汽轮机故障诊断技术的发展与展望
http://www.51xue.org.cn 2007/6/6 源自:中华职工学习网 【字体：
】
】
摘要：回顾和总结了国内外汽轮机故障诊断技术的发展情况，指出了目前在汽轮机故障诊断研究中存在的问题，并从检测技术、故障机理等七个方面分析了今后可能取得进展的研究方向。
关键词：汽轮机 故障诊断 监测
0．引言
二十世纪以来，随着工业生产和科学技术的发展，机械设备的可靠性、可用性、可维修性与安全性的问题日益突出，从而促进了人们对机械设备故障机理及诊断技术的研究。
汽轮发电机组是电力生产的重要设备，由于其设备结构的复杂性和运行环境的特殊性，汽轮发电机组的故障率不低，而且故障危害性也很大。因此，汽轮发电机组的故障诊断一直是故障诊断技术应用的一个重要方面。本文回顾国内外汽轮机故障诊断的发展概况，并在总结目前研究状况的基础上，指出了在汽轮机故障诊断研究中存在的问题，提出了今后在这一领域的研究方向。
1．国内外发展概况
早期的故障诊断主要是依靠人工，利用触、摸、听、看等手段对设备进行诊断。通过经验的积累，人们可以对一些设备故障做出判断，但这种手段由于其局限性和不完备性，现在已不能适应生产对设备可靠性的要求。而信息技术和计算机技术的迅速发展以及各种先进数学算法的出现，为汽轮机故障诊断技术的发展提供了有利的条件。人工智能、计算机网络技术和传感技术等已经成为汽轮机故障诊断系统不可缺少的部分。
1．1．国外发展情况
美国是最早从事汽轮机故障诊断研究的国家之一，在汽轮机故障诊断研究的许多方面都处于世界领先水平。目前美国从事汽轮机故障诊断技术开发与研究的机构主要有EPRI及部分电力公司，西屋、Bently、IRD、CSI等公司[1][2]。
美国Bechtel电力公司于1987年开发的火电站设备诊断用专家系统（SCOPE）在进行分析时不只是根据控制参数的当前值，而且还考虑到它们随时间的变化，当它们偏离标准值时还能对信号进行调节，给出消除故障的建议说明，提出可能临近损坏时间的推测[3][4]。
美国Radial公司于1987年开发的汽轮发电机组振动诊断用专家系统（Turbomac），在建立逻辑规则的基础上，设有表征振动过程各种成分与其可能故障源之间关系的概率数据，其搜集知识的子系统具有人-机对话形式。该系统含有9000条知识规则，有很大的库容[5]。
西屋公司（WHEC）是首先将网络技术应用于汽轮机故障诊断的，他们在已经开发出的汽轮发电机组故障诊断系统（AID）的基础上，在奥兰多建立了一个诊断中心（DOC），对分布于各地电站的多台机组进行远程诊断[5][6]。
Bently公司在转子动力学和旋转机械故障诊断机理方面研究比较透彻[7]。该公司开发的旋转机械故障诊断系统（ADR3）在中国应用情况良好，很受用户欢迎。
日本也很重视汽轮机故障诊断技术的研究，由于日本规定1000MW以下的机组都须参与调峰运行，因此，他们更注重于汽轮机寿命检测和寿命诊断技术的研究。日本从事这方面研究的机构主要有东芝电气、日立电气、富士和三菱重工等[8~10]。
东芝电气公司与东京电力公司于1987年合作开发的大功率汽轮机轴系振动诊断系统，采用计算机在线快速处理振动信号的解析技术与评价判断技术，设定一个偏离轴系正常值的极限值作为诊断的起始点进行诊断[11]。九十年代，东芝公司相继开发出了寿命诊断专家系统，针对叶片、转子、红套叶轮及高温螺栓的诊断探伤实时专家系统、机组性能评价系统等[12~17]。
日立公司在1982年开发了汽轮机寿命诊断装置HIDIC-08E[18][19]，以后逐步发展，形成了一套完整的寿命诊断方法[20][21]。
三菱公司则在八十年代初期开发了MHM振动诊断系统，该系统能自动地或通过人机对话进行异常征候检测并能诊断其原因，其特点是可根据动矢量来确定故障[22]。
欧洲也有不少公司和部门从事汽轮机故障诊断技术的研究与开发。法国电力部门（EDF）从1978年起就在透平发电机上安装离线振动监测系统，到九十年代初又提出了监测和诊断支援工作站（Monitoring and Diagnosis Aid Station）的设想[23][24]。九十年代中期，其专家系统PSAD及其DIVA子系统在透平发电机组和反应堆冷却泵的自动诊断上得到了应用[25~28]。另外瑞士的ABB公司、德国的西门子公司、丹麦的B&K公司等都开发出了各自的诊断系统[29~31]。
1．2．我国的发展情况
我国在故障诊断技术方面的研究起步较晚，但是发展很快。一般说来，经历了两个阶段：第一阶段是从70年代末到80年代初，在这个阶段内主要是吸收国外先进技术，并对一些故障机理和诊断方法展开研究；第二阶段是从80年代初期到现在，在这一阶段，全方位开展了机械设备的故障诊断研究，引入人工智能等先进技术，大大推动了诊断系统的研制和实施，取得了丰硕的研究成果。1983年春，中国机械工程学会设备维修分会在南京召开了首次"设备故障诊断和状态监测研讨会"，标志着我国诊断技术的研究进入了一个新的发展阶段，随后又成立了一些行业协会和学术团体，其中和汽轮机故障诊断有关的主要有，中国设备管理协会设备诊断技术委员会、中国机械工程学会设备维修分会、中国振动工程学会故障诊断学会及其旋转机械专业学组等。这期间，国际国内学术交流频繁，对于基础理论和故障机理的研究十分活跃，并研制出了我国自己的在线监测与故障诊断装置，"八五"期间又进行了大容量火电机组监测诊断系统的研究，各种先进技术得到应用，研究步伐加快，缩小了与世界先进水平的差距[32][33]，同时也形成了具有我国特点的故障诊断理论，并出版了一系列这方面的专著，主要有屈梁生、何正嘉主编的《机械故障学》[34]、杨叔子等主编的《机械故障诊断丛书》[35]、虞和济等主编的《机械故障诊断丛书》[36]、徐敏等主编的《设备故障诊断手册》等[37~50]。
目前我国从事汽轮机故障诊断技术研究与开发的单位有几十家，主要有哈尔滨工业大学、西安交通大学、清华大学、华中理工大学、东南大学、上海交通大学、华北电力大学等高等院校和上海发电设备成套设计研究所、哈尔滨电工仪表所、西安热工研究所、山东电力科学试验研究所、哈尔滨船舶锅炉涡轮机研究所及一些汽轮机制造厂和大型电厂等。
国家在"七五"、"八五"计划期间安排的汽轮机故障诊断攻关项目促进了一大批研究单位参与汽轮机故障诊断系统的研究与开发，许多重要成果都是在这一阶段取得的。
2．汽轮机故障诊断技术的发展
2．1．信号采集与信号分析
2·1·1 传感器技术
由于汽轮机工作环境恶劣，所以在汽轮机故障诊断系统中，对传感器性能要求就更高。目前对传感器的研究，主要是提高传感器性能和可靠性、开发新型传感器，另外也有相当一部分力量在研究如何诊断传感器故障以减少误诊率和漏诊率，并且利用信息融合进行诊断。
现行的对传感器自身故障检测技术主要有硬件冗余、解析冗余和混合冗余，由于硬件冗余有其明显的缺点，因而在实际中应用较少。意大利di Ferrara大学的Simani.s等人针对传感器故障，采用了解析冗余的动态观测器来解决透平传感器的故障检测问题[51]。加拿大Windsor大学的Chen,Y.D等人对传感器融合技术进行研究，并在实际中得到了应用[52]。Brunel大学的Harris,T把神经网络技术应用于多重传感器的融合作为其研制的汽轮机性能诊断系统的技术关键[53]，Pennsylvania State Univ. 的Kuo,R.J则应用人工神经网络，采用多传感器融合诊断叶片故障[54]。Prock,J以及西安交通大学的谷立臣、上海交通大学的林日升等对传感器故障检测[55][56]和伪参数识别技术开展了研究工作[57]。华中理工大学的王雪、申韬、西安交通大学的常炳国等在传感器信号的可靠性[58]和采用融合技术提高传感器可靠性[59][60]方面也进行了研究。
2·1·2信号分析与处理
最有代表性的是振动信号的分析处理。目前，汽轮机故障诊断系统中的振动信号处理大多采用快速傅立叶变换（FFT），FFT的思想在于将一般时域信号表示为具有不同频率的谐波函数的线性叠加，它认为信号是平稳的，所以分析出的频率具有统计不变性。FFT对很多平稳信号的情况具有适用性，因而得到了广泛的应用[61]。但是，实际中的很多信号是非线性、非平稳的，所以为了提高分辨精度，新的信号分析与处理方法成为许多机构的研究课题。美国俄亥俄州立大学的Kim,Yong.W等对传统的无参量谱分析、时-频分析、离散小波变换等作了较为深入的研究[62]。英国南安普敦大学的Lee,S.K认为，任意随意性的音响和振动信号都是由不规则冲击引起的，为此他提出了用三阶和四阶Winger谱来对这些信号进行分析[63]，同时还对信号中的噪声过滤提出了处理方法[64]。小波分析法的应用一直是国内外热门的研究课题[65][66]，东南大学王善永把小波分析法用于汽轮机动静碰摩故障诊断[67]，华中理工大学张桂才、东南大学王宁等把小波分析用于轴心轨迹的识别[68][69]。西安交通大学引入Kolmogorov复杂性测度定量评估大机组运行状态[70]，还对FFT进行改进并吸收全息谱的优点，进行轴心轨迹的瞬态提纯[71]，哈尔滨工业大学刘占生在轴心轨迹特征提取中采用一种新的平面图形加权编码法，提高了图形辨识的准确率[72]，华中理工大学李向东用降维法将轴心轨迹转化为一条角度波形，使之应用于轴心轨迹的聚类识别[73]。
2．2．故障机理与诊断策略
2·2·1故障机理
故障机理是故障的内在本质和产生原因。故障机理的研究，是故障诊断中的一个非常基础而又必不可少的工作。目前对汽轮机故障机理的研究主要从故障规律、故障征兆和故障模型等方面进行。
由于大部分轴系故障都在振动信号上反映出来，因此，对轴系故障的研究总是以振动信号的分析为主。日立公司的N.kurihara给出了振动故障诊断用的特征矩阵[74]，清华大学褚福磊对常见故障在瀑布图上的振动特征和故障识别作了研究[75]。华中理工大学伍行健也提出了用于振动故障诊断的物理模型和数学模型[76]。西安交通大学陈岳东对振动频谱进行了模糊分类[77]，上海交通大学左人和从动力学的角度研究了典型故障的响应特征[78]。清华大学张正松用Hopf分*分析法研究了油膜失稳涡动极限环特性[79]，哈尔滨工业大学毕士华对于如何识别油膜轴承的动态参数进行了研究[80]，江苏省电力试验研究所的彭达则对实际发生的油膜振荡问题进行了剖析[81]。哈尔滨工业大学武新华分析了转轴弯曲的故障特征[82]。清华大学何衍宗、东南大学杨建刚研究了转子不平衡对其他征兆的影响[83][84]。对于动静碰摩问题，EPRI的Scheibel,John.R、西安交通大学何正嘉、西安热工研究所施维新等分别从故障特性和诊断技术方面进行了研究[85~90]，西安交通大学刘雄应用二维全息谱技术确定故障征兆[91]，东北电力学院石志标则从动力学角度分析了摩擦问题[92]，哈尔滨工业大学提出了变刚度分段线性和非线性模型[93]，并通过实验对摩擦的噪声特性进行了研究[94]。在综合振动与噪声特性的基础上，东北电力学院还开发了可对旋转机械和摩擦进行在线监测的仪器，该仪器用四个通道进行声信号检测，另外四个通道用于振动监测，可以大致确定摩擦的部位[95]。另外，李录平、张新江等对振动故障特征的提取进行了有益的研究[96~99]。
调节系统的可靠与否，对汽轮机组的安全运行具有非常重要的意义。哈尔滨工业大学的于达仁、徐基豫等在调节系统故障诊断方面作了很多研究工作，他们给出了调节系统卡涩和非卡涩原因造成故障的数学模型，并对诊断方法和诊断仪器的实现进行了探讨[100~104]。华中理工大学何映霞、向春梅等研究了对DEH系统故障的诊断[105][106]，东南大学的岳振军则把频域分析的Bloomfield模型引入时域，应用于调节系统在线监测[107]。
2·2·2诊断策略和诊断方法
在汽轮机故障诊断中用到的诊断策略主要有对比诊断、逻辑诊断、统计诊断、模式识别、模糊诊断、人工神经网络和专家系统等。而目前研究比较多的是后面几种，其中人工神经网络和专家系统的应用研究是这一领域的研究热点。
基于小波分析方法和神经网络建立的智能分析技术，是下一代故障检测与判定（FDI）的重要内核[108]。国内外在这方面进行了很多的研究[109~121]，目前应用最多的是前向神经网络[122]、BP神经网络[123~131]以及把神经网络与模糊诊断相结合的模糊神经网络[132~134]等。美国East Hardford的DePold,Hans.R将统计分析及人工神经网络技术应用于过滤器来改进数据质量[135]，田纳西大学(Tennessee Univ.)将神经网络用于振动分析，识别潜在故障，并利用神经网络使被歪曲和杂入噪音的数据得到提纯[136]。美国Stress Technology. Inc.的Roemer,M.J把神经网络和模糊逻辑技术应用于旋转动力有限元模型，所形成的实时系统可以预测关键部件的寿命[137]。华中理工大学的何耀华用一种自组织神经网络模型与多个单一故障诊断的BP网络一起完成故障诊断的协同推理[138]，申韬则把一系列BP子网络进行集成，以解决故障分类问题[139]。臧朝平、何永勇也分别提出了多网络、多故障的诊断策略[140~142]，西安交通大学的张小栋则研究了主从混合的神经网络模型[143]。东南大学把神经网络应用于轴心轨迹识别进行故障诊断[144]。同时，神经网络还被应用于动静碰磨诊断[145]、通流部分热参数诊断[146]、机组性能诊断[147]、凝汽器的诊断[148]和热力系统的建模[149]等。
专家系统按其侧重点不同，大致可分为基于推理的专家系统（如基于神经网络的推理[150]、基于事例和模型的推理[151]等）和基于知识的专家系统[152~158]等。在专家系统中，专家知识的学习、获取，以及知识库的建立是关系到诊断准确性的重要环节。于文虎、倪维斗、张雪江、钟秉林、韩西京、刘占生、何涛等人分别就知识范围的界定[159]、知识的处理[160~163]、知识的获取[164~167]、机器对知识的自学习[168][169]以及知识库的维护[170]等进行了研究。
诊断策略的研究还有：模糊诊断用于振动故障诊断[171~172]、用于层次模型[173][174]、用于模式识别[175]、用于转子碰磨诊断[176]、用于通流部分热参数诊断[177]的研究；模糊关联度用于多参数诊断[178]；灰色理论用于故障诊断[179]；概率分布干涉模型用于诊断[180]；相关维数用于低频噪声诊断[181]等的研究。
诊断方法上的研究一直是故障诊断的一个重点。振动法是应用最普遍也比较成熟的一种方法[182~186]，Ingleby,M把自动分类法和模式分析用于振动诊断[187]，何正嘉应用Winger时频分布和主分量自回归谱分析轴瓦的振动信号[188]，施维新针对一般诊断都是从征兆判断原因的逆向推理提出了振动诊断的正向诊断法[189]。在汽轮机故障诊断中，应用热力学分析诊断汽轮机性能故障也是一个重要手段[190~193]，另外还有油分析、声发射法、无损检测技术等。声发射法主要用于动静碰磨故障检测[194]、泄漏检测等。日立公司在350MW汽轮机高中压转子上设置试片，在两端轴承的轴瓦处进行声发射和记录，诊断转子的碰摩[195][196]。在汽轮机寿命诊断中，无损检测技术应用相当重要，目前用到的非破坏性评价法主要包括硬度测定法、电气抵抗法、超声波法、组织对比法、结晶粒变形法、显微镜观察测定法、X射线分析法等[21][197]。
2．3．国内在故障诊断系统设计和系统实现方面的研究
完整的汽轮机故障诊断系统，应包括数据采集、信号处理与分析、诊断和决策几个部分，它是故障诊断技术的集中体现，我国早在80年代就开始了这方面的研究，到目前已经研制开发出了几十种系统。
华北电力学院以模拟转子试验台作为信号源对汽轮发电机组振动监测与故障诊断系统进行了研究[198]。上海汽轮机厂研究所经过多年的实验和研究，推出了四套旋转机械状态监测和故障诊断系统，他们在系统硬件配置上做了较多的工作[199]。上海交通大学研制了一种热力参数监测和故障诊断系统TPD，该系统可以提高运行可靠性、优化运行方案、提高运行效率、延长运行寿命[200]。东南大学对集成智能故障诊断系统[201~204]和远程分布式故障诊断网络系统[205]进行了研究。华中理工大学研究了诊断系统的功能及其实现[206]、数据的采集[207]以及远程诊断[208][209]等问题，并开发出了多套汽轮机故障诊断系统，其中汽轮发电机组在线振动监测与故障诊断专家系统（HZ-1）采用了主从机结构，可以对多台发电机组实时监测及集中诊断；200MW单元机组状态监测、能损分析及汽轮发电机组故障诊断专家系统采用Solartron分散采集系统监测机组，集DAS系统、状态监测、能损分析和故障诊断于一体[210~212]等。由清华大学、华中理工大学、哈尔滨工业大学、哈尔滨电工仪表所等院所联合研制200MW、300MW汽轮发电机组工况监测与故障诊断专家系统（国家"八五"攻关项目）可全面监测诊断机械振动故障、汽隙振动故障、热因素引起的故障、机电耦合轴系扭振故障、以及调节控制系统故障[213]。哈尔滨工业大学对诊断系统从数据采集到原型机理论作了很多研究[214~219]，并推出了代表性的诊断系统MMMD[220]。清华大学对诊断系统的软件构成[221]、硬件结构与协调方法[222]、原型机系统[223~225]等，进行了一系列的研究[226]，并与山东电力科学试验研究所合作开发出了大型电站性能与振动远程监测分析与诊断系统，该系统由各电厂中的振动分析站、数据通讯网络系统、远程诊断中心（济南市山东电力科学研究院）和远程诊断分中心（清华大学）等四个子系统构成[227][228]。国内主要汽轮机故障诊断系统及研制单位见表1[229]。
3．汽轮机故障诊断中存在的问题
3·1检测手段
汽轮机故障诊断技术中的许多数学方法，甚至专家系统中的一些推理算法都达到了很高的水平，而征兆的获取成为了一个瓶颈，其中最大的问题是检测手段不能满足诊断的需要，如运行中转子表面温度检测、叶片动应力检测、调节系统卡涩检测、内缸螺栓断裂检测等，都缺乏有效的手段。
3·2材料性能
在寿命诊断中，对材料性能的了解非常重要，因为大多数寿命评价都是以材料的性能数据为基础的。但目前对于材料的性能，特别是对于汽轮机材料在复杂工作条件下的性能变化还缺乏了解。
3·3 复杂故障的机理
对故障机理的了解是准确诊断故障的前提。目前，对汽轮机的复杂故障，有些很难从理论上给出解释，对其机理的了解并不清楚，比如在非稳定热态下轴系的弯扭复合振动问题等，这将是阻碍汽轮机故障诊断技术发展的主要障碍之一。
3·4 人工智能应用
专家系统作为人工智能在汽轮机故障诊断中的主要应用已经获得了成功，但仍有一些关键的人工智能应用问题需要解决，主要有知识的表达与获取、自学习、智能辨识、信息融合等。
3·5 诊断技术应用推广面临的问题
我国汽轮机诊断技术在现有基础上，进一步推广应用面临的主要问题是研究开发机制和观念问题、诊断技术与生产管理的结合问题。机制和观念问题主要表现在：研究机构分散，不能形成规模化效应；重复性研究过多，造成人力、物力的浪费；技术研究转化为应用产品的少；系统研究连贯性差，因而系统升级困难；应用系统的维护与服务得不到保证等。诊断技术与生产管理结合不好，表现在各种技术的相互集成性不好，与生产管理相孤立，不能创造预期的效益，使电厂失去信心。
4． 汽轮机故障诊断的发展前景与趋势
很多学者和研究人员都认识到上述问题对汽轮机故障诊断技术发展的影响，正在进行相应的研究工作。本文认为汽轮机故障诊断技术的研究将会在以下几个方面得到重视，并取得进展。
4·1 全方位的检测技术
针对汽轮机及其系统各类故障的各种新检测技术将是一个主要的研究方向，会出现许多重要成果。
4·2 故障机理的深入研究
任何时候，故障机理的深入研究都将推动故障诊断技术的发展。故障机理的研究将集中在对渐发故障定量表征的研究上，研究判断整个系统故障状态的指标体系及其判断阈值将是另一个重要方向。
4·3 知识表达、获取和系统自学习
知识的表达、获取和学习一直是诊断系统研究的热点，但并未取得重大突破，它仍将是继续研究的热点。
4．4 综合诊断
汽轮机故障诊断，将从以振动诊断为主向考虑热影响诊断、性能诊断、逻辑顺序诊断、油液诊断、温度诊断等的综合诊断发展，更符合汽轮机的特点和实际。
4·5 诊断与仿真技术的结合
诊断与仿真技术的结合将主要表现在，通过故障仿真辨识汽轮机故障、通过系统仿真为诊断专家系统提供知识规则和学习样本、通过逻辑仿真对系统中部件故障进行诊断。
4·6 信息融合
汽轮机信息融合诊断将重点在征兆级和决策级展开研究，目的是要通过不同的信息源准确描述汽轮机的真实状态和整体状态。
4·7 从诊断向汽轮机设备现代化管理发展
研究的重点将集中在基于诊断技术的预知维修决策、维修管理、设备计算机化管理系统等方面，目的是针对汽轮机及其系统实施预知维修或基于状态的维修，获取最大的经济收益。这也将是推动电厂接受该汽轮机诊断系统的一个根本所在。
关键词：汽轮机 故障诊断 监测
0．引言
二十世纪以来，随着工业生产和科学技术的发展，机械设备的可靠性、可用性、可维修性与安全性的问题日益突出，从而促进了人们对机械设备故障机理及诊断技术的研究。
汽轮发电机组是电力生产的重要设备，由于其设备结构的复杂性和运行环境的特殊性，汽轮发电机组的故障率不低，而且故障危害性也很大。因此，汽轮发电机组的故障诊断一直是故障诊断技术应用的一个重要方面。本文回顾国内外汽轮机故障诊断的发展概况，并在总结目前研究状况的基础上，指出了在汽轮机故障诊断研究中存在的问题，提出了今后在这一领域的研究方向。
1．国内外发展概况
早期的故障诊断主要是依靠人工，利用触、摸、听、看等手段对设备进行诊断。通过经验的积累，人们可以对一些设备故障做出判断，但这种手段由于其局限性和不完备性，现在已不能适应生产对设备可靠性的要求。而信息技术和计算机技术的迅速发展以及各种先进数学算法的出现，为汽轮机故障诊断技术的发展提供了有利的条件。人工智能、计算机网络技术和传感技术等已经成为汽轮机故障诊断系统不可缺少的部分。
1．1．国外发展情况
美国是最早从事汽轮机故障诊断研究的国家之一，在汽轮机故障诊断研究的许多方面都处于世界领先水平。目前美国从事汽轮机故障诊断技术开发与研究的机构主要有EPRI及部分电力公司，西屋、Bently、IRD、CSI等公司[1][2]。
美国Bechtel电力公司于1987年开发的火电站设备诊断用专家系统（SCOPE）在进行分析时不只是根据控制参数的当前值，而且还考虑到它们随时间的变化，当它们偏离标准值时还能对信号进行调节，给出消除故障的建议说明，提出可能临近损坏时间的推测[3][4]。
美国Radial公司于1987年开发的汽轮发电机组振动诊断用专家系统（Turbomac），在建立逻辑规则的基础上，设有表征振动过程各种成分与其可能故障源之间关系的概率数据，其搜集知识的子系统具有人-机对话形式。该系统含有9000条知识规则，有很大的库容[5]。
西屋公司（WHEC）是首先将网络技术应用于汽轮机故障诊断的，他们在已经开发出的汽轮发电机组故障诊断系统（AID）的基础上，在奥兰多建立了一个诊断中心（DOC），对分布于各地电站的多台机组进行远程诊断[5][6]。
Bently公司在转子动力学和旋转机械故障诊断机理方面研究比较透彻[7]。该公司开发的旋转机械故障诊断系统（ADR3）在中国应用情况良好，很受用户欢迎。
日本也很重视汽轮机故障诊断技术的研究，由于日本规定1000MW以下的机组都须参与调峰运行，因此，他们更注重于汽轮机寿命检测和寿命诊断技术的研究。日本从事这方面研究的机构主要有东芝电气、日立电气、富士和三菱重工等[8~10]。
东芝电气公司与东京电力公司于1987年合作开发的大功率汽轮机轴系振动诊断系统，采用计算机在线快速处理振动信号的解析技术与评价判断技术，设定一个偏离轴系正常值的极限值作为诊断的起始点进行诊断[11]。九十年代，东芝公司相继开发出了寿命诊断专家系统，针对叶片、转子、红套叶轮及高温螺栓的诊断探伤实时专家系统、机组性能评价系统等[12~17]。
日立公司在1982年开发了汽轮机寿命诊断装置HIDIC-08E[18][19]，以后逐步发展，形成了一套完整的寿命诊断方法[20][21]。
三菱公司则在八十年代初期开发了MHM振动诊断系统，该系统能自动地或通过人机对话进行异常征候检测并能诊断其原因，其特点是可根据动矢量来确定故障[22]。
欧洲也有不少公司和部门从事汽轮机故障诊断技术的研究与开发。法国电力部门（EDF）从1978年起就在透平发电机上安装离线振动监测系统，到九十年代初又提出了监测和诊断支援工作站（Monitoring and Diagnosis Aid Station）的设想[23][24]。九十年代中期，其专家系统PSAD及其DIVA子系统在透平发电机组和反应堆冷却泵的自动诊断上得到了应用[25~28]。另外瑞士的ABB公司、德国的西门子公司、丹麦的B&K公司等都开发出了各自的诊断系统[29~31]。
1．2．我国的发展情况
我国在故障诊断技术方面的研究起步较晚，但是发展很快。一般说来，经历了两个阶段：第一阶段是从70年代末到80年代初，在这个阶段内主要是吸收国外先进技术，并对一些故障机理和诊断方法展开研究；第二阶段是从80年代初期到现在，在这一阶段，全方位开展了机械设备的故障诊断研究，引入人工智能等先进技术，大大推动了诊断系统的研制和实施，取得了丰硕的研究成果。1983年春，中国机械工程学会设备维修分会在南京召开了首次"设备故障诊断和状态监测研讨会"，标志着我国诊断技术的研究进入了一个新的发展阶段，随后又成立了一些行业协会和学术团体，其中和汽轮机故障诊断有关的主要有，中国设备管理协会设备诊断技术委员会、中国机械工程学会设备维修分会、中国振动工程学会故障诊断学会及其旋转机械专业学组等。这期间，国际国内学术交流频繁，对于基础理论和故障机理的研究十分活跃，并研制出了我国自己的在线监测与故障诊断装置，"八五"期间又进行了大容量火电机组监测诊断系统的研究，各种先进技术得到应用，研究步伐加快，缩小了与世界先进水平的差距[32][33]，同时也形成了具有我国特点的故障诊断理论，并出版了一系列这方面的专著，主要有屈梁生、何正嘉主编的《机械故障学》[34]、杨叔子等主编的《机械故障诊断丛书》[35]、虞和济等主编的《机械故障诊断丛书》[36]、徐敏等主编的《设备故障诊断手册》等[37~50]。
目前我国从事汽轮机故障诊断技术研究与开发的单位有几十家，主要有哈尔滨工业大学、西安交通大学、清华大学、华中理工大学、东南大学、上海交通大学、华北电力大学等高等院校和上海发电设备成套设计研究所、哈尔滨电工仪表所、西安热工研究所、山东电力科学试验研究所、哈尔滨船舶锅炉涡轮机研究所及一些汽轮机制造厂和大型电厂等。
国家在"七五"、"八五"计划期间安排的汽轮机故障诊断攻关项目促进了一大批研究单位参与汽轮机故障诊断系统的研究与开发，许多重要成果都是在这一阶段取得的。
2．汽轮机故障诊断技术的发展
2．1．信号采集与信号分析
2·1·1 传感器技术
由于汽轮机工作环境恶劣，所以在汽轮机故障诊断系统中，对传感器性能要求就更高。目前对传感器的研究，主要是提高传感器性能和可靠性、开发新型传感器，另外也有相当一部分力量在研究如何诊断传感器故障以减少误诊率和漏诊率，并且利用信息融合进行诊断。
现行的对传感器自身故障检测技术主要有硬件冗余、解析冗余和混合冗余，由于硬件冗余有其明显的缺点，因而在实际中应用较少。意大利di Ferrara大学的Simani.s等人针对传感器故障，采用了解析冗余的动态观测器来解决透平传感器的故障检测问题[51]。加拿大Windsor大学的Chen,Y.D等人对传感器融合技术进行研究，并在实际中得到了应用[52]。Brunel大学的Harris,T把神经网络技术应用于多重传感器的融合作为其研制的汽轮机性能诊断系统的技术关键[53]，Pennsylvania State Univ. 的Kuo,R.J则应用人工神经网络，采用多传感器融合诊断叶片故障[54]。Prock,J以及西安交通大学的谷立臣、上海交通大学的林日升等对传感器故障检测[55][56]和伪参数识别技术开展了研究工作[57]。华中理工大学的王雪、申韬、西安交通大学的常炳国等在传感器信号的可靠性[58]和采用融合技术提高传感器可靠性[59][60]方面也进行了研究。
2·1·2信号分析与处理
最有代表性的是振动信号的分析处理。目前，汽轮机故障诊断系统中的振动信号处理大多采用快速傅立叶变换（FFT），FFT的思想在于将一般时域信号表示为具有不同频率的谐波函数的线性叠加，它认为信号是平稳的，所以分析出的频率具有统计不变性。FFT对很多平稳信号的情况具有适用性，因而得到了广泛的应用[61]。但是，实际中的很多信号是非线性、非平稳的，所以为了提高分辨精度，新的信号分析与处理方法成为许多机构的研究课题。美国俄亥俄州立大学的Kim,Yong.W等对传统的无参量谱分析、时-频分析、离散小波变换等作了较为深入的研究[62]。英国南安普敦大学的Lee,S.K认为，任意随意性的音响和振动信号都是由不规则冲击引起的，为此他提出了用三阶和四阶Winger谱来对这些信号进行分析[63]，同时还对信号中的噪声过滤提出了处理方法[64]。小波分析法的应用一直是国内外热门的研究课题[65][66]，东南大学王善永把小波分析法用于汽轮机动静碰摩故障诊断[67]，华中理工大学张桂才、东南大学王宁等把小波分析用于轴心轨迹的识别[68][69]。西安交通大学引入Kolmogorov复杂性测度定量评估大机组运行状态[70]，还对FFT进行改进并吸收全息谱的优点，进行轴心轨迹的瞬态提纯[71]，哈尔滨工业大学刘占生在轴心轨迹特征提取中采用一种新的平面图形加权编码法，提高了图形辨识的准确率[72]，华中理工大学李向东用降维法将轴心轨迹转化为一条角度波形，使之应用于轴心轨迹的聚类识别[73]。
2．2．故障机理与诊断策略
2·2·1故障机理
故障机理是故障的内在本质和产生原因。故障机理的研究，是故障诊断中的一个非常基础而又必不可少的工作。目前对汽轮机故障机理的研究主要从故障规律、故障征兆和故障模型等方面进行。
由于大部分轴系故障都在振动信号上反映出来，因此，对轴系故障的研究总是以振动信号的分析为主。日立公司的N.kurihara给出了振动故障诊断用的特征矩阵[74]，清华大学褚福磊对常见故障在瀑布图上的振动特征和故障识别作了研究[75]。华中理工大学伍行健也提出了用于振动故障诊断的物理模型和数学模型[76]。西安交通大学陈岳东对振动频谱进行了模糊分类[77]，上海交通大学左人和从动力学的角度研究了典型故障的响应特征[78]。清华大学张正松用Hopf分*分析法研究了油膜失稳涡动极限环特性[79]，哈尔滨工业大学毕士华对于如何识别油膜轴承的动态参数进行了研究[80]，江苏省电力试验研究所的彭达则对实际发生的油膜振荡问题进行了剖析[81]。哈尔滨工业大学武新华分析了转轴弯曲的故障特征[82]。清华大学何衍宗、东南大学杨建刚研究了转子不平衡对其他征兆的影响[83][84]。对于动静碰摩问题，EPRI的Scheibel,John.R、西安交通大学何正嘉、西安热工研究所施维新等分别从故障特性和诊断技术方面进行了研究[85~90]，西安交通大学刘雄应用二维全息谱技术确定故障征兆[91]，东北电力学院石志标则从动力学角度分析了摩擦问题[92]，哈尔滨工业大学提出了变刚度分段线性和非线性模型[93]，并通过实验对摩擦的噪声特性进行了研究[94]。在综合振动与噪声特性的基础上，东北电力学院还开发了可对旋转机械和摩擦进行在线监测的仪器，该仪器用四个通道进行声信号检测，另外四个通道用于振动监测，可以大致确定摩擦的部位[95]。另外，李录平、张新江等对振动故障特征的提取进行了有益的研究[96~99]。
调节系统的可靠与否，对汽轮机组的安全运行具有非常重要的意义。哈尔滨工业大学的于达仁、徐基豫等在调节系统故障诊断方面作了很多研究工作，他们给出了调节系统卡涩和非卡涩原因造成故障的数学模型，并对诊断方法和诊断仪器的实现进行了探讨[100~104]。华中理工大学何映霞、向春梅等研究了对DEH系统故障的诊断[105][106]，东南大学的岳振军则把频域分析的Bloomfield模型引入时域，应用于调节系统在线监测[107]。
2·2·2诊断策略和诊断方法
在汽轮机故障诊断中用到的诊断策略主要有对比诊断、逻辑诊断、统计诊断、模式识别、模糊诊断、人工神经网络和专家系统等。而目前研究比较多的是后面几种，其中人工神经网络和专家系统的应用研究是这一领域的研究热点。
基于小波分析方法和神经网络建立的智能分析技术，是下一代故障检测与判定（FDI）的重要内核[108]。国内外在这方面进行了很多的研究[109~121]，目前应用最多的是前向神经网络[122]、BP神经网络[123~131]以及把神经网络与模糊诊断相结合的模糊神经网络[132~134]等。美国East Hardford的DePold,Hans.R将统计分析及人工神经网络技术应用于过滤器来改进数据质量[135]，田纳西大学(Tennessee Univ.)将神经网络用于振动分析，识别潜在故障，并利用神经网络使被歪曲和杂入噪音的数据得到提纯[136]。美国Stress Technology. Inc.的Roemer,M.J把神经网络和模糊逻辑技术应用于旋转动力有限元模型，所形成的实时系统可以预测关键部件的寿命[137]。华中理工大学的何耀华用一种自组织神经网络模型与多个单一故障诊断的BP网络一起完成故障诊断的协同推理[138]，申韬则把一系列BP子网络进行集成，以解决故障分类问题[139]。臧朝平、何永勇也分别提出了多网络、多故障的诊断策略[140~142]，西安交通大学的张小栋则研究了主从混合的神经网络模型[143]。东南大学把神经网络应用于轴心轨迹识别进行故障诊断[144]。同时，神经网络还被应用于动静碰磨诊断[145]、通流部分热参数诊断[146]、机组性能诊断[147]、凝汽器的诊断[148]和热力系统的建模[149]等。
专家系统按其侧重点不同，大致可分为基于推理的专家系统（如基于神经网络的推理[150]、基于事例和模型的推理[151]等）和基于知识的专家系统[152~158]等。在专家系统中，专家知识的学习、获取，以及知识库的建立是关系到诊断准确性的重要环节。于文虎、倪维斗、张雪江、钟秉林、韩西京、刘占生、何涛等人分别就知识范围的界定[159]、知识的处理[160~163]、知识的获取[164~167]、机器对知识的自学习[168][169]以及知识库的维护[170]等进行了研究。
诊断策略的研究还有：模糊诊断用于振动故障诊断[171~172]、用于层次模型[173][174]、用于模式识别[175]、用于转子碰磨诊断[176]、用于通流部分热参数诊断[177]的研究；模糊关联度用于多参数诊断[178]；灰色理论用于故障诊断[179]；概率分布干涉模型用于诊断[180]；相关维数用于低频噪声诊断[181]等的研究。
诊断方法上的研究一直是故障诊断的一个重点。振动法是应用最普遍也比较成熟的一种方法[182~186]，Ingleby,M把自动分类法和模式分析用于振动诊断[187]，何正嘉应用Winger时频分布和主分量自回归谱分析轴瓦的振动信号[188]，施维新针对一般诊断都是从征兆判断原因的逆向推理提出了振动诊断的正向诊断法[189]。在汽轮机故障诊断中，应用热力学分析诊断汽轮机性能故障也是一个重要手段[190~193]，另外还有油分析、声发射法、无损检测技术等。声发射法主要用于动静碰磨故障检测[194]、泄漏检测等。日立公司在350MW汽轮机高中压转子上设置试片，在两端轴承的轴瓦处进行声发射和记录，诊断转子的碰摩[195][196]。在汽轮机寿命诊断中，无损检测技术应用相当重要，目前用到的非破坏性评价法主要包括硬度测定法、电气抵抗法、超声波法、组织对比法、结晶粒变形法、显微镜观察测定法、X射线分析法等[21][197]。
2．3．国内在故障诊断系统设计和系统实现方面的研究
完整的汽轮机故障诊断系统，应包括数据采集、信号处理与分析、诊断和决策几个部分，它是故障诊断技术的集中体现，我国早在80年代就开始了这方面的研究，到目前已经研制开发出了几十种系统。
华北电力学院以模拟转子试验台作为信号源对汽轮发电机组振动监测与故障诊断系统进行了研究[198]。上海汽轮机厂研究所经过多年的实验和研究，推出了四套旋转机械状态监测和故障诊断系统，他们在系统硬件配置上做了较多的工作[199]。上海交通大学研制了一种热力参数监测和故障诊断系统TPD，该系统可以提高运行可靠性、优化运行方案、提高运行效率、延长运行寿命[200]。东南大学对集成智能故障诊断系统[201~204]和远程分布式故障诊断网络系统[205]进行了研究。华中理工大学研究了诊断系统的功能及其实现[206]、数据的采集[207]以及远程诊断[208][209]等问题，并开发出了多套汽轮机故障诊断系统，其中汽轮发电机组在线振动监测与故障诊断专家系统（HZ-1）采用了主从机结构，可以对多台发电机组实时监测及集中诊断；200MW单元机组状态监测、能损分析及汽轮发电机组故障诊断专家系统采用Solartron分散采集系统监测机组，集DAS系统、状态监测、能损分析和故障诊断于一体[210~212]等。由清华大学、华中理工大学、哈尔滨工业大学、哈尔滨电工仪表所等院所联合研制200MW、300MW汽轮发电机组工况监测与故障诊断专家系统（国家"八五"攻关项目）可全面监测诊断机械振动故障、汽隙振动故障、热因素引起的故障、机电耦合轴系扭振故障、以及调节控制系统故障[213]。哈尔滨工业大学对诊断系统从数据采集到原型机理论作了很多研究[214~219]，并推出了代表性的诊断系统MMMD[220]。清华大学对诊断系统的软件构成[221]、硬件结构与协调方法[222]、原型机系统[223~225]等，进行了一系列的研究[226]，并与山东电力科学试验研究所合作开发出了大型电站性能与振动远程监测分析与诊断系统，该系统由各电厂中的振动分析站、数据通讯网络系统、远程诊断中心（济南市山东电力科学研究院）和远程诊断分中心（清华大学）等四个子系统构成[227][228]。国内主要汽轮机故障诊断系统及研制单位见表1[229]。
3．汽轮机故障诊断中存在的问题
3·1检测手段
汽轮机故障诊断技术中的许多数学方法，甚至专家系统中的一些推理算法都达到了很高的水平，而征兆的获取成为了一个瓶颈，其中最大的问题是检测手段不能满足诊断的需要，如运行中转子表面温度检测、叶片动应力检测、调节系统卡涩检测、内缸螺栓断裂检测等，都缺乏有效的手段。
3·2材料性能
在寿命诊断中，对材料性能的了解非常重要，因为大多数寿命评价都是以材料的性能数据为基础的。但目前对于材料的性能，特别是对于汽轮机材料在复杂工作条件下的性能变化还缺乏了解。
3·3 复杂故障的机理
对故障机理的了解是准确诊断故障的前提。目前，对汽轮机的复杂故障，有些很难从理论上给出解释，对其机理的了解并不清楚，比如在非稳定热态下轴系的弯扭复合振动问题等，这将是阻碍汽轮机故障诊断技术发展的主要障碍之一。
3·4 人工智能应用
专家系统作为人工智能在汽轮机故障诊断中的主要应用已经获得了成功，但仍有一些关键的人工智能应用问题需要解决，主要有知识的表达与获取、自学习、智能辨识、信息融合等。
3·5 诊断技术应用推广面临的问题
我国汽轮机诊断技术在现有基础上，进一步推广应用面临的主要问题是研究开发机制和观念问题、诊断技术与生产管理的结合问题。机制和观念问题主要表现在：研究机构分散，不能形成规模化效应；重复性研究过多，造成人力、物力的浪费；技术研究转化为应用产品的少；系统研究连贯性差，因而系统升级困难；应用系统的维护与服务得不到保证等。诊断技术与生产管理结合不好，表现在各种技术的相互集成性不好，与生产管理相孤立，不能创造预期的效益，使电厂失去信心。
4． 汽轮机故障诊断的发展前景与趋势
很多学者和研究人员都认识到上述问题对汽轮机故障诊断技术发展的影响，正在进行相应的研究工作。本文认为汽轮机故障诊断技术的研究将会在以下几个方面得到重视，并取得进展。
4·1 全方位的检测技术
针对汽轮机及其系统各类故障的各种新检测技术将是一个主要的研究方向，会出现许多重要成果。
4·2 故障机理的深入研究
任何时候，故障机理的深入研究都将推动故障诊断技术的发展。故障机理的研究将集中在对渐发故障定量表征的研究上，研究判断整个系统故障状态的指标体系及其判断阈值将是另一个重要方向。
4·3 知识表达、获取和系统自学习
知识的表达、获取和学习一直是诊断系统研究的热点，但并未取得重大突破，它仍将是继续研究的热点。
4．4 综合诊断
汽轮机故障诊断，将从以振动诊断为主向考虑热影响诊断、性能诊断、逻辑顺序诊断、油液诊断、温度诊断等的综合诊断发展，更符合汽轮机的特点和实际。
4·5 诊断与仿真技术的结合
诊断与仿真技术的结合将主要表现在，通过故障仿真辨识汽轮机故障、通过系统仿真为诊断专家系统提供知识规则和学习样本、通过逻辑仿真对系统中部件故障进行诊断。
4·6 信息融合
汽轮机信息融合诊断将重点在征兆级和决策级展开研究，目的是要通过不同的信息源准确描述汽轮机的真实状态和整体状态。
4·7 从诊断向汽轮机设备现代化管理发展
研究的重点将集中在基于诊断技术的预知维修决策、维修管理、设备计算机化管理系统等方面，目的是针对汽轮机及其系统实施预知维修或基于状态的维修，获取最大的经济收益。这也将是推动电厂接受该汽轮机诊断系统的一个根本所在。
|
|
相关链接
|
|