大型汽轮发电机组故障诊断技术现状与发展

newmaker

欢迎访问e展厅 展厅 1 发电站设备展厅 电力锅炉, 汽轮机, 水轮机, 燃气轮机, 核电设备... 设备状态监测与故障诊断技术是一种了解和掌握设备使用过程状态的技术。它可以确定设备整体或局部是正常还是异常，能早期发现故障及其原因，并能预报故障发展趋势。设备状态监测与故障诊断过程包括状态监测、故障检测、故障识别或诊断、故障分析与预测、故障处理对策与建议等［1］。 在汽轮发电机组的各种故障中，振动故障是一类对生产和运行产生很大影响的故障。一方面，振动故障的诊断比较复杂，处理时间比较长；另一方面，振动故障一旦发散酿成事故，所造成的影响和后果是十分严重的［2］。 1大型汽轮发电机组状态监测和故障诊断 由于我国用电的需要和资金制约，降低老机组故障发生率，延长老机组的使用寿命是非常重要的［3］。目前在国内电厂各类大型汽轮发电机组的运行监测方面，只有部分装有美国本特利公司或德国飞利浦公司的振动监视系统，尚有许多机组的监视系统是落后和不完善的。由此可见，开展大型汽轮发电机组的故障诊断技术研究是非常必要的。 随着机组容量增大，所出现的振动故障也越来越复杂，目前采用的在线监测装置一般只具有振动专家系统的很少且很不完善。利用先进的检测、诊断仪器，采取科学有效的技术方法开展现场故障诊断工作是目前电厂各类机组故障诊断和预测分析的主要方法［4］。 目前在国际上，以美国为主的西方发达国家在大型汽轮发电机组在线监测与诊断技术的综合研究方面处于领先地位：一方面，美国的信号处理与数据分析技术发展较快，而这些处理机、分析仪和数据采集系统是机械设备状态监测的基础和核心，是发展后续技术（故障诊断）所不可分割的部分；另一方面，美国的几家专业公司，如Bently，IRD，BEI，从事对大型电站机组的运行和监控的研究，以及对机组可靠性、安全性、维修性与经济管理技术方面的研究，已有了40多年的历史，建立了庞大的数据库管理系统，并开展了专家系统的研究，具有雄厚的数据与软件实力。此外，国际上还有许多著名的诊断仪器公司，如丹麦的B＆K，德国的申克及日本的武田理研等，生产有多种用于设备诊断的分析仪器及软件系统。然而国外的在线监测系统、现场诊断仪器及诊断管理软件一般价格十分昂贵，且存在维护不便、因缺少汉化而使用不便等问题，因此还难以在我国基层电厂普及。 我国工业企业的设备诊断技术自1983年起步，初期主要应用于石化、冶金及电力等行业，进入20世纪90年代后，迅速渗透到国民经济的各个主要行业。其中旋转机械的故障诊断是诊断技术应用最广、涉及行业最多的应用领域，如电力行业中的汽轮发电机组，石化行业的压缩机，航空工业的各种航空发动机等。大型汽轮发电机组的在线监测与故障诊断技术作为国家“七五”、“八五”重大科技攻关项目，并在“九五”期间仍继续受到支持，其重要意义是显而易见的。西安交通大学、哈尔滨工业大学、清华大学等一些高校及西安热工研究院等一些研究单位在大型汽轮发电机组故障机理及其诊断技术研究方面总体上处于国内领先水平。但是，由于近年来大型汽轮发电机组单机装机容量的不断增大（如国内目前己投产700 MW汽轮发电机组），而对大型机组许多常见故障的机理、故障特征及现场诊断方法的研究还有待进一步的深入。此外，在现场信号采集与故障诊断仪器及数据管理软件的研制方面，国内虽有一些大学及研究所推出了自己的产品，如北京振通检测技术研究所推出的902和903便携式数据采集器、重庆大学测试中心的QLSA－W型振动噪声测试分析仪、大连理工大学推出的PDM2000数据采集分析仪及管理软件等，但随着计算机技术尤其是微处理器及软件技术的飞速发展，上述装置及软件系统在性能指标、可靠性、软件对不同公司数据采集装置的适应性等方面均存在一定的局限性。 2故障诊断技术研究的主要内容及其概况 30多年来，故障诊断技术不断吸收各门科学技术发展的新成果，诊断的理论与应用有了很大的发展和进步，它涉及系统论、控制论、信息论、检测与估计理论、计算机科学等多方面的内容，成为集数学、物理、力学、化学、电子技术、信息处理、人工智能等基础学科以及各相关专业学科于一体的新兴交叉学科。故障诊断技术研究的主要内容包括以下4个方面：故障机理；故障信息处理技术；故障源分离与定位技术；人工智能技术的应用研究。 2．1故障机理的研究［5～7］ 故障机理的研究，是以可靠性和故障物理为理论基础，研究故障的物理学或数学模型，进行物理模拟或计算机仿真，其目的是了解故障的形成和发展过程，明确故障的动态学特征，从而进一步掌握典型的故障信号，提取故障征兆，建立故障样板模式。故障机理的研究是故障诊断的基础，是获得准确、可靠的诊断结果的重要保证。 为了故障诊断工作的顺利开展，国内外很多科研人员和科研部门在故障机理方面作了大量的研究工作。例如，具有多年工厂实践经验的美国人John Sohre是研究涡轮机械故障机理的权威，他于1968年发表的论文“高速涡轮机械运行问题的起因和治理”，清晰简洁地描述了典型的机械故障征兆及其可能成因，并将典型的故障划分为9类37种。美国Bently Nevada公司的转子动力学研究所对转子和轴承系统典型故障作了大量的试验研究，并发表了许多很有价值的论文。日本的故障诊断专家白木万博自20世纪60年代以来发表了大量的故障诊断文章，积累了丰富的现场故障处理经验，并进行了理论分析。国内自20世纪80年代中期以来，清华大学、上海交通大学、哈尔滨工业大学、西安交通大学、西安热工研究院等单位，在故障机理的研究方面做了大量的工作，发表了许多有价值的文章。 虽然在故障机理的研究方面已经取得了大量的成果，但大型汽轮机组的振动故障机理仍然没有全部明确，亟须进一步的深入研究。 2．2故障信息处理技术的研究［8～10］ 故障信息处理技术是故障诊断的前提，它在提高诊断的准确性和可靠性方面处于非常重要的地位。常规的故障信息处理技术包括故障信号检测和故障信号分析处理两个部分。测量的信号通常是振动、噪声、温度、压力、电流、电压等信号中的一种或几种。随着电子技术和计算机技术的迅速发展，各种传感器越来越小型化、精密化，近年来，一些国外企业以与一般传感器同样的价格推出了智能传感器，使得故障信号检测在不影响系统运行的前提下更易于实现，而且在满足高精度要求的同时提高了其本身的可靠性。最近，日本出现了非接触式测量技术，大大地拓宽了故障信号的测量范围，虽然在测量精度上暂时还未能满足要求，但它预示了信号检测技术的一个发展方向。 故障信号分析处理是对检测到的各种状态信息进行加工、变换，以提取故障征兆。目前，应用最广泛的故障信号分析处理方法是傅立叶（Fourier）分析和相应的FFT快速算法。借助于FFT算法实现的信号处理有频谱分析、相关分析、相干分析、传递函数分析、细化谱分析、时间序列分析、倒频谱分析、包络分析等。这些分析方法在故障诊断过程中起到了重要的作用，但傅立叶分析方法只适合于分析连续的、平稳的时域信号。为了有效地分析处理工程应用领域中大量的非平稳信号，人们把小波（wavelet）和分形（fractal）这两种新的工具引入到故障信号的分析处理中。它们的理论和应用研究十分活跃，预示着在故障诊断领域中将获得广泛的应用。 其实，在故障发生时，领域专家往往凭五官感觉到一些难以由数据描述的事实，他们根据系统的结构和故障发生的历史，就能很快地做出正确的判断。这种感性知识的获取和经验知识的表达、处理过程，事实上就是故障信息的智能处理技术。在模糊诊断系统中，这种基于经验知识的智能化信息处理技术表现在故障征兆对故障原因的支持程度或否定程度的建立上；而在专家系统中，则表现在各类诊断知识的获取和组织表达上。近年来，人们对诊断知识的获取、表达、组织和推理方法作了大量的研究，目前仍没有获得突破性进展。 由于大型机组的故障机理十分复杂，目前仍难以采用精确的数据完备地表达其运行状态，因此，研究故障信息的智能处理技术有着重要的意义。 2．3故障源分离与定位技术的研究［11～13］ 故障源分离与定位也称为故障模式识别，是将经过信号处理得到的有限的或不完整的特征信号与故障原因对应起来，使故障源定位。故障源分离与定位技术是故障诊断的关键技术，将故障源定位是故障诊断的最终目标。 20世纪60年代以来，随着故障诊断理论研究的不断深入，人们克服了越限诊断方法的局限，发展了多种故障源分离与定位技术，包括基于系统数学模型的方法、统计分析方法和模糊综合评判方法等。根据诊断知识的利用方式，可以将故障源分离与定位技术分为基于模型的方法与基于规则的方法两大类。基于模型的方法可以充分利用系统的内部知识，有利于系统整体的故障诊断；其缺点是系统的建模误差或外部干扰将对故障诊断的结果产生重大的影响。基于规则的方法，其适应性广、灵活，但故障的在线估计比较困难。 撇开实际应用场合而去评价某一种故障源分离与定位方法的好坏是没有意义的。在实际应用中，应根据具体诊断对象的特点和需要完成的诊断任务，恰当地选择或综合利用几种方法，才能取得较好的效果。 2．4智能诊断技术的研究［14～15］ 智能诊断技术已从实验室研究阶段逐渐走向实际工程应用阶段。由于大型复杂系统在工业生产中的广泛应用，使得常规故障诊断技术越来越难以满足人们对大型复杂系统提出的可靠性要求，因此，智能诊断技术是大型复杂系统故障诊断发展的重点方向。目前，尽管人们在智能诊断技术的研究方面做了大量的研究工作，但无论是在理论方面还是在实际应用方面都还存在许多问题有待于研究解决。 3故障诊断系统的研制历史 故障诊断系统是根据诊断对象故障的特点，利用现有的故障诊断技术研制而成的自动化诊断装置。故障诊断的各种理论与方法的研究最终都必须落实到具体的诊断装置或诊断系统的研制上，只有诊断系统的研制成功才能产生真正的经济效益。根据各类故障诊断系统出现的先后，可将它们分为以下四类：便携式检测仪表和分析仪器；在线监测仪表系统；计算机监测分析与诊断系统；智能诊断系统。其中，便携式检测仪表和分析仪器、在线监测仪表系统和计算机监测分析与诊断系统统称为常规故障诊断系统，这三类故障诊断装置或诊断系统从出现至今，经过不断的改进，己经发展成为成熟的商品，在故障诊断领域发挥了巨大的作用。 便携式检测仪表和分析仪器是最早出现的故障检测装置，其主要功能是对检测对象的一些重要运行参数进行测量，分析人员根据测量得到的数据判断检测对象的运行状态。如：振动测量仪、温度测量仪、轴承检测仪等，生产厂家有丹麦的B＆K公司、瑞典的SPM公司等。 在线监测仪表系统是继便携式检测仪表和分析仪器之后出现的针对某一具体对象的专用故障监测系统，适用于需要实时监测运行状态的工业生产系统。比较成熟的产品有：美国Bently公司的7200系列，9000系列，3300系列；西德Philips公司的11 MS700系列以及申克公司的VIBROCON－TROL 2000系列；瑞士Vibro－MetCr公司的MMS系统等。 计算机监测分析与诊断系统的相继出现，是由于便携式检测仪表和分析仪器和一般的在线监测仪表系统无法满足大型系统故障诊断的要求。计算机监测分析与诊断系统不但可以在线实时监测大型系统的运行状态，还可以根据现场的检测数据，实现越限报警、实时故障分析与诊断等功能。典型的产品有：美国Bently公司的Trendmaster 2000系统；日本三菱公司的HMH系统；瑞士Vibro－Me－ter公司的Vibro－Turbo系统；加拿大CSI3100系统；中国清华大学的QH－l系统，华中理工大学的HZ－l系统，哈尔滨工业大学的MMMD－3系统等等。 智能诊断系统，是在常规故障诊断技术的基础上，结合人工智能技术的研究成果研制而成的自动化诊断系统。智能诊断系统的开发历史并不长，美国自20世纪80年代开始首先在这方面开展研制工作，开发了多种智能诊断系统。例如，1982年EGG．Idaha公司研制成功用于诊断和处理核反应堆的故障诊断系统。此后，Westinghouse公司研制成功电厂人工智能在线诊断大型网络系统，其中包括汽轮机Turbin AID、发电机GenAID和水化学ChemAID三个人工智能在线诊断系统，以及电站数据中心PDC和诊断运行中心，它在电站机组的安全运行中发挥了巨大的作用，取得了很大的经济效益，被誉为在线智能诊断系统成功应用的代表。国内在故障的智能诊断技术方面的研究起步较晚，但发展较快，并取得了不少成果，如华中理工大学研制成功汽车发动机故障诊断专家系统KB－SED和汽轮机组监测与诊断专家系统；哈尔滨工业大学研制成功大型旋转机械故障诊断专家系统MMMDES；另外，清华大学、上海交通大学、西安交通大学、郑州工学院、东南大学等院校也先后开展了故障智能诊断系统的研制工作［10，13］。 故障机理的研究振动信号分析是机械故障诊断技术中采用的最主要的方法之一。目前，在振动信号分析与处理方法中，以快速傅立叶变换（FFT）为基础的调和分析法应用最为普遍，几乎所有的动态分析仪都是以FFT为核心进行信号处理的，FFT分析方法及其派生出的多种有效的振动信号处理方法（如快速卷积、相关、自谱、互谱、倒谱、细化谱及传递分析等）在机械故障诊断技术应用中起到了非常大的作用。然而，这类基于平稳过程的经典信号处理方法，分别仅从时域或频域给出信号的统计平均结果，无法同时兼顾信号在时域和频域中的全貌和局部化［16］。 为实现对非平稳信号的有效表示，解决其时频局部化分析问题，Gabor提出了加窗傅立叶变换（WFT）或短时傅立叶变换（STFT），但由于其时频分辨率固定，缺乏细化能力，逐步被20世纪80年代发展起来的一种新的数学方法———小波（wavelet）分析所取代。小波分析是一种包含尺度伸缩和时间平移的双参数的函数分析方法，由于小波函数具时频局部化特性，多尺度性和“数学显微”（“变焦”）特性，伸得小坡变换能够很好地解体非平稳信号的分析问题，它的出现对纯数学和应用科学都具有重要意义。研究表明：小波分析在振动噪声的去除、非平稳振动信号的表示与分析及振动信号多分辨率分析等方面具有较强的优势，是适合机械故障诊断的一种有效方法［17］。 随着人们对小波分析的理论和应用研究的深入，不少新的理论方法被提出。其中，信号自适应小波分解理论和基于基因遗传算法求解的广义自适应小波分解方法已经具有工程应用背景。但在小波参数的最优化问题上，在将小波分析的理论应用到实际的故障诊断系统中，还有大量的实际工作要做。(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (11/11/2005)