★ 張華，王偉，劉賢春，崔修強，劉茂明，阿云生（華電國際電力股份有限公司技術服務分公司，山東 濟南 250014）

關鍵詞：模型融合；汽輪機組；故障定位；卷積神經網絡；長短期記憶網絡；智能診斷

汽輪機組在電力、化工等工業領域承擔著能量轉換的關鍵任務，其設備運行可靠性對生產系統安全性具有決定性影響。異常振動是汽輪機常見故障表現形式，若不能及時準確診斷，可能引發轉子彎曲、軸承燒毀等嚴重事故，造成巨大經濟損失。傳統故障診斷方法多依賴單一類型傳感器數據或人工經驗判斷，存在信息采集片面、故障特征提取不充分等局限性，易出現誤診或漏診。隨著機組向大容量、高參數方向發展，其設備結構日趨復雜，故障形式呈現多樣化與耦合化特征，單一診斷模型難以滿足實際需求。模型融合技術通過整合多種智能算法優勢，可實現對不同故障模式的協同識別，為汽輪機組故障精準定位提供了新途徑。

1   汽輪機組故障模型融合定位機理

汽輪機組故障診斷定位方法會綜合運用多種傳感器數據和智能算法，深度融合振動信號、溫度參數、聲學特性以及油液指標等多維信息， 以此構建故障特征的多維度關聯表達。針對轉子失衡、軸系對中偏差等典型缺陷，其故障響應在不同物理域會表現出顯著差異，單一分析模型往往難以做到全面覆蓋。該方法創新性地結合卷積神經網絡的空間特征提取優勢與長短期記憶網絡的時序建模能力，通過算法互補增強特征表征精度與分類邊界判別能力，實現故障模式的多層次協同診斷，推動故障識別從單一特征分析到跨模態融合定位的范式轉變。

2   多模型融合故障定位方法設計

2.1   基礎診斷模型建立

基礎診斷模型在數據預處理環節中，運用小波變換來濾除振動信號當中的環境噪聲干擾。其降噪閾值λ的確定是依據軟閾值處理算法的數學公式描述，如式（1）所示：

式中：σ所代表的是噪聲的均方差， N表示的是信號的樣本數量。

溫度信號在完成滑動平均濾波處理之后，還需要進行標準化操作，其目的是消除單位量綱所帶來的影響。它的歸一化溫度值x'能夠通過原始溫度x與溫度序

列中極值點之間的映射關系來求得，如式（2）所示：

式中：x'指的是標準化之后的溫度數據， x代表的是實際測量得到的溫度值，單位是℃,  xmin和xmax分別指的是溫度數據集中的最低值和最高值，單位是℃。卷積神經網絡模塊依靠不同尺寸的卷積核，對經過預處理的多源特征矩陣開展空間維度方面的特征提取工作。長短期記憶網絡單元設置了包含64個節點的隱藏層，以此來捕獲特征隨時間變化的模式。全連接層采用具有32個神經元的結構進行特征轉換操作，最終輸出層借助Softmax激活函數完成五種工況狀態的概率分布預測任務[1]。

2.2   模型融合架構構建

本研究專門設計了一種基于Stacking集成學習的融合架構。該架構核心要點是構建起兩級決策機制，在架構中基礎學習器和元學習器相互配合協作， 一起完成對系統故障的精準識別與定位工作。

圖1 模型融合故障定位架構示意圖

如圖1所示，架構設計是由輸入層、基學習器層、元學習器層和輸出層四個組成部分來構成。此架構的基學習器層并行部署了卷積神經網絡-長短期記憶網絡融合模型、支持向量機以及隨機森林，每個學習器都會獨立處理多模態特征矩陣并生成故障類別的概率分布向量P1、P2、P3。元學習器層選用邏輯回歸模型對基礎學習器的輸出結果進行加權整合，并且利用k折交叉驗證方法動態調整各類故障的權重參數。架構內設置了置信度閾值判定機制，當元學習器輸出的最高概率值低于預設閾值時，系統會自動激活專家知識庫的規則推理模塊進行二次驗證，通過設備運行原理知識與歷史故障案例的對照分析來提供診斷支持[2]。這種數據驅動模型與知識驅動推理的有機結合方式，能夠對轉子失衡、軸系偏差、軸承損壞、汽封摩擦等復雜故障實現多層次的協同判斷，顯著增強了診斷系統的穩定性和可信度[3]。

2.3   融合權重優化方法

融合權重優化的關鍵之處在于衡量各類模態特征間的相關性程度，以此能為權重的合理分配提供可供參考的數值依據。

圖2 基于互信息熵的跨模態特征關聯分析

如圖2所示，跨模態特征關聯性分析研究了多物理量之間的統計依賴關系，振動-溫度特征對互信息熵值達到0.72，振動-聲學特征對熵值是0.68，振動-油液特征對熵值為0.65，這些數值均高于0.60的關聯閾值，所以被界定成高關聯特征并分配較高融合權重。溫度-油液特征對熵值為0.62，溫度-聲學特征對熵值是0.58，聲學-油液特征對熵值為0.54，它們屬于中低關聯的范疇。粒子群優化算法依據這些關聯度數值構造權重適配矩陣，針對轉子不平衡故障優先選用振動-溫度特征組合，對于軸承磨損故障則側重增強振動-油液特征的權重配置。算法每執行1000次診斷任務就啟動一次權重重新計算，動態優化各基學習器在各類故障辨識中的貢獻比例[4]。

2.4    自動化定位流程實現

實時故障診斷與定位依靠自動化定位流程來達成，此流程包含數據預處理、特征提取、模型推理和結果輸出四個環節。數據預處理環節針對振動、溫度、聲學、油液信號開展小波去噪、滑動平均濾波以及3σ異常值剔除操作，并且借助Z-score標準化消除數據之間的量綱差異。特征提取環節并行計算振動信號的峰值、均方根、峭度等時頻參數，計算溫度信號的均值與變化率，計算聲學信號的梅爾頻率倒譜系數，計算油液信號的鐵譜濃度及黏度變化率，然后通過互信息熵篩選關鍵特征，進而構建融合矩陣。模型推理環節里，多個基學習器同時輸出故障概率與置信度，由元學習器進行加權融合之后確定故障類型以及位置，結果輸出模塊通過匹配案例庫評估可信度，生成涵蓋故障類型、位置、嚴重程度以及處理建議的診斷報告，依據故障等級觸發分級預警，同時建立維修反饋閉環，以此實現模型在線更新[5]。

3   融合定位方法驗證與評估

3.1   試驗平臺搭建

試驗選用的是某電廠300MW的汽輪機組，該機組型號為N300-16.7/538/538， 其額定轉速設定為3000r/ min，主蒸汽壓力達到了16.7MPa，蒸汽溫度達到了538℃。振動測量選用的是PCB352C65型壓電加速度傳感器，此傳感器量程為±50g，靈敏度為100mV/g，在軸承座與缸體總共布置了6個測點。溫度測量采用的是PT100傳感器，該傳感器量程覆蓋-50℃~+200℃,精度為±0.15℃,同樣也設置了6個測點位置。聲學監測選用的是BK4189型麥克風，其頻率響應范圍為20Hz～20kHz，數據采集系統采用的是NI cDAQ-9174機箱，采樣頻率設定為10kHz，時間同步誤差控制在1μs以內。

3.2   定位性能測試

融合模型的診斷效果通過多項指標來進行綜合評定，如表1所示。

表1 融合模型診斷性能指標統計

如表1所示，試驗組的準確率達到了96.3%±2.1%，比對照組的78.5%±3.2%高出了17.8個百分點， 其誤診率和漏診率分別為1.87%和2.95%，明顯低于對照組的17.65%和20.32%。在診斷速度方面，試驗組單次診斷耗時僅需2.23s，完全能夠滿足實時性方面的要求。

3.3   現場應用驗證

本研究通過梯度試驗驗證了融合方法在不同信噪比條件下的適應性，結果如表2所示。

表2 不同信噪比下融合模型診斷準確率統計

如表2所示，當信噪比為40dB時系統平均準確率達到了97.45%且標準差為1.12%，當信噪比降至30dB時準確率為96.56%±1.28%，僅降低0.89個百分點。即便處于10dB的強噪聲環境下，該方法仍能保持93.07%±1.78%的準確率。該融合算法整體性能波動被控制在4.38個百分點以內，充分證明了其具備良好抗干擾能力。

4   結語

基于多模型融合的汽輪機組故障定位方法通過集成卷積神經網絡與長短期記憶網絡，構建了高精度智能診斷體系。該方法采用多模態傳感器融合技術采集振動、溫度、聲學、油液等多維度運行數據，運用跨模態特征關聯分析提取故障特征矩陣，實現了對轉子不平衡、軸系不對中、軸承磨損、汽封碰摩等典型故障的有效識別。試驗驗證表明，融合模型診斷準確率達到96.3%，靈敏度與特異度分別達到96.87%與95.93%，誤診率與漏診率分別降低至1.87%與2.95%，較傳統單模態方法性能提升顯著。該方法為汽輪機組預測性維護與智能化運營提供了可靠技術支撐，對提升設備運行安全性與經濟性具有重要工程應用價值。

作者簡介：

張   華（1970-），男，山東濟寧人，高級工程師，學士，現就職于華電國際電力股份有限公司技術服務分公司，研究方向為自動控制和預測維護。

參考文獻：

[1] 何文凱. 基于特征捕捉的汽輪機異常振動故障診斷研究[J]. 自動化儀表, 2025, 46 (12) : 25 - 30.

[2] 楊換凌. 火力發電廠汽輪機設備常見故障及檢修措施[J]. 價值工程, 2025, 44 (35) : 146 - 148.

[3] 劉振剛, 王志勇, 王建, 等. 某350MW汽輪機組振動故障診斷及治理[J]. 發電設備, 2025, 39 (05) : 322 - 325.

[4] 劉家東, 俞昌宸. 汽輪機檢修數字化管控平臺設計與實現[J]. 科技與創新, 2025, (23) : 52 - 54.

[5] 周海. 數字孿生技術在汽輪機故障預警中的應用[J]. 云南冶金, 2025, 54 (S1) : 130 - 134.

摘自《自動化博覽》2026年4月刊