汽輪機故障診斷技術的發展現狀研究

王義強 高驥 張軍輝 馬曉飛

摘要：故障診斷技術的發展對提升汽輪機的安全性、經濟性具有重要意義?，F介紹了國內外汽輪機領域故障診斷研究的發展現狀，并對現有的故障診斷方法進行了分析和比較，最后闡述了汽輪機故障診斷技術的發展方向以及側重點。

關鍵詞：汽輪機;故障診斷;狀態監測;人工智能算法

1? ? 故障診斷技術對汽輪機行業的重要性

汽輪機是非常核心的旋轉動力設備，由于社會經濟發展的需要，高參數化、大容量化、多功能化逐漸成為汽輪機主要的特點，給整個社會生產、居民生活提供了便利。

汽輪機組在變化復雜的環境中運行，不僅存在很多相互關聯的部件和彼此之間耦合較為緊密的部件，而且通流部分長期在高溫高壓或沖擊水蝕的惡劣環境下工作[1]，在汽輪機的實際運行過程中，任何一個環節的問題都有可能成為引起機組故障的不穩定因素。汽輪機倘若出現故障，會對機組的運行效率造成影響，嚴重的還會引起機組癱瘓、人員傷亡，影響供電網絡、化工煉油等裝置的穩定性，使企業蒙受巨大的經濟損失。因此，先進的故障診斷方法對提升汽輪機組的安全性、經濟性具有重要意義。

隨著設備安全運行的要求越來越高，故障診斷不再限定于發現故障之后尋找問題原因，還需要兼備一些故障預警的功能，以便采取相應措施來預防機組可能出現的重大事故。統計顯示，應用故障診斷系統的旋轉動力設備，其事故發生率大大降低，維修費用能夠減少約30%[2]。可見，故障診斷系統的應用一方面能夠降低故障發生率并減少維修保養費用，另一方面其診斷分析結果可以為故障處理決策提供合理依據。

隨著各項技術的發展，汽輪機本體結構與外圍布置越來越復雜，操作系統越來越智能化，這也導致了汽輪機產生的故障更加難以診斷，由于其通流部分工作在高壓、高溫、高轉速和頻繁變工況運行的條件下，即便出現微小的異常情況，也會導致機組出現不同程度的振動問題，這將直接影響機組運行的安全性與穩定性。當振動幅值超過一定范圍時，如果不及時找到故障來源，可能造成嚴重的運行事故和經濟損失。汽輪機故障主要分為軸系故障、通流部分故障以及軸承支撐故障三大類，相關數據顯示，由于汽輪機組故障引起的電廠停機事故約占整個電廠故障的一半以上[3]。

隨著各個行業的發展，汽輪機及對應的機組系統復雜程度也在逐步提升，傳統的定期檢修模式已經難以應付汽輪機運行過程中出現的各類故障，并且無法做到實時監測和預警提醒。而隨著狀態監測應用規模和能力的不斷提升，電廠、化工煉油企業所存儲的設備監測數據也在不斷遞增，不斷積累的歷史運行數據占據了龐大的存儲空間[4]。如何利用好海量的汽輪機運行數據，準確地挖掘出數據中的價值，已成為國內外汽輪機故障診斷領域的研究重點[5]。

2? ? 國內外故障診斷技術的研究現狀

汽輪機故障根據其過程主要可以分為漸發型和突發型兩大類。漸發型故障是伴隨著壓力/溫度參數、振動信號的變化而形成的，是一種過程累積產生的故障，會出現例如結垢、擦碰磨損、部件變形等現象，造成機組內效率下降、部件損傷及運行惡化等狀況;突發型故障是伴隨著汽輪機在運行過程中突然發生不可控的變化產生的，主要有閥桿斷裂、葉片斷裂、軸瓦燒毀等故障，此類故障對機組安全運行影響極大，如果沒有及時預測并得到妥善處理，將會引發重大事故[6]。

汽輪機故障診斷領域的研究最早源于美國，其在航空航天領域積累了豐富的故障診斷經驗，在這個基礎上率先對汽輪機故障診斷技術展開了較為深入的研究，一些相關的研究院所及企業，如Bently、EPRI、BEI等相繼開發了各自的狀態監測與故障診斷系統，取得了多項世界級領先的成果[7-8]。在美國之后，其他發達工業國家，如德、日、英、法等國的一些公司也投入了大量的人力和物力，對汽輪機故障診斷技術進行了多方面的探索，如德國Siemens、瑞士ABB、日本Toshiba電氣公司，也相繼推出了許多具有實際工程價值的汽輪機故障診斷系統[9-10]。表1給出了一些國外已有的汽輪機狀態監測與故障診斷系統。

與發達工業國家相比，我國對汽輪機故障診斷領域的研究起步略晚，但發展進度較快，迄今為止，已經研制出幾十種不同的汽輪機狀態監測與故障診斷系統，取得了很大的成就。得益于監測設備與信息化技術的飛速發展為許多高校和科研單位提供了技術上的有力支持，一大批汽輪機故障診斷方法及系統的研究成果應運而生。其中，浙江大學、西安交通大學、上海交通大學、哈爾濱工業大學等國內高校以及相關企業開展了一系列汽輪機狀態監測及故障診斷系統研究[10-11]，如表2、表3所示。

隨著各方面基礎的不斷完善，汽輪機故障診斷與監測研究在我國得到了充分的重視和發展，國內高校、企業的很多學者與工程師都為此付出了不懈的努力，取得了一些成果。上海發電設備成套所的史進淵[12]結合振動診斷法和熱力參數診斷法，比對了10種常見的汽輪機通流部分故障，提出了基于可靠性理論的診斷分析模型，能夠較為準確地識別汽輪機通流部分的故障。周云龍等[13]利用合成BP神經網絡算出了實際情況下最末級組相對內效率診斷值，通過與級組相對內效率的實際測量值進行比對，認定兩者的差值是由通流故障引起的，并準確診斷出導致相對內效率變化的部位以及相應的影響程度。張超[14]對常見汽輪機軸系振動故障進行了故障特征提取，采用針對故障類型的加權K-L變換，減少了故障數據的維數，降低了運算的復雜度，構建了基于支持向量機的多分類故障診斷模型。李文業等[15]根據汽輪機熱力參數的非線性特點，提出了一種基于改進的經驗模態分解EMD算法與概率神經網絡PNN的汽輪機通流部分故障診斷方法，并對某火電廠實際運行600 MW汽輪機組的實際運行數據進行了模擬實驗。

3? ? 故障診斷研究方法對比

普渡大學V.Venkatasubramanian等[16]將設備故障診斷方法分為三種，即基于定量模型的方法、基于定性模型的方法和基于過程歷史的方法，并對不同故障診斷方法的特點進行了對比，如表4所示，其中“√”代表該方法能夠滿足期望要求，“×”代表不能滿足期望要求，“？”代表是否滿足期望要根據實際情況來進行判別。從表4可以看出，不同的故障診斷方法有著不同的優缺點以及局限性，這會直接影響故障診斷的精度和速度。

在現階段已有的工業過程系統中，一方面過程環節較為復雜、參數變量較多且存在耦合現象，難以獲得貼近實際情況的數學物理模型;另一方面旋轉機械領域所涵蓋的學科知識面較廣，專家經驗的積累需要漫長的時間以及多實例的學習訓練，這就導致了純粹依靠理論模型或經驗知識的方法存在很大的局限性和主觀性。隨著大數據技術、人工智能技術以及測量儀器的快速更新和發展，基于海量數據支撐的人工智能AI算法逐漸成為汽輪機故障診斷領域的研究重點。

西交大劉若楠等[17]就人工智能算法在旋轉機械領域的應用情況進行了歸納總結，對不同AI算法的優點和局限性進行了詳細介紹，并比較了它們的不同特征，具體如表5、表6所示，其中“*”的數量代表不同衡量指標下相應算法能夠勝任的程度。隨著近些年AI技術的快速發展，智能故障診斷技術已經成為今后的研究趨勢。為了更好地兼顧各種算法的優點，未來需要開發出能夠同時兼容不同種類問題的智能診斷系統。

4? ? 結語

隨著汽輪機設計要求越來越朝著高參數、高可靠性、多功能性方向發展，不斷改善現有的故障診斷方法十分必要。經過近些年來的發展，國內外高校、企業中的科研工作者以及工程師們已經研究出一些具有代表性且應用在汽輪機上的故障診斷系統。為了更好地克服現有故障診斷系統中存在的不足，加強其實用性，改變其診斷理念，實現其大規模工業級應用，必須以提高故障診斷能力為目標，既要注重各種故障機理研究，也要注重與實際運行相結合，這些要求不僅依賴于對汽輪機故障機理模式的理解，也依賴于傳感測量儀器以及數據挖掘技術的不斷發展。

[參考文獻]

[1] 周振宇.基于主元分析和神經網絡的汽輪機組通流漸發故障診斷方法研究[D].北京：華北電力大學，2015.

[2] 毛志偉，孫永平，王敏.汽輪機通流部分故障的特性分析及仿真計算[J].浙江電力，2000（5）：1-3.

[3] 宋瑩.汽輪發電機組質量不平衡故障預警與診斷技術研究[D].北京：華北電力大學，2016.

[4] 張艷順.基于決策樹的汽輪機振動故障診斷技術研究[D].北京：華北電力大學，2016.

[5] 張力寰.基于工業大數據的汽輪機故障深度分析方法研究[D].杭州：浙江大學，2018.

[6] 周磊.基于智能算法的汽輪機通流部分故障診斷研究[D].吉林：東北電力大學，2016.

[7] JARRELL D，SISK D，BOND L.A Foundation for Stressor-Based Prognostics for Next Generation Systems[C]// 10th International Conference on Nuclear Engineering， 2002：311-319.

[8] SHAO Y B，ZHANG A P，YE R X，et al.Deve-lopment of acoustic emission and vib-ration monitoring instrument for rota-ting machinery[C]// International Confer-ence on Intelligent Manufacturing，1995：317-321.

[9] ADGAR A，COX C，MACINTYRE J.Automatic Fault Diagnosis Machinery Using Statistical and Neural Network Techniques[J].Comadem Proceedings，1998（2）：35-38.

[10] 方名菊.基于案例的汽輪機智能故障診斷[D].杭州：浙江大學，2018.

[11] 程道來，吳茜，呂庭彥，等.國內電站故障診斷系統的現狀及發展方向[J].動力工程，1999，19（1）：53-57.

[12] 史進淵.汽輪機通流部分故障診斷模型的研究[J].中國電機工程學報，1997（1）：29-32.

[13] 周云龍，曹麗華，李勇.基于BP神經網絡的汽輪機最末級組相對內效率應達值的確定[J].汽輪機技術，2009，51（1）：51-54.

[14] 張超.基于支持向量機的汽輪機軸系振動故障智能診斷研究[D].保定：華北電力大學，2009.

[15] 李文業，楊帆，周亞星，等.基于改進EMD與PNN的汽輪機通流部分故障診斷[J].振動、測試與診斷，2018，38（6）：1138-1142.

[16] VENKATASUBRAMANIAN V，RENGASWAMY R，KAVURI S N，et al.A review of process fault detection and diagnosis：Part Ⅲ：Process history based methods[J].Computers and Chemistry Engineering，2003，27（3）：327-346.

[17] LIU R N，YANG B Y，ZIO E，et al.Artificial intellig-ence for fault diagnosis of rotating machinery：A review[J].Mechanical Systems and Signal Processing，2018，108：33-47.

收稿日期：2020-06-22

作者簡介：王義強（1980—），男，遼寧大連人，助理工程師，研究方向：汽輪機開發與設計。