煉油廠煙氣輪機在線監測及故障診斷技術應用

張 哮

（中國石油大慶煉化公司檢維修中心，黑龍江大慶 163411）

0 引言

煉油廠煙氣輪機等重要設備的故障診斷大體包含4 個流程，即數據信號采集、特征提取、狀態識別、診斷決策。隨著人工智能技術的成熟，基本上可以實現煙氣輪機狀態監測、分析診斷、故障預判的一體化，無論是提高故障監測效率還是減輕人工壓力，均發揮了明顯效果。煉油廠在推廣應用煙氣輪機的在線檢測與故障診斷技術時，應重點把握好監測點布置、樣本訓練、參數尋優等關鍵點，這樣才能使監測數據更加全面、診斷結果更加精確，從而發揮在線檢測與故障診斷系統的實用價值。

1 煉油廠煙氣輪機在線監測方法

1.1 煙氣輪機特征信號的選擇

利用傳感器獲取煙氣輪機的特征狀態信號是實現在線監測和故障診斷的第一步，反映煙氣輪機運行工況的特征信號有振動、位移、溫度、轉速等。機械振動是判斷設備運行狀態的關鍵指標，煙氣輪機處于正常工況時，其振動頻率往往呈規律變化；但是當機組發生油膜振蕩、轉子不對中等故障后，其振動頻譜會變得雜亂無序，并且振動峰值明顯升高。一般來說，煉油廠煙氣輪機的軸振動值不得超過50 μm，監測值超過100 μm 時就需要緊急停機開展維修。同樣，溫度信號也是直觀反映煙氣輪機運行工況的重要參數，如果機組軸承、輪盤、入口煙氣的溫度異常升高，需要引起重視并立即排查故障。

溫度、聲音、轉速等信號雖然也能監測煙氣輪機的運行狀態，但是在信號采集過程中容易受到干擾，并且信號內混雜著其他信息，不利于故障的監測和診斷。因此，振動信號是現階段煙氣輪機在線監測與故障診斷中最常用的信號。

1.2 煙氣輪機測點的布置

選擇合適的監測點，可以捕捉到最理想的振動信號，對提高故障識別的準確率有積極幫助。在布置監測點時，應著重考慮以下3 個因素：

（1）監測點必須盡可能地靠近設備振動敏感部位或設備的核心部件。

（2）煙氣輪機長時間處于粉塵、高溫等惡劣運行環境，應當使傳感器避開這些位置，或采取適當的保護措施。

（3）為避免傳感器發生故障影響監測的連續性，同一監測部位應分別設置2 個監測點，并且沿軸徑方向呈45°。

基于上述原則，在一體式煙氣輪機上共設置了18 個監測點。其中，1#～4#監測點位于煙氣輪機的軸上，1#、2#測點位于前軸，3#、4#測點位于后軸。

1.3 傳感器的選型

傳感器用于采集煙氣輪機的振動信號，并將其傳輸給終端系統?？茖W選用傳感器可以保證采集信號的全面性、準確性，對實現故障的超前識別、準確診斷有積極幫助。目前在線監測與故障診斷裝置中常用的傳感器有電渦流式、壓電式、磁電式、光纖振動式等，不同傳感器的信號采集原理、監測范圍、適用環境均存在明顯差異。例如，壓電式傳感器的測量范圍在0.2～10 kHz，常用于測量高速旋轉機械的軸承座振動；磁電式傳感器的測量范圍在10～1000 Hz，常用于機殼、基座等非轉動部件的振動測量。

光纖振動傳感器由光源、敏感元件、光纖等組成，測量范圍更寬（1 kHz～30 MHz），并且具有靈敏性好、探測距離長、不受干擾等特點，適合煙氣輪機的在線監測。

2 基于小波分析的煙氣輪機振動信號特征提取

2.1 小波分析特征提取的原理

函數小波變換的本質是將一個時間函數投影到二維的“時間—尺寸”平面上，這樣就能使小波函數具有的所有特征，都能無差別地投影到小波變換域中，從而為信號特征的提取創造便利。本文提出用一組函數表示一個信號，或無限逼近這個信號的方法，這一組函數即“小波函數系”。小波分析信號具有兩個明顯的特點：一是時域和頻域之積非常?。欢切〔ǚ治鲂盘栐跁r間軸和頻率周上的分布非常集中。

對于采集到的煙氣輪機振動信號，由于存在較多的外部干擾，因此低頻部分和高頻部分混雜、重疊的情況十分常見，影響故障診斷的準確性。而使用小波分析后，首先對采集到的振動信號（原始信號）進行小波分析，之后得到兩個完全分開的低頻和高頻信號。高頻信號不做處理，使用小波分析將低頻信號進一步分解，繼續得到一個頻率較高和一個頻率較低的信號，重復上述步驟進行連續分解，直到信號頻率能夠滿足故障診斷的要求為止，這樣就能提取到符合故障監測與診斷要求的特征信號。

2.2 小波分析在煙氣輪機振動信號特征提取中的應用

將采樣得到的振動信號進行N 層小波分解，并提取多次分解后的小波系數，對其做歸一化處理，得到具有能量的特征向量。通常情況下，對煙氣輪機振動信號做3 層小波分解，即可得到滿足振動監測要求的特征向量。在3 層小波分解結構圖中，除了原始節點（0，0）外共包含16 個節點，任意一個可用（i，j）表示，其中i 表示層數、j 表示節點序號。例如，（1，4）表示第1 層的第4 個節點。

在建立起3 層小波分解結構以后，按照以下步驟從采集到的煙氣輪機振動信號中提取故障特征：

（1）將煙氣輪機振動信號做3 層小波分解，并獲得8 個高頻、8 個低頻共計16 個頻段信號。

（2）提取小波分解系數并進行重構，獲取各頻帶范圍內的信號。在本文的研究中，由于前2 層小波分解的節點數量偏少，誤差較大，因此不做考慮。只選擇第3 層小波分解的節點展開進一步分析。

（3）假設第3 層所有節點重構后的信號以集合S3j（j=0，1，2…7）表示，則對應的能量可以用集合E3j（j=0，1，2…7）表示，進而可以求得該集合的總能量Ej。

（4）對重構信號的能量做歸一化處理，得到各頻段的特征向量，即為歸一化處理后的特征向量。

使用Matlab 軟件中的小波分析工具箱對樣本數據降噪處理后，按照上述處理方法對降噪后的樣本進行3 層小波分解，得到各頻帶信號圖。觀察后可以發現，不同工況下相同小波頻段內重構后系數存在較為明顯的差異，說明使用小波分析能夠較為準確的判斷煙氣輪機的各種工況。求得各個頻段能量并進行橫向對比，煙氣輪機在發生故障的情況下，其頻段特征向量與正常工況時有明顯差異。當發生轉子不對中故障時，E31、E34、E35頻段能量與正常工況差異明顯；當發生轉子松動故障時，E30、E37 頻段能量與正常工況差異明顯；當發生轉子不平衡故障時，E33 和E36 頻段能量與正常工況差異明顯。由此可見，通過對比各類工況下同頻段能量的差異，可以初步完成對煙氣輪機有無故障，以及故障類型的判斷。

3 煙氣輪機故障診斷技術及其應用

3.1 實驗方案設計

本實驗選擇某煉油廠240 t/a 催化四機組中的YL18000A型煙氣輪機作為研究對象。

傳感器在線監測到的煙氣輪機振動信號，通過無線傳輸模塊發送給故障診斷系統。該系統是基于Windows 7 操作系統，由LIBSVM4.0 工具箱開發，將樣本數據進行格式轉換并提取數據特征值，做歸一化處理，然后通過參數尋優進行故障判斷，故障識別的準確率較高。

3.2 實驗數據處理

3.2.1 選擇樣本數據

從光纖振動傳感器采集到的海量信號中，提取出3 種工況信號，分別是正常運行、轉子不對中、轉子不平衡。每1 種工況下隨機選出100 組數據，每組數據中有250 個數據點，這樣就得到了300 組樣本數據。將正常運行下的100 組數據從1 開始進行編號，其中1～80 作為訓練樣本，81～100 作為測試樣本。其他兩組也做同樣的處理。

3.2.2 樣本降噪

因為煙氣輪機處于高速度、高噪聲的環境下，采集到的信號中可能摻雜了其他干擾噪聲，直接分析振動信號會影響故障診斷的準確性。因此，在數據分析前還要經過一道降噪工序。振動信號的降噪方法為：

（1）利用小波包分解法，將采集到的原始信號分解成M 層。噪聲信號包含在分解后的高頻系數中。（2）對高頻系數進行量化閾值處理，達到降低噪聲的效果。（3）判斷噪聲處理是否滿足要求，如果不滿足則重復上述步驟，直到噪聲干擾降低至允許范圍。

（4）對分解后的第M 層系數進行信號重構，得到低噪聲甚至不存在噪聲的振動信號。

本次實驗中，樣本數據經過3 層小波包分解后，信號變得平滑、穩定，波形規則，可以較為準確地顯示煙氣輪機的運行狀態，為下一步的故障診斷提供有利條件。

3.2.3 特征向量提取

采用小波包提取特征向量法，求出經過3 層重構后所得信號對應的能量E3i（i=0，1，2…7），以及重構信號的總能量Ei。

其中，xik為小波包系數重構后離散點的幅值，n 為采樣點數。將計算所得的重構能量做歸一化處理，得到相應的特征向量，即可完成對振動信號特征向量的提取。

3.3 基于PSO 參數尋優的故障診斷

本次實驗中引入PSO（Particle Swarm Optimization，粒子群優化算法）進行參數尋優，這樣可以直接調用PSO 參數尋優函數（psoSVMcgForClass）：

將準備好的訓練樣本和測試樣本，分別輸入到具有PSO 參數尋優功能的支持向量機中進行仿真實驗，仿真結果為：

把尋優后求得的最佳參數c 和g，分別帶入到支持向量機診斷程序中，可以實現對樣本中故障的診斷。仿真實驗中，100 組測試數據中，實際分類和預測分類只有7 個樣本分類錯誤，即分類準確率為93%。這說明，基于PSO 參數尋優的故障診斷有較高的準確率。

4 結束語

基于振動信號的在線監測、實時傳輸和精準分析，是實現煙氣輪機潛在故障識別與處理的必要前提?；诠饫w振動傳感器實時采集振動信號，再將所得信號進行小波包降噪處理和PSO參數尋優分析，可以使故障識別率達到90%以上，診斷結果的可信度較高。這不僅為后續技術人員進行煙氣輪機的故障排查與修理提供了參考，還保障煙氣輪機的正常、可靠運行。