振動監(jiān)測在燃氣輪機葉片故障診斷中的應用

彭彤宇

(江蘇華電昆山熱電有限公司，江蘇 昆山 215300)

0 引言

在燃氣輪機運行過程中，燃氣輪機各個部件，特別是受熱部分和旋轉組件(通常是葉片、燃燒室等)一般需要承受高溫、高壓和劇烈振動等沖擊，導致其出現(xiàn)蠕變、微觀結構變化、氧化、熱疲勞和熱腐蝕等[1]，直接影響燃氣輪機的壽命和效率。保險公司Meher-Homji[2]指出：葉片故障是燃氣輪機最主要的故障，占燃氣輪機總故障的42%；同時，葉片故障會引起災難性的后果，并伴隨較高的經(jīng)濟損失。因此，燃氣輪機葉片的故障檢測和診斷就顯得尤為重要。

目前，大部分公開的文獻均是根據(jù)葉片通過頻率(BPF)、振動振幅的相對變化及其諧波來對葉片故障進行檢測和診斷[3-7]。葉片故障包括摩擦，裂縫，外物損傷(FOD)，葉片變形(扭曲、蠕變、腐蝕和侵蝕)，葉片結污和旋轉失速，葉片疲勞失效和葉根附件問題(根部裂紋和葉片松動)。

1 燃氣輪機葉片振動診斷測量方法

診斷是一種通過收集系統(tǒng)運行中特定信號并識別系統(tǒng)運行狀態(tài)的技術。在燃氣輪機故障診斷領域，振動信號是通過測量外部套管(軸承套管)數(shù)據(jù)或軸位移信息提取出來的，若能正確分析所測振動信號，就可以準確地判斷燃氣輪機的運行狀態(tài)。目前，燃氣輪機葉片振動的測量方法可以分為兩類：(1)接觸測量或直接測量，例如使用壓力應變計測量葉片振動；(2)非接觸式測量，例如將振動傳感器安裝到機器或軸承套管上，提取葉片振動響應信號并進行分析。使用葉片振動分析和振動特征分析診斷葉片缺陷已被廣泛研究[6-7]。在使用振動信號監(jiān)測和診斷燃氣輪機葉片故障的同時，也可以使用葉片振動檢測技術對燃氣輪機性能和運行狀態(tài)進行監(jiān)控[7]。大量的文獻報道了不同的葉片監(jiān)測和診斷技術中信號的收集技術。

2 葉片振動監(jiān)測和診斷技術

2.1 振動頻譜分析技術

振動頻譜分析技術(FFT)是最常用且有效的信號分析和診斷方法，它是通過對振動波形進行傅里葉變換，將振動信號中所包含的各種頻率成分分解出來，與各種振動故障的特征頻率進行比對，從而達到振動診斷的目的。Kuo[8]使用快速傅里葉變換處理監(jiān)測到的葉片振動信號，成功檢測到燃氣輪機葉片松動故障。在進行振動監(jiān)測的同時監(jiān)測燃氣輪機運行參數(shù)[9]，可使葉片摩擦故障更容易從葉片振動監(jiān)測信號中診斷出來。在航空發(fā)動機振動監(jiān)測領域, Jorge Barragan[10]認為，通過使用振動頻譜分析技術對比已知的葉片故障，可以檢測出絕大多數(shù)的葉片故障，其中包括FOD、葉片損傷、葉片磨損和葉片松動等。Cong等[11]使用沖擊能量模型評估轉子摩擦的影響，頻譜分析結果表明，轉子轉速范圍的改變代表不同的摩擦沖擊故障。文獻[12]表明，基于葉片振動測量的葉片故障診斷方法(靜態(tài)和動態(tài))雖然可以識別裂縫的存在，但是很難確定葉片裂縫的位置。隨著非介入測量方法的發(fā)展，非介入測量方法測量葉片振動信號被廣泛關注[13-15]。在這種測量方法的基礎上，使用振動頻譜分析技術分析測得的信號，被認為是診斷和檢測由葉片裂縫引起的葉片固有頻率變化的較有效方法[13-15]。在測量方法上，近年來開發(fā)出了低成本的光學檢測系統(tǒng)，通過測量燃氣輪機機殼的振動信號來判斷葉片撓度或扭曲[16]。傳統(tǒng)的頻譜分析技術雖然被廣泛用來檢測和診斷燃氣輪機葉片故障，但Leong[3]等通過案例分析了典型的燃氣輪機振動，認為葉片故障作為燃氣輪機的主要故障，并不能完全被傳統(tǒng)的頻譜分析技術診斷出來，這是由于燃氣輪機振動信號并非平穩(wěn)的隨機信號，利用傳統(tǒng)頻譜分析技術分析燃氣輪機振動信號的功率譜有一定局限性，會產(chǎn)生頻譜分析質(zhì)量不高的問題，影響后續(xù)處理。產(chǎn)生這一問題的根本原因在于傳統(tǒng)頻譜分析技術在對時域信號進行加窗的過程中造成了頻譜泄漏，影響了譜估計的效果，數(shù)據(jù)采樣點數(shù)越少，相當于加窗長度越短，則頻譜泄漏效應越明顯。因此，該方法的應用有一定局限性。

2.2 小波分析技術

小波分析方法是在時頻分析方法的基礎上發(fā)展而來的，時頻分析方法的基本思想是將有限的信號分解到一組正交基上，這組正交基或可數(shù)，或不可數(shù)，但在給定的信號函數(shù)空間上都是稠密的。而短時傅里葉變換則在正交基上又增加了1組時間窗，從數(shù)學上說，是將分解信號后的信號再進行一次分解。而小波分析即尋找1組函數(shù)，使其成為在能量有限信號的函數(shù)空間稠密的正交基，并且單純地由一個函數(shù)的伸縮和平移生成。簡單來說，小波分析是一種有效的提取動態(tài)信號時間頻率的信號處理工具。N.Aretakis等[17]通過使用小波分析技術分析測得的振動、壓力和聲學信號來診斷渦輪故障。研究結果表明，小波分析技術優(yōu)于傳統(tǒng)的頻譜分析技術(FFT)。近年來，越來越多的學者通過小波分析技術分析在燃氣輪機機殼測得的振動、形變和聲學信號，來檢測和診斷燃氣輪機故障[18]。研究證明，健康機組和故障機組的葉片BPF波圖有明顯差別，通過實驗證明，短時傅里葉變換(STFT)和小波變換可以有效地提取葉片裂縫的特征，通過該方法可以快速診斷葉片的故障。基于轉子動態(tài)小波圖(RDWM)和葉片通過能量包(BPEP),Lim等也[19]提出2種振動分析模型并通過實驗對其可行性進行了驗證，結果表明，這種方法不但可以檢測和診斷葉片摩擦故障，還可以通過BPEP判斷葉片摩擦的位置、葉片故障的數(shù)量和摩擦的劇烈程度等。但這種方法的局限性在于無法檢測穩(wěn)定工況下的葉片松動故障[20]。因此，小波分析對特定的燃氣輪機葉片故障有較好的檢測和診斷效果。

2.3 神經(jīng)網(wǎng)絡和模糊理論預判分析方法

模糊神經(jīng)網(wǎng)絡是近年來智能控制領域的熱點，它既具備模糊系統(tǒng)便于理解、可以表達人的經(jīng)驗性模糊知識的特點，又有神經(jīng)網(wǎng)絡的并行處理容錯能力和強大的自學習、自組織、自適應能力，因而，將其應用于燃氣輪機故障診斷這種高度非線性系統(tǒng)非常合適。近年來，采取基于人工神經(jīng)網(wǎng)絡和模糊理論的在線智能診斷系統(tǒng)診斷燃氣輪機葉片故障已被廣泛研究[11]，這種方法可以識別質(zhì)量不平衡和燃氣輪機葉片松動等故障。Kyriazis[21]證明了概率神經(jīng)網(wǎng)絡是檢測燃氣輪機葉片故障的有效手段?；谌斯ど窠?jīng)網(wǎng)絡理論，Angelakis等[22]也提出一種診斷燃氣輪機葉片故障的方法，該方法通過處理測量得到的振動和其他相關參數(shù)，可以有效地區(qū)別葉片振動故障和其他故障，顯示出巨大的潛力。也有學者[23]基于人工神經(jīng)網(wǎng)絡方法，提出一種預測燃氣輪機葉片故障的方法，是通過在燃氣輪機相似工作狀況條件下模擬燃氣輪機的運行特征，來檢測和診斷葉片故障的方法，該方法可以根據(jù)輸入數(shù)據(jù)自動執(zhí)行診斷程序，并可以有效預測出是否存在故障和故障的類型。

2.4 基于模型的分析和其他技術

一些研究者基于葉片斷裂的振動信號提出了診斷模型，利用診斷模型可以快速診斷葉片斷裂故障，診斷結果符合實際的故障檢修期結果。對于船舶和潛艇等流體機械設備的葉片，倒頻譜分析方法檢測葉片故障被認為是一種更有效的技術手段[24]?；谌細廨啓C性能和振動檢測，提出一種混合算法用來診斷葉片故障，這種方法的特點是當出現(xiàn)由葉片侵蝕和結污引起的故障時，可以有效地檢測葉片侵蝕和結污的位置，基于該方法，開發(fā)了一種可商業(yè)應用的實時故障檢測系統(tǒng)。

3 結論

由此可見，振動檢測方法能夠較為直觀地進行測量，并且能反映燃氣輪機的運行狀態(tài)和工作條件，因此，振動檢測被認為是簡單有效的葉片故障診斷方法。但由于不同的振動測量手段及信號獲取方式都存在一定的局限性，因此，下一步應系統(tǒng)地開發(fā)一套燃氣輪機葉片故障診斷及分析的方法，該方法可以智能地篩選信號并匹配適當?shù)男盘柗治瞿Ｐ?，達到快速檢測和診斷葉片故障的目的。

參考文獻：

[1]Goel N, Kumar A, Narasimhan V, et al.Health risk assessment and prognosis of gas turbine blades by simulation and statistical methods[C]//Canadian Conference on Electrical and Computer Engineering.Niagara Falls：IEEE，2008：1087-1092.

[2]Meher-Homji C B.Blading vibration and failures in gas turbines, Part B: compressor and turbine airfoil distress[C]//ASME International Gas Turbine and Aeroengine Congress.Houston：ASME，1995.

[3]Leong M S.Field experiences of gas turbines vibrations：a review and case studies[J].Journal of System Design and Dynamics，2008，2(1)：24-35.

[4]Simmons H R. A nonintrusive method for detecting HP blade resonance[C]//Proceedings of the Joint ASME/IEEE Power Generation Conference.Portland:ASME，1986.

[5]Simmons H R.Nonintrusive detection of turbine blade resonance[C]//Third EPRI Conference on Incipient Failure Detection in Power Plants.Philadelphia：EPRI，1987：10-12.

[6]Beebe R.Condition monitoring of steam turbines by performance analysis[J]. Journal of Quality in Maintenance Engineering，2003，9(2)：102-112.

[7]Gupta K N.Vibration: a tool for machine diagnostics and condition monitoring[J]. Sadhana, 1997, 22(3)：393-410.

[8]Kuo R J.Intelligent diagnosis for turbine blade faults using artificial neural network & fuzzy logic[J].Engineering Application of Artificial Intelligence, 1995，8(1)：25-34.

[9]Südmersen U, Pietsch O, Scheer C, et al.Condition monitoring of steam turbines by combined vibration and process parameter analysis[C]//6th COTEQ Conference. Salvador :COTEQ, 2002.

[10]Barragan J M. Engine vibration monitoring and diagnosis based on on-board captured data[C]//RTO AVT Symposium.Manchester:MTU Aero Engines GMBH Munich，2001：8-11.

[11]Cong F, Chen J, Dong G, et al. Experimental validation of impact energy model for the rub-impact assessment in a rotor system[J]. Mechanical Systems and Signal Processing, 2011(7):1-10.

[12]Vaněk Franti?ek, Procházka Pavel.Diagnostics of turbine blade vibration and damage pavel[J]. Journal of Physics, 2011, 35(11)：12116-12126.

[13]Maynard K P, Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 1: feasibility studies[J]. Noise and Vibration Worldwide, 2000,31(11)：9-15.

[14]Maynard K P, Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 2: resampling to improve effective dynamic range[J].Noise and Vibration Worldwide, 2001,32(2)：23-26.

[15]Maynard K P，Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 3: field application demonstrations[J].Noise and Vibration Worldwide, 2001，32(12)：16-23.

[16]Kawasima T, Iinuma H,Minagawa N.Optical semiconductor blade vibration monitoring system for gas turbine engine[J]. IEEE,1994，2(5)：601-604.

[17]Aretakis N，Mathioudakis K. Wavelet analysis for gas turbine fault diagnostics[J]. Journal of Engineering for Gas Turbines and Power，1997,119(4)：870.

[18]Aretakis N，Mathioudakis K.Wavelet analysis for gas turbine fault diagnostics[J].ASME Journal of Engineering for Gas Turbine and Power,1997，119(4)：870-876.

[19]Lim M H, Leong M S.Improved blade fault diagnosis using discrete blade passing energy packet and rotor dynamics wavelet analysis[C]//ASME Turbo Expo .Glasgow： American Society of Mechanical Engineers，2010：1-7,19.

[20]Lim M H，Leong M S. Diagnosis for loose blades in gas turbines using wavelet analysis[J].Journal of Engineering for Gas Turbines and Power, 2005,127(2)：314.

[21]Kyriazis A, Aretakis N, Mathioudakis K. Gas turbine fault diagnosis from fast response data using probabilistic methods & information fusion[C]//Proceedings of GT2006 ASME Turbo Expo: Power for Land, Sea & Air.Barcelona：American Society of Mechanical Engineers, 2006：1-9.

[22]Angelakis C, Loukis E N, Pouliezos A D,et al.A neural network-based method for gas turbine blading fault diagnosis[J]. International Journal of Modelling and Simulation，2001，21(1)：51-60.

[23]Loukis E, Mathioudakis K, Papailiou K. A procedure for automated gas turbine blade faults identification based on spectral pattern analysis[J]. ASME Journal of Engineering for Gas Turbine and Power, 1992，114(2)：201-208.

[24]Satyam M, Rao V S, Devy C G.Cepstrum analysis an advanced technique in vibration analysis of defects in rotating machinery[J]. Defence Science Journal, 1994，44(1)：53-60.