汽轮机组凝汽器故障诊断方式研究
来源:用户上传
作者:
摘要：凝汽器是汽轮机组的重要组成部分，加强其状态检测与故障诊断技术自动化水平的研究与实现，有利于优化汽轮机组凝汽器的性能指标、提升系统运行的整体性能。本文主要介绍了凝汽器故障诊断的常用方法，分别是模糊模式识别、神经网络、模糊神经网络。希望与凝汽器故障检查诊断相关人员一起分享技术经验，共同提升凝汽器的运行效率。
关键词：汽轮机组；凝汽器；故障诊断；方法探究
凝汽器及其有关的辅助设备设施故障诊断是最常见的汽轮机组技术诊断技术之一，其主要由在线诊断与设备运行状态监测两个部分构成。故障诊断即结合状态监测过程中所获取的各类信息资源，参照已知的结构属性与参数及环境条件等，在设备设施历史运行记录等协助下，预测、报警、分析与判别设备在后续运行期间可能出现的故障类型及性质等。导致凝汽器运行期间出现的故障是多样化的，且很多故障具有模糊性特征，这在很大程度上增加了故障诊断难度。
1模糊模式识别法
该种故障诊断方法适用对象为自身具有模糊性或辨识要求上具备模糊性，通常包括两种归类方法：①直接法，即遵照最大隶属度规则进行归类，多被应用在单个故障的辨识领域；②间接法：依照就近原则进行归类，通常被应用在群体模型中。因为凝汽器故障诊断作业中辨识对象属于个体，故此多建议选用直接方法。
直接法在应用过程中通常被划分为三个步骤：首先，获取识别对象的特征，同时把对象p转型为模式p={p1，p2，～pn}。其次，建设隶属函数，这是辨识工作开展的关键点。最后，对目标对象进行辨识判断，具体是依照相应的归属原则对p进行判断，明确其属于哪种故障类别。辨识判断期间可遵照的原则较多，本文应用最大隶属度原则去辨识凝汽器故障形成的主要原因[1]。
1.1建设凝汽器故障论域分类及故障征兆集
提取数个预兆设为分析对象，依照二值逻辑，存在预兆记为“1”，反之记为“0”，此时，待辨识的对象就转型为一个由“1”或“0”组成的关系矩阵。故障原因分析过程中需考虑的论域P，即P={P1，P2，～Pn}。将不同故障类别视为论域U的模糊子集，故障诊断工作的目的在于辨识待检对象应归属于哪个模糊子集的问题。
1.2建设隶属函数
本文选择模糊模式识别中的直接法对凝汽器故障进行诊断，在求距离方法的协助下建设隶属函数。待检对象 ，其中x为故障发生时依照是否存在预兆分别取值1或0。计算其与典型故障模糊模式之间的距离（d），确定模糊模式的隶属函数： ，其中D为分子的最大值，凝汽器的常见故障有凝汽器的循环水泵严重故障、后轴封供汽中断、凝汽器满水、真空系统管路破裂等，以上数式可对以上故障类型做出判断。
2人工神经网络方法
最近几年中，人工神经网络方法凭借自体独有的想象、记忆、存储与学习等功能，在机械设备故障诊断中有较广泛的应用，其中以反向传播神经（BP）网络的成熟度最高，其属于多层结构，网络在学习过程中依照输入层→输出层的方向，结合目标输出与网络输出之间存在的偏差，按照一定次序修整不同层面神经元间的衔接强度与阈值，以降低误差[2]。
本文选择三层BP网络对汽輪组凝汽器故障进行诊断，过程如下：采用常规典型故障模式训练网络，在以上操作技术后就可实时迅速辨识凝汽器运转期间出现的故障类别。设定输入层节点数对应的故障预兆数N=16，与输出层节点数相对应的故障类型数L= 11；隐含层节点数设为9。设网络训练精度T≤0.009，神经网络中间层和输出层对应神经元响应函数均设为f（x）=1/（1+t-x）。利用MATLAB 6.5编程对BP网络进行训练仿真模拟，为推动学习进程，建议应用自适应学习率算法traindx进行，学习率 =0.86。在对训练过程进行分析期间，发现自适应学习率应用后，网络系统的运行速率显著提升，在短时间内就能达成预设精度，此外因为训练过程中有动量项参与，可明显提升网络运行的稳定性，此时网络能自主调整其学习速率以经由局部最小。
例如，在对凝汽器真空系统漏封堵故障诊断期间，可以对轴加水封带，气泵水封带进行注水、低压缸轴封、低压缸大气膜等部位进行查漏处理，最终真空严密性降低至：低背压凝汽器 0.204 KPa/min，高背压凝汽器 0.174KPa/min。技术人员在对本机低压缸本体、低加系统、凝结水系统等检查后，发现轴封结合面、缸体结合面、低压缸轴封，防爆门等存在漏点，全部泄漏部位均采用了1596密封胶进行封堵后，真空严密性试验结果表明，轴封压力提高至100KPa，结果为低背压51Pa/min. 高背压75Pa/min.合格，符合技术协议100Pa/min以下要求，验收合格。回顾本次故障诊断历程，笔者认为应维持负荷稳定>80%，在停止抽气设备的条件下，试验时间为8min，取5min的真空下降速度的平均值（Pa/min），对于300MW及以上机组的真空下降速度不高于100Pa/min
3模糊神经网络识别法
从本质上分析，神经网络识别方法属于一类黑箱型推理过程，尽管其能呈现出特征空间→故障模式空间运转情况，但是在透明性、概念清晰度等方面不占优势。正因如此，为提升智能辨识系统的运作性能，可将各类概念清楚明了的辨识方法和神经网络有机整合。建设模糊神经网络等多样化的神经网络类型。结合模糊系统与神经网络衔接形式与功能类型，两者整合方式通常有如下几种类别：①松散型，②并联型，③串联型，④网络学习型，⑤结构等价型。本文对串联型结合方法在凝汽器故障诊断中的应用情况做出如下分析。
模糊神经网络在机械设备故障诊断领域中的应用，先需将被诊断对象的征兆数据信息整合至系统中，在模糊隶属函数的协助下对数据进行模糊处理，继而将数据整合至BP神经网络内。此时神经网络的训练活动已结束且处于备用状态中[3]。严格遵照最大隶属度规则对设备故障进行映射处理，这样模糊神经网络系统就能对被检对象故障类型、性质等做出诊断结论。
在对某发电厂300MW汽轮发电机组凝汽器的故障进行诊断过程中，检测到某次故障参数有：循环泵电机电流40A、循环泵出口压力0.8MPa、转子差胀14mm，循环水温11℃，凝汽设备端差值为8℃，凝结水过冷度1℃、抽出空气和冷水进口之间的温度差值为4℃，凝汽设备抽气口到抽气器的气压差为0.03MPa，凝结水电导度0.2，电机电流26.6A，水泵出口压力0.17MPa。对以上参数进行模糊化处理，得到的故障模式为
R=[0.5，0.001，0.2，0.5，0.5，0.6，0.6，0.5，0.5，0.5，0.5，0.5]T，采用模糊神经网络识别法进行诊断，确定为循环水泵故障，和机械设备与实际的情况相符。
结束语：
凝汽器是汽轮机组的常见构件之一，其在运行期间可能出现多种问题，其对机组运行效率产生明显影响。故此加强设备故障诊断与处理具有很大现实意义，但有故障出现时，先要考虑是否存在误操作，其次有选择性的采用相关诊断方法，分析故障类型、性质，以为机组安稳运行提供充足保障。
参考文献
[1]鲁锦，刘汉金，刘娟，等.1000 MW机组凝汽器低真空故障特征向量的提取及应用[J].江西电力，2018，42（10）：49-52.
[2]陈轲.凝汽式汽轮机真空度降低的原因及分析处理措施探讨[J].当代化工研究，2018（09）：41-42.
[3]谭聪，金俊忠.燃气-蒸汽联合循环汽轮发电机组凝汽器真空下降分析[J].燃气轮机技术，2018，31（01）：56-59.
（作者单位：大唐黄岛发电有限责任公司）
转载注明来源:https://www.xzbu.com/1/view-14728142.htm
