電廠風(fēng)機(jī)故障診斷現(xiàn)狀及發(fā)展趨勢(shì)

周 理，王宇希，繆佳美，劉慧玲，葛曉霞

(南京工程學(xué)院 能源與動(dòng)力工程學(xué)院，江蘇 南京 211167)

0 前言

故障診斷是根據(jù)設(shè)備當(dāng)前的運(yùn)行參數(shù)，通過(guò)各種方法的分析，最終發(fā)現(xiàn)故障的根源所在，是進(jìn)行故障處理的必要準(zhǔn)備和前期工作[1～4]。故障預(yù)警是將設(shè)備發(fā)生故障時(shí)的數(shù)據(jù)記錄下來(lái)，將大量數(shù)據(jù)整理成數(shù)據(jù)庫(kù)，同時(shí)設(shè)置參數(shù)多級(jí)安全閾值。在后續(xù)設(shè)備運(yùn)行過(guò)程中，將當(dāng)下數(shù)據(jù)和數(shù)據(jù)庫(kù)參數(shù)進(jìn)行比對(duì)，即可實(shí)現(xiàn)在故障進(jìn)一步發(fā)展前發(fā)現(xiàn)故障的存在。

隨著科學(xué)技術(shù)的不斷發(fā)展，材料技術(shù)不斷提高，電廠單機(jī)容量的不斷擴(kuò)大，全國(guó)范圍內(nèi)的裝機(jī)容量也在不斷增加。無(wú)論電廠的規(guī)模如何，送風(fēng)機(jī)和引風(fēng)機(jī)都是電廠重要的輔機(jī)。且風(fēng)機(jī)的運(yùn)行環(huán)境一般有高溫，高壓，高雜質(zhì)惡劣的特點(diǎn)，易出現(xiàn)一些異常工況威脅到電廠生產(chǎn)的安全性。所以保證風(fēng)機(jī)的正常運(yùn)行，對(duì)其進(jìn)行故障預(yù)警尤為重要?，F(xiàn)如今的故障預(yù)警方法已經(jīng)從過(guò)去的運(yùn)行人員通過(guò)自己的經(jīng)驗(yàn)進(jìn)行主觀判斷，逐漸邁向技術(shù)化，智能化，出現(xiàn)了大量基于大數(shù)據(jù)分析的新型預(yù)警方法，大大提高了設(shè)備運(yùn)行的可靠性。

1 國(guó)內(nèi)外故障診斷技術(shù)發(fā)展歷程

當(dāng)設(shè)備發(fā)生故障后，機(jī)組將經(jīng)歷一個(gè)從正常的穩(wěn)定狀態(tài)過(guò)渡到另一個(gè)非正常的穩(wěn)定狀態(tài)或者直接崩潰。故障預(yù)警的研究目的在于機(jī)組由正常穩(wěn)定狀態(tài)向故障狀態(tài)發(fā)展的初期就能夠及時(shí)發(fā)出相應(yīng)報(bào)警信息，為維修人員爭(zhēng)取更多時(shí)間處理設(shè)備故障，減低故障帶來(lái)的經(jīng)濟(jì)和安全損失。

1.1 國(guó)外研究現(xiàn)狀

早在20世紀(jì)60年代初期，國(guó)外就開始進(jìn)行故障診斷的研究，并將故障預(yù)警思想運(yùn)用于工程。美國(guó)是最早研究設(shè)備診斷技術(shù)的國(guó)家，分別在1961年和1967年建立國(guó)家機(jī)械故障研究會(huì)(MFWG)和機(jī)械故障預(yù)防小組(MFPG)，開始有組織有計(jì)劃對(duì)設(shè)備的科學(xué)管理與維修進(jìn)行研究。隨后美國(guó)軍方在20世紀(jì)70年代中期將故障預(yù)測(cè)與健康管理技術(shù)(PHM)用于飛機(jī)發(fā)動(dòng)機(jī)監(jiān)控系統(tǒng)中，這標(biāo)志著研究人員開始對(duì)故障預(yù)警技術(shù)進(jìn)行研究[5]。隨著信息技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，故障診斷和預(yù)警技術(shù)被用于各行各業(yè)。美國(guó)電力工業(yè)科研權(quán)威機(jī)構(gòu)EPRI較早將故障診斷技術(shù)用于電廠，全方位監(jiān)測(cè)電站設(shè)備，獲得設(shè)備的實(shí)時(shí)運(yùn)行信息間。直到今日，故障預(yù)警技術(shù)己經(jīng)成功運(yùn)用于風(fēng)電、火電、航天與軍工等各種領(lǐng)域。

1.2 國(guó)內(nèi)研究現(xiàn)狀

1983年，于南京召開了首屆設(shè)備診斷技術(shù)專題座談會(huì)，這代表著我國(guó)研究故障診斷技術(shù)的開端。較晚的起步促使國(guó)內(nèi)的科研工作人員更努力的學(xué)歷，經(jīng)過(guò)幾十年的自身努力，以及積極吸取國(guó)外先進(jìn)技術(shù)和實(shí)踐經(jīng)驗(yàn)，再加上國(guó)家的大力支持，我國(guó)在故障診斷和預(yù)警技術(shù)上取得了很大的進(jìn)步。

在理論基礎(chǔ)方面，西安交通大學(xué)的劉石院士[6]在《回轉(zhuǎn)機(jī)械故障診斷中的三維全息譜技術(shù)》首先提出了利用全息譜技術(shù)來(lái)進(jìn)行設(shè)備故障診斷的構(gòu)想，并且提出了一種基于三維全息差譜的故障診斷方法，打破了傳統(tǒng)故障診斷方法的局限性。何正嘉團(tuán)隊(duì)從1998年-2008年花了十年的時(shí)間，研究了小波有限元理論，并將其應(yīng)用到裂紋的定量診斷中[7]。華中科技大學(xué)的孫燕華帶領(lǐng)的團(tuán)隊(duì)提出了一種基于開放磁化方法的漏磁傳感器在線自動(dòng)結(jié)構(gòu)健康監(jiān)測(cè)方法[8]。

隨著理論研究的不斷深入，將其應(yīng)用到實(shí)際生產(chǎn)中，誕生了相應(yīng)的故障診斷系統(tǒng)。西安工業(yè)大學(xué)，西安交通大學(xué)和華北電力大學(xué)等都根據(jù)不同類型的機(jī)械設(shè)備研發(fā)了多套運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷系統(tǒng)。鄭州工業(yè)大學(xué)研發(fā)出了中國(guó)第一套擁有專家故障診斷功能的操作系統(tǒng)；西安熱工研究所也在這之后研發(fā)了一整套“汽輪機(jī)發(fā)電機(jī)組的振動(dòng)監(jiān)測(cè)和專家診斷系統(tǒng)”；英華達(dá)公司研發(fā)了用于旋轉(zhuǎn)機(jī)械振動(dòng)監(jiān)測(cè)故障診斷專家系統(tǒng)EN8000。

2 現(xiàn)有故障預(yù)警方法

2.1 基于大數(shù)據(jù)狀態(tài)預(yù)測(cè)的故障預(yù)警

根據(jù)大數(shù)據(jù)進(jìn)行預(yù)測(cè)的故障預(yù)警方法包括多元狀態(tài)估計(jì)方法(Multivariate State Estimation Techniques，MSET)，支持向量機(jī)法(Support Vector Machine, SVM),以及神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network ,ANN)等方法。以上方法都從大數(shù)據(jù)的角度對(duì)已有信息進(jìn)行挖掘，該挖掘主要可分成數(shù)據(jù)準(zhǔn)備，數(shù)據(jù)挖掘，結(jié)果表達(dá)和解釋幾個(gè)流程[9]。其中數(shù)據(jù)準(zhǔn)備又可以分成數(shù)據(jù)集成，對(duì)來(lái)自多個(gè)數(shù)據(jù)庫(kù)的數(shù)據(jù)進(jìn)行整合處理；數(shù)據(jù)選取，過(guò)濾掉不需要的數(shù)據(jù)，提高數(shù)據(jù)的有效率和后續(xù)挖掘效率；數(shù)據(jù)處理，對(duì)遺漏、錯(cuò)誤數(shù)據(jù)進(jìn)行處理。數(shù)據(jù)挖掘，即利用設(shè)計(jì)的算法挖掘數(shù)據(jù)中潛在的利用價(jià)值。結(jié)果表達(dá)和解釋，即根據(jù)挖掘數(shù)據(jù)的目的和需要，把數(shù)據(jù)轉(zhuǎn)換成有用的信息。其核心原理是利用以往的數(shù)據(jù)進(jìn)行建模，將實(shí)際工況和模型進(jìn)行比對(duì)，從而實(shí)現(xiàn)故障預(yù)警。文獻(xiàn)[10]提出了一種對(duì)利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障預(yù)測(cè)的改進(jìn)措施，降低了訓(xùn)練次數(shù)的同時(shí)，提高了網(wǎng)絡(luò)的容錯(cuò)率。文獻(xiàn)[11]提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解樣本熵和LIBSVM工具箱的離心風(fēng)機(jī)故障預(yù)測(cè)的方法，同時(shí)證明了其有效性。文獻(xiàn)[12]提出了一項(xiàng)基于多元狀態(tài)估計(jì)方法的風(fēng)機(jī)故障預(yù)警技術(shù)，通過(guò)層次分析法來(lái)確定需要監(jiān)測(cè)參數(shù)的占比系數(shù)，尋找可能發(fā)生故障的參數(shù)測(cè)點(diǎn)。

利用大數(shù)據(jù)作為工具對(duì)風(fēng)機(jī)進(jìn)行故障預(yù)測(cè)需要較為龐大的數(shù)據(jù)量來(lái)建立數(shù)學(xué)模型，并將模型作為參考標(biāo)準(zhǔn)對(duì)風(fēng)機(jī)設(shè)備當(dāng)下或以后運(yùn)行時(shí)的數(shù)據(jù)進(jìn)行估計(jì)與預(yù)測(cè)。利用MSET建立的模型，一般來(lái)說(shuō)其輸出參數(shù)的數(shù)量和輸入?yún)?shù)數(shù)量相同，適用于對(duì)測(cè)點(diǎn)數(shù)量要求較高的設(shè)備，例如送引風(fēng)機(jī)等。通過(guò)該模型可以搜尋出設(shè)備出現(xiàn)異常的源頭，在可以保證包含所有運(yùn)行特征的歷史矩陣規(guī)模的同時(shí)，計(jì)算速度快，時(shí)效性高；SVM可以應(yīng)用到樣本較小的機(jī)器學(xué)習(xí)中。如果面對(duì)的是數(shù)據(jù)測(cè)點(diǎn)較多的工業(yè)設(shè)備，就會(huì)出現(xiàn)運(yùn)算效率較低的問(wèn)題；ANN的非線性學(xué)習(xí)能力較強(qiáng)，但是其模型的構(gòu)建需要用到的數(shù)據(jù)量更大，系統(tǒng)較為復(fù)雜時(shí)，計(jì)算量也會(huì)相應(yīng)增加，導(dǎo)致其時(shí)效性較低。此外，SVM和ANN更適合用于單輸入多輸出的情況，

2.2 基于故障特征值的故障預(yù)警

故障特征值參數(shù)法是對(duì)故障設(shè)備發(fā)展過(guò)程進(jìn)行研究，以此來(lái)探尋特征值參數(shù)的潛在變化規(guī)律。具體操作時(shí)，一般對(duì)故障機(jī)理進(jìn)行研究或者是進(jìn)行故障模擬實(shí)驗(yàn)，尋找能夠用以判斷是否發(fā)生故障的特征變量，此外，還要確定這些不同的特征變量在設(shè)備正常運(yùn)行時(shí)的參數(shù)允許范圍，以及正常運(yùn)行時(shí)的閾值，當(dāng)某個(gè)特征參數(shù)在某個(gè)時(shí)間超過(guò)所設(shè)閾值，即可認(rèn)為設(shè)備出現(xiàn)異常，發(fā)出故障預(yù)警信號(hào)。

對(duì)于風(fēng)機(jī)這類高速旋轉(zhuǎn)的設(shè)備，如果出現(xiàn)故障，則會(huì)反映在振動(dòng)信號(hào)內(nèi)。所以針對(duì)風(fēng)機(jī)，還可以從振動(dòng)的角度入手，用振動(dòng)頻譜分析的方法進(jìn)行故障監(jiān)測(cè)。對(duì)于實(shí)測(cè)振動(dòng)瞬態(tài)信號(hào)，對(duì)各種信號(hào)進(jìn)行分析，從中提取出故障信息的方法已經(jīng)在實(shí)際生產(chǎn)得到廣泛應(yīng)用。最基礎(chǔ)的信號(hào)分析和故障特征值的獲取方法包括頻譜分析，時(shí)域分析，包絡(luò)和倒頻譜分析。其中，包絡(luò)分析方法能夠?qū)崿F(xiàn)滾動(dòng)軸承振動(dòng)調(diào)制信號(hào)的解調(diào)分析，并且提取出軸承發(fā)生故障時(shí)候的特征參數(shù)，因此是獲取振動(dòng)故障特征值重要方法。

就目前來(lái)看，振動(dòng)信號(hào)的分析方法研究較為完善，各種方法層出不窮，且有故障信息覆蓋面廣，反映時(shí)間短，故障識(shí)別性高等突出優(yōu)點(diǎn)。但是美中不足的是振動(dòng)信號(hào)非常容易受到干擾噪聲的影響。以引風(fēng)機(jī)為例，其干擾信號(hào)較多，從振動(dòng)信號(hào)中分離出故障信號(hào)，對(duì)干擾成分的確定比較困難。根據(jù)當(dāng)前的生產(chǎn)需要來(lái)看，引風(fēng)機(jī)需要與火電廠負(fù)荷的變化匹配，在穩(wěn)定性得到提高的同時(shí)，故障特征值的變化容易變得不平穩(wěn)，且數(shù)學(xué)模型復(fù)雜，難以進(jìn)行分析。

2.3 基于概率模型的故障預(yù)警

概率模型是用來(lái)描述一個(gè)或多個(gè)隨機(jī)變量之間的相互非確定性的概率關(guān)系。該故障預(yù)警方法將選取和設(shè)備不同運(yùn)行狀態(tài)下密切相關(guān)的特征參數(shù)。分析該特征參數(shù)過(guò)往的數(shù)據(jù)。找到特征參數(shù)和不同運(yùn)行狀態(tài)之間的關(guān)系，進(jìn)而進(jìn)行數(shù)學(xué)建模，得到概率模型。利用所建的模型中參數(shù)的概率分布來(lái)判斷當(dāng)前處于何種運(yùn)行狀態(tài)，或是預(yù)測(cè)將來(lái)的狀態(tài)，達(dá)到實(shí)現(xiàn)故障預(yù)警的目的。

文獻(xiàn)[13]利用神經(jīng)網(wǎng)絡(luò)的方法將特征頻率到故障類型進(jìn)行了非線性映射，輔以D-S(Dempster-Shafer evidence theory)證據(jù)理論，將多路信號(hào)融合分析，針對(duì)不同類型的故障都可以進(jìn)行相對(duì)準(zhǔn)確的預(yù)測(cè)。文獻(xiàn)[14]是將電廠設(shè)備過(guò)往得數(shù)據(jù)進(jìn)行概率網(wǎng)格劃分，建立運(yùn)行的概率模型，參考概率值的大小判斷設(shè)備是否發(fā)生了故障。文獻(xiàn)[15]中提到了一種對(duì)鍋爐設(shè)備進(jìn)行的故障預(yù)警的方法。利用貝葉斯網(wǎng)絡(luò)分析方法，對(duì)鍋爐過(guò)熱蒸汽和燃料的平衡進(jìn)行分析，根據(jù)分析結(jié)果可以計(jì)算出余熱鍋爐泄露的概率，從而達(dá)到預(yù)警目的。

基于概率模型的故障預(yù)警方法的優(yōu)勢(shì)在于無(wú)需人工設(shè)定參數(shù)閾值，而是根據(jù)當(dāng)前的概率分布完成故障預(yù)警，降低了手動(dòng)干預(yù)程度，提高了自動(dòng)化水平。但由于要對(duì)故障進(jìn)行預(yù)警，其劣勢(shì)之處也和前文兩者方法較為相似，即需要對(duì)設(shè)備的歷史運(yùn)行數(shù)據(jù)做大量的前期準(zhǔn)備工作。只有將不同類型故障的發(fā)展程度進(jìn)行具體的分類分條，才可以實(shí)現(xiàn)準(zhǔn)確的故障預(yù)警。但實(shí)際生產(chǎn)過(guò)程中，完成故障發(fā)展程度的分類難度較高。同時(shí)想要獲得設(shè)備在不同運(yùn)行狀態(tài)下的概率分布的前提是有大量的歷史數(shù)據(jù)作為參考，其包括正常運(yùn)行數(shù)據(jù)，發(fā)生故障前后的數(shù)據(jù)等等，而對(duì)于新建的一些生產(chǎn)設(shè)備，這些數(shù)據(jù)的獲取較為困難。是一種相對(duì)滯后的預(yù)警方法。

3 風(fēng)機(jī)設(shè)備故障預(yù)警的發(fā)展方向

隨著科學(xué)技術(shù)特別是大數(shù)據(jù)的不斷發(fā)展，智慧電廠的受關(guān)注率越來(lái)越高。智慧電廠是一個(gè)集設(shè)備智能化控制、物聯(lián)網(wǎng)等新技術(shù)、生產(chǎn)過(guò)程監(jiān)視與優(yōu)化、發(fā)電生產(chǎn)經(jīng)營(yíng)一體化管控、生產(chǎn)經(jīng)營(yíng)優(yōu)化與數(shù)字化決策五個(gè)方面的信息化系統(tǒng)。其中數(shù)字化決策中的監(jiān)視層就包括設(shè)備建模，生產(chǎn)監(jiān)視，實(shí)時(shí)預(yù)警，健康評(píng)估四個(gè)功能。尤其智能監(jiān)控系統(tǒng)的問(wèn)世，為電力企業(yè)的發(fā)展提供了新的思路。智能監(jiān)控技術(shù)能夠深入地發(fā)掘和分析大量的運(yùn)營(yíng)數(shù)據(jù)和信息，建立評(píng)估模型、故障預(yù)測(cè)模型和故障診斷模型。根據(jù)以上模式，智能監(jiān)控技術(shù)在設(shè)備安全性、系統(tǒng)安全性、機(jī)組運(yùn)行經(jīng)濟(jì)性等方面具有重要意義；對(duì)機(jī)組的狀態(tài)進(jìn)行連續(xù)量化評(píng)價(jià)，以提高故障早期報(bào)警準(zhǔn)確率，實(shí)現(xiàn)智能監(jiān)控。該方法可以降低操作人員對(duì)數(shù)據(jù)的查詢和判斷，減輕操作人員的工作負(fù)荷，提高了對(duì)數(shù)據(jù)的監(jiān)控和判別準(zhǔn)確率。通過(guò)智慧監(jiān)盤，可以有效地解決系統(tǒng)的故障問(wèn)題。智慧監(jiān)盤憑借其優(yōu)勢(shì)必將會(huì)成為未來(lái)電廠發(fā)展方向?qū)蚺芠16]。

目前智慧監(jiān)盤的前景可以歸結(jié)為以下3個(gè)方向。

3.1 多種診斷方法的融合

在實(shí)際生產(chǎn)過(guò)程中，設(shè)備數(shù)據(jù)具有多樣性，多變性的特點(diǎn)，單一的故障監(jiān)測(cè)方法具有一定的局限性。例如在用支持向量機(jī)法進(jìn)行大數(shù)據(jù)預(yù)測(cè)時(shí)，如果設(shè)備測(cè)點(diǎn)過(guò)多，該方法就會(huì)暴露出計(jì)算效率低下的問(wèn)題。所以對(duì)于風(fēng)機(jī)這樣工作環(huán)境較為復(fù)雜的設(shè)備而言，需要多種參數(shù)，多種方法組合分析，才能對(duì)運(yùn)行工況做出更好的判斷。不同理論之間相互補(bǔ)充，相互借鑒才能使故障預(yù)測(cè)技術(shù)進(jìn)一步的發(fā)展。

3.2 信號(hào)采集方式的不斷更新

在風(fēng)機(jī)故障預(yù)測(cè)的信號(hào)采集中，振動(dòng)信號(hào)的應(yīng)用較為廣泛，具有故障信息覆蓋面廣，反應(yīng)時(shí)間快的特點(diǎn)。但是振動(dòng)信號(hào)非常容易受到干擾噪聲的影響，從振動(dòng)信號(hào)中分離出故障信號(hào)較為困難。文獻(xiàn)[17]中采用VXI((VME bus extensions for instrumentation))或PXI(PCIE Xtensions for Instrumentation)總線進(jìn)行數(shù)據(jù)的傳輸，提高了傳感器的穩(wěn)定性；增加整周期性采樣，使用雙通道或者多通道的采樣方式，大大提高了數(shù)據(jù)采集的數(shù)量和質(zhì)量，實(shí)現(xiàn)了數(shù)據(jù)的快速高效的采集，從而提高數(shù)據(jù)信號(hào)的預(yù)處理能力。

3.3 容錯(cuò)控制

容錯(cuò)控制是指當(dāng)風(fēng)機(jī)設(shè)備出現(xiàn)故障后，系統(tǒng)可以進(jìn)行故障的自動(dòng)剔除，并對(duì)系統(tǒng)進(jìn)行重新構(gòu)建[18]。重新構(gòu)建后的設(shè)備運(yùn)行性能較正常運(yùn)行時(shí)有所下降，但仍可以滿足生產(chǎn)要求。在這種控制方式下，功能拓展設(shè)計(jì)的方法是關(guān)鍵。即系統(tǒng)內(nèi)部需要有一定的自我補(bǔ)償能力，設(shè)備在運(yùn)行時(shí)候的參數(shù)可以進(jìn)行自動(dòng)調(diào)節(jié)，為設(shè)備的安全運(yùn)行，電廠的安全生產(chǎn)保駕護(hù)航。容錯(cuò)控制的發(fā)展是工業(yè)自動(dòng)化發(fā)展的主要趨勢(shì)之一。

4 結(jié) 語(yǔ)

現(xiàn)有風(fēng)機(jī)預(yù)警系統(tǒng)多以數(shù)據(jù)挖掘?yàn)橹饕芯糠椒?，能夠達(dá)到實(shí)時(shí)報(bào)警的功能。這些方法大都需要利用已知數(shù)據(jù)建立完備的故障數(shù)據(jù)庫(kù)，且只能對(duì)收錄在數(shù)據(jù)庫(kù)的故障進(jìn)行判斷。但是電廠風(fēng)機(jī)作為實(shí)際生產(chǎn)的機(jī)械設(shè)備，有多變量，強(qiáng)耦合非線性的特點(diǎn)。加之風(fēng)機(jī)本身機(jī)械結(jié)構(gòu)復(fù)雜，故障種類多，有些故障的發(fā)展機(jī)理不清晰。例如有些故障和征兆之前沒(méi)有相對(duì)明確的對(duì)應(yīng)關(guān)系，存在一個(gè)征兆對(duì)應(yīng)多個(gè)故障或者一個(gè)故障出現(xiàn)多種征兆，因此難以建立全面的故障知識(shí)庫(kù)。且各測(cè)點(diǎn)的數(shù)據(jù)也容易受到外界的干擾，掩蓋真實(shí)的故障信號(hào)。

結(jié)合以上幾點(diǎn)，目前國(guó)內(nèi)外大都利用振動(dòng)信號(hào)對(duì)風(fēng)機(jī)的故障進(jìn)行判斷，輔以其他信號(hào)，故障診斷準(zhǔn)確率不高的問(wèn)題依舊存在，所以不同算法之間的相互補(bǔ)充，相互完善更為重要。要充分利用新的信號(hào)采集傳輸方式，使得諸如MSET等算法在面對(duì)海量電廠運(yùn)行數(shù)據(jù)時(shí)，有更高的實(shí)時(shí)處理性能。并在現(xiàn)場(chǎng)的經(jīng)驗(yàn)的不斷總結(jié)中，改進(jìn)算法，適應(yīng)智慧電廠的發(fā)展對(duì)風(fēng)機(jī)故障預(yù)測(cè)技術(shù)提出的更高的要求。