基于红外测温技术的汽轮机温度异常诊断

基于红外测温技术的汽轮机温度异常诊断

骆祥月

大唐山东电力检修运营有限公司   山东青岛  266500

摘要：本文主要探讨了基于红外测温技术的汽轮机温度异常诊断。首先介绍了红外测温技术的原理、优势和局限性，然后分析了汽轮机温度异常的类型和特征。接下来，详细讨论了基于红外测温技术的汽轮机温度异常诊断算法，包括数据采集与预处理、特征提取与选择、异常诊断模型建立等步骤。并探讨了异常诊断方法的优化与改进。希望通过这些研究，能够为汽轮机的运行维护提供有益的参考和指导。

关键词：红外测温技术；汽轮机；温度；异常诊断

引言

汽轮机作为一种重要的动力设备，其运行状态对工业生产具有重要意义。然而，由于工作环境的复杂性和不确定性，汽轮机在运行过程中容易出现温度异常，这对其安全和稳定运行构成了威胁。因此，研究基于红外测温技术的汽轮机温度异常诊断具有重要的实际意义。

一、红外测温技术概述

1.1原理介绍

红外测温技术是基于物体自身辐射的红外能量来测定其表面温度的一种技术。任何物体只要其温度高于绝对零度(-273.15°C)，就会以电磁波的形式向外辐射能量。红外辐射是电磁频谱的一部分，位于可见光之外，波长范围大约在0.8至15微米。红外测温仪通过捕捉物体发出的红外辐射，转换为电信号，再通过信号处理和算法转换为温度值。红外测温仪主要由光学系统、光电探测器、信号放大器和信号处理电路组成。光学系统负责收集目标物体发出的红外辐射，并将其聚焦到光电探测器上。光电探测器将接收到的红外能量转换为电信号，信号放大器放大这些微弱的电信号，信号处理电路则对信号进行处理，包括校正、滤波等，最终得出目标物体的温度值。

1.2红外测温技术的优势与局限性

红外测温仪无需与被测物体接触，减少了测量对物体和环境的影响，特别适合于高速运动物体和危险区域的温度测量。响应时间快，能迅速捕捉到温度变化，适用于需要快速测量的场合。不受电磁干扰，可在恶劣的环境条件下正常工作。由于是非接触式测量，不会造成污染，且不存在交叉感染的风险。大气中的水蒸气、灰尘等会对红外辐射的传输产生吸收和散射作用，影响测量准确性。不同物体表面的发射率不同，会影响红外测温结果的准确性。物体表面存在温度梯度时，红外测温仪可能无法准确反映物体表面的温度。高质量的红外测温设备价格昂贵，维护成本相对较高。

二、汽轮机温度异常特征分析

2.1温度异常类型

轴承温度异常是汽轮机常见的温度异常类型之一，可能由于轴承磨损、油质问题、供油系统故障等原因引起。推力瓦温度异常可能是由于推力瓦与推力盘之间的平行度超标、转子的制造质量问题、推力间隙不合适等原因引起。叶片温度异常可能是由于叶片材料、结构设计或运行条件问题，导致叶片温度异常升高。进口蒸汽温度异常可能是由于锅炉原因或蒸汽管道保温不良，导致进口蒸汽温度超过设计值。排汽温度异常可能是由于汽轮机内部损失增加或外部环境因素，导致排汽温度升高。

2.2温度异常特征

温度异常的上升速度可以反映故障的严重程度，上升速度快可能表示故障发展迅速，需要立即处理。温度异常通常会在特定的部位出现，如叶片、轴封等，通过温度分布可以判断故障的具体位置，有助于定位故障。温度异常的稳定性可以反映故障是否持续存在，以及是否存在间歇性故障。稳定性差可能表示故障较为严重，需要重点关注。温度异常与汽轮机负荷的关系可以反映故障是否与运行条件有关，如负荷增加时温度异常加剧，可能表示故障与负荷有关。温度异常随时间的变化趋势可以反映故障的发展速度和趋势，有助于预测故障的发展和制定相应的处理措施。

三、汽轮机温度异常诊断方法

3.1基于红外测温技术的汽轮机温度异常诊断算法

3.1.1数据采集与预处理

通过高精度的红外测温仪对汽轮机的运行状态进行实时监测，收集温度数据。这些数据涵盖汽轮机各个关键部位的表面温度，如叶片、轮盘、轴承等。在数据采集过程中，要确保红外测温仪的正确安装与对准，以避免由于设备错位导致的测量误差。同时，对于超高温环境下的测量，红外测温仪需要透过加热炉光学观察窗和内部保护气体进行监测，要求对光学窗口和气体的透射率有准确的了解。收集到的原始温度数据往往包含大量的噪声和干扰信息，如环境温度变化、设备本身的散热效应等。因此，需要对数据进行预处理，以提高数据质量。预处理步骤可能包括滤波去噪、归一化、数据平滑等。此外，考虑到被测物表面的发射率对温度测量的影响，还需要对发射率进行校正。

3.1.2特征提取与选择

对温度数据进行时域、频域和时频域特征分析，提取出能够反映汽轮机运行状态的关键特征。时域特征包括温度的均值、方差、标准差等；频域特征则涉及温度的频谱分析，如功率谱、频谱密度等；时频域特征可以通过小波变换等方法得到，能够反映数据在不同时间尺度上的变化情况。根据专家知识和经验，选择与汽轮机温度异常最相关的特征。这些特征与汽轮机的负荷、转速、冷却水温度等运行参数有关。特征选择的依据可以是特征的重要性评分、信息增益、类间距离等指标。还可以利用主成分分析（PCA）或线性判别分析（LDA）等降维技术，减少特征的数量，同时保持特征信息的最大化。

3.1.3异常诊断模型建立

在建立异常诊断模型时，需要准备训练数据集，包括正常运行状态和异常状态下的温度数据。这些数据需要经过特征提取与选择步骤，以便模型能够学习到温度数据中的关键信息。选择合适的机器学习算法，如支持向量机（SVM）、决策树、随机森林、神经网络等。根据算法的特点和汽轮机温度异常诊断的需求，调整算法参数，进行模型训练。训练过程中，模型会学习如何从输入的特征数据中区分正常和异常状态。模型训练完成后，需要对模型进行验证和测试，以评估其诊断性能。通过交叉验证、留出法或独立的测试集来进行。性能评估指标包括准确率、召回率、F1分数、ROC曲线下的面积（AUC）等。如果模型性能不满足要求，需要返回前述步骤，重新进行特征提取与选择，或者尝试不同的机器学习算法和参数设置。

3.2异常诊断方法的优化与改进

通过集成学习方法，如堆叠（Stacking）或加权平均（WeightedAverage）等，将多个不同类型的模型结合起来，以提高诊断的准确性和稳定性。考虑引入更多的先验知识，如汽轮机的物理特性和工作原理，进而来增强模型的推理能力和适应性。还可以利用深度学习技术，如卷积神经网络（CNN）或循环神经网络（RNN），以及它们的高级变体，如长短时记忆网络（LSTM）或生成对抗网络（GAN），来提取和利用数据中的复杂模式和特征。针对数据的不确定性和噪声，可以引入概率模型或贝叶斯网络，来提高模型的鲁棒性和解释性。不断收集新的数据，对模型进行再训练和验证，以适应汽轮机运行中的各种变化和新的异常情况。

结语

由于红外测温技术和诊断算法的发展仍处于不断进步中，还存在一些局限性和不足之处，需要进一步的优化和改进。期待在未来的研究中，能够进一步完善这一体系，为汽轮机的安全运行提供更好的保障。

参考文献

[1]闫琦.用于汽轮机转子温度测量的低温光纤型红外测温系统设计[D].燕山大学,2021.

[2]李香林,任晓强,王坤.汽轮机末级叶片红外温度测量方法的实验研究[J].热能动力工程,2020,35(04):70-77.

[3]张亚,单鹏,张佳敏,程凯.汽轮机叶片健康监测系统的介绍与应用[J].热力透平,2019,48(03):182-186.