基于振動的汽輪發(fā)電機組健康評價

白偉，姚虎東，俎海東，高飛，王猛，呂永興

（1.內(nèi)蒙古京能康巴什熱電有限公司，內(nèi)蒙古 鄂爾多斯 017000；2.內(nèi)蒙古電力（集團）有限責任公司內(nèi)蒙古電力科學研究院分公司，呼和浩特 010020）

0 引言

汽輪發(fā)電機組的健康管理是通過科學評估設備健康狀態(tài)，制訂合理優(yōu)化的維修管理方案，進而對機組相關的健康危險因素加以改善，以達到保持機組健康運行、降低運維人員的工作強度、節(jié)約維修資源和費用的目的[1-6]。設備健康管理技術是機組安全、穩(wěn)定運行的重要保證，有助于實現(xiàn)機組參與電網(wǎng)調(diào)峰等功能。

健康評價是健康管理的重要環(huán)節(jié)，模糊評判和基于數(shù)據(jù)驅(qū)動的方法是比較常用的兩類方法。盧緒祥等人基于模糊數(shù)學的有關理論，采集多個評價指標，建立了凝汽器運行狀態(tài)評價的模糊綜合評判模型；顧煜炯等人提出一種基于模糊評判和RCM分析的發(fā)電狀態(tài)綜合評價方法；肖運啟等將模糊評價理論應用于風機的運行狀態(tài)評價[7]；王桂楠等人引入模糊綜合評價思想進行了勵磁系統(tǒng)的運行狀態(tài)評估[8]。

近年來，隨著大數(shù)據(jù)和人工智能技術的發(fā)展，以積累的正常數(shù)據(jù)樣本為基礎，采用數(shù)據(jù)驅(qū)動算法求解參數(shù)的基準值或建立設備正常運行狀態(tài)下的多參數(shù)關聯(lián)的基準模型，可以實現(xiàn)機組異常檢測和狀態(tài)評價。例如，Yan等人[9]采用堆疊降噪自動編碼器深度學習算法在燃機測量數(shù)據(jù)中進行特征學習，以便實現(xiàn)燃機異常檢測和評價；董玉亮等人[10]基于設備運行過程中積累的運行數(shù)據(jù)，采用多狀態(tài)特征融合方法進行旋轉機械健康狀態(tài)評估；崔亞輝等人[11]通過灰色理論和相似性原理，實現(xiàn)了機組振動故障的狀態(tài)異常檢測和動態(tài)預警。

模糊綜合評價和數(shù)據(jù)驅(qū)動的評價方法各有優(yōu)缺點，前者基于模糊線性變換和隸屬度綜合原則，將與被評價事物相關的各因素指標統(tǒng)一量化，并根據(jù)不同指標對評價對象的影響程度來分配權重，從而對評價對象做出合理的綜合評價，但也存在模糊隸屬度不易選擇等問題[12]；基于數(shù)據(jù)驅(qū)動的狀態(tài)評價方法對設備的先驗知識依賴較小，能考慮多參數(shù)之間相互耦合作用，能更早發(fā)現(xiàn)設備運行異常[13]。但基于數(shù)據(jù)驅(qū)動的方法一般需要積累設備全工況運行的歷史數(shù)據(jù)，不能用于新裝機組或大修后的機組[14]。目前，這兩種狀態(tài)評價方法大多以某個參數(shù)或某些參數(shù)偏離基準值的情況來表征設備運行的健康狀況，在參數(shù)偏離程度相同的情況下，不同故障所造成的危害可能不同，因此參數(shù)的偏離程度有時可能無法準確表征設備的健康狀態(tài)[15]。汽輪發(fā)電機組很多故障都體現(xiàn)在振動信號上，從振動角度進行機組健康狀態(tài)評價具有重要意義。當前，基于人工智能技術的振動故障診斷方法給出的診斷結果通常是機組發(fā)生振動故障的概率等不確定性指標。本文從振動角度進行機組設備健康評價，將振動幅值、故障發(fā)生概率、故障的潛在危害程度作為評價機組設備健康狀況的重要指標，利用模糊綜合評判法計算出機組設備的健康指數(shù)（記為H），根據(jù)H的大小確定機組設備的健康等級。

1 健康等級劃分和評價指標

1.1 健康等級劃分

將設備的特定性能規(guī)定為影響設備狀況的健康指標，用I1，I2，…，In表示，采用健康指數(shù)H描述設備的狀態(tài)，可以表達為：

根據(jù)健康指數(shù)大小不同，對機組設備健康等級進行劃分，將機組設備的健康狀態(tài)劃分為“健康”“亞健康”“不健康”“病態(tài)”“嚴重病態(tài)”5個等級，各狀態(tài)對應的狀態(tài)描述如表1所示。健康評價過程中，可將汽輪發(fā)電機組本體高（中）壓缸、低壓缸、發(fā)電機等進行拆分，取所有設備中健康狀態(tài)最差的健康等級。

表1 機組健康等級劃分及狀態(tài)描述Tab.1 Unit health classification and status description

1.2 評價指標的選取

在設備健康狀態(tài)評價過程中如能綜合考慮設備可能存在的故障模式及其發(fā)生概率、故障的嚴重程度、故障造成的影響及后果等因素，無疑將會使健康狀態(tài)評價的結果更加科學、可靠。經(jīng)過深入分析和研究，基于振動的機組設備健康狀態(tài)評價指標選取如下。

（1）振動通頻幅值劣化度：振動故障嚴重程度可由其關聯(lián)的征兆的發(fā)展程度評判，在故障關聯(lián)的眾多征兆中盡量選擇機組運行或檢修規(guī)程中有報警值、跳機保護值的特征參數(shù)，以便對其進行故障嚴重程度的量化。振動通頻幅值是最直觀的參數(shù)，因此采用振動通頻幅值偏離正常（基準）值的程度（劣化度）作為健康評價指標之一。

（2）故障發(fā)生概率：故障發(fā)生可能性是評估機組設備的健康狀態(tài)的主要因素。在其他條件相同時，故障發(fā)生概率越小，機組工作的健康狀態(tài)越好，反之亦然。故障發(fā)生的可信度或概率等數(shù)值大小可由證據(jù)理論、模糊推理、貝葉斯網(wǎng)絡等不確定性推理算法得到[18]。本文重點討論獲得振動故障發(fā)生概率后的機組健康狀態(tài)評價問題。

（3）故障潛在危害程度：故障的潛在危害程度綜合考慮故障對機組設備的影響、造成的維修費用及停運損失等方面。機組發(fā)生不同類型的振動故障時，其損失是不同的，例如轉子原始質(zhì)量不平衡和裂紋故障。轉子原始質(zhì)量不平衡故障不是很嚴重時，通過合理的動平衡即可處理，危害性相對較?。坏D子裂紋如果處理不及時，很可能造成轉子損壞的重大事故。

2 機組健康狀況的模糊綜合評判

2.1 機組設備健康評價的基本原理

機組設備的健康等級之間有時沒有明確的劃分界限，可以根據(jù)機組設備屬于的各個狀態(tài)的隸屬度函數(shù)進行模糊決策，最終確定機組設備屬于哪個健康等級的傾向更大。

設備的健康狀態(tài)具有模糊性，影響設備健康狀態(tài)的指標也具有模糊性，因此對機組進行健康評價時采用模糊綜合評判的方法[19]。評價指標“振動通頻幅值劣化度”“故障發(fā)生概率”“故障潛在危害程度”分別用u1、u2、u3表示，則因素集U=（u1，u2，u3）；如果用s1、s2、s3、s4、s5表示“健康”“亞健康”“不健康”“病態(tài)”“嚴重病態(tài)”5個狀態(tài)，則設備的健康狀況空間可以表示為S=（s1，s2，s3，s4，s5）。

應用模糊綜合評價方法時，首先建立各評價因素到評價集的隸屬度，得到單因素評價矩陣：

即：

式中：rij表示ui屬于sj（j=1,2,…,m）的隸屬度。

設：

即可得到考慮眾多因素的綜合評估結果：

式中：W為各評價因素的權重向量，本文中3個評價指標的權重都取1/3；bj表示在綜合考慮所有因素影響時，對第j個評價結論的支持程度；“·”為模糊算子，這里采用加權平均型模糊算子；B為模糊向量。

模糊評價的結果是對各健康等級的隸屬程度構成一個模糊向量B，隨后采取加權平均原則的方法計算得到健康指數(shù)H：

式中：vj表示各個健康狀態(tài)評語的秩。本文中，從“健康”到“嚴重病態(tài)”共有5個狀態(tài)評語，將它們的秩依次設置為1、0.8、0.6、0.4、0.2。

針對每個疑似的振動故障進行量化分析，得到其表征設備健康狀態(tài)的健康指數(shù)H后，便可根據(jù)表1確定設備的健康等級。

2.2 評價指標對應健康狀態(tài)的隸屬度函數(shù)

常見的隸屬度函數(shù)有三角形分布、梯形分布和嶺形分布等。各種隸屬度函數(shù)沒有明確的優(yōu)劣之分，目前也沒有特別明確的方法和準則來指導隸屬度函數(shù)形式及參數(shù)的選取，實際中應結合具體情況盡量選擇合適的隸屬度函數(shù)。嶺形分布具有主值區(qū)間寬、過渡帶平緩的特點，能較好地反映機組設備的健康評價指標值和健康狀態(tài)空間的模糊關系。本文選擇嶺形分布，并充分考慮每種評價指標在表達設備健康狀態(tài)時的不同特性，建立合理的隸屬度函數(shù)。

2.2.1 振動通頻幅值劣化度的健康狀態(tài)隸屬度函數(shù)

采用振動通頻幅值的劣化度表征故障的嚴重程度，其劣化度γ采用公式（6）計算：

式中：xm、x0、xmax分別表示振動通頻幅值的實測值、正常（基準）值和上限值。x0可由領域?qū)＜腋鶕?jù)實際情況指定，也可根據(jù)正常運行的歷史數(shù)據(jù)統(tǒng)計獲得；xmax可由領域?qū)＜腋鶕?jù)實際情況指定，各個機組振動都會設置報警值xa和停機值xs，這里暫取xmax=（xa+xs）/2。

需要注意的是，即使參數(shù)劣化度不大，設備處于5個健康等級都有可能，只是各自的隸屬度不同；當參數(shù)劣化度很大時，設備的健康等級不能是“健康”等較好的等級。因此，選取的模糊分布模型應是全值域上的平滑函數(shù)，且偏大型和偏小型函數(shù)不具有對稱性。其隸屬函數(shù)如表2所示，隸屬度函數(shù)的圖形如圖1所示。

圖1 振動通頻幅值劣化度對應各個健康狀態(tài)的隸屬度函數(shù)圖形Fig.1 Deterioration degree of vibration pass frequency amplitude corresponding to the membership function graph of each health state

2.2.2 故障發(fā)生概率的健康狀態(tài)隸屬度函數(shù)

故障發(fā)生的可能性等不確定性指標可由診斷專家評定或智能診斷算法得出，故障的可能性越小，機組設備處于較優(yōu)狀態(tài)的隸屬度越大，并且這時機組設備一般不會處于較差的健康狀態(tài)。故障概率的健康狀態(tài)隸屬度函數(shù)如表2第2列所示，其隸屬度圖形如圖2所示。

圖2 故障發(fā)生概率對應各個健康狀態(tài)的隸屬度函數(shù)圖形Fig.2 Probability of failure corresponding to the membership function graph of each health state

表2 各個評價指標對應的健康狀態(tài)的隸屬度函數(shù)Tab.2 Membership function of health state corresponding to each evaluation index

2.2.3 故障潛在危害程度的健康狀態(tài)隸屬度函數(shù)

故障的潛在危害程度可以從對機組設備的影響（包括對機組設備功能的影響、造成設備破壞的程度等）、維修費用及停運損失等方面進行評價?？梢酝ㄟ^數(shù)據(jù)統(tǒng)計獲得故障損失，但是相關數(shù)據(jù)不是很充分，可通過打分法獲得故障潛在危害程度的評分L，再將L與各個狀態(tài)的隸屬度對應。L的范圍為1～10，分值越高，表示故障的潛在危害程度越大，可參照表3進行打分。L對應的各健康狀態(tài)的隸屬度函數(shù)振動通頻幅值劣化度相似，如表2第3列所示，隸屬度函數(shù)圖形如圖3所示。

圖3 故障潛在危害程度對應各個健康狀態(tài)的隸屬度函數(shù)圖形Fig.3 Membership function graph of each health state corresponding to the degree of fault potential hazard

表3 故障潛在危害程度評分參考標準Tab.3 Scoring reference standard of fault potential hazard

3 案例分析

3.1 模擬故障場景下機組健康評價

為了體現(xiàn)健康評價方法的特點，分析評價結果的準確性和合理性，設置如下故障場景。

（1）故障場景1：振動通頻幅值90μm，轉子原始質(zhì)量不平衡故障，發(fā)生概率0.4；

（2）故障場景2：振動通頻幅值90μm，轉子原始質(zhì)量不平衡故障，發(fā)生概率0.8；

（3）故障場景3：振動通頻幅值150μm，轉子原始質(zhì)量不平衡故障，發(fā)生概率0.8；

（4）故障場景4：振動通頻幅值150μm，轉子裂紋故障，發(fā)生概率0.8。

分別對以上4種故障情形下的機組健康狀態(tài)進行評價，由于轉子原始質(zhì)量不平衡和轉子裂紋故障的潛在損失風險不同，它們的潛在危害程度評分分別為3分和9分，振動通頻幅值的基準（正常）值為50μm、報警值為125μm、停機值為250μm，采用模糊綜合評判計算4種不同故障情景下的機組健康指數(shù)（如表4所示）。

表4 不同故障情景下的機組健康指數(shù)Tab.4 Unit health index under different failure scenarios

對比故障場景1和故障場景2的健康狀態(tài)評價結果：當振幅維持90μm不變，轉子原始質(zhì)量不平衡故障的發(fā)生概率從0.4增至0.8時，健康指數(shù)從0.677 0下降至0.544 7，健康狀態(tài)由“亞健康”變?yōu)椤安唤】怠?，隨著故障概率的增大，健康狀態(tài)變差，符合對設備故障和健康的一般認識，評價結果合理。

對比故障場景2和故障場景3的健康狀態(tài)評價結果：轉子原始質(zhì)量不平衡故障的發(fā)生概率維持0.8不變，振動幅值從90μm上升到150μm，健康指數(shù)從0.544 7下降到0.439 4，隨著振動幅值偏離正常值的程度增加，健康狀態(tài)變差，符合對設備故障和健康的一般認識，評價結果合理。

對比故障場景3和故障場景4的健康狀態(tài)評價結果：轉子原始質(zhì)量不平衡和轉子裂紋故障的發(fā)生概率都是0.8，振動幅值都為150μm。基于轉子原始質(zhì)量不平衡故障計算出設備健康指數(shù)為0.439 4，設備健康狀態(tài)為“不健康”，基于轉子裂紋故障計算出的設備健康指數(shù)為0.315 1，設備健康狀態(tài)為“病態(tài)”。兩種故障情景下的設備健康狀態(tài)完全不同，這是因為轉子裂紋故障的潛在危害要比轉子原始質(zhì)量不平衡大，即使二者的發(fā)生概率和振動幅值都相同，設備的健康狀態(tài)也不同。如果只按照參數(shù)偏離正常值的程度評價設備的健康狀態(tài)，兩種故障情景下設備健康狀態(tài)相同。本文提出的方法不但考慮了參數(shù)大小所體現(xiàn)的設備健康狀態(tài)，還考慮了參數(shù)異常背后可能揭示的故障類型和危害，評價結果更加科學。

3.2 實際故障場景下機組健康評價

文獻[20]采用模糊專家系統(tǒng)對某電廠1號機組發(fā)生的實際振動故障進行了診斷，該機組1號軸承振動值在很短時間內(nèi)快速上升并波動，波動情況如表5所示。

表5 1號機組1號軸承振動波動情況1）Tab.5 Vibration fluctuation of bearing 1 of unit 1

具體故障發(fā)生和診斷過程詳情可參考文獻[20]，故障的典型特征為：半頻幅值高、振動主要發(fā)生在高負荷區(qū)、振動隨有功功率和調(diào)門開啟順序變化明顯、振動同真空變化有關、振動再現(xiàn)性強，最后診斷得到發(fā)生故障為汽流激振故障的置信度為0.93，對此故障場景進行機組健康評價。

由于汽流激振故障發(fā)生突然，振動上升快，如果控制不良很容易引起振動過大而跳機，因此汽流激振故障的潛在危害程度評分為9分；以振動最大的1x軸振為主要對象，振動通頻幅值的基準（正常）值取為正常時的60μm，根據(jù)同類機組相對振動的報警和停機值設定范圍，暫取報警值125μm和跳機值250μm，采用模糊綜合法評判計算機組的健康指數(shù)[20-24]。

根據(jù)振動通頻幅值劣化度計算得到屬于各個狀態(tài)的隸屬度為（0，0.305 1，0.962 4，0.736 5，0.54），根據(jù)振動故障發(fā)生概率計算得到屬于各個狀態(tài)的隸屬度為（0，0，0，0.27，1），根據(jù)振動故障危害程度計算得到屬于各個狀態(tài)的隸屬度為（0，0，0，1，0.904 5），各個狀態(tài)的綜合隸屬度為（0，0.101 7，0.320 8，0.669 9，0.814 8）。

最后計算得到健康指數(shù)為0.369 5，健康狀態(tài)為“病態(tài)”，應盡快停機檢修。考慮到汽流激振故障的特點及故障發(fā)生時的實際振動已達到127μm，得出的健康評價結果符合實際。

4 結束語

汽輪發(fā)電機組的健康狀態(tài)涉及多個方面，本文主要從振動角度進行機組健康狀態(tài)評價?？紤]到只依靠振動幅值的大小可能無法準確表征機組的健康狀態(tài)，因此將振動幅值劣化度、故障發(fā)生概率和故障潛在危害程度共同作為評價機組健康狀態(tài)的指標，利用模糊綜合評判法進行機組健康評價，并給出機組設備的健康指數(shù)，根據(jù)健康指數(shù)的大小確定機組設備的健康等級。該評價方法結合汽輪機運行狀態(tài)和振動故障特點，合理選擇了評價指標以及隸屬度函數(shù)，基于模糊評價的基本原理提出了一套更為科學的健康狀態(tài)評價流程，以便更好地指導機組的狀態(tài)維修。