汽轮发电机组振动故障诊断技术研究进展

陈尚年，李录平*，张世海，欧阳敏南，樊昂，文贤馗

汽轮发电机组振动故障诊断技术研究进展

陈尚年1，李录平1*，张世海2，欧阳敏南1，樊昂1，文贤馗2

（1．长沙理工大学能源与动力工程学院，湖南省 长沙市 410014；2．贵州电网有限责任公司电力科学研究院，贵州省 贵阳市 550002）

高参数大容量汽轮发电机组的安全稳定运行对电力生产具有重要意义。综述了汽轮发电机组振动故障的机理、信号检测、信号分析、特征提取以及故障诊断方法。针对传统的智能诊断方法面临采样数据量大、信号特征提取困难、故障训练样本不足等问题，介绍了先进的传感技术和以深度学习为代表的新一代智能机器学习技术。通过分析得出结论：未来汽轮发电机组振动故障诊断技术应以人工智能、大数据、云计算等技术为核心，融合虚拟化及三维可视化技术，实现故障诊断的速度与精度相统一。

汽轮发电机组；特征提取；故障诊断；人工智能；大数据；云计算；深度学习

0 引言

汽轮发电机组作为电力生产系统的关键设备，造价昂贵、结构复杂、自动化程度高、运行工况多变，不同运行数据之间关联性强，往往面临多故障并存的风险，导致诊断数据信息量大增，机组状态信息存在严重的数据异构，信息冗余度高，不同的机组之间难以实现资源共享[1-4]。国内外关于汽轮发电机组故障诊断技术方面的研究已经有很大的进展，例如美国西屋公司研制出的TurbinID系统和GenAID系统，德国EPro公司研制的SCOPE系统等，在机组安全运行方面发挥着巨大的作用。另外，我国也在汽轮发电机组的故障诊断方面取得了一定的进展，如华中科技大学研制的汽轮发电机组振动监测与故障诊断专家系统和东南大学研制的基于知识的汽轮发电机组故障诊断专家系统等，对汽轮发电机组的安全运行和振动故障诊断起到了重要的作用[5]。

本文针对汽轮发电机组的转子不平衡振动故障、动静部分碰磨故障和转子不对中振动故障机理的分析，总结了近年来一些专家学者在汽轮发电机组振动故障机理方面的相关研究进展；概括了关于汽轮发电机组振动故障检测中应用的基于激光测量的信号检测技术、基于电测量的信号检测技术及基于光纤的信号检测技术的研究现状，对目前在机组振动故障信号分析方面较常应用的信号分析与特征提取方法，如基于时频的信号分析、基于模态分解的信号分析和自适应迭代滤波等振动信号分析方法进行归纳，并阐述了不同方法的优缺点。总结了在汽轮发电机组振动故障诊断方面所应用的故障诊断方法，如专家系统、支持向量机(support vector machines，SVM)、神经网络等方法。针对未来电厂趋于智能化、虚拟化运行的发展方向，为提高机组运行维护的效率，加快实现火力发电站全智能化运行，提出了以人工智能、大数据、云计算等技术为核心的智能诊断技术，并将其运用于汽轮发电机组振动故障的诊断技术中，为今后汽轮发电机组振动故障诊断技术的研究提供了相应的建议和参考。

1 汽轮发电机组振动故障机理

1.1 转子不平衡故障

对大功率汽轮发电机组转子系统而言，无论是单根转子还是整个轴系，转轴的第1阶临界转速均小于工作转速，因此，大功率的汽轮发电机组转轴均为柔性转子。在具有黏性阻尼的情况下，柔性不平衡转轴运动微分方程[6]为

方程(1)的解为

式中：A，B为系数，由初始条件决定；为转子阶临界转速；为轴长；表示初始相位角，由初始条件决定，

不平衡量的存在使转子各横截面质心的连线与各横截面几何中心连线不重合，从而产生的空间离心力系使转子或与转子相连接的支撑部件产生振动。Bin等[7]通过总结转子系统动平衡的方法，针对联轴器连接的多转子系统，建立了多转子运动的有限元模型，分析转子系统的不平衡响应，提出一种多转子系统的无试重虚拟动平衡方法。宾光富等[8]通过建立汽轮发电机组两跨三支撑轴系的有限元模型，求解轴系前3阶临界转速的振型，并通过实验施加同向和反向的不平衡激励，模拟了一阶和二阶不平衡响应特性。沈意平等[9]通过研究多跨转子系统在一阶和二阶不平衡激励下，转子系统的幅频、相频以及临界转速的变化特性，表明各转子间在临界转速附近的振动响应比较明显，会出现多个峰值的可能，且单支撑的多跨转子系统具有外伸端的振动特性。周生通等[10]通过分析柔性转子的弯曲故障和不平衡故障相互耦合共振的特性，构建了转子共振稳态响应的动力学函数模型，并通过实验仿真和计算验证了该模型的正确性。

1.2 动静部分碰磨故障

汽轮发电机组发生动静碰磨时作用在转轴上碰磨点的作用力[11]分别为：

1.3 转子不对中故障

联轴器连接的转子发生对中不良时，转子往往处于有轴线平行位移和轴线角度位移的综合状态[16]，转子受到交变力作用如式(7)所示：

当平行位移D和偏角存在时，交变力作用导致转子发生弯曲变形，当主动转子按一定转速旋转时，从动转子的转速会发生周期性变动，使其振动频率为转子转动频率的2倍。胡航领等[17]通过实验研究，表明三跨转子的单支撑轴系比双支撑轴系的耦合振动更为强烈，并对比了不同联轴器的振动响应。Lei等[18]利用转子中心线和轴心轨迹组合的特征趋势图描述了不对中与不平衡的响应变化特性。李自刚等[19]研究了交角不对中的柔性转子–轴承耦合系统的非线性动力学特性，结果表明：转轴的运动特性在某些参数变化下会出现分叉、跳跃及混沌等非线性特性，使转子失稳，增大横向振动。潘宏刚等[20]利用有限元分析和实验研究了双跨三支撑转子系统的不对中故障，分析表明不同的偏角量产生的不对中故障对倍频的影响较明显，在通过临界转速时3倍频的振幅倍率提升最大。

2 振动故障诊断技术

2.1 振动故障的信号检测技术

良好的信号检测技术能够实时监控汽轮发电机组运行状态的各类信号参量，以下为目前在振动信号检测中应用的3类传感技术。

2.1.1 基于激光的信号检测技术

基于激光测量的振动检测技术具有识别率高、测量范围大、适应性强等优点。田新启等[21]提出了一种基于位置灵敏探测器的激光传感器，用于旋转机械的振动信号检测，具有精度高、响应速度快以及稳定性好等特点。李志凤等[22]针对旋转部件的在线检测，提出一种能同时测量旋转机械轴弯曲振动、扭转振动及转速测量的激光多普勒振动检测技术。刘洋等[23]提出了基于虚拟现实的激光传感器数据多维可视化技术，用于数据采集与处理，以良好的三维可视性和灵活交互性能实现信号的快速采集处理和多维可视化操作。

2.1.2 基于电测量的信号检测技术

电测法是通过传感器将旋转机械的振动量转化为电信号或电参数变化，比如电涡流传感器具有高灵敏度、高分辨率、工作稳定性好以及具有较宽的测量范围[24]，目前在汽轮发电机组的振动测量中应用较为广泛。赵梓妤等[25]针对旋转机械动静间隙测量困难的问题，根据电涡流传感器测量原理，设计了一种高分辨率的微小间隙测量装置，用于旋转机械动态间隙的测量。Ye等[26]在汽轮发电机组末级叶片的振动检测中，提出了一种高频响应的电涡流传感器，用于汽轮机带冠叶片的振动测量。许泽玮等[27]通过涡流传感器测量不同状态下的轴径中心，并分析了轴瓦变形会导致轴径中心位置的测量误差。

2.1.3 基于光纤的信号检测技术

光纤传感器是由纤维光学、光电子学、智能材料及微结构加工等技术融合的一种新型传感器检测技术[28]，相比于传统的信号检测技术更能适应多维数据的信号检测，具有较高的检测精度，且适用于宽频微弱带信号检测。佟庆彬等[29]设计了一种用于高速旋转机械径向振动检测的反射式光强调制型非接触式光纤传感系统，通过测量旋转机械转子和定子之间的间隙，实现高速旋转机械径向位移的在线测量，进而实现设备运行状态直接有效的监控。Li等[30]研究一种基于磁耦合原理和FBG传感获得振动的非接触式光纤光栅振动传感器，用于汽轮机转子动平衡的振动测量，通过FBG振动传感器和电涡流位移传感器的对比实验分析，表明两者的时域、频域和时频变化的分析结果基本一致。Ye等[31]针对应变仪测量叶片振动特性的不足，提出了基于带透镜的光纤传感器，用于汽轮机带冠叶片同步振动的测量，通过对叶片振动试验的信号测量，表明带透镜的光纤振动传感器提高了信号测量的精度和速度。

2.2 振动故障信号的分析与特征提取

汽轮发电机组旋转部件的运动轨迹较为复杂，传统的故障信号分析方法，如幅值域分析法、傅里叶变换、相关分析法等[32]对信号的分析缺乏时效性，分析精度差且抗干扰能力弱。因此，振动故障信号的现代分析技术成为了研究热点。

2.2.1 基于时频信号分析的方法

在故障诊断中常用的时频信号分析方法，如短时傅里叶变换和小波分析等，能够将采集的汽轮发电机组振动的原始信号经合适的函数变换进行分析，此类方法能够观察其信号的结构，直接反映信号中的频率构成随时间变化的规律，并能在故障诊断中快速提取故障信号[33]。短时傅里叶变换[34]克服了标准傅里叶变换不具备局部分析能力的不足，将汽轮发电机组振动的时域特征和频域特征联系起来，分别从振动信号的时域或者频域观察信号的整体信息，能够分析平稳和分段平稳的信号，具有对确定性信号和平稳性信号处理的能力。但由于时频窗口固定，其信号提取的精确性受限于窗口的长度，因此适用于特征尺度大致相同的信号分析。

小波分析的本质是一种待分析信号与不同比例小波函数之间的近似计算，信号与小波函数越相似，故障越容易被提取[35]。当分解尺度和小波基确定时，信号频带就是固定范围，小波变换能够反映出信号的整体性，克服了傅里叶变换不能在时频域上局部化的缺点，能够较好地处理非平稳信号[36]。牛培峰等[37]采用小波包能量分析提取汽轮机故障的特征，该方法具有灵活的时频分辨率，能对汽轮发电机组的平稳信号进行表征，检测运行中的突变故障。Liao等[38]对汽轮发电机组振动的信号利用小波包进行频谱分析，提取振动信号的特征向量作为分类数据，建立以数据驱动的故障分类方法对特征向量进行分类验证，经实例验证了基于小波和数据驱动故障诊断分类方法的有效性。因汽轮机碰磨产生的振动信号为微弱冲击信号，胡三高等[39]通过对采集的汽轮发电机组碰磨故障的轴振和瓦振信号进行滤波处理，利用希尔伯特解调法对提取的瞬时冲击成分进行包络分析，通过小波奇异值检测碰磨引起信号突变的位置和持续作用的时间。李宏坤等[40]针对旋转机械早期的故障信号特征表现微弱问题，提出小波尺度谱进行同步平均和小波脊线的解调方法，经过仿真分析与实验验证了该方法对微弱故障信号特征提取的有效性。Umbrajlaar等[41]在对转子系统的不对中故障进行分析时，应用了离散的小波变换与模糊逻辑相结合的方法，实验结果表明，利用该方法能够预测转子系统的不对中程度，提高故障分析的精度。

2.2.2 基于模态分解的方法

汽轮发电机组运行的振动参数具有海量、高维、及非线性和非平稳的特点，基于傅里叶变换和小波分析的方法对此类信号的分析适应性弱。因此，模态分解方法能够自适应地处理振动信号，对振动信号进行解调，将复杂非平稳信号分解为多个瞬时频率，得到完整的信号时频分布，有效提取了振动信号的特征[42]。文献[43]中将局部模态分解方法应用在故障信号的处理中，将给定信号分解为多个单分量调频–调幅信号和单调函数，组合所有的单分量调幅–调频信号，获取给定信号的完整时频分布。文献[44]中针对汽轮发电机组振动信号经验模态分解的模态混叠现象，采用了集合经验模态分解和云模型相结合的方法，有效地提取振动信号并做降噪处理，提高了故障特征的识别率。田松峰等[45]利用变分模态分解和相对熵云模型把故障信号分解为多个模态分量，根据各分量和原始信号相对熵的大小，去除故障信号中夹杂的伪分量信号，利用逆向发生器提取输入云模型的最佳分量的特征向量。该方法相比于传统的经验模态分解方法，能够在一定程度上有效抑制端点效应，避免包络、欠包络及模态混叠的出现。

2.2.3 基于自适应迭代滤波的方法

滤波是通过迭代筛选的方法得到每个本征模态函数(intrinsic mode function，IMF)分量，首先经内循环过程对信号滤波构造滑动算子迭代筛选每个IMF分量，然后外循环终止内循环的IMF分量提取过程。自适应迭代滤波[46]通过自适应局部迭代滤波将原始信号分解为一系列瞬时频率，再利用希尔伯特变换对每个瞬时频率进行求解。因汽轮发电机组的振动故障信号往往是多分量的非平稳信号，自适应迭代滤波相比于其他信号分析方法可以自适应地选取滤波函数，有效提取多分量的非平稳特征信号，同时还有效避免模态分解中存在的过包络、欠包络及模态混叠问题。Lin等[47]通过迭代滤波算法代替传统的经验模态分解方法，对信号进行分解，求其曲线拟合函数。Cicone等[48]提出的自适应局部迭代滤波能较大程度提高信号的分解，对噪声和异常信号具有抗干扰能力。唐贵基等[49]提出了一种自适应噪声完备集合鲁棒局部均值分解的特征提取方法，通过对转子不平衡和动静碰磨故障模拟信号的处理，表明该方法能精确提取故障的特征，并准确识别故障类型。

2.2.4 基于图像表征的信号特征提取

基于对称点模式 (symmetrized dot pattern，SDP)算法的图像表征是将原始信号经过降噪处理后，利用SDP对时域信号进行变换，将一维的时间序列信号变换为极坐标空间下的图像，在极坐标空间下不同的形状特征反映出不同信号的原始特征[50]。能够将振动信号映射为可视化表达形式，有效避免了特征信息丢失；特征信息融合SDP图能够更清楚、直观、全面地表征转子的振动信号特征，提高不同状态特征间的可区分度[51]。为去除所提取特征信号中含有的冗余信息，文献[52]通过SDP算法对原始信号进行特征提取，再利用线性局部切空间排列(linear local tangent space alignment，LLTSA)对所提取的信号做降维处理后输入支持向量机进行分类识别，去除形状特征中的冗余信息，获取高维非线性数据中低维精确的特征数据。朱霄珣等[53]通过在转子上多个位置固定的传感器采集振动信号，使用SDP融合多传感器的信号特征，将高维非线性信号转化为可视化图像，结合卷积神经网络对故障状态进行识别，相比于其他的智能诊断状态识别，具有精准、高效的故障状态识别能力。

3 振动故障诊断方法

故障诊断技术的智能化发展日趋成熟，基于知识、模型及数据分析的故障诊断方法已经有较成熟的研究。

3.1 基于专家系统的故障诊断方法

基于专家系统的故障诊断方法根据其原理的不同分为基于规则推理、案例推理、模型推理等方法。因汽轮发电机组故障信息难提取，且多故障并存现象使得单一的故障诊断方法很难实现精确的诊断，如基于规则式推理过程易于理解，推理速度快，但是知识获取不易、诊断效率低、对多故障并存问题诊断能力低；基于案例推理无须进行规则提取，求解方式简单、准确，但诊断速度过慢，推理过程不易理解[54-55]。Yang等[56]通过对机组的故障诊断研究，提出了基于模糊规则推理和基于案例推理方法所集成的专家系统，并通过实例证明了此方法诊断结果的准确性。Yan等[57]建立了一种基于规则推理和案例推理相结合的专家系统，从汽轮发电机组的故障知识中提取规则，用于汽轮发电机组的故障诊断，经过实例验证，多技术融合的故障诊断方法不仅缩小了故障信息的搜索范围，同时提高了故障检索效率、故障的诊断精度及系统的可靠性。Fang等[58]研究汽轮发电机组故障诊断时，针对转子不平衡和转子与静止部件碰磨故障的信号采样率相对较低的问题，提出将专家系统与神经网络分析相结合的故障诊断方法，用于消除不同的信号值所产生的干扰，测试结果表明，专家系统与神经网络技术的融合，将故障信息并行处理、自学习和联想记忆，能够对故障的复杂信息进行精确识别，使故障诊断技术得到优化。

3.2 基于支持向量机的故障诊断方法

支持向量机是基于统计学习理论与结构风险最小化原则的一种机器学习方法，针对汽轮发电机组故障的非线性样本，通过核函数能够将非线性样本映射到高维的线性特征分类空间，利用SVM分类器得到非线性分类的最优分类函数[59]。该方法具有结构简单的数学表达和直观的几何解释，能够实现快速学习与诊断，利用有限的样本集得到独立函数，提高机器学习的泛化能力，有效诊断汽轮发电机组的振动故障。Lin等[60]基于支持向量机的机械故障诊断原理，利用故障模拟数据建立了多故障分类器模型，并在汽轮发电机组的故障分类中得到了验证。石志标[61]等针对轴系振动信号的瞬态冲击特征受噪声干扰难以提取的问题，通过小波变换将采集的振动故障信号分解为一系列单分量信号，由相关度原则选取异常本征模态函数，并计算其排列熵值，构建特征向量，利用SVM实现振动故障的诊断与分类。文献[62]提出排列熵与果蝇算法优化相关向量机(improved fruit fly optimization algorithm-related vector machines，IFOA-RVM)相结合的方法，用于汽轮机转子振动故障诊断，利用自适应完备的集合经验模态将原始信号分解为多个IMF，利用排列熵计算IMF中的异常信号，将结果输入IFOA-RVM分类模型对故障进行诊断识别。

3.3 基于神经网络的故障诊断方法

基于神经网络的故障诊断方法，利用大量历史数据建立训练系统与决策结果间的映射关系，通过历史数据的积累，实现对模型的不断修正、自我进化与学习的能力[63]。文献[64]提到在大数据推动下以数据驱动的诊断方法采用多隐层网络逐层学习的方式从输入的数据中提取信息，满足对复杂系统中故障的高阶、非线性自适应特征的提取，其较强的表征学习能力使智能诊断技术更加准确、有效。周奇才等[65]针对旋转机械的故障诊断，提出了一维深度卷积神经网络，利用卷积网络的卷积层和池化层来实现输入数据的特征提取和自学习，将实验模拟数据输入该模型进行验证，相比于传统的神经网络分析方法，该模型具有较深的网络结构，能进行复杂的特征学习和分类。Wang等[66]提出一种具有3种连接权值和改进的相关函数的加权可拓神经网络(weighted- extension neural network，W-ENN)，用于汽轮发电机组的故障诊断中，经过与ENN等相关模型进行对比分析，表明W-ENN模型具有较强的抗噪声能力，在小样本集环境下能够实现较高的故障识别精度。王崇宇等[67]通过建立汽轮机转子模型，模拟不平衡和不对中的故障信号，利用深度卷积神经网络故障检测方法实现了单一简单故障的位置、故障程度等多任务的协同检测。

3.4 新一代人工智能故障诊断技术

随着大数据、云计算、虚拟化、数字孪生等信息技术的发展，人工智能技术通过构建分布式数据计算系统实现数据分析计算、多物理量及数据的广泛采集与共享，突破传统数据之间的壁垒。将大数据与深度学习模型以及训练方法有机结合，能实现数据的高速计算处理、异常数据监测等功能。基于机器的深度学习、知识图谱和类脑科学等新一代人工智能技术，利用深度学习技术在人工神经网络的基础上增加网络隐层数量[68]，针对图像分析和故障诊断，借助先进智能感知技术，快速处理与深度融合多参数信息，实现“精度”与“速度”的统一，快速获取信息与知识分析需求。文献[69]提出再优化深度自编码器，使得燃气轮机无监督异常检测的性能得到提升。文献[70]将双向长短时记忆和胶囊网络相融合应用于机械故障诊断，利用双向长短时记忆网络对提取的故障特征进行融合，利用胶囊网络完成小样本的高精度故障诊断。

将智慧化的故障诊断技术应用于电厂中，集数字化、三维可视化、远程互动和协调、数据的深度挖掘与利用等技术的实现，能够推进以人工智能运行为核心的智能电厂的发展。

4 结论与展望

多传感器采集样本数据纬度高、故障的非线性特征信号微弱，并且采样频率的不同会造成特定数据的丢失及采样数据失效。与传统分析方法相比，新一代故障信号分析、特征提取及故障诊断方法借助于大数据、物联网、人工智能等信息技术，将以深度学习、强化学习、知识图谱和类脑科学等为核心的机器学习方法应用于故障诊断中，大数据技术与深度学习模型、训练方法相结合，能够实现数据的高速计算处理、异常数据监测等功能。

1）未来电厂的运行将会向智能化、虚拟化的方向发展，实现全智能运行的目标将是今后研究的重点之一。将智能测量设备应用于故障检测中，研发高性能的传感器，重点以无线智能传感器和多参量传感器等为研究对象，借助于5G通信网络，实现对故障数据的多元化采集和深度化采集，将故障信息通过可视化图像的表达方式传递给数据终端，实现机器的自主学习和自动检测分析。

2）随着人工智能、大数据、云计算等技术的发展，未来汽轮发电机组故障诊断技术将以深度学习、知识分析、大数据智能计算、云服务自主控制等为核心，在现有的故障诊断技术上，借助成熟的理论知识，利用物联网技术、虚拟化、三维可视性及数字孪生等信息技术，建立区域性的机组实时信息监控及故障诊断系统。

3）通过建立基于深度学习的知识图谱模型，采用多技术融合的机器学习代替传统的故障分析方法，开发具有自感知信息能力、同时进行故障信息采集分析、提取故障特征并进行自主学习训练的故障诊断系统。

4）通过人工智能技术、计算机软件技术以及远程网络监测技术，利用高带宽的信息传输通道，实时地将分析结果和诊断意见以可视化的方式传递给技术人员，加快实现未来智能化电厂的步伐。

[1] 孙和泰，孙彬，黄翔，等．汽轮发电机组振动故障诊断相关分析方法及应用[J]．汽轮机技术，2020，62(4)：292-294．

SUN H T，SUN B，HUANG X，et al．Correlative analysis method and application for vibration fault diagnosis of turbine generator unit[J]．Turbine Technology，2020，62(4)：292-94．

[2] 梁银林，张小波，翟璇．数据驱动的汽轮机健康状态管理技术综述[J]．浙江电力，2021，40(4)：120-126．

LIANG Y L，ZHANG X B，ZHAI X，et al．A review of data-driven health management technology of steam turbine[J]．Zhejiang Electric Power，2021，40(4)：120-126．

[3] 郝帅，吴昕，王明远，等．350 MW超临界机组汽轮机汽流激振分析及处理[J]．发电技术，2019，40(2)：168-174．

HAO S，WU X，WANG M Y，et al．Analysis and processing of the steam-flow exciting vibration in steam turbine of a 350 MW supercritical unit[J]．Power Generation Technology，2019，40(2)：168-174．

[4] 王志杰，陈厚涛，唐桢淇．基于运行数据的汽轮机阀门流量特性参数优化[J]．广东电力，2019，32(3)：32-36．

WANG Z J，CHEN H T，TANG Z Q，et al．Optimization on characteristic parameters of steam turbine valve flow based on operating data [J]．Guangdong Electric Power，2019，32(3)：32-36．

[5] 艾科勇．基于本体和信号分析的汽轮发电机组故障诊断技术[D]．兰州：兰州理工大学，2020．

AI K Y．Fault diagnosis technology of turbine generator based on ontology and signal analysis [D]．Lanzhou：Lanzhou University of Technology，2020．

[6] 黄金平．转子瞬态动平衡方法研究[D]．西安：西北工业大学，2006．

HUANG J P．Research on transient dynamic balancing method of rotor[D]．Xi’an：Northwestern Polytechnical University，2006．

[7] BIN G，LI X，WU J，et al．Virtual dynamic balancing method without trial weights for multi-rotor series shafting based on finite element model analysis [J]．Journal of Renewable & Sustainable Energy，2014，6(4)：130-136．

[8] 宾光富，李学军，蒋勉，等．三支撑轴系转子残余不平衡量相位差组合振动特性研究[J]．动力学与控制学报，2017，15(5)：446-452．

BIN G F，LI X J，JIANG M，et al．Vibration characteristics for residual unbalance phase difference of shafting with three supports[J]．Journal of Vibration and Control，2017，15(5)：446-452．

[9] 沈意平，宾光富，王钢，等．透平机械三转子四支撑轴系不平衡振动特性[J]．振动、测试与诊断，2018，38(5)：985-990．

SHEN Y P，BIN G F，WANG G，et al．Vibration characteristics for unbalance of turbomachinery shafting with three-rotor and four-support[J]．Journal of Vibration，Measurement & Diagnosis，2018，38(5)：985-990．

[10] 周生通，祁强，周新建，等．轴弯曲与不平衡柔性转子共振稳态响应随机分析[J]．计算力学学报，2020，37(1)：23-30．

ZHOU S T，QI Q，ZHOU X J，et al．Stochastic analysis of resonance steady-state response of rotor with shaft bending and unbalance faults[J]．Chinese Journal of Computational Mechanics，2020，37(1)：23-30．

[11] 崔亚辉，姚剑飞，徐亚涛，等．西门子1 000 MW汽轮机组轴系碰磨故障特性研究[J]．中国电力，2020，53(6)：133-139．

CUI Y H，YAO J F，XU Y T，et al．Theoretical study and experimental research on collision fault of shaft system of Siemens 1000MW steam turbine unit[J]．China Electric Power，2020，53(6)：133-139．

[12] 许琦，吴昊，赵立超，等．多跨转子系统耦合故障定量诊断方法[J]．振动工程学报，2015，28(3)：495-502．

XU Q，WU H，ZHAO L C，et al．Quantitative coupling fault diagnosis method of multi-span rotor based on harmonic components[J]．Journal of Vibration Engineering，2015，28(3)：495-502．

[13] ASJAD M M，DARPE A K，KSHITIJ G．Analysis of stator vibration response for the diagnosis of rub in a coupled rotor-stator system[J]．International Journal of Mechanical Sciences，2018，144：392-406．

[14] 王威，甘春标．不确定性激励下碰摩转子的振动响应识别[J]．振动与冲击，2019，38(18)：122-127．

WANG W，GAN C B．Identification of the vibration responses of a rub-impact rotor under uncertain excitations[J]．Journal of Vibration and Shock，2019，38(18)：122-127．

[15] 李傲，赵立，周传迪，等．碰摩拉杆转子弯扭耦合非线性动力学响应特性[J]．动力工程学报，2020，40(3)：205-211．

LI A，ZHAO L，ZHOU C D，et al．Nonlinear dynamic characteristics of a rod rotor with rub-impact faults under bending-torsion coupling[J]．Journal of Chinese Society of Power Engineering，2020，40(3)：205-211．

[16] 李洪亮，侯磊，徐梅鹏，等．基于HB-AFT方法的不对中转子系统超谐共振分析[J]．机械工程学报，2019，55(13)：94-100．

LI H J，HOU L，XU M P，et al．Superharmonic resonance analysis of misaligned rotor system based on HB-AFT method[J]．Journal of Mechanical Engineering，2019，55(13)：94-100．

[17] 胡航领，何立东，王晨阳．2N和N+1支撑三跨转子在三种联轴器下的振动特性实验研究[J]．振动与冲击，2017，36(5)：172-176．

HU H L，HE L D，WANG C Y．Tests for vibration characteristics of a N-span & 2N-support rotor system and a N-span & (N+1)-support one connected with three kinds of coupling[J]．Journal of Vibration and Shock，2017，36(5)：172-176．

[18] LEI Q，LIN J，LIAO Y，et al．Changes in rotor response characteristics based diagnostic method and its application to identification of misalignment[J]．

Measurement，2019，86：268-276．

[19] 李自刚，李明，江俊．交角不对中转子-轴承系统非线性动力学行为研究[J]．振动工程学报，2019，32(3)：509-516．

LI Z G，LI M，JIANG J．Nonlinear dynamics of rotor-bearing systems with a fault of angular misalignment[J]．Journal of Vibration Engineering，2019，32(3)：509-516．

[20] 潘宏刚，庞智元，肖增弘，等．多跨转子系统联轴器偏角不对中试验研究[J]．动力工程学报，2020，40(4)：305-310．

PAN H G，PANG Z Y，XIAO Z H，et al．Experimental study on misalignment of coupling deflection angle in multi-span rotor system[J]．Journal of Chinese Society of Power Engineering，2020，40(4)：305-310．

[21] 田新启，高亹．基于PSD的旋转机械振动传感器[J]．振动、测试与诊断，2010，30(6)：638-641．

TIAN X Q，GAO W．Rotating machinery vibration sensor based on position sensitive detector[J]．Journal of Vibration，Measurement & Diagnosis，2010，30(6)：638-641．

[22] 李志凤，赵登峰，马国鹭，等．回转件弯扭测量系统及其不确定度分析[J]．应用光学，2015，36(5)：778-783．

LI Z F，ZHAO D F，MA G L，et al．Bending and torsion measuring system of rotary parts and it's uncertainty analysis[J]．Journal of Applied Optics，2015，36(5)：778-783．

[23] 刘洋，曹宇，辛旭．基于虚拟现实技术的激光传感器数据多维可视化方法[J]．激光杂志，2021，42(2)：166-169．

LIU Y，CAO Y，XIN X．Multi-dimensional visualization method of laser sensor data based on virtual reality technology[J]．Laser Journal，2021，42(2)：166-169．

[24] 许良毅．汽轮机轴向位移、胀差的安装与调试[J]．控制工程，2009，16：171-172．

XU L Y．Eddy current transducer installation and debugging in turbine axis displacement and differential expansion[J]．Control Engineering of China，2009，16：171-172．

[25] 赵梓妤，刘振侠，吕亚国，等．高分辨率转子叶尖间隙测量传感器的设计及验证[J]．仪器仪表学报，2018，39(6)：132-139．

ZHAO Z Y，LIU Z X，LIU Y G，et al．Design and verification of high resolution eddy current sensor for blade tip clearance measurement[J]．Chinese Journal of Scientific Instrument，2018，39(6)：132-139．

[26] YE D C，DUAN F J，Zhou Q，et al．Vibrations measurements for shrouded blades of steam turbines based on eddy current sensors with high frequency response[J]．Journal of Measurement Science and Instrumentation，2019，10(4)：315-321．

[27] 许泽玮，杨建刚，沈德明．热应力引发的轴颈中心位置测量误差分析[J]．动力工程学报，2021，41(3)：208-213．

XU Z W，YANG J G，SHEN D M．Analysis of measurement error of journal center position caused by thermal stress[J]．Journal of Chinese Society of Power Engineering，2021，41(3)：208-213．

[28] 滕峰成，蔡亚楠，李志全，等．一种改进型光纤光栅振动检测系统[J]．仪器仪表学报，2005，26(5)：17-19．

TENG F C，CAI Y N，LI Z Q，et al．An improved vibration detecting system based on fiber grating[J]．Chinese Journal of Scientific Instrument，2005，26(5)：17-19．

[29] 佟庆彬，马惠萍，刘丽华，等．高速旋转机械径向振动检测系统关键技术研究[J]．仪器仪表学报，2011，32(5)：1026-1032．

TONG Q B，MA H P，LIU L H，et al．Key technology study on radial vibration detection system of high-speed rotating machinery[J]．Chinese Journal of Scientific Instrument，2011，32(5)：1026-1032．

[30] LI T，TAN Y，ZHOU Z，et al．Turbine rotor dynamic balance vibration measurement based on the non-contact optical fiber grating sensing[J]．IEICE Electronics Express，2015，12(12)：1210-1219．

[31] YE D，DUAN F，JIANG J，et al．Synchronous vibration measurements for shrouded blades based on fiber optical sensors with lenses in a steam turbine [J]．Sensors，2019，19(11)：156-163．

[32] Al-BADOUR F，SUNAR M，CHEDED L．Vibration analysis of rotating machinery using time–frequency analysis and wavelet techniques[J]．Mechanical Systems & Signal Processing，2011，25(6)：2083-2101．

[33] YU X，LI S，CHENG C，et al．An intelligent fault diagnosis method of rotating machinery based on deep neural networks and time-frequency analysis [J]．Journal of Vibroengineering，2018，20(6)：2321-2335．

[34] 向玲，李媛媛．经验小波变换在旋转机械故障诊断中的应用[J]．动力工程学报，2015，35(12)：975-981．

XIANG L，LI Y Y．Application of empirical wavelet transform in fault diagnosis of rotary mechanisms [J]．Journal of Chinese Society of Power Engineering，2015，35(12)：975-981．

[35] YAN R，GAO R X，CHEN X．Wavelets for fault diagnosis of rotary machines：a review with applications[J]．Signal Processing，2014，96：1-15．

[36] NIU P F，ZHANG J，ZOU G．Study on application of wavelet transform technique to turbine generator fault diagnosis[J]．Chinese Journal of Scientific Instrument，2007，28(1)：189-192．

[37] 牛培峰，张君，邹刚．小波分析技术在汽轮机故障诊断中的应用研究[J]．仪器仪表学报，2007，28(1)：189-192．

NIU P F，ZHANG J，ZOU G．Study on application of wavelet transform technique to turbine generator fault diagnosis[J]．Chinese Journal of Scientific Instrument，2007，28(1)：189-192．

[38] LIAO W，HUA W，FENG L．Fault diagnosis of turbine generator vibration based on wavelet packet and data-driven[C]//ISECS International Colloquium on Computing，Communication，Control，& Management．IEEE，2009．

[39] 胡三高，安宏文，马志勇，等．基于小波奇异值分析的汽轮机碰磨特征提取[J]．动力工程学报，2013，33(3)：184-188．

HU S G，AN H W，MA Z Y，et al．Feature extraction of rubbing fault for steam turbines based on wavelet singularity analysis[J]．Journal of Chinese Society of Power Engineering，2013，33(3)：184-188．

[40] 李宏坤，徐福健，高巧红，等．利用小波尺度谱同步平均的时频脊故障特征提取[J]．振动工程学报，2015，28(3)：487-494．

LI H K，XU F J，GAO Q H，et al．Fault feature extraction for synchronous averaging wavelet scalogram based on time-frequency ridge[J]．Journal of Vibration Engineering，2015，28(3)：487-494．

[41] UMBRAJKAAR A，KRISHNAMOORTHY A．Vibration analysis using wavelet transform and fuzzy logic for shaft misalignment[J]．Journal of Vibroengineering，2018，20(8)：156-161．

[42] LEI Y，LI N，LIN J，et al．Fault diagnosis of rotating machinery based on an adaptive ensemble empirical mode decomposition[J]．Sensors，2013，13(12)：286-294．

[43] 向玲，鄢小安．汽轮机转子故障诊断中LMD法和EMD法的性能对比研究[J]．动力工程学报，2014，34(12)：945-951．

XIANG L，YAN X A．Performance contrast between lmd and emd in fault diagnosis of turbine rotors [J]．Journal of Chinese Society of Power Engineering，2014，34(12)：945-951．

[44] 田松峰，胥佳瑞，王美俊，等．基于EEMD云模型与SVM的汽轮机转子故障诊断方法[J]．热力发电，2017，46(4)：111-114．

TIAN S F，XU J R，WANG M J，et al．A rotor fault diagnosis method based on EEMD cloud model and SVM[J]．Thermal Power Generation，2017，46(4)：111-114．

[45] 田松峰，魏言，郁建雄，等．基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断[J]．动力工程学报，2019，39(10)：818-825．

TIAN S F，WEI Y，YU J X，et al．Vibration fault diagnosis of steam turbines based on VMD and optimized LSSVM[J]．Journal of Chinese Society of Power Engineering，2019，39(10)：818-825．

[46] 唐贵基，庞彬．基于ALIF-HT的汽轮发电机组转子故障诊断[J]．动力工程学报，2017，37(11)：883-889．

TANG G J，PANG B．Fault diagnosis of a turbo-generator rotor based on ALIF-HT[J]．Journal of Chinese Power Engineering，2017，37(11)：883-889．

[47] LIN L，WANG Y，ZHOU H．Iterative filtering as an alternative algorithm for empirical mode decomposition[J]．Advances in Adaptive Data Analysis，2009，1(4)：543-560．

[48] CICONE A，LIU J，ZHOU H．Adaptive local iterative filtering for signal decomposition and instantaneous frequency analysis[J]．Applied & Computational Harmonic Analysis，2016，41(2)：384-411．

[49] 唐贵基，李树才，卢盛阳，等．基于CERLMDAN的转子故障诊断[J]．动力工程学报，2020，309(9)：34-41．

TANG G J，LI S C，LU S Y，et al．Rotor fault diagnosis based on CERLMDAN[J]．Journal of Chinese Power Engineering，2020，309(9)：34-41．

[50] ZHU X，ZHAO J，HOU D，et al．An SDP characteristic information fusion-based CNN vibration fault diagnosis method[J]．Shock and Vibration，2019(3)：1-14．

[51] ZHU X，HOU D，ZHOU P，et al．Rotor fault diagnosis using a convolutional neural network with symmetrized dot pattern images[J]．Measurement，2019，67：365-372．

[52] 张前图，房立清．基于图像形状特征和LLTSA的故障诊断方法[J]．振动与冲击，2016，35(9)：172-177．

ZHANG Q T，FANG L Q．Fault diagnosis method based on image shape features and LLTSA[J]．Journal of Vibration and Shock，2016，35(9)：172-177．

[53] 朱霄珣，罗学智，叶行飞，等．基于深度特征学习的汽轮机转子状态识别方法[J]．中国电机工程学报，2021，41(2)：432-442．

ZHU X X，LUO X Z，YE X F，et al．State recognition method of turbine rotor based on depth feature learning[J]．Proceedings of the CSEE，2021，41(2)：432-442．

[54] 王慧滨．基于规则和案例推理的汽轮发电机组故障诊断专家系统[D]．兰州：兰州理工大学，2014．

WANG H B．Fault diagnosis expert system of turbine generator sets based on rules reasoning and case reasoning[D]．Lanzhou：Lanzhou University of Technology，2014．

[55] 于达仁，王伟．基于规则的故障诊断计算复杂性分析[J]．动力工程，2007，27(3)：372-375．

YU D R，WANG W．On computational complexity of rule-based fault diagnosis[J]．Journal of Chinese Society of Power Engineering，2007，27(3)：372-375．

[56] YANG M，QIANG S．Reinforcing fuzzy rule-based diagnosis of turbomachines with case-based reasoning [J]．International Journal of Knowledge-Based and Intelligent Engineering Systems，2008，12(2)：173-181．

[57] YAN C F，WANG H B，ZHOU L L，et al．Fault diagnosis expert system of turbine generator sets based on rule reasoning and case reasoning[J]．Applied Mechanics & Materials，2014，513/517：4443-4448．

[58] FANG M，XU Z．Vibration fault diagnosis for steam turbine-generators based on history cases and artificial neural network[C]//2nd IEEE Advanced Information Management，Communicates，Electronic and Automation Control Conference (IMCEC)．IEEE，2018．

[59] XU C，HAO Z，PENG D．Study of fault diagnosis based on SVM for turbine generator unit[J]．IEEE，2012(5)：110-113．

[60] LIN S，ZHANG T．Fault diagnosis of steam turbine generator unit based on support vector machine[C]// International Conference on Measurement．IEEE，2014．

[61] 石志标，陈斐，曹丽华．基于EWT与排列熵的SVM汽轮机转子故障诊断[J]．汽轮机技术，2017，59(6)：439-442．

SHI Z B，CHEN F，CAO L H．Fault diagnosis of steam turbine rotor based on EWT and permutation entropy and SVM[J]．Turbine Technology，2017，59(6)：439-442．

[62] 石志标，陈斐，曹丽华．基于排列熵与IFOA-RVM的汽轮机转子故障诊断[J]．振动与冲击，2018，37(5)：79-84．

SHI Z B，CHEN F，CAO L H．Fault diagnosis of steam turbine rotor based on permutation entropy and IFOA-RVM[J]．Journal of Vibration and Shock，2018，37(5)：79-84．

[63] 杨楠，叶迪，林杰，等．基于数据驱动具有自我学习能力的机组组合智能决策方法研究[J]．中国电机工程学报，2019，39(10)：2934-2946．

YANG N，YE D，LIN J，et al．Research on data-driven intelligent security-constrained unit commitment dispatching method with self-learning ability [J]．Proceedings of the CSEE，2019，39(10)：2934-2946．

[64] 尚宇炜，郭剑波，吴文传，等．数据–知识融合的机器学习(1)：模型分析[J]．中国电机工程学报，2019，39(15)：4406-4416．

SHANG Y W，GUO J B，WU W C，et al．Machine learning methods embedded with domain knowledge (part i)：model analysis[J]．Proceedings of the CSEE，2019，39(15)：4406-4416．

[65] 周奇才，刘星辰，赵炯，等．旋转机械一维深度卷积神经网络故障诊断研究[J]．振动与冲击，2018，37(23)：39-45．

ZHOU Q C，LIU X C，ZHAO J，et al．Fault diagnosis for rotating machinery based on 1D depth convolutional neural network[J]．Journal of Vibration and Shock，2018，37(23)：39-45．

[66] WANG T，WANG J，WU Y，et al．A fault diagnosis model based on weighted extension neural network for turbo-generator sets on small samples with noise [J]．Chinese Journal of Aeronautics，2020，33(10)：2757-2769．

[67] 王崇宇，郑召利，刘天源，等．基于卷积神经网络的汽轮机转子不平衡与不对中故障检测方法研究[J]．中国电机工程学报，2021，41(7)：2417-2427．

WANG C Y，ZHENG Z L，LIU T Y，et al．Research on detection method of steam turbine rotor unbalance and misalignment fault based on convolution neural network[J]．Proceedings of the CSEE，2021，41(7)：2417-2427．

[68] HINTON G E，OSINDERO S，TEH Y W．A fast learning algorithm for deep belief nets[J]．Neural Computation，2006，18(7)：1527-1554．

[69] FU S，ZHONG S，LIN L，et al．A re-optimized deep auto-encoder for gas turbine unsupervised anomaly detection[J]．Engineering Applications of Artificial Intelligence，2021，101(12)：104199．

[70] TIAN H A，RM A，JZ B．Combination bidirectional long short-term memory and capsule network for rotating machinery fault diagnosis[J]．Measurement，2021，176：235-242．

Research Progress of Vibration Fault Diagnosis Technology for Steam Turbine Generator Sets

CHEN Shangnian1, LI Luping1*, ZHANG Shihai2, OUYANG Minnan1, FAN Ang1, WEN Xiankui2

(1. School of Energy and Power Engineering, Changsha University of Science and Technology, Changsha 410014,Hunan Province, China; 2. Electric Power Research Institute of Guizhou Power Grid Co., Ltd., Guiyang 550002, Guizhou Province, China)

With the increasing demand of power energy, the safe and stable operation of high parameter and large capacity turbo-generator sets is of great significance to power production. The vibration fault mechanism, signal detection, signal analysis, feature extraction and fault diagnosis methods of turbine generator set were summarized, respectively. Moreover, an advanced sensing technology and a new generation of intelligent machine learning technology represented by deep learning were introduced to solve the problems that traditional intelligent diagnosis methods are faced with, such as large amount of sampled data, difficulty in extracting signal features and shortage of fault training samples. It is summarized that the future vibration fault diagnosis technology of turbo generator sets should be based on artificial intelligence, big data, and cloud computing, supplemented by fusion virtualization and three-dimensional visualization technology, to achieve the unity of fault diagnosis speed and accuracy.

steam turbine generator set; feature extraction; fault diagnosis; artificial intelligence; big data; cloud computing; deep learning

2021-04-30。

10.12096/j.2096-4528.pgt.21048

TK 05

国家重点研发计划项目(2017YFB0903600)；南方电网公司重点科技项目(GZKJXM20172214)。

Project Supported by National Key Research and Development Program of China (2017YFB0903600)；Key Science and Technology Project of China Southern Power Grid Corporation (GZKJXM20172214).

(责任编辑 辛培裕)