基于改进KNN算法的火电厂汽轮机轴承故障诊断方法研究

林森 滕林辉 朱祥君 宫贺冉 李丹 程仕刚 尚昆波

摘要：随着国民经济的快速发展，无论是工业生产还是人们的日常生活，对电能的供给质量有了全新的要求。汽轮机作为现代火电厂的关键设备，其良好的运行状态是保障电能正常供给的有力基础，但实际的工作当中，汽轮机常出现各种故障，为工业生产和人们的生活带来了很大的影响。火电厂汽轮机轴承故障诊断方法直接对故障特征指标进行选取，却未对故障特征进行分类，造成传统方法识别精度低。通过火电厂汽轮机轴承故障信号数据，基于提取火电厂汽轮机轴承故障特征，引入 KNN 算法，通过 SVM 改进该算法，构建故障诊断方法。该方法以提取的特征数据为输入，输出故障诊断结果，实现火电厂汽轮机轴承故障诊断。

关键词：火电厂；汽轮机；轴承故障  

火电厂是社会的重要组成，其对人们的生活与工作有着密切的联系，可以为人类社会生产大量的电能，火电厂生产体系中，汽轮机发挥着重要的作用，如果汽轮机出现故障，则会影响火电厂的经济效益。汽轮机可以将热能转换成动能，可以带动火电厂生产系统的稳定运行，汽轮机轴承是比较容易出现故障的部件，维护人员一定要针对其常见的故障，制定出解决的对策，要做好细节优化工厂，这样才能降低设备故障出现的概率，才能保证火电厂供电的质量，保证人们可以正常用电。

一、火电厂汽轮机轴承概述

火电厂汽轮机是一种常见的机械设备，汽轮机轴承主要有两种类型，一种是支撑轴承，另一种推力轴承。支撑轴承又可分为三油轴承、圆筒型轴承以及椭圆型轴承。推力轴承只有一种类型，其主要是有瓦块与零部件构成的。汽轮机轴承对火电厂有着重要的作用，其可以为火电厂生产提供动力。火电厂汽轮机主要是将热能转换为动能，这一过程中需要利用轴承这一部件，轴承可以通过支撑转子的不平均衡性，产生较大的离心力，支撑转子与气缸保持一致，可以保证汽轮机正常运转。汽轮机在运转的过程中，轴承会产生较大的推力，但是如果轴向出现较大的偏移，则会引起故障，轴向移动较大位置会，汽轮机会做出保护动作，会自动停止运行，避免火电厂的其他设备出现故障。

二、轴承故障的原因

1、推力轴承烧损。如果是推力轴承烧损 ,常常和轴向位移事故联系在一起。 当正身或负向推力超过推力瓦承载能力或推力瓦油膜破坏时 ,都将发生推力瓦烧损事故。造成推力瓦烧损的原因 ,一般有以下方面:①汽轮机发生水击或蒸汽温度下降处理不当。 这方面情况发生的比较多 ,除在滑参数停机过程造成推力瓦烧损事故外 ,还可举出例子 ,有一台高压凝汽式汽轮机组带 70%负荷运行 ,由于锅炉水满 ,使主汽温度由 520℃降到 490℃以后又降到 300℃ ,使大量带水的蒸汽进入汽轮机 ,造成主击。而运行人员未按紧急停机处理 ,延误时间 ,推力轴承工作瓦块全部烧损。②由于蒸汽品质不良 ,叶片结垢。高压双抽气汽轮机 ,叶片结垢达 1. 5mm,经常带 80%负荷纯凝运行 ,高压加热器在停止中 ,窜轴保护因故至于信号位置。 在增加负荷过程中 ,轴承位移突然增大 ,推力瓦回油温度急剧升高 ,尽管立即打闸停机 ,但推力瓦块与金全部融化。 ③机组突然甩负荷或中压钢汽门瞬间误关,在做自动主汽门关闭超前于高压自动主汽门时 ,瞬间推力增大 ,推力瓦冒烟 ,使非工作瓦块烧损。 ④油系统进入杂质 ,使推力瓦块油膜破坏。如某台机冷油器更换铜管厚 ,因大量沙子和少量铜沫掉进冷油器内未加清理。投入运行后被油带进瓦轴内 ,使推力瓦油膜破坏而烧损。

2、支持轴承烧损。轴瓦烧损的现象是: 轴瓦乌金温度及回油温度急剧升高 ,油膜破坏 ,机组震动增大 ,轴瓦冒烟。支持轴承烧损的原因主要是润滑油压降低、轴承断油及灿承乌金层缺陷在运行中脱落的结果。产生的原因有: ①启、停和运行中切换冷油器对阀门操作顺序有误或切换时冷油器末放净空气、而对润滑油压又未加监视 ,使轴承断油 ,造成轴瓦烧损事故。②轴瓦发生转动 ,使轴承进油口与进油管偏离 ,造成轴承断油。③机组启动定速后 ,停止高压辅助油泵时 ,忽视对油压的监视。 注油器工作失常 ,主油泵失压而润滑泵又滑动有联动 ,引起轴瓦烧损。注油器工作失常的原因是油系统内积有空气未排除 ,停止高压辅助油泵后 ,主油泵大量供油时 ,空气进入一级注油器 ,使油泵入口断油 ,使油压下降 ,导致润滑油系统断油。

三、基于KNN算法的轴承故障诊断方法设计

1、火电厂汽轮机轴承故障特征提取。在完成火电厂汽轮机轴承故障考虑到组件中当前信号不足的缺点，可以通过测量其统计指标中的突变程度来诊断长传输路径。与将原数据转换为二维图像相比，特征提取始终基于一维数据信息，这可以显著降低计算的复杂性，并补偿长传输路径中的信息损失。选择常见的无量纲参数，提取火电厂汽轮机轴承故障特征，包括平均值、差值、标准差、平方根、弱点、钢度、波浪型因子、最大因子、脉冲因子、盈余因子和钢度因子，这些参数作为测量信号突变程度的指标，即提取的特征。故障的深度将缩小规模，不成比例地影响操作条件和信号的变化，并且其具备一定的鲁棒性。此外，为了获得进一步的故障信息，通过初始电流信号进行傅立叶分布，并且还从获得的频域信号中获得参数。如果出现局部故障轴承，上述统计指标可能会有不同程度的变化，其中钢度最为敏感。根据每个特征量的定义和计算公式的结果。初始故障机械部件的振幅较弱，没有显著影响，因此根的均方没有观察到显著变化。然而，对于较大的故障特征，如最大因子、脉冲因子、储备因子和转向因子则是非常敏感的，并且少量的冲击便可使其增大。中值均方根对早期故障不敏感，具有良好的稳定性，利于应用于严重的故障响应。故障特征提取流程的具体步骤如图所示。

基于每个特征的 M 值判断故障设置校正水平。如果M ＞0，则表明该特征与故障有关联，提取该电厂汽轮机轴承故障特征，并且输出提取的特征，将其作为后续的基于改进 KNN 算法的滚动轴承故障诊断输入。

2、基于KNN算法的滚动轴承故障诊断实现。在提取了火电厂汽轮机轴承故障特征后，为了进一步提高火电厂汽轮机轴承故障诊断准确性，引入 KNN 算法，并且通过支持向量机改进 KNN 算法，构建诊断方法，实现火电厂汽轮机轴承故障诊断。基于改进 KNN 算法的火电厂汽轮机轴承故障诊断方法的故障诊断。根据火电厂汽轮机轴承故障诊断流程主要以改进后的 KNN 算法为主，故障诊断方法的具体构建流程如下。（1）将提取的特征设置为样本集和测试集，输入训练好的卷积基。（2）在卷积后的故障数据正规化处理，该步骤采用归一化处理方法。（3）将处理后的火电厂汽轮机轴承故障数据输入KNN 算法。KNN 算法通过计算测试样本与训练样本之间的距离，找到与测试样本最接近的 k 个训练样本，然后根据这 k 个邻居的类别进行投票或取平均值来进行分类。（4）将 KNN 算法输出的数据分为训练集特征数据和测试集特征数据，其中训练集特征数据输入 SVM，并且经过粒子群优化算法迭代处理，得到最优化参数。（5）将得到的最优化参数带入到 SVM，得到训练好的 SVM，将 KNN 算法得到的测试集特征数据输入训练好的 SVM。（6）通过 SVM 得到火电厂汽轮机轴承故障诊断结果。基于改进 KNN 算法的火电厂汽轮机轴承故障诊断方法设计。

基于改进 KNN 算法的火电厂汽轮机轴承故障诊断方法研究，以解决复杂多变的操作条件和大量的故障诊断难题。该方法利用改进 KNN 算法作为最终的数据处理手段，建立了多源域提取机制，引入了 SVM，最终实现了高精度的故障诊断。

参考文献：

[1]王延博. 基于改进深度残差收缩网络的火电机组滚动轴承故障诊断方法[J]. 机械工程学报，2019，59（12）：202-214.

[2]张卫军，胡晓东. 基于CBAM-InceptionV2-双流KNN的火电机组轴承故障诊断[J]. 智慧电力，2020，51（6）：28-33.

[3]杨永灿，谭庆慧，秦宇翔. 基于注意力机制的多尺度卷积神经网络电机轴承故障诊断[J]. 云南水力发电，2019（6）：51-56.