汽轮机故障诊断技术的发展和展望Word文档格式.docx
《汽轮机故障诊断技术的发展和展望Word文档格式.docx》由会员分享,可在线阅读,更多相关《汽轮机故障诊断技术的发展和展望Word文档格式.docx(5页珍藏版)》请在冰豆网上搜索。
2016年10月10日
汽轮机故障诊断技术的发展和展望
摘要:
汽轮机作为发电厂的重要组成部分,其能否正常运行决定了电力生产的效率。
然而故障在所难免,本文从汽轮机的故障信号出发,对汽轮机的故障诊断技术做出简单的概述,并对其故障诊断技术未来的发展趋势做出合理的展望。
关键词:
汽轮机;
故障诊断;
信号;
发展
DevelopmentandProspectoffaultdiagnosistechnologyforsteamturbine
Abstract:
asanimportantpartofthepowerplant,theturbinecandeterminetheefficiencyofelectricpowerproduction.However,thefaultisinevitable.Thispapermakesabriefoverviewoftheturbinefaultdiagnosistechnology,andmakesareasonableprospectofthefuturedevelopmenttrendofthefaultdiagnosistechnology.
Keywords:
Steamturbine;
Faultdiagnosis;
Signal,development
引言
火力发电厂的三大主机中,汽轮机组是驱动发电机发出电能的关键机械,在运转期间,汽轮机组的各个部件承受着强负荷和交变应力的作用,此外,汽轮机的工作环境也属于极端环境。
因此,汽轮机组被认为一种危险性大、故障频发的高速旋转机械。
对于发电厂汽轮机组来说,如果发生故障,轻则需要立即停机,这将会对发电厂造成严重的经济损失;
重则会引起设备毁坏或者人身伤亡。
状态检测、数据采集、信号处理与分析以及诊断和决策是汽轮机组故障诊断的核心内容。
1.信号采集与分析
1.1故障信号的采集
信号采集的实现需要依赖汽轮机故障诊断系统中的传感器。
就现阶段的传感器性能的研究中,多数注重的是对传感器可靠性的提高和对新型传
感器的开发上,也有对加强传感器诊断故障性能的研究,进而降低诊断失误和漏诊率,并采用信息进行诊断融合。
单就现阶段的传感器故障诊断技术而言,在硬件的缺陷还是比较明显的,直接导致了在实际中的应用比较少。
提高传感器信号可靠性和融合技术,确保传感器在使用中的可靠性在目前的信号采集中更为实用。
1.2故障信号的分析
信号的分析处理主要是针对振动信号的分析和处理,汽轮机故障诊断系统中采用快速傅里叶变换针对振动信号进行处理,快速傅里叶变换比较适用于平稳信号的情况下,所以得到广泛的应用。
但在实际生活中,大多数信号都不是平稳的,具有非线性特点,所以应该提高信号分析的精确度,促进信号的分析和处理。
采用图形进行辨识,提高分析的准确度。
随着计算信息技术的不断发展,对汽轮机振动信号的检测提出了很多新的方法,例如小波变化、全息谱分析、信号的分维数计算等。
这些先进的方法极大地提高了信号的分辨精确度。
2.故障的机理与诊断
2.1故障的机理
故障的机理指的是对汽轮机故障进行分析时,明确故障的产生原因和本质,针对故障机理进行分析,能够很好的进行故障的了解,是汽轮机故障诊断技术的基础技术,所以对于故障机理的分析时,应该对故障的规律、征兆以及类型进行全面分析。
针对大部分轴系故障,通常都是以振动信号分析为主,从故障在瀑布图上的振动特征以及振动频谱等来对故障进行识别,从而明白轴系故障的故障机理,对故障进行有效的诊断。
针对动静摩擦问题,可以合理利用对旋转机和摩擦进行在线监测的仪器,分别从其故障特性与诊断技术方面开展研究工作。
而针对汽轮机调节系统的故障诊断,主要根据调节系统卡涩和非卡涩原因造成的故障数学模型,从而实现对调节系统的诊断。
2.2故障诊断技术
汽轮机故障诊断中主要使用的技术有:
对比诊断、逻辑诊断、统计诊断、模式识别、概率因果网络、克隆记忆、模糊诊断、人工神经网络和专家系统等。
而目前研究比较多的是人工神经网络和专家系统。
(1)人工神经网络,又被称作神经网络,人工神经网络又是在神经学的基础上延伸出的十分热门的交叉学科,其涵盖了生物学、电子学、计算机学、数学、物理、化学和医学等多个学科,其应用的前景又十分广泛。
神经网络模拟人脑信息处理的人工网络系统,其以物理上可实现的器件、系统或计算机完成人脑的操作。
人工神经网络虽然没有人脑神经系统那么可靠性的扫描功能,但在某种程度上来说,确实实现了人脑的一些特有的能力。
人工神经网络在完成学习、记忆、模仿等基本功能的同时也具备识别和推理人脑的特有功能。
此外,人工神经网络系统还具有分布存储和容错性、大规模并具有处理、自学习、自组织、自适应性以及复杂非线性动态系统等多种复杂的能力。
(2)专家系统,是一种智能计算机程序系统,它的内部拥有十分大量的在某个领域上的众多专家水平的经验和知识,并且可以利用人类专家的知识和解决问题的思维来处理该领域的相关难题。
换一种说法就是,专家系统是一个具有大量的专门知识和经验的程序系统,它应用人工智能技术与计算机技术,根据某领域一个或多个专家提供的知识和经验,进行推理及判断,仿真人类专家的决策过程,从而解决一些需要人类专家亲自进行处理的复杂问题。
专家系统操作简便,具有逻辑推理和对符号信息进行处理的特点;
可以识别无法用数学模型表达的人类自然语言知识;
可以对时间提出结论的同时给出解释和说明。
诊断策略的研究还有:
模糊诊断用于振动故障诊断、用于层次模型、用于模式识别、用于转子碰磨诊断、用于通流部分热参数诊断的研究;
模糊关联度用于多参数诊断;
灰色理论用于故障诊断;
概率分布干涉模型用于诊断;
相关维数用于低频噪声诊断等的研究。
3.发展趋势与展望
随着汽轮机故障诊断技术的不断完善,必将实现高水平的汽轮机故障诊断技术,通过对汽轮机故障的分析和故障诊断技术中存在的问题进行了解,应该加大以下几个方面的研究力度,使汽轮机故障诊断技术得到更好的发展。
(1)实现全方位的检测技术,提高汽轮机故障的检测技术。
(2)故障机理的深入研究。
任何时候,故障机理的深入研究都将推动故障诊断技术的发展。
故障机理的研究将集中在对渐发故障定量表征的研究上,研究判断整个系统故障状态的指标体系及其判断阈值将是另一个重要方向。
(3)综合诊断。
加强汽轮机故障诊断的力度,开展全方位的故障诊断,主要对热影响诊断、性能诊断、油液诊断、温度诊断以及逻辑顺序诊断等方面进行综合诊断,实现汽轮机故障的有效排查。
(4)知识表达、获取和系统自学习知识的表达、获取和学习一直是诊断系统研究的热点,但并未取得重大突破,它仍将是继续研究的热点。
4.结语
汽轮机是发电厂正常生产电能的重要设备,其运行的安全性和稳定性对发电厂的正常运行起着十分重要的作用。
但由于其自身结构的复杂性和运行环境的特殊性,汽轮机的故障经常出现,因此故障诊断技术成为汽轮机钻研的探索的主要技术。
相关的工作人员应该不断的钻研和探索汽轮机故障诊断技术来最大化的加大汽轮机故障诊断技术的准确性,这样做的目的也是为了将汽轮机在工作上的安全性和可靠性进行大大加强,为我国的电力事业作出更大贡献。
参考文献
[1] 刘峻华,黄树红,陆继东.汽轮机故障诊断技术的发展与展望[J].汽轮机技术,2000,42
(1):
1-6
[2] 杨琦,李东羽,高岩,阎文松.国内外汽轮机故障诊断技术的发展现状[J].电力通用机械,2013,S1:
62-63
[3] 潘杰,张旭耀.浅析汽轮机故障诊断技术的发展[J].科技展望,2015,20:
73-74
[4] 董恒.汽轮机故障诊断技术的发展与展望[J].硅谷,2013,20:
6+13
[5] 韩少华.探析发电厂汽轮机的故障诊断技术[J].轻工科技,2014,08:
44-45
[6] 付丽莉.汽轮机故障诊断技术的发展分析和研究[J].科技创新与应用,2015,08:
89
[7] 乔海涛,冯永新.大型汽轮发电机组故障诊断技术现状与发展[J].广东电力,2003,02:
9-13
[8] 阎学深.浅析汽轮机故障诊断技术的发展与展望[J].科技创新与应用,2016,10:
113
[9] 梁萌.汽轮机故障诊断技术研究[D].大庆:
大庆石油学院,2005
[10] M.J.Roemer.Fuzzy-NeturoSchemeforFaultDiagnosisandLifeConsumptionofRotordynamicSystems.IntegratedMonitoring,DiagnosticsandFailurePreventionProceedingsofaJointConference,Mobile,Alabma,April22-26,1996
[11] N.Kurihara,M.Nishikawa,Y.Nagahashi.AMicrocomputerBasedVibrationDiagnosticSystemforSteamTurbinesandTurbo-GeneratorsinPowerPlants.IEEETransonPAS.Vol,PAS-103,No.6,1984,13
[12] Shao,Yongbo,Zhang,Aiping,Ye,Rongxue,Cui,Naidong.Developmentofacousticemissionandvibrationmonitoringinstrumentforrotatingmachinery.ConferenceInt.ConferenceonIntelligentManufacturing.Wuhan,China,1995
[13] M.Ingleby,G.P.L.Ronval.Automatictaxonomyandmodalanalysisforvibrationdiagnosis.IEEConferencePublicationn341Sep11-131991PublbyIEEp237-240
[14]X.Y.Wang,X.X.Li,F.S.Li.Analysisonoscillationinelectro-hydraulicregulatingsystemofsteamturbineandfaultdiagnosisbasedonPSOBP.ExpertSystemswithApplications,2010,37,3887-3892
[15] K.Salahshoor,M.S.Khoshro,M.Kordestani.Faultdetectionanddiagnosisofanindustrialsteamturbineusingadistributedconfigurationofadaptiveneuro-fuzzyinferencesystemsSimulationModellingPracticeandTheory,2011,37,1280-1293