炼油厂烟气轮机在线监测及故障诊断技术应用

张 哮

（中国石油大庆炼化公司检维修中心，黑龙江大庆 163411）

0 引言

炼油厂烟气轮机等重要设备的故障诊断大体包含4 个流程，即数据信号采集、特征提取、状态识别、诊断决策。随着人工智能技术的成熟，基本上可以实现烟气轮机状态监测、分析诊断、故障预判的一体化，无论是提高故障监测效率还是减轻人工压力，均发挥了明显效果。炼油厂在推广应用烟气轮机的在线检测与故障诊断技术时，应重点把握好监测点布置、样本训练、参数寻优等关键点，这样才能使监测数据更加全面、诊断结果更加精确，从而发挥在线检测与故障诊断系统的实用价值。

1 炼油厂烟气轮机在线监测方法

1.1 烟气轮机特征信号的选择

利用传感器获取烟气轮机的特征状态信号是实现在线监测和故障诊断的第一步，反映烟气轮机运行工况的特征信号有振动、位移、温度、转速等。机械振动是判断设备运行状态的关键指标，烟气轮机处于正常工况时，其振动频率往往呈规律变化；但是当机组发生油膜振荡、转子不对中等故障后，其振动频谱会变得杂乱无序，并且振动峰值明显升高。一般来说，炼油厂烟气轮机的轴振动值不得超过50 μm，监测值超过100 μm 时就需要紧急停机开展维修。同样，温度信号也是直观反映烟气轮机运行工况的重要参数，如果机组轴承、轮盘、入口烟气的温度异常升高，需要引起重视并立即排查故障。

温度、声音、转速等信号虽然也能监测烟气轮机的运行状态，但是在信号采集过程中容易受到干扰，并且信号内混杂着其他信息，不利于故障的监测和诊断。因此，振动信号是现阶段烟气轮机在线监测与故障诊断中最常用的信号。

1.2 烟气轮机测点的布置

选择合适的监测点，可以捕捉到最理想的振动信号，对提高故障识别的准确率有积极帮助。在布置监测点时，应着重考虑以下3 个因素：

（1）监测点必须尽可能地靠近设备振动敏感部位或设备的核心部件。

（2）烟气轮机长时间处于粉尘、高温等恶劣运行环境，应当使传感器避开这些位置，或采取适当的保护措施。

（3）为避免传感器发生故障影响监测的连续性，同一监测部位应分别设置2 个监测点，并且沿轴径方向呈45°。

基于上述原则，在一体式烟气轮机上共设置了18 个监测点。其中，1#～4#监测点位于烟气轮机的轴上，1#、2#测点位于前轴，3#、4#测点位于后轴。

1.3 传感器的选型

传感器用于采集烟气轮机的振动信号，并将其传输给终端系统。科学选用传感器可以保证采集信号的全面性、准确性，对实现故障的超前识别、准确诊断有积极帮助。目前在线监测与故障诊断装置中常用的传感器有电涡流式、压电式、磁电式、光纤振动式等，不同传感器的信号采集原理、监测范围、适用环境均存在明显差异。例如，压电式传感器的测量范围在0.2～10 kHz，常用于测量高速旋转机械的轴承座振动；磁电式传感器的测量范围在10～1000 Hz，常用于机壳、基座等非转动部件的振动测量。

光纤振动传感器由光源、敏感元件、光纤等组成，测量范围更宽（1 kHz～30 MHz），并且具有灵敏性好、探测距离长、不受干扰等特点，适合烟气轮机的在线监测。

2 基于小波分析的烟气轮机振动信号特征提取

2.1 小波分析特征提取的原理

函数小波变换的本质是将一个时间函数投影到二维的“时间—尺寸”平面上，这样就能使小波函数具有的所有特征，都能无差别地投影到小波变换域中，从而为信号特征的提取创造便利。本文提出用一组函数表示一个信号，或无限逼近这个信号的方法，这一组函数即“小波函数系”。小波分析信号具有两个明显的特点：一是时域和频域之积非常小；二是小波分析信号在时间轴和频率周上的分布非常集中。

对于采集到的烟气轮机振动信号，由于存在较多的外部干扰，因此低频部分和高频部分混杂、重叠的情况十分常见，影响故障诊断的准确性。而使用小波分析后，首先对采集到的振动信号（原始信号）进行小波分析，之后得到两个完全分开的低频和高频信号。高频信号不做处理，使用小波分析将低频信号进一步分解，继续得到一个频率较高和一个频率较低的信号，重复上述步骤进行连续分解，直到信号频率能够满足故障诊断的要求为止，这样就能提取到符合故障监测与诊断要求的特征信号。

2.2 小波分析在烟气轮机振动信号特征提取中的应用

将采样得到的振动信号进行N 层小波分解，并提取多次分解后的小波系数，对其做归一化处理，得到具有能量的特征向量。通常情况下，对烟气轮机振动信号做3 层小波分解，即可得到满足振动监测要求的特征向量。在3 层小波分解结构图中，除了原始节点（0，0）外共包含16 个节点，任意一个可用（i，j）表示，其中i 表示层数、j 表示节点序号。例如，（1，4）表示第1 层的第4 个节点。

在建立起3 层小波分解结构以后，按照以下步骤从采集到的烟气轮机振动信号中提取故障特征：

（1）将烟气轮机振动信号做3 层小波分解，并获得8 个高频、8 个低频共计16 个频段信号。

（2）提取小波分解系数并进行重构，获取各频带范围内的信号。在本文的研究中，由于前2 层小波分解的节点数量偏少，误差较大，因此不做考虑。只选择第3 层小波分解的节点展开进一步分析。

（3）假设第3 层所有节点重构后的信号以集合S3j（j=0，1，2…7）表示，则对应的能量可以用集合E3j（j=0，1，2…7）表示，进而可以求得该集合的总能量Ej。

（4）对重构信号的能量做归一化处理，得到各频段的特征向量，即为归一化处理后的特征向量。

使用Matlab 软件中的小波分析工具箱对样本数据降噪处理后，按照上述处理方法对降噪后的样本进行3 层小波分解，得到各频带信号图。观察后可以发现，不同工况下相同小波频段内重构后系数存在较为明显的差异，说明使用小波分析能够较为准确的判断烟气轮机的各种工况。求得各个频段能量并进行横向对比，烟气轮机在发生故障的情况下，其频段特征向量与正常工况时有明显差异。当发生转子不对中故障时，E31、E34、E35频段能量与正常工况差异明显；当发生转子松动故障时，E30、E37 频段能量与正常工况差异明显；当发生转子不平衡故障时，E33 和E36 频段能量与正常工况差异明显。由此可见，通过对比各类工况下同频段能量的差异，可以初步完成对烟气轮机有无故障，以及故障类型的判断。

3 烟气轮机故障诊断技术及其应用

3.1 实验方案设计

本实验选择某炼油厂240 t/a 催化四机组中的YL18000A型烟气轮机作为研究对象。

传感器在线监测到的烟气轮机振动信号，通过无线传输模块发送给故障诊断系统。该系统是基于Windows 7 操作系统，由LIBSVM4.0 工具箱开发，将样本数据进行格式转换并提取数据特征值，做归一化处理，然后通过参数寻优进行故障判断，故障识别的准确率较高。

3.2 实验数据处理

3.2.1 选择样本数据

从光纤振动传感器采集到的海量信号中，提取出3 种工况信号，分别是正常运行、转子不对中、转子不平衡。每1 种工况下随机选出100 组数据，每组数据中有250 个数据点，这样就得到了300 组样本数据。将正常运行下的100 组数据从1 开始进行编号，其中1～80 作为训练样本，81～100 作为测试样本。其他两组也做同样的处理。

3.2.2 样本降噪

因为烟气轮机处于高速度、高噪声的环境下，采集到的信号中可能掺杂了其他干扰噪声，直接分析振动信号会影响故障诊断的准确性。因此，在数据分析前还要经过一道降噪工序。振动信号的降噪方法为：

（1）利用小波包分解法，将采集到的原始信号分解成M 层。噪声信号包含在分解后的高频系数中。（2）对高频系数进行量化阈值处理，达到降低噪声的效果。（3）判断噪声处理是否满足要求，如果不满足则重复上述步骤，直到噪声干扰降低至允许范围。

（4）对分解后的第M 层系数进行信号重构，得到低噪声甚至不存在噪声的振动信号。

本次实验中，样本数据经过3 层小波包分解后，信号变得平滑、稳定，波形规则，可以较为准确地显示烟气轮机的运行状态，为下一步的故障诊断提供有利条件。

3.2.3 特征向量提取

采用小波包提取特征向量法，求出经过3 层重构后所得信号对应的能量E3i（i=0，1，2…7），以及重构信号的总能量Ei。

其中，xik为小波包系数重构后离散点的幅值，n 为采样点数。将计算所得的重构能量做归一化处理，得到相应的特征向量，即可完成对振动信号特征向量的提取。

3.3 基于PSO 参数寻优的故障诊断

本次实验中引入PSO（Particle Swarm Optimization，粒子群优化算法）进行参数寻优，这样可以直接调用PSO 参数寻优函数（psoSVMcgForClass）：

将准备好的训练样本和测试样本，分别输入到具有PSO 参数寻优功能的支持向量机中进行仿真实验，仿真结果为：

把寻优后求得的最佳参数c 和g，分别带入到支持向量机诊断程序中，可以实现对样本中故障的诊断。仿真实验中，100 组测试数据中，实际分类和预测分类只有7 个样本分类错误，即分类准确率为93%。这说明，基于PSO 参数寻优的故障诊断有较高的准确率。

4 结束语

基于振动信号的在线监测、实时传输和精准分析，是实现烟气轮机潜在故障识别与处理的必要前提。基于光纤振动传感器实时采集振动信号，再将所得信号进行小波包降噪处理和PSO参数寻优分析，可以使故障识别率达到90%以上，诊断结果的可信度较高。这不仅为后续技术人员进行烟气轮机的故障排查与修理提供了参考，还保障烟气轮机的正常、可靠运行。