汽輪發(fā)電機(jī)振動異常診斷及處理

趙志強(qiáng)

【摘 ?要】二十世紀(jì)以來，隨著工業(yè)生產(chǎn)和科學(xué)技術(shù)的發(fā)展，機(jī)械故障的可靠性、可用性、可維護(hù)性與安全性問題日益突出，從而促進(jìn)了人們對機(jī)械設(shè)備故障機(jī)理及診斷技術(shù)的研究汽輪機(jī)是電力生產(chǎn)的重要設(shè)備，由于其結(jié)構(gòu)的復(fù)雜性和運(yùn)行環(huán)的特殊性，汽輪機(jī)的故障率較高，而卻故障危害也很大。汽輪發(fā)電機(jī)組常見的機(jī)械振動故障有：轉(zhuǎn)子不平衡、轉(zhuǎn)子彎曲、轉(zhuǎn)子不對中、油膜振蕩、碰摩、轉(zhuǎn)子橫向裂紋和轉(zhuǎn)子支承系統(tǒng)松動等。汽輪機(jī)振動故障的汽輪機(jī)最常見的故障，因此，汽輪機(jī)的振動故障診斷一直是故障診斷技術(shù)應(yīng)用中非常重要的部分。

【關(guān)鍵詞】汽輪機(jī);故障診斷;小波;神經(jīng)網(wǎng)絡(luò)

1基于信號處理的振動故障診斷方法

信息的采集和處理是實(shí)現(xiàn)機(jī)組振動檢測與故障診斷中的一個基本環(huán)節(jié)、也是振動檢測軟件的核心技術(shù)?，F(xiàn)代信息分析主要包括兩種形式：一種是以計(jì)算機(jī)為核心的專用數(shù)字式信號處理儀器，另一種是采用通用計(jì)算軟件來進(jìn)行信號分析的方式。

1.1小波變換方法

這是一種新的信號處理方法，是一種時間―尺度分析方法，具有多分辨率分析的特點(diǎn)。利用小波變換可以檢測信號的奇異性。因噪聲的小波變換的模的極大值隨著尺度的增大而迅速衰減，而小波變換在突變點(diǎn)的模的極大值隨著尺度的增大而增大（或由于噪聲的影響而緩慢衰減），即噪聲的Lipschitz指數(shù)處處小于零，而在信號突變點(diǎn)的Lipschitz指數(shù)大于零（或由于噪聲的影響而等于模很小的負(fù)數(shù)），所以可以用連續(xù)小波變換區(qū)分信號突變和噪聲。同樣，離散小波變換可以檢測隨機(jī)信號頻率的突變。應(yīng)用了小波分析理論，采用多分辨分析和小波分解等基本思想對汽輪機(jī)轉(zhuǎn)子振動信號進(jìn)行了分析，針對振動信號的弱信號特征，提出了基于離散小波細(xì)化頻率區(qū)間，小波分解后進(jìn)行能量譜分析和小波變換結(jié)合傅立業(yè)變換分析法，并將其應(yīng)用于模擬轉(zhuǎn)子試驗(yàn)臺上。以小波分析為基礎(chǔ)，針對汽輪機(jī)早期振動故障信號具有背景噪聲強(qiáng)，特征信號弱的特點(diǎn)改進(jìn)傳統(tǒng)的Donoho硬閾值降噪算法，提出了基于shannon熵的最優(yōu)小波包基降噪算法，能明顯地提高信號的信噪比。采用小波神經(jīng)網(wǎng)絡(luò)松散結(jié)合的診斷方法，利用小波包的分解重構(gòu)系數(shù)得到信號的頻帶能量，再將頻帶能量作為神經(jīng)網(wǎng)絡(luò)輸入向量進(jìn)行模式識別。利用BP神經(jīng)網(wǎng)絡(luò)在故障診斷方面具有診斷精度高，學(xué)習(xí)速度快的特點(diǎn)與小波分析相結(jié)合。

小波神經(jīng)網(wǎng)絡(luò)是一種非模型的診斷方法，回避了抽取對象數(shù)學(xué)模型的難點(diǎn)，避免了復(fù)雜的關(guān)于建模的傳遞函數(shù)的運(yùn)算，以及建模不完全或不精確導(dǎo)致的診斷誤差。小波變換不需要系統(tǒng)的數(shù)學(xué)模型，對噪聲有很強(qiáng)的抑制能力，有較高的靈敏度，運(yùn)算量也不大，是一種很有前途的方法。

1.2信息融合的方法

信息融合是利用計(jì)算機(jī)技術(shù)對按時序獲得的多源的觀測信息在一定準(zhǔn)則下加以自動分析、綜合以完成所需的決策和估計(jì)任務(wù)而進(jìn)行的信息處理過程。

設(shè)計(jì)了汽輪機(jī)轉(zhuǎn)子軸系故障模擬試驗(yàn)方案，并對各種故障進(jìn)行了多組升速試驗(yàn)，對故障信號進(jìn)行了傅立葉分析，以三維幅值譜和升速過程波德圖為工具，對故障信號的頻域信息進(jìn)行了融合研究。研究表明，一階矩向量三維圖不僅融合了信號的時頻特征，還融合了信號的空間特征，因而可用來對故障的產(chǎn)生過程進(jìn)行全面分析，是進(jìn)行軸系典型故障診斷的又一有效工具。

1.3其他信息處理法

提出了一種經(jīng)驗(yàn)?zāi)B(tài)分解方法（EMD），其主旨為把一個時間序列的信號分解成不同尺度的本征模態(tài)函數(shù)（IMF），每個本征模態(tài)函數(shù)序列都是單組分的，相當(dāng)于序列的每一點(diǎn)只有一個瞬時頻率，無其他頻率組分的疊加。瞬時頻率是通過對IMF進(jìn)行希爾伯特變換得到，同時求得振幅，最后求得振幅頻率時間的三維譜分布。利用EMD分析方法以及其對應(yīng)的Hilbert變換在大型汽輪機(jī)故障診斷中進(jìn)行非平穩(wěn)信號的算法和應(yīng)用，并描繪出仿真故障信號的時頻圖、時頻譜和幅值譜。嘲利用Kohonen網(wǎng)絡(luò)聚類的特點(diǎn)，把汽輪機(jī)振動故障信號頻譜中的相關(guān)頻段上不同頻率譜的譜峰能量值作為故障信號的訓(xùn)練樣本輸入到Kohonen網(wǎng)絡(luò)，并由網(wǎng)絡(luò)進(jìn)行聚類，產(chǎn)生聚類中心點(diǎn)。根據(jù)此聚類中心點(diǎn)的位置來確認(rèn)和診斷汽輪機(jī)振動故障的原因以及目前的嚴(yán)重程度。

2基于知識的故障診斷方法

基于知識的方法不需要精確的數(shù)學(xué)模型就能準(zhǔn)確預(yù)測故障，當(dāng)前這一領(lǐng)域的研究較為活躍。

2.1基于專家系統(tǒng)的故障診斷方法

專家系統(tǒng)（Expert System――ES）是人工智能領(lǐng)域較為活躍的一支，它已廣泛應(yīng)用于過程監(jiān)測系統(tǒng)，并取得了相當(dāng)可觀的經(jīng)濟(jì)效益。專家系統(tǒng)是一種基于知識的智能計(jì)算機(jī)程序系統(tǒng)，其運(yùn)用領(lǐng)域?qū)６嗄攴e累的經(jīng)驗(yàn)與專門知識，模擬人類專家的思維過程來處理該領(lǐng)域的問題。張曉等提出了一種新的基于模糊與綜合的離線式汽輪機(jī)故障診斷專家系統(tǒng)，并且提出了相關(guān)基于模糊診斷的推理和專家系統(tǒng)知識的漏診斷和無診斷的自學(xué)習(xí)方法。

2.2基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法

人工神經(jīng)網(wǎng)絡(luò)技術(shù)以分布的方式存儲信息，利用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和權(quán)值分布實(shí)現(xiàn)非線性的映射，并利用全局并行處理實(shí)現(xiàn)從輸入空間到輸出空間的非線性信息變換。對于某一特定對象建立特定的神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)，將故障征兆作為輸入信號可以直接得到故障，方便地實(shí)現(xiàn)了故障檢測與診斷。

提出了采用概率神經(jīng)網(wǎng)絡(luò)（PNN）的汽輪發(fā)電機(jī)組故障診斷方法。利用PNN算法簡單、訓(xùn)練和泛化速度快的優(yōu)點(diǎn)，把新的訓(xùn)練樣本添加到以前訓(xùn)練好的分類器中，便于提高故障診斷結(jié)果的準(zhǔn)確性。而且具有很高的運(yùn)算速度，抗干擾能力強(qiáng)，對傳感器測量噪聲具有較強(qiáng)的診斷魯棒性。新的訓(xùn)練樣本也很容易加入以前訓(xùn)練好的分類器中，更適用于在線檢測。程衛(wèi)國翻通過對振動信號的分析，并對BP算法進(jìn)行了研究和改進(jìn)。建立了人工魚群神經(jīng)網(wǎng)絡(luò)模型，利用人工魚的聚群、追尾和覓食行為訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)，提高了神經(jīng)網(wǎng)絡(luò)的收斂速度和精度。依據(jù)此模型提出一種故障診斷方法，并應(yīng)用于汽輪機(jī)振動故障分析，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力和故障診斷的準(zhǔn)確率。

3基于解析模型的故障診斷方法

基于解析模型的故障檢測和診斷方法在故障診斷的研究中占有重要地位，它充分利用了系統(tǒng)模型的深層知識進(jìn)行故障診斷，具體是指使用系統(tǒng)的結(jié)構(gòu)、行為和功能等方面的知識對系統(tǒng)進(jìn)行診斷推理，這就需要建立系統(tǒng)結(jié)構(gòu)、行為和功能模型。

針對轉(zhuǎn)子裂紋故障的早期診斷與預(yù)示這一問題，提出了基于多模型估計(jì)（MMAE）的轉(zhuǎn)子裂紋故障診斷方法。并對Jeffcott轉(zhuǎn)子建立了正常、裂紋轉(zhuǎn)子模型和基于卡爾曼濾波器的多模 型自適應(yīng)估計(jì)器，通過裂紋故障的仿真分析和故障多模型估計(jì)表明，該方法對早期診斷和預(yù)示轉(zhuǎn)子裂紋故障有良好的效果。張國平針對汽輪機(jī)啟動和停止過程信號比平穩(wěn)過程復(fù)雜這一特點(diǎn)用短時傅里葉變換提取狀態(tài)特征信息，引入基于連續(xù)HMM建立在在線狀態(tài)監(jiān)測系統(tǒng)的應(yīng)用。HMM是一種時間序列的統(tǒng)計(jì)模型，能用參數(shù)描述隨機(jī)過程統(tǒng)計(jì)特性的概率模型，是一種用針對性的信號的建模和識別工具。利用了貝葉斯網(wǎng)絡(luò)模型進(jìn)行汽輪機(jī)故障診斷，通過對主成分分析方法提取故障特征的討論，提出了基于主成分分析方法和貝葉斯網(wǎng)絡(luò)的汽輪機(jī)故障診斷模型建立方法，應(yīng)用特征提取后的樣本建立了汽輪機(jī)故障貝葉斯網(wǎng)絡(luò)模型，該汽輪機(jī)故障診斷模型簡潔，易于推理，提高了汽輪機(jī)故障診斷的效率。

4結(jié)語

基于對以上汽輪機(jī)振動故障診斷技術(shù)的綜述，可以看出汽輪機(jī)故障診斷方法是復(fù)雜多樣性的。（1）基于信號的處理方法能夠?qū)收闲盘栍休^好的分析識別作用，能夠?qū)z測信號進(jìn)行加工、變換、提取敏感的故障征兆，對故障信號位置確定比較精確。（2）基于知識的診斷方法能在知識的表達(dá)與組織上比基于經(jīng)驗(yàn)知識的診斷推理具有更大的優(yōu)越性，知識獲取方便，維護(hù)簡單，但搜索空間大，推理速度慢。（3）基于解析模型的故障診斷方法能夠判斷系統(tǒng)的識別故障的出現(xiàn)位置，便于實(shí)現(xiàn)故障的分離。（4）基于離散事件的診斷方法的是一種新型的故障診斷方法，其優(yōu)點(diǎn)是不需要被診斷系統(tǒng)的精確數(shù)學(xué)模型，適用于解決難以建立精確模型的系統(tǒng)的故障診斷問題。

參考文獻(xiàn)：

[1] 國家汽車產(chǎn)業(yè)調(diào)整和振興規(guī)劃[R].2009.

[2] 劉馥清.試驗(yàn)?zāi)B(tài)分析基礎(chǔ)[R].

（作者單位：山東電力建設(shè)第三工程有限公司）