火電機組重要輔機狀態檢修系統的開發與應用

李存霖，陳 偉，耿志明，常 磊，俞笑本，卞韶帥

(1.上海明華電力科技有限公司，上海 200090； 2. 淮滬電力有限公司田集發電廠，安徽 淮南 232098)

我國大多數發電機組長期采用固定周期的定期檢修及事后維修方式[1]，在一定程度上存在設備過修或失修的問題，造成資源浪費，既影響系統設備的正常運行，也給安全生產帶來隱患，因而電廠實施設備狀態檢修的需求愈發迫切。當前電力供需關系從平衡轉為過剩且在短期內難以緩解；電力體制也在發生重要變化[2]，電力市場機會更為多樣，但競爭也將更激烈、復雜，因此實施發電設備狀態檢修也是電廠生產經營的必然要求。

從20世紀90年代初到21世紀初，我國電力工業吸收國外先進經驗，對狀態檢修技術進行了適當探索和試點應用[3-4]。這一時期的狀態檢修技術尚處于起步階段，狀態檢修相關的監測和故障診斷技術達不到對設備故障準確的定量、定位的要求，并且缺乏相應的經驗和技術標準，其實用性有所欠缺。由于一些電廠對狀態檢修執行力度不大，設備狀態檢修技術的有效性和優越性沒有得到較好的實證。另一方面，發電設備的監測與檢修管理間相互脫節，各設備狀態檢測系統互為獨立，缺乏信息共享，進而形成了“信息孤島”等問題[5-6]。近年來，隨著物聯網傳感技術、數據挖掘技術、設備監測和故障診斷技術、人工智能技術等的迅速發展，火電機組狀態檢修的功能和體系日趨完善，狀態檢修的實用技術日益成熟。

為了克服這些問題，本文開發了一套火電機組重要輔機設備狀態檢修系統。通過對發電設備狀態檢修關鍵技術的研究，建立了一個強大的以設備狀態監測與故障診斷技術為核心的數據集成、數據分析及故障診斷平臺，可對設備進行科學、全面的分析和評估。開展檢修策略的決策，正確地選擇和確定檢修時間和檢修項目，逐步做到不過修和不失修，對提高發電廠整體的安全性和可靠性、降低檢修消耗具有重要意義。

1 重要輔機設備狀態檢修系統建設方案

1.1 系統總體框架

火電機組重要輔機設備狀態檢修系統的總體框架設計如圖1所示。

(1)展示層。系統采用B/S架構，按不同用戶需求展示相應的系統數據及信息。

(2)應用層。實現系統的業務邏輯，為展示層提供數據和信息。

(3)平臺層。為上層應用的開發提供基礎服務(數據接口、業務構建)的基礎平臺。

(4)數據層。包括存儲時間序列數據的實時/歷史數據庫、關系數據如各類配置數據的關系數據庫、非結構化數據如各類技術文檔等的非結構化數據庫。

(5)獲取層。即通用的數據總線，本系統與外部系統間的通信通過數據總線進行。

(6)數據源。設備狀態監測不僅要收集存儲監測儀器的額外監測參數，也要充分利用電廠已有的SIS系統生產實時數據和其他相關軟件系統如缺陷管理等，綜合這些數據和信息形成統一的發電設備狀態檢修數據中心。

1.2 系統網絡拓撲

狀態檢修支持系統基于發電集團現有的混合云平臺實現，相關應用均集中部署在混合云平臺的云服務器上。云平臺設有獨立實時數據庫服務器、關系數據庫服務器、應用服務器、WEB服務器、接口前置機、云服務器等。系統展示采用瀏覽器/服務器(B/S)模式，電廠用戶通過瀏覽器即可訪問。系統的網絡拓撲如圖2所示。

2 重要輔機設備狀態檢修系統功能模塊

發電設備狀態檢修系統功能包括設備臺賬管理、設備狀態監測、設備狀態評價與檢修以及報表四大模塊。具體系統功能框架如圖3所示。

設備臺賬管理模塊集中展示設備的靜態參數和動態數據，實現設備的全過程管理。設備狀態監測模塊和設備狀態評價與檢修模塊是本系統的核心功能，下文將著重闡述其原理與特點。

2.1 設備狀態監測及預警

考慮到設備運行特性及診斷分析的精確性，應根據設備類型選用不同的分析診斷方法[7]。對于鍋爐高溫受熱面及冷端設備采用基于機理模型的分析方法；對于實際運行中故障較多的火電機組重要輔機，應采用基于大數據挖掘的分析方法，并結合物聯網在線振動監測分析技術，綜合判斷設備健康狀態。

(1)設備多變量參數預警。該功能模塊基于多變量狀態預測模型[8-11]計算設備當前運行參數相似度及設備整體相似度，并展示其歷史趨勢。相似度越接近于1，表示設備當前運行狀態越趨于正常情況。通過在線監測設備相關測點的實際值和模型預測值的偏差情況(包括期望值、殘差、相似度等參數)，對設備當前運行狀態進行判定，判斷其為正常狀態、繼續監測狀態或異常狀態，實現發電設備故障及異常的早期預警。

(2)振動監測分析。基于傳統振動分析可以判斷設備目前的健康狀況，并通過比較當前狀態和歷史趨勢預測設備出現故障的時間，幫助安排檢修計劃。然而，早期的軸承缺陷和齒輪缺陷(沖擊、疲勞磨損、刮傷、摩擦等)會產生應力波[12]，相較于傳統振動信號(振動幅值、頻率等)，旋轉機械的應力波信號能更早地預示設備的健康狀況。本系統利用先進的加速度傳感器捕捉瞬時的應力波信號，得到真實的沖擊幅值，并存儲在時域波形中，結合頻譜分析或自相關分析周期性事件實現設備的早期故障檢測。考慮到應力波信號不依賴振動分析頻寬以及設備的轉速，結合振動信號和應力波信號分析診斷設備的運行狀態，能夠提高振動分析的精度和可靠性。本系統通過對火電機組重要輔機安裝物聯網在線振動監測儀器，接入振動信號、應力波信號等數據，并開發振動分析預警功能，實時監測測點的狀態，并結合設備規范和現場經驗制定規則提示預警。

(3)設備故障診斷知識庫。實現對發電設備故障診斷知識庫的積累(保存相關故障征兆參數及判斷依據)，為后續設備狀態評價與決策提供重要的數據參考來源。結合實際的故障產生情況，根據得到的故障預警信息對已發生故障的歷史數據進行逐步的積累和保存。

(4)離線量人工錄入。實現對不同設備離線狀態量的人工錄入。根據設備狀態檢修技術規范，對一些無法在線監測的指標需要定期進行人工錄入與維護。根據作業指導書，該功能可實現在線錄入數據或用EXCEL進行導入，此類數據是狀態打分評價的數據基礎。

2.2 設備狀態評價及檢修決策

2.2.1 設備狀態基礎評價

設備狀態基礎評價采用量化“打分法”建立評價模型，通過先對狀態量進行逐一評價，再結合一定邏輯規則實現對設備的整體評價。

直接或間接表征設備狀態的各類信息即為狀態量，例如運行數據、聲音等。狀態量按對設備運行影響重要程度分為四級，分別為1級(輕微)、2級(一般)、3級(較大)和4級(嚴重)。狀態量的劣化程度從輕到重分為四級，分別為Ⅰ級、Ⅱ級、Ⅲ級和Ⅳ級。不是所有狀態量都具備四個劣化程度，應根據實際情況靈活調整，其數值具體設定應結合通用標準、廠商要求和歷史經驗協定。

狀態量量化評價矩陣如圖4所示，其中狀態量的評價值定義為重要程度值與劣化程度值的乘積。

在此基礎上，設備狀態評價值為其所有狀態量評價值的最大值，即設備狀態評價值=max{狀態量1評價值，狀態量2評價值，…，狀態量n評價值}，設備狀態的評價準則如下。

(1)設備狀態評價值≤10，為正常狀態。

(2)10<設備狀態評價值<20，為注意狀態。

(3)20≤設備狀態評價值<30，為異常狀態。

(4)設備狀態評價值≥30，為嚴重狀態。

當設備狀態評價為注意及以上的狀態時，應針對黃色、橙色、紅色區域的狀態量采取相應的處理措施，確定檢修策略。

2.2.2 設備狀態綜合評價

系統從設備多變量狀態預測的相似度模型、振動監測分析、設備狀態基礎評價模型3個維度進行了設備狀態的監測和診斷分析。基于多變量狀態預測模型得到的設備整體相似度，表征設備當前運行狀況與歷史正常運行工況的接近程度，其結果可作為設備的重要狀態量之一；物聯網振動監測應力波信號的處理結果也是反映設備狀態的重要信息；再結合設備狀態基礎評價模型的結果，建立設備狀態綜合評價模型。

模型通過對這3個重要狀態量設置規則，給定重要程度值和劣化度值得到狀態量評價值，進而得到設備狀態綜合評價值，即設備狀態綜合評價值=max{設備狀態基礎模型評價值，設備相似度模型評價值，振動在線監測應力波評價值}。設備狀態綜合評價值對應設備狀態的判斷沿用設備基礎評價模型的判斷規則。

系統開發具備了打分評價與決策、評分標準與決策編輯及展示等功能，并實現了檢修決策的管理流程。

3 系統應用情況

該系統已在多家電廠實施應用，實時監測重要輔機設備的運行狀態和預警、評估設備的健康狀況，提供狀態檢修建議，提高設備運行的可靠性。

3.1 某電廠一次風機狀態評估與檢修

2021年8月初系統監測到某電廠一次風機1B軸承振動X向實際值與期望值偏差逐漸增大，相似度逐漸降低，系統給出第一次預警，如圖5所示。

2021年8月26日，一次風機1B在電廠實際運行中發生電流高報警，1A/1B搶風；電廠檢修人員現場處理發現動葉執行機構松脫并進行了相應修復，然后設備繼續投入運行。8月27日晚，系統監測到一次風機1B軸承振動X向實際值與期望值偏差仍然存在，判斷本次檢修未消除異常，建議電廠進一步處理。第一次檢修后軸承振動X向實際值與期望值如圖6所示。

2021年9月7日，電廠委托第三方進行振動頻譜分析(僅電機軸承座)，電機聯軸器端振動數值表示設備可以接受長期運行，建議在沒有合適機會之前，加強對其振動監視。之后，機組于9月10日調停，檢修人員對一次風機1B進行第二次檢修，發現其軸承座一級葉輪側西面裂紋以及中心葉輪側數據超標，對兩處異常情況均進行了相應處理，并于9月14日啟機。第二次檢修后軸承振動X向實際值與期望值如圖7所示。

第二次檢修及機組啟動后，系統監測到一次風機1B設備整體相似度仍呈降低趨勢。軸承振動X向、軸承振動Y向等變量實際值與期望值偏差/殘差呈逐漸增大態勢，相似度逐漸降低。同時在線振動頻譜分析顯示在線頻譜為1X轉頻及其諧波，葉片通過頻率幅值較高，說明風機可能還是存在裂紋、磨損和動平衡問題。9月24日，系統給出第三次預警，判斷設備本體可能仍存在機械性故障。隨著時間的推移，一次風機1B振動爬升速率增大，數值一度飆升超過報警限，設備狀態評價達到了紅色嚴重狀況。

電廠于2021年10月2日進行一次風機1B搶修，在軸承座又發現裂紋，并及時完成相應處理。10月3日18：00工作票終結，啟動一次風機1B。目前設備運行正常。設備正常后軸承振動X向實際值與期望值如圖8所示。

3.2 某電廠汽動給水泵狀態預警

2021年12月系統監測到某電廠汽動給水泵4A處于異常狀態。經檢查發現，2021年11月29日機組啟動后，給水泵4A前軸承振動X向、后軸承振動Y向的實際值與期望值相比偏高，并且偏差有增大趨勢，相似度逐漸降低。

給水泵4A前軸承振動X向偏差趨勢如圖9所示。給水泵4A后軸承振動Y向偏差趨勢如圖10所示。

給水泵A小機驅動端PeakVue時域信號如圖11所示。通過分析給水泵A小機驅動端PeakVue趨勢，發現整體偏高，并且時域信號非周期性沖擊較大。

綜合評估模型提示該設備目前狀態異常，建議電廠盡快檢查分析原因。

4 結語

發電廠的設備檢修管理科學化是現代化生產和管理的重要手段，是保證發電設備安全、經濟運行的重要措施之一。

(1)在深度利用電廠現有大量生產運行數據、增加少量物聯網振動監測裝置的基礎上，開發了多變量相似度設備狀態預警模型和基礎打分法設備狀態評價模型，結合設備振動PeakVue指標預警模型，建立了一套火電機組重要輔機狀態綜合評估及檢修決策模型，實現了設備故障或異常狀態的預警和評估，支撐了發電設備的狀態檢修。

(2)研發并應用了一套火電機組重要輔機狀態檢修支撐系統，實現了設備狀態監測與預警、設備健康狀況評估、檢修輔助決策等功能。通過系統發現了多起設備異常狀態，為提高設備運行的可靠性起到了支撐作用。

(3)隨著設備運行數據不斷積累和狀態檢修工作不斷深入開展，通過與現場設備實際運行的對比分析，模型的判斷結果能夠逐步符合設備的實際狀態；故障限值的設置也會依據具體設備予以調整，最終形成一套適用于電廠設備的狀態評價標準。