彭彤宇

(江蘇華電昆山熱電有限公司，江蘇 昆山 215300)

0 引言

在燃?xì)廨啓C(jī)運行過程中，燃?xì)廨啓C(jī)各個部件，特別是受熱部分和旋轉(zhuǎn)組件(通常是葉片、燃燒室等)一般需要承受高溫、高壓和劇烈振動等沖擊，導(dǎo)致其出現(xiàn)蠕變、微觀結(jié)構(gòu)變化、氧化、熱疲勞和熱腐蝕等[1]，直接影響燃?xì)廨啓C(jī)的壽命和效率。保險公司Meher-Homji[2]指出：葉片故障是燃?xì)廨啓C(jī)最主要的故障，占燃?xì)廨啓C(jī)總故障的42%；同時，葉片故障會引起災(zāi)難性的后果，并伴隨較高的經(jīng)濟(jì)損失。因此，燃?xì)廨啓C(jī)葉片的故障檢測和診斷就顯得尤為重要。

目前，大部分公開的文獻(xiàn)均是根據(jù)葉片通過頻率(BPF)、振動振幅的相對變化及其諧波來對葉片故障進(jìn)行檢測和診斷[3-7]。葉片故障包括摩擦，裂縫，外物損傷(FOD)，葉片變形(扭曲、蠕變、腐蝕和侵蝕)，葉片結(jié)污和旋轉(zhuǎn)失速，葉片疲勞失效和葉根附件問題(根部裂紋和葉片松動)。

1 燃?xì)廨啓C(jī)葉片振動診斷測量方法

診斷是一種通過收集系統(tǒng)運行中特定信號并識別系統(tǒng)運行狀態(tài)的技術(shù)。在燃?xì)廨啓C(jī)故障診斷領(lǐng)域，振動信號是通過測量外部套管(軸承套管)數(shù)據(jù)或軸位移信息提取出來的，若能正確分析所測振動信號，就可以準(zhǔn)確地判斷燃?xì)廨啓C(jī)的運行狀態(tài)。目前，燃?xì)廨啓C(jī)葉片振動的測量方法可以分為兩類：(1)接觸測量或直接測量，例如使用壓力應(yīng)變計測量葉片振動；(2)非接觸式測量，例如將振動傳感器安裝到機(jī)器或軸承套管上，提取葉片振動響應(yīng)信號并進(jìn)行分析。使用葉片振動分析和振動特征分析診斷葉片缺陷已被廣泛研究[6-7]。在使用振動信號監(jiān)測和診斷燃?xì)廨啓C(jī)葉片故障的同時，也可以使用葉片振動檢測技術(shù)對燃?xì)廨啓C(jī)性能和運行狀態(tài)進(jìn)行監(jiān)控[7]。大量的文獻(xiàn)報道了不同的葉片監(jiān)測和診斷技術(shù)中信號的收集技術(shù)。

2 葉片振動監(jiān)測和診斷技術(shù)

2.1 振動頻譜分析技術(shù)

振動頻譜分析技術(shù)(FFT)是最常用且有效的信號分析和診斷方法，它是通過對振動波形進(jìn)行傅里葉變換，將振動信號中所包含的各種頻率成分分解出來，與各種振動故障的特征頻率進(jìn)行比對，從而達(dá)到振動診斷的目的。Kuo[8]使用快速傅里葉變換處理監(jiān)測到的葉片振動信號，成功檢測到燃?xì)廨啓C(jī)葉片松動故障。在進(jìn)行振動監(jiān)測的同時監(jiān)測燃?xì)廨啓C(jī)運行參數(shù)[9]，可使葉片摩擦故障更容易從葉片振動監(jiān)測信號中診斷出來。在航空發(fā)動機(jī)振動監(jiān)測領(lǐng)域, Jorge Barragan[10]認(rèn)為，通過使用振動頻譜分析技術(shù)對比已知的葉片故障，可以檢測出絕大多數(shù)的葉片故障，其中包括FOD、葉片損傷、葉片磨損和葉片松動等。Cong等[11]使用沖擊能量模型評估轉(zhuǎn)子摩擦的影響，頻譜分析結(jié)果表明，轉(zhuǎn)子轉(zhuǎn)速范圍的改變代表不同的摩擦沖擊故障。文獻(xiàn)[12]表明，基于葉片振動測量的葉片故障診斷方法(靜態(tài)和動態(tài))雖然可以識別裂縫的存在，但是很難確定葉片裂縫的位置。隨著非介入測量方法的發(fā)展，非介入測量方法測量葉片振動信號被廣泛關(guān)注[13-15]。在這種測量方法的基礎(chǔ)上，使用振動頻譜分析技術(shù)分析測得的信號，被認(rèn)為是診斷和檢測由葉片裂縫引起的葉片固有頻率變化的較有效方法[13-15]。在測量方法上，近年來開發(fā)出了低成本的光學(xué)檢測系統(tǒng)，通過測量燃?xì)廨啓C(jī)機(jī)殼的振動信號來判斷葉片撓度或扭曲[16]。傳統(tǒng)的頻譜分析技術(shù)雖然被廣泛用來檢測和診斷燃?xì)廨啓C(jī)葉片故障，但Leong[3]等通過案例分析了典型的燃?xì)廨啓C(jī)振動，認(rèn)為葉片故障作為燃?xì)廨啓C(jī)的主要故障，并不能完全被傳統(tǒng)的頻譜分析技術(shù)診斷出來，這是由于燃?xì)廨啓C(jī)振動信號并非平穩(wěn)的隨機(jī)信號，利用傳統(tǒng)頻譜分析技術(shù)分析燃?xì)廨啓C(jī)振動信號的功率譜有一定局限性，會產(chǎn)生頻譜分析質(zhì)量不高的問題，影響后續(xù)處理。產(chǎn)生這一問題的根本原因在于傳統(tǒng)頻譜分析技術(shù)在對時域信號進(jìn)行加窗的過程中造成了頻譜泄漏，影響了譜估計的效果，數(shù)據(jù)采樣點數(shù)越少，相當(dāng)于加窗長度越短，則頻譜泄漏效應(yīng)越明顯。因此，該方法的應(yīng)用有一定局限性。

2.2 小波分析技術(shù)

小波分析方法是在時頻分析方法的基礎(chǔ)上發(fā)展而來的，時頻分析方法的基本思想是將有限的信號分解到一組正交基上，這組正交基或可數(shù)，或不可數(shù)，但在給定的信號函數(shù)空間上都是稠密的。而短時傅里葉變換則在正交基上又增加了1組時間窗，從數(shù)學(xué)上說，是將分解信號后的信號再進(jìn)行一次分解。而小波分析即尋找1組函數(shù)，使其成為在能量有限信號的函數(shù)空間稠密的正交基，并且單純地由一個函數(shù)的伸縮和平移生成。簡單來說，小波分析是一種有效的提取動態(tài)信號時間頻率的信號處理工具。N.Aretakis等[17]通過使用小波分析技術(shù)分析測得的振動、壓力和聲學(xué)信號來診斷渦輪故障。研究結(jié)果表明，小波分析技術(shù)優(yōu)于傳統(tǒng)的頻譜分析技術(shù)(FFT)。近年來，越來越多的學(xué)者通過小波分析技術(shù)分析在燃?xì)廨啓C(jī)機(jī)殼測得的振動、形變和聲學(xué)信號，來檢測和診斷燃?xì)廨啓C(jī)故障[18]。研究證明，健康機(jī)組和故障機(jī)組的葉片BPF波圖有明顯差別，通過實驗證明，短時傅里葉變換(STFT)和小波變換可以有效地提取葉片裂縫的特征，通過該方法可以快速診斷葉片的故障?；谵D(zhuǎn)子動態(tài)小波圖(RDWM)和葉片通過能量包(BPEP),Lim等也[19]提出2種振動分析模型并通過實驗對其可行性進(jìn)行了驗證，結(jié)果表明，這種方法不但可以檢測和診斷葉片摩擦故障，還可以通過BPEP判斷葉片摩擦的位置、葉片故障的數(shù)量和摩擦的劇烈程度等。但這種方法的局限性在于無法檢測穩(wěn)定工況下的葉片松動故障[20]。因此，小波分析對特定的燃?xì)廨啓C(jī)葉片故障有較好的檢測和診斷效果。

2.3 神經(jīng)網(wǎng)絡(luò)和模糊理論預(yù)判分析方法

模糊神經(jīng)網(wǎng)絡(luò)是近年來智能控制領(lǐng)域的熱點，它既具備模糊系統(tǒng)便于理解、可以表達(dá)人的經(jīng)驗性模糊知識的特點，又有神經(jīng)網(wǎng)絡(luò)的并行處理容錯能力和強(qiáng)大的自學(xué)習(xí)、自組織、自適應(yīng)能力，因而，將其應(yīng)用于燃?xì)廨啓C(jī)故障診斷這種高度非線性系統(tǒng)非常合適。近年來，采取基于人工神經(jīng)網(wǎng)絡(luò)和模糊理論的在線智能診斷系統(tǒng)診斷燃?xì)廨啓C(jī)葉片故障已被廣泛研究[11]，這種方法可以識別質(zhì)量不平衡和燃?xì)廨啓C(jī)葉片松動等故障。Kyriazis[21]證明了概率神經(jīng)網(wǎng)絡(luò)是檢測燃?xì)廨啓C(jī)葉片故障的有效手段?；谌斯ど窠?jīng)網(wǎng)絡(luò)理論，Angelakis等[22]也提出一種診斷燃?xì)廨啓C(jī)葉片故障的方法，該方法通過處理測量得到的振動和其他相關(guān)參數(shù)，可以有效地區(qū)別葉片振動故障和其他故障，顯示出巨大的潛力。也有學(xué)者[23]基于人工神經(jīng)網(wǎng)絡(luò)方法，提出一種預(yù)測燃?xì)廨啓C(jī)葉片故障的方法，是通過在燃?xì)廨啓C(jī)相似工作狀況條件下模擬燃?xì)廨啓C(jī)的運行特征，來檢測和診斷葉片故障的方法，該方法可以根據(jù)輸入數(shù)據(jù)自動執(zhí)行診斷程序，并可以有效預(yù)測出是否存在故障和故障的類型。

2.4 基于模型的分析和其他技術(shù)

一些研究者基于葉片斷裂的振動信號提出了診斷模型，利用診斷模型可以快速診斷葉片斷裂故障，診斷結(jié)果符合實際的故障檢修期結(jié)果。對于船舶和潛艇等流體機(jī)械設(shè)備的葉片，倒頻譜分析方法檢測葉片故障被認(rèn)為是一種更有效的技術(shù)手段[24]?；谌?xì)廨啓C(jī)性能和振動檢測，提出一種混合算法用來診斷葉片故障，這種方法的特點是當(dāng)出現(xiàn)由葉片侵蝕和結(jié)污引起的故障時，可以有效地檢測葉片侵蝕和結(jié)污的位置，基于該方法，開發(fā)了一種可商業(yè)應(yīng)用的實時故障檢測系統(tǒng)。

3 結(jié)論

由此可見，振動檢測方法能夠較為直觀地進(jìn)行測量，并且能反映燃?xì)廨啓C(jī)的運行狀態(tài)和工作條件，因此，振動檢測被認(rèn)為是簡單有效的葉片故障診斷方法。但由于不同的振動測量手段及信號獲取方式都存在一定的局限性，因此，下一步應(yīng)系統(tǒng)地開發(fā)一套燃?xì)廨啓C(jī)葉片故障診斷及分析的方法，該方法可以智能地篩選信號并匹配適當(dāng)?shù)男盘柗治瞿Ｐ?，達(dá)到快速檢測和診斷葉片故障的目的。

參考文獻(xiàn)：

[1]Goel N, Kumar A, Narasimhan V, et al.Health risk assessment and prognosis of gas turbine blades by simulation and statistical methods[C]//Canadian Conference on Electrical and Computer Engineering.Niagara Falls：IEEE，2008：1087-1092.

[2]Meher-Homji C B.Blading vibration and failures in gas turbines, Part B: compressor and turbine airfoil distress[C]//ASME International Gas Turbine and Aeroengine Congress.Houston：ASME，1995.

[3]Leong M S.Field experiences of gas turbines vibrations：a review and case studies[J].Journal of System Design and Dynamics，2008，2(1)：24-35.

[4]Simmons H R. A nonintrusive method for detecting HP blade resonance[C]//Proceedings of the Joint ASME/IEEE Power Generation Conference.Portland:ASME，1986.

[5]Simmons H R.Nonintrusive detection of turbine blade resonance[C]//Third EPRI Conference on Incipient Failure Detection in Power Plants.Philadelphia：EPRI，1987：10-12.

[6]Beebe R.Condition monitoring of steam turbines by performance analysis[J]. Journal of Quality in Maintenance Engineering，2003，9(2)：102-112.

[7]Gupta K N.Vibration: a tool for machine diagnostics and condition monitoring[J]. Sadhana, 1997, 22(3)：393-410.

[8]Kuo R J.Intelligent diagnosis for turbine blade faults using artificial neural network & fuzzy logic[J].Engineering Application of Artificial Intelligence, 1995，8(1)：25-34.

[9]Südmersen U, Pietsch O, Scheer C, et al.Condition monitoring of steam turbines by combined vibration and process parameter analysis[C]//6th COTEQ Conference. Salvador :COTEQ, 2002.

[10]Barragan J M. Engine vibration monitoring and diagnosis based on on-board captured data[C]//RTO AVT Symposium.Manchester:MTU Aero Engines GMBH Munich，2001：8-11.

[11]Cong F, Chen J, Dong G, et al. Experimental validation of impact energy model for the rub-impact assessment in a rotor system[J]. Mechanical Systems and Signal Processing, 2011(7):1-10.

[12]Vaněk Franti?ek, Procházka Pavel.Diagnostics of turbine blade vibration and damage pavel[J]. Journal of Physics, 2011, 35(11)：12116-12126.

[13]Maynard K P, Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 1: feasibility studies[J]. Noise and Vibration Worldwide, 2000,31(11)：9-15.

[14]Maynard K P, Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 2: resampling to improve effective dynamic range[J].Noise and Vibration Worldwide, 2001,32(2)：23-26.

[15]Maynard K P，Trethewey M W.Blade and shaft crack detection using torsional vibration measurements, part 3: field application demonstrations[J].Noise and Vibration Worldwide, 2001，32(12)：16-23.

[16]Kawasima T, Iinuma H,Minagawa N.Optical semiconductor blade vibration monitoring system for gas turbine engine[J]. IEEE,1994，2(5)：601-604.

[17]Aretakis N，Mathioudakis K. Wavelet analysis for gas turbine fault diagnostics[J]. Journal of Engineering for Gas Turbines and Power，1997,119(4)：870.

[18]Aretakis N，Mathioudakis K.Wavelet analysis for gas turbine fault diagnostics[J].ASME Journal of Engineering for Gas Turbine and Power,1997，119(4)：870-876.

[19]Lim M H, Leong M S.Improved blade fault diagnosis using discrete blade passing energy packet and rotor dynamics wavelet analysis[C]//ASME Turbo Expo .Glasgow： American Society of Mechanical Engineers，2010：1-7,19.

[20]Lim M H，Leong M S. Diagnosis for loose blades in gas turbines using wavelet analysis[J].Journal of Engineering for Gas Turbines and Power, 2005,127(2)：314.

[21]Kyriazis A, Aretakis N, Mathioudakis K. Gas turbine fault diagnosis from fast response data using probabilistic methods & information fusion[C]//Proceedings of GT2006 ASME Turbo Expo: Power for Land, Sea & Air.Barcelona：American Society of Mechanical Engineers, 2006：1-9.

[22]Angelakis C, Loukis E N, Pouliezos A D,et al.A neural network-based method for gas turbine blading fault diagnosis[J]. International Journal of Modelling and Simulation，2001，21(1)：51-60.

[23]Loukis E, Mathioudakis K, Papailiou K. A procedure for automated gas turbine blade faults identification based on spectral pattern analysis[J]. ASME Journal of Engineering for Gas Turbine and Power, 1992，114(2)：201-208.

[24]Satyam M, Rao V S, Devy C G.Cepstrum analysis an advanced technique in vibration analysis of defects in rotating machinery[J]. Defence Science Journal, 1994，44(1)：53-60.