風險度S、動態發生可能性O和實時狀態C三個方面進行評估。定義故障獨立嚴重度指標(independent severity index，ISI)，計算方法如下：

ISI=S×O+C×O

(1)

靜態風險度S：主要指設備自安裝運行后，如果故障發生，會對生產、安全、環保等造成損失的量化。

動態發生可能性O：以設備壽命周期內各故障節點發生的概率為基礎，并隨著設備運行狀態的變化而發生變化。如：隨著設備運行年限的增加，材料老化、疲勞等故障事件出現的可能性會增加；當有較多征兆現象指向某故障節點時，該故障事件的發生可能性增加。在本文診斷模型中，以上信息已轉化為基于事件先驗概率、故障征兆等信息，推理實時故障發生概率的過程。因此，動態發生可能性，即各事件在線診斷結果O=P(F)。

實時狀態C：表示故障事件發生后的劣化程度。本文定義獨立故障事件的狀態反映在兩個方面：①指標劣化度，指與故障直接相關的監測指標的劣化；②故障的擴散度，即以該故障為原因，對其他故障的發生及劣化產生的影響。

2.1.2 靜態風險度S計算方法

靜態風險度是故障模式、影響和危害性分析(fault mode，effect and criticality analysis,FMECA)中危害性分析(criticality analysis,CA)的定量化表示。在設備維修決策中，故障的危害性分析是維修決策的重要決定因素[13]。本文從以下三個方面計算靜態風險度。①故障概率風險Su1:從風險量化的角度對故障概率進行評估，主要包含機組檢修歷史統計Su11和同型機組故障統計Su12。②故障損失風險Su2：從風險量化的角度對故障造成的經濟損失進行評估，主要包含設備維修費用Su21和停產損失Su22。③故障維修風險Su3：從風險量化的角度，評估維修故障對設備可靠性的影響，主要包含故障處理水平Su31和可靠性水平Su32。

靜態風險度S的評估采用專家評分，得到各因素的模糊綜合評判矩陣，并通過層次分析法計算獲得[13]:

S=R×A×C

(2)

式中：R為專家對三方面靜態風險評估得到的模糊綜合評判矩陣;A為三方面因素的權重矩陣;C為評語量化向量。

最終獲得靜態風險度為S∈(0,100)的實數，數值越高，表示靜態風險越高。

2.1.3 實時狀態C計算方法

單一故障Fi事件的狀態評估Ci計算公式如下：

Ci=ICi+DCi

(3)

式中：ICi為事件Fi監測指標劣化度，ICi∈[0,100];DCi為事件Fi擴散程度DCi∈[0,100]。ICi和DCi都是[0,1]間是實數。當不存在監測指標時，ICi=0；當到達評估邊界，即不存在子事件時，DCi=0。為保證故障在線監測狀態的可評估性，在CA分析時，確保每個事件ICi和DCi不同時為0。ICi和DCi的計算方法如下。

①故障模式的監測指標劣化度計算ICi方法為:

ICi=α1cx1+α2cx2+…+αmcxm

(4)

式中：cx1,cx2,…,cxm為與Fi劣化相關的指標，且已根據歷史數據統計及報警值設置等，歸一化到[0,100]區間;α1,α2,…,αm為指標cx1,cx2,…,cxm對故障劣化度表征的權重。

(5)

綜上可知，ISI計算流程如圖2所示。

圖2 ISI計算流程圖

2.1.4 ISI計算示例

假設一個簡化的故障診斷網絡，其中各故障事件靜態風險度S為SC1_1=50、SC1_2=60、SC1=40、SC2=70、SF1=40、SF2=30、條件概率為P(F1|C1)=0.85、P(F1|C2)=0.5、P(F2|C2)=0.75、P(C1|C1_1)=0.8、P(C1|C1_2)=0.7。故障模式F1和F2的指標劣化度為ICF1=50、ICF2=60?；赟1、S2等狀態信息進行診斷時，診斷網絡對各故障事件的故障概率計算結果為P(F1)=0.69、P(F2)=0.54、P(C1)=0.31、P(C2)=0.30、P(C1_1)=0.02、P(C1_2)=0.06?；谝陨闲畔?，各故障事件的獨立嚴重程度指標ISI計算過程如下。

ISIF1=SF1×OF1+CF1×OF1=62.10

(6)

ISIF2=SF2×OF2+CF2×OF2=48.60

(7)

(8)

(9)

ISIC1=SC1×OC1+CC1×OC1=18.32

(10)

ISIC2=SC2×OC2+CC2×OC2=31.76

(11)

ISIC1_1=SC1_1×OC1_1+CC1_1×OC1_1=SC1_1×

(12)

ISIC1_2=SC1_2×OC1_2+CC1_2×OC1_2=SC1_2×

OC1_2=3.76

(13)

2.2 故障鏈嚴重程度與故障鏈檢修

FCEN中總結了故障事件間的聯系，可歸納出設備可能存在的故障鏈，即故障的演化過程。因此，本文提出故障鏈檢修(fault chain maintenance，FCM)，并通過分析不同故障鏈的嚴重程度，將傳統的以點為維修對象，拓展為以鏈為維修對象。由于故障獨立嚴重程度指標ISI計算過程中，已將故障間的相互影響折算到其自身的獨立嚴重程度指標計算中。因此，對于一個具有K個故障節點的故障鏈l=[F1,F2,…,Fk]，定義其故障鏈嚴重程度LSIl，為鏈上所有故障節點的獨立嚴重程度ISIFj的和：

(14)

式中：ISIFj為故障鏈l中的事件Fj的獨立嚴重程度指標。

如圖2所示診斷網絡中，排除故障征兆層，則其存在著四條可能的故障鏈L={[C1_1,C1,F1],[C1_2,C1,F1],[C2,F1],[C2,F2] }={l1,l2,l3,l4}}。根據2.1節計算結果和式(14)，四條故障鏈嚴重程度為：

LSIl1=1.02+18.32+62.10=81.44

(15)

LSIl2=3.76+18.32+62.10=84.18

(16)

LSIl3=31.76+62.10=93.869

(17)

LSIl4=31.76+48.60=80.36

(18)

通過對故障鏈嚴重程度指標LSI的對比，建議依據故障鏈l3→l2→l1→l4的順序，對故障進行排查。

2.3 與PM和CM的對比

當前機組采用的檢修方案主要采用定期預防檢修(preventive maintenance,PM)和狀態維修(condition maintenance,CM)兩種方法。PM根據故障靜態風險S，可提前制定檢修計劃，但容易產生維修過剩、失修等問題。傳統的CM依據監測數據得到的各故障可能性O，針對高可能性故障進行維修。其缺點是過渡依賴診斷結果，可能遺漏對高風險故障的排查。

維修剩余風險變化趨勢如圖3所示。

圖3 維修剩余風險變化趨勢

如不考慮故障劣化程度，僅從降低設備故障風險的角度對比維修策略的好壞，可認為在故障排除前每一次錯誤的故障排查，并非維修過剩。如果沒有及時排查高風險故障，會造成設備風險始終處于較高水平。因此，本文定義維修剩余風險，間接反映維修策略在降低設備風險方面的優劣：維修剩余風險=設備未排除故障靜態風險S×故障可能性O。

以2.1.4節中診斷對象為例，假設設備僅有5種可能的故障事件，分別采取PM、傳統CM和FCM方法，制定故障排查順序。PM排查順序為[C2,C1_2,C1_1,C1,F1,F2],傳統CM排查順序為[F1,F2,C1,C2,C1_2,C1_1]。如FCM對故障鏈的檢修建議，轉化對故障點的排查順序是[F1,C2,C1,C1_2,C1_1,F2]。

其中，經前三次檢修， FCM與傳統CM對降低維修剩余風險效果明顯，而PM由于首先對靜態風險高、可能性較低的故障進行排查，造成維修剩余風險居高不下。FCM每次維修建議是完整故障鏈，如按照一次檢修完成一條故障鏈的方式排查故障，則會進一步降低每次維修后的剩余風險。

3 實例分析

國內汽輪機彎軸事故統計中，86%是由轉軸碰磨引起的[14-15]。碰磨故障有時是因為設計不合理、運行中系統膨脹不暢導致的，還有一些是由于安裝、制造誤差，汽缸、油檔等材料或熱處理不合格造成的。這些原因除了會引起碰磨故障之外，還可能引起其他故障，且維修方案難易不同。因此，碰磨故障的診斷與維修決策，對汽輪機安全經濟運維具有重要意義。當機組發生碰磨時，因部位的不同，會采取不同的維修措施。例如輕微的軸封碰磨會采用低速磨合，而浮動油檔碰磨則需停機更換油檔等。因此，碰磨類型的準確判斷，對于維修決策起著重要作用。經過FMEA分析，汽輪機碰磨故障主要存在以下幾種模式：軸封碰磨、固定油檔碰磨、浮動油檔碰磨、軸瓦碰磨以及軸向碰磨。

首先，建立碰磨故障因果網絡FCEN，并轉化為BN模型。然后，基于2.1節中靜態風險評估方法，對網絡中各事件的靜態風險進行評估。

由于同屬碰磨故障，引起轉子振動異常的現象相同，現有文獻中也少有區分。本文中碰磨故障引起的征兆(RUB_Symptom)，參照文獻[9]所用征兆，RUB_Symptom={ S1：相位(波動)，S2：1倍頻(超限)，S3：2倍頻(超限)，S4:振幅趨勢(波動),S5：低頻(超限)，S6：高頻(超限)}。同樣地，由于6類碰磨故障引起的振動監測信號相同，因此劣化度指標由1倍頻幅值計算獲得。基于故障信息，本文以實際碰磨案例進行診斷，并提出維修決策建議。

文獻[16]記載了某機組帶負荷過程低壓缸碰磨故障。該機組為西屋公司350 MW亞臨界機組。初步對振動、運行數據和各種現象進行綜合分析，現場人員首先得到3號軸承水平方向振幅值和相位波動、1倍頻幅值偏高3個征兆，形成推理證據集E1；然后發現低壓缸外缸兩側溫差達25°～30°，作為新增證據形成證據集E2。分別將證據集E1和E2輸入診斷決策模型進行推理。同時，基于1倍頻振幅最高達130 μm，評估故障的劣化度為40。

汽輪機碰磨故障因果網及靜態風險度如表1所示。

表2總結了兩次診斷對6種故障模式的發生可能性的推理結果，以及相應的最優故障鏈檢修建議。

表1 汽輪機碰磨故障因果網及靜態風險度

表2 故障推理結果與檢修建議

在第一次推理中，由于僅有振動征兆，比較故障模式推理結果，除斷油燒瓦發生可能性較低外，其他幾種碰磨故障的發生可能性都較高，且維修決策建議的故障鏈嚴重程度也比較接近。

經第二次推理，由于補充了“C02_3汽缸溫差大”這一證據，推理結果顯示最可能的故障模式為“FM01汽封碰磨”。維修決策建議表明，故障的可能原因鏈為：低壓缸因溫差大，造成缸體變形，進而引起低壓缸軸封碰磨故障。

根據案例中后期處理措施描述，采取低壓缸內外缸空間檢查，以及低負荷磨大間隙的措施，使低壓缸振動故障得到了抑制。由此可見，第二次推理得出的故障鏈檢修建議與現場診斷結果完全相符，證明本文方法可為實際檢修工作提供有效建議。

4 結束語

本文提出了一種基于故障鏈診斷與評估的維修決策方法。通過故障因果網絡構建診斷模型，以診斷故障鏈代替傳統的故障模式診斷。將故障劣化度和故障靜態風險評估結合，定義了故障鏈嚴重程度計算方法，以降低設備運維風險為目標，對故障鏈進行檢修排序。

與傳統的預防性維修和只依賴診斷結果的狀態維修方法相比，本文方法可在較少維修次數下降低維修剩余風險。最后，對實際汽輪機碰磨故障進行測試。測試結果表明，基于故障鏈嚴重程度的建議維修決策，與實際故障排查結果吻合。本文方法不僅針對故障模式，還包括具體的故障發展過程，可為實際檢修工作提供更詳細的維修建議。