汽轮机故障诊断技术的发展现状研究

王义强 高骥 张军辉 马晓飞

摘要：故障诊断技术的发展对提升汽轮机的安全性、经济性具有重要意义。现介绍了国内外汽轮机领域故障診断研究的发展现状，并对现有的故障诊断方法进行了分析和比较，最后阐述了汽轮机故障诊断技术的发展方向以及侧重点。

关键词：汽轮机;故障诊断;状态监测;人工智能算法

1    故障诊断技术对汽轮机行业的重要性

汽轮机是非常核心的旋转动力设备，由于社会经济发展的需要，高参数化、大容量化、多功能化逐渐成为汽轮机主要的特点，给整个社会生产、居民生活提供了便利。

汽轮机组在变化复杂的环境中运行，不仅存在很多相互关联的部件和彼此之间耦合较为紧密的部件，而且通流部分长期在高温高压或冲击水蚀的恶劣环境下工作[1]，在汽轮机的实际运行过程中，任何一个环节的问题都有可能成为引起机组故障的不稳定因素。汽轮机倘若出现故障，会对机组的运行效率造成影响，严重的还会引起机组瘫痪、人员伤亡，影响供电网络、化工炼油等装置的稳定性，使企业蒙受巨大的经济损失。因此，先进的故障诊断方法对提升汽轮机组的安全性、经济性具有重要意义。

随着设备安全运行的要求越来越高，故障诊断不再限定于发现故障之后寻找问题原因，还需要兼备一些故障预警的功能，以便采取相应措施来预防机组可能出现的重大事故。统计显示，应用故障诊断系统的旋转动力设备，其事故发生率大大降低，维修费用能够减少约30%[2]。可见，故障诊断系统的应用一方面能够降低故障发生率并减少维修保养费用，另一方面其诊断分析结果可以为故障处理决策提供合理依据。

随着各项技术的发展，汽轮机本体结构与外围布置越来越复杂，操作系统越来越智能化，这也导致了汽轮机产生的故障更加难以诊断，由于其通流部分工作在高压、高温、高转速和频繁变工况运行的条件下，即便出现微小的异常情况，也会导致机组出现不同程度的振动问题，这将直接影响机组运行的安全性与稳定性。当振动幅值超过一定范围时，如果不及时找到故障来源，可能造成严重的运行事故和经济损失。汽轮机故障主要分为轴系故障、通流部分故障以及轴承支撑故障三大类，相关数据显示，由于汽轮机组故障引起的电厂停机事故约占整个电厂故障的一半以上[3]。

随着各个行业的发展，汽轮机及对应的机组系统复杂程度也在逐步提升，传统的定期检修模式已经难以应付汽轮机运行过程中出现的各类故障，并且无法做到实时监测和预警提醒。而随着状态监测应用规模和能力的不断提升，电厂、化工炼油企业所存储的设备监测数据也在不断递增，不断积累的历史运行数据占据了庞大的存储空间[4]。如何利用好海量的汽轮机运行数据，准确地挖掘出数据中的价值，已成为国内外汽轮机故障诊断领域的研究重点[5]。

2    国内外故障诊断技术的研究现状

汽轮机故障根据其过程主要可以分为渐发型和突发型两大类。渐发型故障是伴随着压力/温度参数、振动信号的变化而形成的，是一种过程累积产生的故障，会出现例如结垢、擦碰磨损、部件变形等现象，造成机组内效率下降、部件损伤及运行恶化等状况;突发型故障是伴随着汽轮机在运行过程中突然发生不可控的变化产生的，主要有阀杆断裂、叶片断裂、轴瓦烧毁等故障，此类故障对机组安全运行影响极大，如果没有及时预测并得到妥善处理，将会引发重大事故[6]。

汽轮机故障诊断领域的研究最早源于美国，其在航空航天领域积累了丰富的故障诊断经验，在这个基础上率先对汽轮机故障诊断技术展开了较为深入的研究，一些相关的研究院所及企业，如Bently、EPRI、BEI等相继开发了各自的状态监测与故障诊断系统，取得了多项世界级领先的成果[7-8]。在美国之后，其他发达工业国家，如德、日、英、法等国的一些公司也投入了大量的人力和物力，对汽轮机故障诊断技术进行了多方面的探索，如德国Siemens、瑞士ABB、日本Toshiba电气公司，也相继推出了许多具有实际工程价值的汽轮机故障诊断系统[9-10]。表1给出了一些国外已有的汽轮机状态监测与故障诊断系统。

与发达工业国家相比，我国对汽轮机故障诊断领域的研究起步略晚，但发展进度较快，迄今为止，已经研制出几十种不同的汽轮机状态监测与故障诊断系统，取得了很大的成就。得益于监测设备与信息化技术的飞速发展为许多高校和科研单位提供了技术上的有力支持，一大批汽轮机故障诊断方法及系统的研究成果应运而生。其中，浙江大学、西安交通大学、上海交通大学、哈尔滨工业大学等国内高校以及相关企业开展了一系列汽轮机状态监测及故障诊断系统研究[10-11]，如表2、表3所示。

随着各方面基础的不断完善，汽轮机故障诊断与监测研究在我国得到了充分的重视和发展，国内高校、企业的很多学者与工程师都为此付出了不懈的努力，取得了一些成果。上海发电设备成套所的史进渊[12]结合振动诊断法和热力参数诊断法，比对了10种常见的汽轮机通流部分故障，提出了基于可靠性理论的诊断分析模型，能够较为准确地识别汽轮机通流部分的故障。周云龙等[13]利用合成BP神经网络算出了实际情况下最末级组相对内效率诊断值，通过与级组相对内效率的实际测量值进行比对，认定两者的差值是由通流故障引起的，并准确诊断出导致相对内效率变化的部位以及相应的影响程度。张超[14]对常见汽轮机轴系振动故障进行了故障特征提取，采用针对故障类型的加权K-L变换，减少了故障数据的维数，降低了运算的复杂度，构建了基于支持向量机的多分类故障诊断模型。李文业等[15]根据汽轮机热力参数的非线性特点，提出了一种基于改进的经验模态分解EMD算法与概率神经网络PNN的汽轮机通流部分故障诊断方法，并对某火电厂实际运行600 MW汽轮机组的实际运行数据进行了模拟实验。

3    故障诊断研究方法对比

普渡大学V.Venkatasubramanian等[16]将设备故障诊断方法分为三种，即基于定量模型的方法、基于定性模型的方法和基于过程历史的方法，并对不同故障诊断方法的特点进行了对比，如表4所示，其中“√”代表该方法能够满足期望要求，“×”代表不能满足期望要求，“？”代表是否满足期望要根据实际情况来进行判别。从表4可以看出，不同的故障诊断方法有着不同的优缺点以及局限性，这会直接影响故障诊断的精度和速度。

在现阶段已有的工业过程系统中，一方面过程环节较为复杂、参数变量较多且存在耦合现象，难以获得贴近实际情况的数学物理模型;另一方面旋转机械领域所涵盖的学科知识面较广，专家经验的积累需要漫长的时间以及多实例的学习训练，这就导致了纯粹依靠理论模型或经验知识的方法存在很大的局限性和主观性。随着大数据技术、人工智能技术以及测量仪器的快速更新和发展，基于海量数据支撑的人工智能AI算法逐渐成为汽轮机故障诊断领域的研究重点。

西交大刘若楠等[17]就人工智能算法在旋转机械领域的应用情况进行了归纳总结，对不同AI算法的优点和局限性进行了详细介绍，并比较了它们的不同特征，具体如表5、表6所示，其中“*”的数量代表不同衡量指标下相应算法能够胜任的程度。随着近些年AI技术的快速发展，智能故障诊断技术已经成为今后的研究趋势。为了更好地兼顾各种算法的优点，未来需要开发出能够同时兼容不同种类问题的智能诊断系统。

4    结语

随着汽轮机设计要求越来越朝着高参数、高可靠性、多功能性方向发展，不断改善现有的故障诊断方法十分必要。经过近些年来的发展，国内外高校、企业中的科研工作者以及工程师们已经研究出一些具有代表性且应用在汽轮机上的故障诊断系统。为了更好地克服现有故障诊断系统中存在的不足，加强其实用性，改变其诊断理念，实现其大规模工业级应用，必须以提高故障诊断能力为目标，既要注重各种故障机理研究，也要注重与实际运行相结合，这些要求不仅依赖于对汽轮机故障机理模式的理解，也依赖于传感测量仪器以及数据挖掘技术的不断发展。

[参考文献]

[1] 周振宇.基于主元分析和神经网络的汽轮机组通流渐发故障诊断方法研究[D].北京：华北电力大学，2015.

[2] 毛志伟，孙永平，王敏.汽轮机通流部分故障的特性分析及仿真计算[J].浙江电力，2000（5）：1-3.

[3] 宋莹.汽轮发电机组质量不平衡故障预警与诊断技术研究[D].北京：华北电力大学，2016.

[4] 張艳顺.基于决策树的汽轮机振动故障诊断技术研究[D].北京：华北电力大学，2016.

[5] 张力寰.基于工业大数据的汽轮机故障深度分析方法研究[D].杭州：浙江大学，2018.

[6] 周磊.基于智能算法的汽轮机通流部分故障诊断研究[D].吉林：东北电力大学，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.基于案例的汽轮机智能故障诊断[D].杭州：浙江大学，2018.

[11] 程道来，吴茜，吕庭彦，等.国内电站故障诊断系统的现状及发展方向[J].动力工程，1999，19（1）：53-57.

[12] 史进渊.汽轮机通流部分故障诊断模型的研究[J].中国电机工程学报，1997（1）：29-32.

[13] 周云龙，曹丽华，李勇.基于BP神经网络的汽轮机最末级组相对内效率应达值的确定[J].汽轮机技术，2009，51（1）：51-54.

[14] 张超.基于支持向量机的汽轮机轴系振动故障智能诊断研究[D].保定：华北电力大学，2009.

[15] 李文业，杨帆，周亚星，等.基于改进EMD与PNN的汽轮机通流部分故障诊断[J].振动、测试与诊断，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

作者简介：王义强（1980—），男，辽宁大连人，助理工程师，研究方向：汽轮机开发与设计。