電廠風機故障診斷現狀及發展趨勢

周 理，王宇希，繆佳美，劉慧玲，葛曉霞

(南京工程學院 能源與動力工程學院，江蘇 南京 211167)

0 前言

故障診斷是根據設備當前的運行參數，通過各種方法的分析，最終發現故障的根源所在，是進行故障處理的必要準備和前期工作[1～4]。故障預警是將設備發生故障時的數據記錄下來，將大量數據整理成數據庫，同時設置參數多級安全閾值。在后續設備運行過程中，將當下數據和數據庫參數進行比對，即可實現在故障進一步發展前發現故障的存在。

隨著科學技術的不斷發展，材料技術不斷提高，電廠單機容量的不斷擴大，全國范圍內的裝機容量也在不斷增加。無論電廠的規模如何，送風機和引風機都是電廠重要的輔機。且風機的運行環境一般有高溫，高壓，高雜質惡劣的特點，易出現一些異常工況威脅到電廠生產的安全性。所以保證風機的正常運行，對其進行故障預警尤為重要?，F如今的故障預警方法已經從過去的運行人員通過自己的經驗進行主觀判斷，逐漸邁向技術化，智能化，出現了大量基于大數據分析的新型預警方法，大大提高了設備運行的可靠性。

1 國內外故障診斷技術發展歷程

當設備發生故障后，機組將經歷一個從正常的穩定狀態過渡到另一個非正常的穩定狀態或者直接崩潰。故障預警的研究目的在于機組由正常穩定狀態向故障狀態發展的初期就能夠及時發出相應報警信息，為維修人員爭取更多時間處理設備故障，減低故障帶來的經濟和安全損失。

1.1 國外研究現狀

早在20世紀60年代初期，國外就開始進行故障診斷的研究，并將故障預警思想運用于工程。美國是最早研究設備診斷技術的國家，分別在1961年和1967年建立國家機械故障研究會(MFWG)和機械故障預防小組(MFPG)，開始有組織有計劃對設備的科學管理與維修進行研究。隨后美國軍方在20世紀70年代中期將故障預測與健康管理技術(PHM)用于飛機發動機監控系統中，這標志著研究人員開始對故障預警技術進行研究[5]。隨著信息技術和計算機技術的發展，故障診斷和預警技術被用于各行各業。美國電力工業科研權威機構EPRI較早將故障診斷技術用于電廠，全方位監測電站設備，獲得設備的實時運行信息間。直到今日，故障預警技術己經成功運用于風電、火電、航天與軍工等各種領域。

1.2 國內研究現狀

1983年，于南京召開了首屆設備診斷技術專題座談會，這代表著我國研究故障診斷技術的開端。較晚的起步促使國內的科研工作人員更努力的學歷，經過幾十年的自身努力，以及積極吸取國外先進技術和實踐經驗，再加上國家的大力支持，我國在故障診斷和預警技術上取得了很大的進步。

在理論基礎方面，西安交通大學的劉石院士[6]在《回轉機械故障診斷中的三維全息譜技術》首先提出了利用全息譜技術來進行設備故障診斷的構想，并且提出了一種基于三維全息差譜的故障診斷方法，打破了傳統故障診斷方法的局限性。何正嘉團隊從1998年-2008年花了十年的時間，研究了小波有限元理論，并將其應用到裂紋的定量診斷中[7]。華中科技大學的孫燕華帶領的團隊提出了一種基于開放磁化方法的漏磁傳感器在線自動結構健康監測方法[8]。

隨著理論研究的不斷深入，將其應用到實際生產中，誕生了相應的故障診斷系統。西安工業大學，西安交通大學和華北電力大學等都根據不同類型的機械設備研發了多套運行狀態監測和故障診斷系統。鄭州工業大學研發出了中國第一套擁有專家故障診斷功能的操作系統；西安熱工研究所也在這之后研發了一整套“汽輪機發電機組的振動監測和專家診斷系統”；英華達公司研發了用于旋轉機械振動監測故障診斷專家系統EN8000。

2 現有故障預警方法

2.1 基于大數據狀態預測的故障預警

根據大數據進行預測的故障預警方法包括多元狀態估計方法(Multivariate State Estimation Techniques，MSET)，支持向量機法(Support Vector Machine, SVM),以及神經網絡(Artificial Neural Network ,ANN)等方法。以上方法都從大數據的角度對已有信息進行挖掘，該挖掘主要可分成數據準備，數據挖掘，結果表達和解釋幾個流程[9]。其中數據準備又可以分成數據集成，對來自多個數據庫的數據進行整合處理；數據選取，過濾掉不需要的數據，提高數據的有效率和后續挖掘效率；數據處理，對遺漏、錯誤數據進行處理。數據挖掘，即利用設計的算法挖掘數據中潛在的利用價值。結果表達和解釋，即根據挖掘數據的目的和需要，把數據轉換成有用的信息。其核心原理是利用以往的數據進行建模，將實際工況和模型進行比對，從而實現故障預警。文獻[10]提出了一種對利用BP神經網絡進行故障預測的改進措施，降低了訓練次數的同時，提高了網絡的容錯率。文獻[11]提出了基于集合經驗模態分解樣本熵和LIBSVM工具箱的離心風機故障預測的方法，同時證明了其有效性。文獻[12]提出了一項基于多元狀態估計方法的風機故障預警技術，通過層次分析法來確定需要監測參數的占比系數，尋找可能發生故障的參數測點。

利用大數據作為工具對風機進行故障預測需要較為龐大的數據量來建立數學模型，并將模型作為參考標準對風機設備當下或以后運行時的數據進行估計與預測。利用MSET建立的模型，一般來說其輸出參數的數量和輸入參數數量相同，適用于對測點數量要求較高的設備，例如送引風機等。通過該模型可以搜尋出設備出現異常的源頭，在可以保證包含所有運行特征的歷史矩陣規模的同時，計算速度快，時效性高；SVM可以應用到樣本較小的機器學習中。如果面對的是數據測點較多的工業設備，就會出現運算效率較低的問題；ANN的非線性學習能力較強，但是其模型的構建需要用到的數據量更大，系統較為復雜時，計算量也會相應增加，導致其時效性較低。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警

故障特征值參數法是對故障設備發展過程進行研究，以此來探尋特征值參數的潛在變化規律。具體操作時，一般對故障機理進行研究或者是進行故障模擬實驗，尋找能夠用以判斷是否發生故障的特征變量，此外，還要確定這些不同的特征變量在設備正常運行時的參數允許范圍，以及正常運行時的閾值，當某個特征參數在某個時間超過所設閾值，即可認為設備出現異常，發出故障預警信號。

對于風機這類高速旋轉的設備，如果出現故障，則會反映在振動信號內。所以針對風機，還可以從振動的角度入手，用振動頻譜分析的方法進行故障監測。對于實測振動瞬態信號，對各種信號進行分析，從中提取出故障信息的方法已經在實際生產得到廣泛應用。最基礎的信號分析和故障特征值的獲取方法包括頻譜分析，時域分析，包絡和倒頻譜分析。其中，包絡分析方法能夠實現滾動軸承振動調制信號的解調分析，并且提取出軸承發生故障時候的特征參數，因此是獲取振動故障特征值重要方法。

就目前來看，振動信號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，反映時間短，故障識別性高等突出優點。但是美中不足的是振動信號非常容易受到干擾噪聲的影響。以引風機為例，其干擾信號較多，從振動信號中分離出故障信號，對干擾成分的確定比較困難。根據當前的生產需要來看，引風機需要與火電廠負荷的變化匹配，在穩定性得到提高的同時，故障特征值的變化容易變得不平穩，且數學模型復雜，難以進行分析。

2.3 基于概率模型的故障預警

概率模型是用來描述一個或多個隨機變量之間的相互非確定性的概率關系。該故障預警方法將選取和設備不同運行狀態下密切相關的特征參數。分析該特征參數過往的數據。找到特征參數和不同運行狀態之間的關系，進而進行數學建模，得到概率模型。利用所建的模型中參數的概率分布來判斷當前處于何種運行狀態，或是預測將來的狀態，達到實現故障預警的目的。

文獻[13]利用神經網絡的方法將特征頻率到故障類型進行了非線性映射，輔以D-S(Dempster-Shafer evidence theory)證據理論，將多路信號融合分析，針對不同類型的故障都可以進行相對準確的預測。文獻[14]是將電廠設備過往得數據進行概率網格劃分，建立運行的概率模型，參考概率值的大小判斷設備是否發生了故障。文獻[15]中提到了一種對鍋爐設備進行的故障預警的方法。利用貝葉斯網絡分析方法，對鍋爐過熱蒸汽和燃料的平衡進行分析，根據分析結果可以計算出余熱鍋爐泄露的概率，從而達到預警目的。

基于概率模型的故障預警方法的優勢在于無需人工設定參數閾值，而是根據當前的概率分布完成故障預警，降低了手動干預程度，提高了自動化水平。但由于要對故障進行預警，其劣勢之處也和前文兩者方法較為相似，即需要對設備的歷史運行數據做大量的前期準備工作。只有將不同類型故障的發展程度進行具體的分類分條，才可以實現準確的故障預警。但實際生產過程中，完成故障發展程度的分類難度較高。同時想要獲得設備在不同運行狀態下的概率分布的前提是有大量的歷史數據作為參考，其包括正常運行數據，發生故障前后的數據等等，而對于新建的一些生產設備，這些數據的獲取較為困難。是一種相對滯后的預警方法。

3 風機設備故障預警的發展方向

隨著科學技術特別是大數據的不斷發展，智慧電廠的受關注率越來越高。智慧電廠是一個集設備智能化控制、物聯網等新技術、生產過程監視與優化、發電生產經營一體化管控、生產經營優化與數字化決策五個方面的信息化系統。其中數字化決策中的監視層就包括設備建模，生產監視，實時預警，健康評估四個功能。尤其智能監控系統的問世，為電力企業的發展提供了新的思路。智能監控技術能夠深入地發掘和分析大量的運營數據和信息，建立評估模型、故障預測模型和故障診斷模型。根據以上模式，智能監控技術在設備安全性、系統安全性、機組運行經濟性等方面具有重要意義；對機組的狀態進行連續量化評價，以提高故障早期報警準確率，實現智能監控。該方法可以降低操作人員對數據的查詢和判斷，減輕操作人員的工作負荷，提高了對數據的監控和判別準確率。通過智慧監盤，可以有效地解決系統的故障問題。智慧監盤憑借其優勢必將會成為未來電廠發展方向導向牌[16]。

目前智慧監盤的前景可以歸結為以下3個方向。

3.1 多種診斷方法的融合

在實際生產過程中，設備數據具有多樣性，多變性的特點，單一的故障監測方法具有一定的局限性。例如在用支持向量機法進行大數據預測時，如果設備測點過多，該方法就會暴露出計算效率低下的問題。所以對于風機這樣工作環境較為復雜的設備而言，需要多種參數，多種方法組合分析，才能對運行工況做出更好的判斷。不同理論之間相互補充，相互借鑒才能使故障預測技術進一步的發展。

3.2 信號采集方式的不斷更新

在風機故障預測的信號采集中，振動信號的應用較為廣泛，具有故障信息覆蓋面廣，反應時間快的特點。但是振動信號非常容易受到干擾噪聲的影響，從振動信號中分離出故障信號較為困難。文獻[17]中采用VXI((VME bus extensions for instrumentation))或PXI(PCIE Xtensions for Instrumentation)總線進行數據的傳輸，提高了傳感器的穩定性；增加整周期性采樣，使用雙通道或者多通道的采樣方式，大大提高了數據采集的數量和質量，實現了數據的快速高效的采集，從而提高數據信號的預處理能力。

3.3 容錯控制

容錯控制是指當風機設備出現故障后，系統可以進行故障的自動剔除，并對系統進行重新構建[18]。重新構建后的設備運行性能較正常運行時有所下降，但仍可以滿足生產要求。在這種控制方式下，功能拓展設計的方法是關鍵。即系統內部需要有一定的自我補償能力，設備在運行時候的參數可以進行自動調節，為設備的安全運行，電廠的安全生產保駕護航。容錯控制的發展是工業自動化發展的主要趨勢之一。

4 結 語

現有風機預警系統多以數據挖掘為主要研究方法，能夠達到實時報警的功能。這些方法大都需要利用已知數據建立完備的故障數據庫，且只能對收錄在數據庫的故障進行判斷。但是電廠風機作為實際生產的機械設備，有多變量，強耦合非線性的特點。加之風機本身機械結構復雜，故障種類多，有些故障的發展機理不清晰。例如有些故障和征兆之前沒有相對明確的對應關系，存在一個征兆對應多個故障或者一個故障出現多種征兆，因此難以建立全面的故障知識庫。且各測點的數據也容易受到外界的干擾，掩蓋真實的故障信號。

結合以上幾點，目前國內外大都利用振動信號對風機的故障進行判斷，輔以其他信號，故障診斷準確率不高的問題依舊存在，所以不同算法之間的相互補充，相互完善更為重要。要充分利用新的信號采集傳輸方式，使得諸如MSET等算法在面對海量電廠運行數據時，有更高的實時處理性能。并在現場的經驗的不斷總結中，改進算法，適應智慧電廠的發展對風機故障預測技術提出的更高的要求。