振动监测在燃气轮机叶片故障诊断中的应用

彭彤宇

(江苏华电昆山热电有限公司，江苏 昆山 215300)

0 引言

在燃气轮机运行过程中，燃气轮机各个部件，特别是受热部分和旋转组件(通常是叶片、燃烧室等)一般需要承受高温、高压和剧烈振动等冲击，导致其出现蠕变、微观结构变化、氧化、热疲劳和热腐蚀等[1]，直接影响燃气轮机的寿命和效率。保险公司Meher-Homji[2]指出：叶片故障是燃气轮机最主要的故障，占燃气轮机总故障的42%；同时，叶片故障会引起灾难性的后果，并伴随较高的经济损失。因此，燃气轮机叶片的故障检测和诊断就显得尤为重要。

目前，大部分公开的文献均是根据叶片通过频率(BPF)、振动振幅的相对变化及其谐波来对叶片故障进行检测和诊断[3-7]。叶片故障包括摩擦，裂缝，外物损伤(FOD)，叶片变形(扭曲、蠕变、腐蚀和侵蚀)，叶片结污和旋转失速，叶片疲劳失效和叶根附件问题(根部裂纹和叶片松动)。

1 燃气轮机叶片振动诊断测量方法

诊断是一种通过收集系统运行中特定信号并识别系统运行状态的技术。在燃气轮机故障诊断领域，振动信号是通过测量外部套管(轴承套管)数据或轴位移信息提取出来的，若能正确分析所测振动信号，就可以准确地判断燃气轮机的运行状态。目前，燃气轮机叶片振动的测量方法可以分为两类：(1)接触测量或直接测量，例如使用压力应变计测量叶片振动；(2)非接触式测量，例如将振动传感器安装到机器或轴承套管上，提取叶片振动响应信号并进行分析。使用叶片振动分析和振动特征分析诊断叶片缺陷已被广泛研究[6-7]。在使用振动信号监测和诊断燃气轮机叶片故障的同时，也可以使用叶片振动检测技术对燃气轮机性能和运行状态进行监控[7]。大量的文献报道了不同的叶片监测和诊断技术中信号的收集技术。

2 叶片振动监测和诊断技术

2.1 振动频谱分析技术

振动频谱分析技术(FFT)是最常用且有效的信号分析和诊断方法，它是通过对振动波形进行傅里叶变换，将振动信号中所包含的各种频率成分分解出来，与各种振动故障的特征频率进行比对，从而达到振动诊断的目的。Kuo[8]使用快速傅里叶变换处理监测到的叶片振动信号，成功检测到燃气轮机叶片松动故障。在进行振动监测的同时监测燃气轮机运行参数[9]，可使叶片摩擦故障更容易从叶片振动监测信号中诊断出来。在航空发动机振动监测领域, Jorge Barragan[10]认为，通过使用振动频谱分析技术对比已知的叶片故障，可以检测出绝大多数的叶片故障，其中包括FOD、叶片损伤、叶片磨损和叶片松动等。Cong等[11]使用冲击能量模型评估转子摩擦的影响，频谱分析结果表明，转子转速范围的改变代表不同的摩擦冲击故障。文献[12]表明，基于叶片振动测量的叶片故障诊断方法(静态和动态)虽然可以识别裂缝的存在，但是很难确定叶片裂缝的位置。随着非介入测量方法的发展，非介入测量方法测量叶片振动信号被广泛关注[13-15]。在这种测量方法的基础上，使用振动频谱分析技术分析测得的信号，被认为是诊断和检测由叶片裂缝引起的叶片固有频率变化的较有效方法[13-15]。在测量方法上，近年来开发出了低成本的光学检测系统，通过测量燃气轮机机壳的振动信号来判断叶片挠度或扭曲[16]。传统的频谱分析技术虽然被广泛用来检测和诊断燃气轮机叶片故障，但Leong[3]等通过案例分析了典型的燃气轮机振动，认为叶片故障作为燃气轮机的主要故障，并不能完全被传统的频谱分析技术诊断出来，这是由于燃气轮机振动信号并非平稳的随机信号，利用传统频谱分析技术分析燃气轮机振动信号的功率谱有一定局限性，会产生频谱分析质量不高的问题，影响后续处理。产生这一问题的根本原因在于传统频谱分析技术在对时域信号进行加窗的过程中造成了频谱泄漏，影响了谱估计的效果，数据采样点数越少，相当于加窗长度越短，则频谱泄漏效应越明显。因此，该方法的应用有一定局限性。

2.2 小波分析技术

小波分析方法是在时频分析方法的基础上发展而来的，时频分析方法的基本思想是将有限的信号分解到一组正交基上，这组正交基或可数，或不可数，但在给定的信号函数空间上都是稠密的。而短时傅里叶变换则在正交基上又增加了1组时间窗，从数学上说，是将分解信号后的信号再进行一次分解。而小波分析即寻找1组函数，使其成为在能量有限信号的函数空间稠密的正交基，并且单纯地由一个函数的伸缩和平移生成。简单来说，小波分析是一种有效的提取动态信号时间频率的信号处理工具。N.Aretakis等[17]通过使用小波分析技术分析测得的振动、压力和声学信号来诊断涡轮故障。研究结果表明，小波分析技术优于传统的频谱分析技术(FFT)。近年来，越来越多的学者通过小波分析技术分析在燃气轮机机壳测得的振动、形变和声学信号，来检测和诊断燃气轮机故障[18]。研究证明，健康机组和故障机组的叶片BPF波图有明显差别，通过实验证明，短时傅里叶变换(STFT)和小波变换可以有效地提取叶片裂缝的特征，通过该方法可以快速诊断叶片的故障。基于转子动态小波图(RDWM)和叶片通过能量包(BPEP),Lim等也[19]提出2种振动分析模型并通过实验对其可行性进行了验证，结果表明，这种方法不但可以检测和诊断叶片摩擦故障，还可以通过BPEP判断叶片摩擦的位置、叶片故障的数量和摩擦的剧烈程度等。但这种方法的局限性在于无法检测稳定工况下的叶片松动故障[20]。因此，小波分析对特定的燃气轮机叶片故障有较好的检测和诊断效果。

2.3 神经网络和模糊理论预判分析方法

模糊神经网络是近年来智能控制领域的热点，它既具备模糊系统便于理解、可以表达人的经验性模糊知识的特点，又有神经网络的并行处理容错能力和强大的自学习、自组织、自适应能力，因而，将其应用于燃气轮机故障诊断这种高度非线性系统非常合适。近年来，采取基于人工神经网络和模糊理论的在线智能诊断系统诊断燃气轮机叶片故障已被广泛研究[11]，这种方法可以识别质量不平衡和燃气轮机叶片松动等故障。Kyriazis[21]证明了概率神经网络是检测燃气轮机叶片故障的有效手段。基于人工神经网络理论，Angelakis等[22]也提出一种诊断燃气轮机叶片故障的方法，该方法通过处理测量得到的振动和其他相关参数，可以有效地区别叶片振动故障和其他故障，显示出巨大的潜力。也有学者[23]基于人工神经网络方法，提出一种预测燃气轮机叶片故障的方法，是通过在燃气轮机相似工作状况条件下模拟燃气轮机的运行特征，来检测和诊断叶片故障的方法，该方法可以根据输入数据自动执行诊断程序，并可以有效预测出是否存在故障和故障的类型。

2.4 基于模型的分析和其他技术

一些研究者基于叶片断裂的振动信号提出了诊断模型，利用诊断模型可以快速诊断叶片断裂故障，诊断结果符合实际的故障检修期结果。对于船舶和潜艇等流体机械设备的叶片，倒频谱分析方法检测叶片故障被认为是一种更有效的技术手段[24]。基于燃气轮机性能和振动检测，提出一种混合算法用来诊断叶片故障，这种方法的特点是当出现由叶片侵蚀和结污引起的故障时，可以有效地检测叶片侵蚀和结污的位置，基于该方法，开发了一种可商业应用的实时故障检测系统。

3 结论

由此可见，振动检测方法能够较为直观地进行测量，并且能反映燃气轮机的运行状态和工作条件，因此，振动检测被认为是简单有效的叶片故障诊断方法。但由于不同的振动测量手段及信号获取方式都存在一定的局限性，因此，下一步应系统地开发一套燃气轮机叶片故障诊断及分析的方法，该方法可以智能地筛选信号并匹配适当的信号分析模型，达到快速检测和诊断叶片故障的目的。

参考文献：

[1]Goel N, Kumar A, Narasimhan V, et al.Health risk assessment and prognosis of gas turbine blades by simulation and statistical methods[C]//Canadian Conference on Electrical and Computer Engineering.Niagara Falls：IEEE，2008：1087-1092.

[2]Meher-Homji C B.Blading vibration and failures in gas turbines, Part B: compressor and turbine airfoil distress[C]//ASME International Gas Turbine and Aeroengine Congress.Houston：ASME，1995.

[3]Leong M S.Field experiences of gas turbines vibrations：a review and case studies[J].Journal of System Design and Dynamics，2008，2(1)：24-35.

[4]Simmons H R. A nonintrusive method for detecting HP blade resonance[C]//Proceedings of the Joint ASME/IEEE Power Generation Conference.Portland:ASME，1986.

[5]Simmons H R.Nonintrusive detection of turbine blade resonance[C]//Third EPRI Conference on Incipient Failure Detection in Power Plants.Philadelphia：EPRI，1987：10-12.

[6]Beebe R.Condition monitoring of steam turbines by performance analysis[J]. Journal of Quality in Maintenance Engineering，2003，9(2)：102-112.

[7]Gupta K N.Vibration: a tool for machine diagnostics and condition monitoring[J]. Sadhana, 1997, 22(3)：393-410.

[8]Kuo R J.Intelligent diagnosis for turbine blade faults using artificial neural network & fuzzy logic[J].Engineering Application of Artificial Intelligence, 1995，8(1)：25-34.

[9]Südmersen U, Pietsch O, Scheer C, et al.Condition monitoring of steam turbines by combined vibration and process parameter analysis[C]//6th COTEQ Conference. Salvador :COTEQ, 2002.

[10]Barragan J M. Engine vibration monitoring and diagnosis based on on-board captured data[C]//RTO AVT Symposium.Manchester:MTU Aero Engines GMBH Munich，2001：8-11.

[11]Cong F, Chen J, Dong G, et al. Experimental validation of impact energy model for the rub-impact assessment in a rotor system[J]. Mechanical Systems and Signal Processing, 2011(7):1-10.

[12]Vaněk František, Procházka Pavel.Diagnostics of turbine blade vibration and damage pavel[J]. Journal of Physics, 2011, 35(11)：12116-12126.

[13]Maynard K P, Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 1: feasibility studies[J]. Noise and Vibration Worldwide, 2000,31(11)：9-15.

[14]Maynard K P, Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 2: resampling to improve effective dynamic range[J].Noise and Vibration Worldwide, 2001,32(2)：23-26.

[15]Maynard K P，Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 3: field application demonstrations[J].Noise and Vibration Worldwide, 2001，32(12)：16-23.

[16]Kawasima T, Iinuma H,Minagawa N.Optical semiconductor blade vibration monitoring system for gas turbine engine[J]. IEEE,1994，2(5)：601-604.

[17]Aretakis N，Mathioudakis K. Wavelet analysis for gas turbine fault diagnostics[J]. Journal of Engineering for Gas Turbines and Power，1997,119(4)：870.

[18]Aretakis N，Mathioudakis K.Wavelet analysis for gas turbine fault diagnostics[J].ASME Journal of Engineering for Gas Turbine and Power,1997，119(4)：870-876.

[19]Lim M H, Leong M S.Improved blade fault diagnosis using discrete blade passing energy packet and rotor dynamics wavelet analysis[C]//ASME Turbo Expo .Glasgow： American Society of Mechanical Engineers，2010：1-7,19.

[20]Lim M H，Leong M S. Diagnosis for loose blades in gas turbines using wavelet analysis[J].Journal of Engineering for Gas Turbines and Power, 2005,127(2)：314.

[21]Kyriazis A, Aretakis N, Mathioudakis K. Gas turbine fault diagnosis from fast response data using probabilistic methods & information fusion[C]//Proceedings of GT2006 ASME Turbo Expo: Power for Land, Sea & Air.Barcelona：American Society of Mechanical Engineers, 2006：1-9.

[22]Angelakis C, Loukis E N, Pouliezos A D,et al.A neural network-based method for gas turbine blading fault diagnosis[J]. International Journal of Modelling and Simulation，2001，21(1)：51-60.

[23]Loukis E, Mathioudakis K, Papailiou K. A procedure for automated gas turbine blade faults identification based on spectral pattern analysis[J]. ASME Journal of Engineering for Gas Turbine and Power, 1992，114(2)：201-208.

[24]Satyam M, Rao V S, Devy C G.Cepstrum analysis an advanced technique in vibration analysis of defects in rotating machinery[J]. Defence Science Journal, 1994，44(1)：53-60.