火电厂引风机故障预警与诊断综述

张 令，刘 晖，李彦文，李政谦，樊 怡，赵立慧

（1.国电宿迁热电有限公司，江苏 宿迁 223803；

2.北京华电天仁电力控制技术有限公司，北京 100039；3.华北电力大学，河北 保定 071003）

0 引言

当前，随着火电厂节能减排工作的推进，排放的烟气要求越来越严格[1]，对烟风燃烧系统改进越来越完善。而引风机作为将高温烟气排出锅炉的装置，工作在高温、杂质多且摩擦腐蚀都很严重的工作条件下，很容易发生故障[2]。引风机作为常用风机中典型、重要、故障率最多且故障分析难度大的运行设备，对其进行故障预警与诊断成为研究的热点。

引风机作为故障类型繁多的设备，不同的信号之间相互耦合，且设备运行时会受到许多不确定性因素和随机干扰的影响[2]，导致对设备运行征兆与故障之间的关系未知。传统现场实际应用时，多采用运行数据进行阈值比对法，辅之以巡检的方法进行预警与诊断，不能够全面准确地进行预警与诊断工作。随着火电厂信息化的发展，通过对历史数据进行关键信息挖掘并将故障特征信息提取，使用于构建引风机智能大数据监控系统成为可能。

图1 引风机状态检修流程图Fig.1 Flow chart of induced draft fan status maintenance

对引风机进行诊断与预测的智能化是火电厂装备管理新的研究方向。其显著特点是构建火电厂厂级监控信息系统（SIS），在传统的故障诊断方案中引入了预测能力以及智能计算的思想方法[3]，形成一套尽早发现引风机故障早期征兆的运行状态检测系统。目前的研究成果[2-29]主要集中在利用风机故障历史数据，挖掘出不同的故障所对应的设备运行状态，从而达到判断出现故障的目的[4]。同时，刘涛等[2,11,12,23,24]提出使用模式识别方法，使用正常历史数据建立进行引风机状态库，使用相似性建模的多元状态估计方法。潘作为等[5,6,8,17,25-28]使用振动信号与运行参数数据进行分析，并设计实现了对应的监测系统。

本文总结了现有的火电厂引风机故障诊断与预警的方法与应用优缺点，同时从装备智能故障诊断角度，结合火电厂实际情况对方案进行综合评价与发展趋势分析。为构建火电厂引风机故障诊断与预警大数据平台提供方案参考。

1 发展历程

由于电站的引风机是火电厂重要机型之一，其设备的运行状态直接关系到机组的启停[6]。引风机主要依靠电机的旋转带动叶轮，使得进入进气箱的气体能够在叶轮中获取克服管网阻力所需的能量[2]。机械运转方面的故障通过传感器监测设备的温度、压力等来进行初步的判断，而性能方面的故障则需要使用运行数据来进行分析。同时，在风机的各个部件中，叶轮转子及其支撑轴承的故障率最高[7,8]。因此，滚动轴承、叶轮故障诊断是引风机故障诊断领域的主要研究对象[5]。

1.1 引风机智能故障诊断发展历程

图2 引风机测点分布Fig.2 Induced draft fan distribution

早期，火电厂引风机是通过巡检人员定时到现场检查振动、温度以及气压等参数来确定设备状况。这种检查为人工操作，较为繁琐且不能够在故障早期及时发现问题。此后，随着计算机在发电行业的普及，数据库、通信网络等可以实现对设备的远程监控目标。在此之后，引风机的监测逐步向自动化、智能化方向发展[9]。为了迎合电厂信息化趋势，国内外的大容量机组都安装有检查测点，监测数据实时接入电厂的运行监控系统，以供实时报警系统使用[5]。

现在电站的故障保护装置方式多采用点表阈值比对法。如果短时间设备的实时运行值未在报警系统中的点表设定运行范围内则报警；若在设定时长后运行数据仍旧处于异常运行状态，则将设备切除，机组将非计划停运。现有较为成熟且广泛应用的引风机状态检修实施平台设计的流程图见图1[10]。

该软件搭建了一个检修平台，首先从运行数据表提取出实时的数据进行状态评价和风险评估，同时根据维修记录来给出检修建议，运行人员根据软件的检修建议操作引风机。所需要进行后台操作优化的部分主要集中在数据操作模块，也就是智能故障诊断方法研究。

现有的智能故障诊断的研究方向主要集中在两个大方向。其一，使用多元状态估计法对引风机系统运行状态建模分析[2]；其二，使用包络分析的方法对振动信号等进行分析[5]。

1.2 引风机监测参数

目前对性能方面使用历史数据进行故障诊断的方式主要有两种：一种是使用振动信号进行分析得出设备异常[5,6,8,17,25,26,27,28]，另一种是综合使用振动、压力、叶轮转子转速以及电流信号构造状态矩阵进行分析[2,11,12,21,23,24]，而设备的转速可以使用电机功率来替代。当前火电厂都装备有SIS来实现引风机状态监测，SIS中含有能够反映引风机设备运行状态与故障信息的数据[11]。综合各类文献[2,5,6,8,11,12,17,24-28]总结研究所需要的测点，设备的主要测点分布情况见图2，参数说明见表1[2]。

SIS系统可以实时记录参数的运行数据，每条记录包括振动、温度、压力、流量、电压和电流共计22个参数[2,11]。其中，文献[2,11]使用全部22个测点进行相关性分析，筛选出相关性强的15个测点。文献[5]使用传感器测量4个振动幅值、风机出口压力、风机轴转速、电机电流7个测点。其余文献[6,8,11,12,17,24-28]使用的测点均能在图2、表1中取得。

表1 监测参数说明Table 1 Monitoring parameter description

图3 故障预警系统实现方法Fig.3 Method of fault warning system implementation

2 研究现状

2.1 多元状态估计法

随着数据挖掘技术的不断发展，使用模式识别的方法对引风机状态进行相似性建模的方法也具有很强的实际操作意义。其中，MSET（Multivariate State Estimation Technique）是由Singer等提出的一种非线性的多元预测诊断技术。通过分析实际监测参数与设备正常运行时的健康数据，估计正常运行时的各个参数的标准量，称为估计向量[12]。使用实际运行数据构造观测向量，运用估计向量与观测向量之间的距离衡量实际状态与正常状态的相似性来做出诊断[12]。

文献[2,11]在引风机故障诊断方案中使用MEST法。首先，采集SIS中引风机系统关键测点的正常情况下的运行数据，使用聚类方法得出大量正常运行历史数据的质心，使用质心来代表该类工况。通过计算实时运行状态向量与根据历史数据计算而成的状态估计向量，采用欧氏距离进行状态估计向量与实测向量之间的距离测算，作为相似度预测。如果距离超过了设定的阈值即进行报警。其实现方法流程图见图3。

这种多元诊断方式能检测设备状态初始劣化点的特点，可以捕获故障动态发展过程，实现风机故障预警[2]。但其需要大量的历史数据做支撑，如果历史状态库未能涵盖当前工况，则结果不具有参考性。且该方案对噪声很敏感，如果有某个测点数据出现传感器或数据传输异常，则会有误报警情况。该方案可以随着时间的累积越来越完善，且具有建模过程简单和物理意义明确等优点。该方法也是火电厂智能化诊断应用的热点研究方向。

2.2 振动信号频谱分析

引风机是高转速的旋转设备，其存在的故障会反映在振动信号内[13]。从振动角度出发，引风机振动的因素一般为引风机自身的振动和因为相关电机震动导致了引风机共振这两大类[5]。在排除了电机故障之后，确定是因为引风机故障造成的异常振动后，使用振动信号频谱分析的方法进行检测。

基于引风机的监测方法中，使用SIS中的数据进行信号分析与故障特征提取成为研究的热点[5]。其中针对实测振动瞬态信号，通过各种信号分析方法进行有效提取故障信息的手段已经广泛应用于工业现场实际中[5]。最基本的信号分析及故障特征提取方法是时域分析、频谱分析、倒频谱和包络分析，这些方法统称为经典方法[14]。同时，包络分析很好地实现滚动轴承振动调制信号的解调分析，提取轴承故障的特征信息，是振动故障特征提取的主要方法之一。文献[15]给出了希尔伯特变换在振动信号分析中应用研究的介绍。且文献[5]针对引风机使用小波与分形结合的故障特征提取方法，并研发了引风机振动监测系统。

分析振动信号的方法研究较为完善，相关的方法也层出不穷。具有包含故障信息丰富、反映速度快、对故障的可识别性强等突出优点。但是振动信号的主要缺点是对干扰噪声非常敏感，引风机的干扰信号较多，从振动信号中有效的分理出故障信号，确定干扰成分比较难。现有的引风机需要配合火电厂负荷进行自动调节，在提高其稳定性的同时，故障特征随时间变化易为非平稳信号，其数学基础、模型都很复杂，且较难理解。

3 发展趋势

在实际工业诊断中，振动信号分析具有准确、高效的优点，但是所需要的设备仪器多，且对运行人员分析操作要求较高，在火电厂引风机中应用不广泛。而多元状态估计法模型简单，应用便捷，逐渐成为火电厂常用的报警方法。但是，其不能够实现具体的故障诊断方案，且计算的精确度以及故障信息的丰富程度和响应速度还没有达到应用的要求。主要的发展趋势在于：逐渐完善数据库实时分析技术以及通信传输设备，使实时诊断响应速度得到提高；其次，完善运行数据库异常状态下的故障特征及其处理方式，建立故障诊断专家库，提高故障分类的准确度。

同时，由于数据库运行和故障分析需要有大量的硬件及软件资源，而智能故障诊断系统的运行维护是一个非常冗杂且专业要求很高的问题，电站维护开支较大。则从集团级研究出一个可以针对大数据、多接口、多电厂整合故障诊断平台将是可预见的重点发展方向之一。

4 结束语

本文针对引风机故障诊断问题，阐述了现有的引风机故障诊断系统的基本结构、故障预警及诊断方法。综合文献以及现场实地可以看出，现有应用引风机智能故障诊断的手段较为单一，能够达到实时报警的功能。使用历史数据进行状态检修的理论与实践还停留在小样本且无自适应能力的阶段，已建立的模型仍需要通过更多实测振动数据和故障案例验证，来检验所研发的系统的功能及故障诊断效果，经过现场实践不断改进提高系统的功能和可靠性。