振动故障

随机森林算法具有抗噪声和计算能力强的优点，被广泛应用于旋转机械的振动故障诊断中，但在工业场景中存在样本较少、无法引入先验知识、准确度较低等问题。对此，基于层次分析思想，利用信息熵引入先验知识优化决策树，提出了基于IRF（改进随机森林算法）的汽轮机振动故障诊断方法。为验证所提方法的有效性和可靠性，采用某百万火电机组数据中心的真实运行数据集进行评估。计算结果表明，相较于经典随机森林算法，IRF能够在降低33%决策树数目的情况下具有更高的精确度和低漏报率，同时运行时间缩短至经典随机森林算法的11.4%，在火电机组实时精确振动故障诊断方面有较高的实用价值。

近年来，我国发电厂基本上实现了数字化。数字化电厂通过对电厂各类信息的数字化处理，借助于网络技术实现准确且可靠的信息交换和实时共享，将关于设备的海量数据存储起来，为机组的运行和维护提供科学指导和决策。其建设的最终目标绝不仅仅是一个信息化、数字化平台，而是对电厂设备和运行状态的优化决策和智能评判。数据不加以整理不能成为信息，信息不加以分析不能成为知识，知识不加以应用不能成为力量。这项工作建立在大量监测数据基础上，但更需要有专业的技术人员能对这些数据进行分析，对技术人员的要求极高。与欧美等先进工业国家相比，我国在发电设备的安全、监控和运行优化决策支持系统方面还存在较大的差距，电厂普遍存在特征提取与分析、诊断与决策功能薄弱的缺陷，设备有用信息被大量堆积，无法充分利用。这已经成为限制发电设备运维水平进一步提升的瓶颈问题。企业迫切需要一种有效的手段对海量信息进行挖掘和分析，以预知设备故障，从而进一步提高设备运维水平。 本项目提出在信息化、数字化电厂基础上，构建机组在线状态监测、预警和故障诊断平台，集工况监视、设备早期预警、设备健康分析、故障诊断及维修咨询为一体，将振动监测数据与负荷、压力等过程参数结合起来，在专家丰富诊断经验和理论知识基础上，建立故障特征提取模型、故障诊断模型，实现对机组状态和振动故障的智能预警、状态评判和综合诊断，指导机组运行和检修，进而减少维护时间，降低故障率。项目成果成功应用于湛江电力有限公司和茂名臻能热电有限公司7台机组，并在600MW、1000MW机组上推广应用，取得了良好的经济和社会效益。本项目研究成果推动了我国发电设备预警、故障诊断技术的发展，为互联网体系下电厂设备信息的大数据挖掘与分析提供了先进平台，对于杜绝发电厂恶性事故、减少一般性事故，全面提高发电厂机组的稳定可靠性和运行优化水平和提升企业经济效益具有重要意义。

本项目属于振动预警、故障诊断技术领域，主要面向电力行业旋转机械设备安全运行及治理需求，是中国大唐集团公司重大示范工程项目。本项目是深度灵活调峰条件下火电机组旋转机械设备振动故障治理的重大关键技术，国内外首次提出基于大数据的智能振动预警、故障诊断及监督管理一体化解决方案，并成功实现了大型机组旋转机械设备智能专家系统的整体工程化应用。 主要技术创新内容：构建了汽轮发电机组各个轴瓦的轴振、瓦振健康模型，提出了基于健康数据优选的BP神经网络智能预警方法，实现了汽轮发电机组的振动状态实时监测，解决了大型旋转机械振动早期精确预警的关键难题。应用模糊粗糙集理论和案例推理的研究方法，开发了基于人工智能的故障诊断技术，实现了汽轮机振动故障在线诊断，解决了故障征兆分类、搜索、识别方面在诊断效率及诊断误差概率的关键问题。基于PaaS数据服务平台，开发了集TDM数据、DCS参数、检修资料、专家知识于一体的多维度、一站式、多功能智能监督管理系统，实现了设备启停工况、典型运行工况的智能监督与安全对标。 本项目发表专利9项 论文5篇 软著4项 主编和参编标准3项，该创新成果已在大唐国际托克托发电公司进行了首期示范项目应用，实现了全厂十二台汽轮发电机组的在线监测、振动预警、故障诊断和技术监督管理等关键功能，达到了基于大数据的旋转机械振动管理专家系统一体化解决方案的预期研发目标。直接提高了设备故障诊断及日常监督效率，大幅降低了人员投入率，保障了重大电源点主设备运行安全，经济效益和社会效益显著。基于大数据的旋转机械振动管理专家系统，成功实现了大型机组振动预警、智能诊断及监督管理的一体化解决方案应用，推动了发电企业振动故障诊断和设备安全治理关键技术的进一步突破，有助于电力行业设备管理向智慧化的更高水平发展。