張 哮

（中國(guó)石油大慶煉化公司檢維修中心，黑龍江大慶 163411）

0 引言

煉油廠煙氣輪機(jī)等重要設(shè)備的故障診斷大體包含4 個(gè)流程，即數(shù)據(jù)信號(hào)采集、特征提取、狀態(tài)識(shí)別、診斷決策。隨著人工智能技術(shù)的成熟，基本上可以實(shí)現(xiàn)煙氣輪機(jī)狀態(tài)監(jiān)測(cè)、分析診斷、故障預(yù)判的一體化，無(wú)論是提高故障監(jiān)測(cè)效率還是減輕人工壓力，均發(fā)揮了明顯效果。煉油廠在推廣應(yīng)用煙氣輪機(jī)的在線檢測(cè)與故障診斷技術(shù)時(shí)，應(yīng)重點(diǎn)把握好監(jiān)測(cè)點(diǎn)布置、樣本訓(xùn)練、參數(shù)尋優(yōu)等關(guān)鍵點(diǎn)，這樣才能使監(jiān)測(cè)數(shù)據(jù)更加全面、診斷結(jié)果更加精確，從而發(fā)揮在線檢測(cè)與故障診斷系統(tǒng)的實(shí)用價(jià)值。

1 煉油廠煙氣輪機(jī)在線監(jiān)測(cè)方法

1.1 煙氣輪機(jī)特征信號(hào)的選擇

利用傳感器獲取煙氣輪機(jī)的特征狀態(tài)信號(hào)是實(shí)現(xiàn)在線監(jiān)測(cè)和故障診斷的第一步，反映煙氣輪機(jī)運(yùn)行工況的特征信號(hào)有振動(dòng)、位移、溫度、轉(zhuǎn)速等。機(jī)械振動(dòng)是判斷設(shè)備運(yùn)行狀態(tài)的關(guān)鍵指標(biāo)，煙氣輪機(jī)處于正常工況時(shí)，其振動(dòng)頻率往往呈規(guī)律變化；但是當(dāng)機(jī)組發(fā)生油膜振蕩、轉(zhuǎn)子不對(duì)中等故障后，其振動(dòng)頻譜會(huì)變得雜亂無(wú)序，并且振動(dòng)峰值明顯升高。一般來(lái)說(shuō)，煉油廠煙氣輪機(jī)的軸振動(dòng)值不得超過(guò)50 μm，監(jiān)測(cè)值超過(guò)100 μm 時(shí)就需要緊急停機(jī)開(kāi)展維修。同樣，溫度信號(hào)也是直觀反映煙氣輪機(jī)運(yùn)行工況的重要參數(shù)，如果機(jī)組軸承、輪盤(pán)、入口煙氣的溫度異常升高，需要引起重視并立即排查故障。

溫度、聲音、轉(zhuǎn)速等信號(hào)雖然也能監(jiān)測(cè)煙氣輪機(jī)的運(yùn)行狀態(tài)，但是在信號(hào)采集過(guò)程中容易受到干擾，并且信號(hào)內(nèi)混雜著其他信息，不利于故障的監(jiān)測(cè)和診斷。因此，振動(dòng)信號(hào)是現(xiàn)階段煙氣輪機(jī)在線監(jiān)測(cè)與故障診斷中最常用的信號(hào)。

1.2 煙氣輪機(jī)測(cè)點(diǎn)的布置

選擇合適的監(jiān)測(cè)點(diǎn)，可以捕捉到最理想的振動(dòng)信號(hào)，對(duì)提高故障識(shí)別的準(zhǔn)確率有積極幫助。在布置監(jiān)測(cè)點(diǎn)時(shí)，應(yīng)著重考慮以下3 個(gè)因素：

（1）監(jiān)測(cè)點(diǎn)必須盡可能地靠近設(shè)備振動(dòng)敏感部位或設(shè)備的核心部件。

（2）煙氣輪機(jī)長(zhǎng)時(shí)間處于粉塵、高溫等惡劣運(yùn)行環(huán)境，應(yīng)當(dāng)使傳感器避開(kāi)這些位置，或采取適當(dāng)?shù)谋Ｗo(hù)措施。

（3）為避免傳感器發(fā)生故障影響監(jiān)測(cè)的連續(xù)性，同一監(jiān)測(cè)部位應(yīng)分別設(shè)置2 個(gè)監(jiān)測(cè)點(diǎn)，并且沿軸徑方向呈45°。

基于上述原則，在一體式煙氣輪機(jī)上共設(shè)置了18 個(gè)監(jiān)測(cè)點(diǎn)。其中，1#～4#監(jiān)測(cè)點(diǎn)位于煙氣輪機(jī)的軸上，1#、2#測(cè)點(diǎn)位于前軸，3#、4#測(cè)點(diǎn)位于后軸。

1.3 傳感器的選型

傳感器用于采集煙氣輪機(jī)的振動(dòng)信號(hào)，并將其傳輸給終端系統(tǒng)。科學(xué)選用傳感器可以保證采集信號(hào)的全面性、準(zhǔn)確性，對(duì)實(shí)現(xiàn)故障的超前識(shí)別、準(zhǔn)確診斷有積極幫助。目前在線監(jiān)測(cè)與故障診斷裝置中常用的傳感器有電渦流式、壓電式、磁電式、光纖振動(dòng)式等，不同傳感器的信號(hào)采集原理、監(jiān)測(cè)范圍、適用環(huán)境均存在明顯差異。例如，壓電式傳感器的測(cè)量范圍在0.2～10 kHz，常用于測(cè)量高速旋轉(zhuǎn)機(jī)械的軸承座振動(dòng)；磁電式傳感器的測(cè)量范圍在10～1000 Hz，常用于機(jī)殼、基座等非轉(zhuǎn)動(dòng)部件的振動(dòng)測(cè)量。

光纖振動(dòng)傳感器由光源、敏感元件、光纖等組成，測(cè)量范圍更寬（1 kHz～30 MHz），并且具有靈敏性好、探測(cè)距離長(zhǎng)、不受干擾等特點(diǎn)，適合煙氣輪機(jī)的在線監(jiān)測(cè)。

2 基于小波分析的煙氣輪機(jī)振動(dòng)信號(hào)特征提取

2.1 小波分析特征提取的原理

函數(shù)小波變換的本質(zhì)是將一個(gè)時(shí)間函數(shù)投影到二維的“時(shí)間—尺寸”平面上，這樣就能使小波函數(shù)具有的所有特征，都能無(wú)差別地投影到小波變換域中，從而為信號(hào)特征的提取創(chuàng)造便利。本文提出用一組函數(shù)表示一個(gè)信號(hào)，或無(wú)限逼近這個(gè)信號(hào)的方法，這一組函數(shù)即“小波函數(shù)系”。小波分析信號(hào)具有兩個(gè)明顯的特點(diǎn)：一是時(shí)域和頻域之積非常小；二是小波分析信號(hào)在時(shí)間軸和頻率周上的分布非常集中。

對(duì)于采集到的煙氣輪機(jī)振動(dòng)信號(hào)，由于存在較多的外部干擾，因此低頻部分和高頻部分混雜、重疊的情況十分常見(jiàn)，影響故障診斷的準(zhǔn)確性。而使用小波分析后，首先對(duì)采集到的振動(dòng)信號(hào)（原始信號(hào)）進(jìn)行小波分析，之后得到兩個(gè)完全分開(kāi)的低頻和高頻信號(hào)。高頻信號(hào)不做處理，使用小波分析將低頻信號(hào)進(jìn)一步分解，繼續(xù)得到一個(gè)頻率較高和一個(gè)頻率較低的信號(hào)，重復(fù)上述步驟進(jìn)行連續(xù)分解，直到信號(hào)頻率能夠滿足故障診斷的要求為止，這樣就能提取到符合故障監(jiān)測(cè)與診斷要求的特征信號(hào)。

2.2 小波分析在煙氣輪機(jī)振動(dòng)信號(hào)特征提取中的應(yīng)用

將采樣得到的振動(dòng)信號(hào)進(jìn)行N 層小波分解，并提取多次分解后的小波系數(shù)，對(duì)其做歸一化處理，得到具有能量的特征向量。通常情況下，對(duì)煙氣輪機(jī)振動(dòng)信號(hào)做3 層小波分解，即可得到滿足振動(dòng)監(jiān)測(cè)要求的特征向量。在3 層小波分解結(jié)構(gòu)圖中，除了原始節(jié)點(diǎn)（0，0）外共包含16 個(gè)節(jié)點(diǎn)，任意一個(gè)可用（i，j）表示，其中i 表示層數(shù)、j 表示節(jié)點(diǎn)序號(hào)。例如，（1，4）表示第1 層的第4 個(gè)節(jié)點(diǎn)。

在建立起3 層小波分解結(jié)構(gòu)以后，按照以下步驟從采集到的煙氣輪機(jī)振動(dòng)信號(hào)中提取故障特征：

（1）將煙氣輪機(jī)振動(dòng)信號(hào)做3 層小波分解，并獲得8 個(gè)高頻、8 個(gè)低頻共計(jì)16 個(gè)頻段信號(hào)。

（2）提取小波分解系數(shù)并進(jìn)行重構(gòu)，獲取各頻帶范圍內(nèi)的信號(hào)。在本文的研究中，由于前2 層小波分解的節(jié)點(diǎn)數(shù)量偏少，誤差較大，因此不做考慮。只選擇第3 層小波分解的節(jié)點(diǎn)展開(kāi)進(jìn)一步分析。

（3）假設(shè)第3 層所有節(jié)點(diǎn)重構(gòu)后的信號(hào)以集合S3j（j=0，1，2…7）表示，則對(duì)應(yīng)的能量可以用集合E3j（j=0，1，2…7）表示，進(jìn)而可以求得該集合的總能量Ej。

（4）對(duì)重構(gòu)信號(hào)的能量做歸一化處理，得到各頻段的特征向量，即為歸一化處理后的特征向量。

使用Matlab 軟件中的小波分析工具箱對(duì)樣本數(shù)據(jù)降噪處理后，按照上述處理方法對(duì)降噪后的樣本進(jìn)行3 層小波分解，得到各頻帶信號(hào)圖。觀察后可以發(fā)現(xiàn)，不同工況下相同小波頻段內(nèi)重構(gòu)后系數(shù)存在較為明顯的差異，說(shuō)明使用小波分析能夠較為準(zhǔn)確的判斷煙氣輪機(jī)的各種工況。求得各個(gè)頻段能量并進(jìn)行橫向?qū)Ρ?，煙氣輪機(jī)在發(fā)生故障的情況下，其頻段特征向量與正常工況時(shí)有明顯差異。當(dāng)發(fā)生轉(zhuǎn)子不對(duì)中故障時(shí)，E31、E34、E35頻段能量與正常工況差異明顯；當(dāng)發(fā)生轉(zhuǎn)子松動(dòng)故障時(shí)，E30、E37 頻段能量與正常工況差異明顯；當(dāng)發(fā)生轉(zhuǎn)子不平衡故障時(shí)，E33 和E36 頻段能量與正常工況差異明顯。由此可見(jiàn)，通過(guò)對(duì)比各類工況下同頻段能量的差異，可以初步完成對(duì)煙氣輪機(jī)有無(wú)故障，以及故障類型的判斷。

3 煙氣輪機(jī)故障診斷技術(shù)及其應(yīng)用

3.1 實(shí)驗(yàn)方案設(shè)計(jì)

本實(shí)驗(yàn)選擇某煉油廠240 t/a 催化四機(jī)組中的YL18000A型煙氣輪機(jī)作為研究對(duì)象。

傳感器在線監(jiān)測(cè)到的煙氣輪機(jī)振動(dòng)信號(hào)，通過(guò)無(wú)線傳輸模塊發(fā)送給故障診斷系統(tǒng)。該系統(tǒng)是基于Windows 7 操作系統(tǒng)，由LIBSVM4.0 工具箱開(kāi)發(fā)，將樣本數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換并提取數(shù)據(jù)特征值，做歸一化處理，然后通過(guò)參數(shù)尋優(yōu)進(jìn)行故障判斷，故障識(shí)別的準(zhǔn)確率較高。

3.2 實(shí)驗(yàn)數(shù)據(jù)處理

3.2.1 選擇樣本數(shù)據(jù)

從光纖振動(dòng)傳感器采集到的海量信號(hào)中，提取出3 種工況信號(hào)，分別是正常運(yùn)行、轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子不平衡。每1 種工況下隨機(jī)選出100 組數(shù)據(jù)，每組數(shù)據(jù)中有250 個(gè)數(shù)據(jù)點(diǎn)，這樣就得到了300 組樣本數(shù)據(jù)。將正常運(yùn)行下的100 組數(shù)據(jù)從1 開(kāi)始進(jìn)行編號(hào)，其中1～80 作為訓(xùn)練樣本，81～100 作為測(cè)試樣本。其他兩組也做同樣的處理。

3.2.2 樣本降噪

因?yàn)闊煔廨啓C(jī)處于高速度、高噪聲的環(huán)境下，采集到的信號(hào)中可能摻雜了其他干擾噪聲，直接分析振動(dòng)信號(hào)會(huì)影響故障診斷的準(zhǔn)確性。因此，在數(shù)據(jù)分析前還要經(jīng)過(guò)一道降噪工序。振動(dòng)信號(hào)的降噪方法為：

（1）利用小波包分解法，將采集到的原始信號(hào)分解成M 層。噪聲信號(hào)包含在分解后的高頻系數(shù)中。（2）對(duì)高頻系數(shù)進(jìn)行量化閾值處理，達(dá)到降低噪聲的效果。（3）判斷噪聲處理是否滿足要求，如果不滿足則重復(fù)上述步驟，直到噪聲干擾降低至允許范圍。

（4）對(duì)分解后的第M 層系數(shù)進(jìn)行信號(hào)重構(gòu)，得到低噪聲甚至不存在噪聲的振動(dòng)信號(hào)。

本次實(shí)驗(yàn)中，樣本數(shù)據(jù)經(jīng)過(guò)3 層小波包分解后，信號(hào)變得平滑、穩(wěn)定，波形規(guī)則，可以較為準(zhǔn)確地顯示煙氣輪機(jī)的運(yùn)行狀態(tài)，為下一步的故障診斷提供有利條件。

3.2.3 特征向量提取

采用小波包提取特征向量法，求出經(jīng)過(guò)3 層重構(gòu)后所得信號(hào)對(duì)應(yīng)的能量E3i（i=0，1，2…7），以及重構(gòu)信號(hào)的總能量Ei。

其中，xik為小波包系數(shù)重構(gòu)后離散點(diǎn)的幅值，n 為采樣點(diǎn)數(shù)。將計(jì)算所得的重構(gòu)能量做歸一化處理，得到相應(yīng)的特征向量，即可完成對(duì)振動(dòng)信號(hào)特征向量的提取。

3.3 基于PSO 參數(shù)尋優(yōu)的故障診斷

本次實(shí)驗(yàn)中引入PSO（Particle Swarm Optimization，粒子群優(yōu)化算法）進(jìn)行參數(shù)尋優(yōu)，這樣可以直接調(diào)用PSO 參數(shù)尋優(yōu)函數(shù)（psoSVMcgForClass）：

將準(zhǔn)備好的訓(xùn)練樣本和測(cè)試樣本，分別輸入到具有PSO 參數(shù)尋優(yōu)功能的支持向量機(jī)中進(jìn)行仿真實(shí)驗(yàn)，仿真結(jié)果為：

把尋優(yōu)后求得的最佳參數(shù)c 和g，分別帶入到支持向量機(jī)診斷程序中，可以實(shí)現(xiàn)對(duì)樣本中故障的診斷。仿真實(shí)驗(yàn)中，100 組測(cè)試數(shù)據(jù)中，實(shí)際分類和預(yù)測(cè)分類只有7 個(gè)樣本分類錯(cuò)誤，即分類準(zhǔn)確率為93%。這說(shuō)明，基于PSO 參數(shù)尋優(yōu)的故障診斷有較高的準(zhǔn)確率。

4 結(jié)束語(yǔ)

基于振動(dòng)信號(hào)的在線監(jiān)測(cè)、實(shí)時(shí)傳輸和精準(zhǔn)分析，是實(shí)現(xiàn)煙氣輪機(jī)潛在故障識(shí)別與處理的必要前提?；诠饫w振動(dòng)傳感器實(shí)時(shí)采集振動(dòng)信號(hào)，再將所得信號(hào)進(jìn)行小波包降噪處理和PSO參數(shù)尋優(yōu)分析，可以使故障識(shí)別率達(dá)到90%以上，診斷結(jié)果的可信度較高。這不僅為后續(xù)技術(shù)人員進(jìn)行煙氣輪機(jī)的故障排查與修理提供了參考，還保障煙氣輪機(jī)的正常、可靠運(yùn)行。