★ 张华，王伟，刘贤春，崔修强，刘茂明，阿云生（华电国际电力股份有限公司技术服务分公司，山东 济南 250014）

关键词：模型融合；汽轮机组；故障定位；卷积神经网络；长短期记忆网络；智能诊断

汽轮机组在电力、化工等工业领域承担着能量转换的关键任务，其设备运行可靠性对生产系统安全性具有决定性影响。异常振动是汽轮机常见故障表现形式，若不能及时准确诊断，可能引发转子弯曲、轴承烧毁等严重事故，造成巨大经济损失。传统故障诊断方法多依赖单一类型传感器数据或人工经验判断，存在信息采集片面、故障特征提取不充分等局限性，易出现误诊或漏诊。随着机组向大容量、高参数方向发展，其设备结构日趋复杂，故障形式呈现多样化与耦合化特征，单一诊断模型难以满足实际需求。模型融合技术通过整合多种智能算法优势，可实现对不同故障模式的协同识别，为汽轮机组故障精准定位提供了新途径。

1   汽轮机组故障模型融合定位机理

汽轮机组故障诊断定位方法会综合运用多种传感器数据和智能算法，深度融合振动信号、温度参数、声学特性以及油液指标等多维信息， 以此构建故障特征的多维度关联表达。针对转子失衡、轴系对中偏差等典型缺陷，其故障响应在不同物理域会表现出显著差异，单一分析模型往往难以做到全面覆盖。该方法创新性地结合卷积神经网络的空间特征提取优势与长短期记忆网络的时序建模能力，通过算法互补增强特征表征精度与分类边界判别能力，实现故障模式的多层次协同诊断，推动故障识别从单一特征分析到跨模态融合定位的范式转变。

2   多模型融合故障定位方法设计

2.1   基础诊断模型建立

基础诊断模型在数据预处理环节中，运用小波变换来滤除振动信号当中的环境噪声干扰。其降噪阈值λ的确定是依据软阈值处理算法的数学公式描述，如式（1）所示：

式中：σ所代表的是噪声的均方差， N表示的是信号的样本数量。

温度信号在完成滑动平均滤波处理之后，还需要进行标准化操作，其目的是消除单位量纲所带来的影响。它的归一化温度值x'能够通过原始温度x与温度序

列中极值点之间的映射关系来求得，如式（2）所示：

式中：x'指的是标准化之后的温度数据， x代表的是实际测量得到的温度值，单位是℃,  xmin和xmax分别指的是温度数据集中的最低值和最高值，单位是℃。卷积神经网络模块依靠不同尺寸的卷积核，对经过预处理的多源特征矩阵开展空间维度方面的特征提取工作。长短期记忆网络单元设置了包含64个节点的隐藏层，以此来捕获特征随时间变化的模式。全连接层采用具有32个神经元的结构进行特征转换操作，最终输出层借助Softmax激活函数完成五种工况状态的概率分布预测任务[1]。

2.2   模型融合架构构建

本研究专门设计了一种基于Stacking集成学习的融合架构。该架构核心要点是构建起两级决策机制，在架构中基础学习器和元学习器相互配合协作， 一起完成对系统故障的精准识别与定位工作。

图1 模型融合故障定位架构示意图

如图1所示，架构设计是由输入层、基学习器层、元学习器层和输出层四个组成部分来构成。此架构的基学习器层并行部署了卷积神经网络-长短期记忆网络融合模型、支持向量机以及随机森林，每个学习器都会独立处理多模态特征矩阵并生成故障类别的概率分布向量P1、P2、P3。元学习器层选用逻辑回归模型对基础学习器的输出结果进行加权整合，并且利用k折交叉验证方法动态调整各类故障的权重参数。架构内设置了置信度阈值判定机制，当元学习器输出的最高概率值低于预设阈值时，系统会自动激活专家知识库的规则推理模块进行二次验证，通过设备运行原理知识与历史故障案例的对照分析来提供诊断支持[2]。这种数据驱动模型与知识驱动推理的有机结合方式，能够对转子失衡、轴系偏差、轴承损坏、汽封摩擦等复杂故障实现多层次的协同判断，显著增强了诊断系统的稳定性和可信度[3]。

2.3   融合权重优化方法

融合权重优化的关键之处在于衡量各类模态特征间的相关性程度，以此能为权重的合理分配提供可供参考的数值依据。

图2 基于互信息熵的跨模态特征关联分析

如图2所示，跨模态特征关联性分析研究了多物理量之间的统计依赖关系，振动-温度特征对互信息熵值达到0.72，振动-声学特征对熵值是0.68，振动-油液特征对熵值为0.65，这些数值均高于0.60的关联阈值，所以被界定成高关联特征并分配较高融合权重。温度-油液特征对熵值为0.62，温度-声学特征对熵值是0.58，声学-油液特征对熵值为0.54，它们属于中低关联的范畴。粒子群优化算法依据这些关联度数值构造权重适配矩阵，针对转子不平衡故障优先选用振动-温度特征组合，对于轴承磨损故障则侧重增强振动-油液特征的权重配置。算法每执行1000次诊断任务就启动一次权重重新计算，动态优化各基学习器在各类故障辨识中的贡献比例[4]。

2.4    自动化定位流程实现

实时故障诊断与定位依靠自动化定位流程来达成，此流程包含数据预处理、特征提取、模型推理和结果输出四个环节。数据预处理环节针对振动、温度、声学、油液信号开展小波去噪、滑动平均滤波以及3σ异常值剔除操作，并且借助Z-score标准化消除数据之间的量纲差异。特征提取环节并行计算振动信号的峰值、均方根、峭度等时频参数，计算温度信号的均值与变化率，计算声学信号的梅尔频率倒谱系数，计算油液信号的铁谱浓度及黏度变化率，然后通过互信息熵筛选关键特征，进而构建融合矩阵。模型推理环节里，多个基学习器同时输出故障概率与置信度，由元学习器进行加权融合之后确定故障类型以及位置，结果输出模块通过匹配案例库评估可信度，生成涵盖故障类型、位置、严重程度以及处理建议的诊断报告，依据故障等级触发分级预警，同时建立维修反馈闭环，以此实现模型在线更新[5]。

3   融合定位方法验证与评估

3.1   试验平台搭建

试验选用的是某电厂300MW的汽轮机组，该机组型号为N300-16.7/538/538， 其额定转速设定为3000r/ min，主蒸汽压力达到了16.7MPa，蒸汽温度达到了538℃。振动测量选用的是PCB352C65型压电加速度传感器，此传感器量程为±50g，灵敏度为100mV/g，在轴承座与缸体总共布置了6个测点。温度测量采用的是PT100传感器，该传感器量程覆盖-50℃~+200℃,精度为±0.15℃,同样也设置了6个测点位置。声学监测选用的是BK4189型麦克风，其频率响应范围为20Hz～20kHz，数据采集系统采用的是NI cDAQ-9174机箱，采样频率设定为10kHz，时间同步误差控制在1μs以内。

3.2   定位性能测试

融合模型的诊断效果通过多项指标来进行综合评定，如表1所示。

表1 融合模型诊断性能指标统计

如表1所示，试验组的准确率达到了96.3%±2.1%，比对照组的78.5%±3.2%高出了17.8个百分点， 其误诊率和漏诊率分别为1.87%和2.95%，明显低于对照组的17.65%和20.32%。在诊断速度方面，试验组单次诊断耗时仅需2.23s，完全能够满足实时性方面的要求。

3.3   现场应用验证

本研究通过梯度试验验证了融合方法在不同信噪比条件下的适应性，结果如表2所示。

表2 不同信噪比下融合模型诊断准确率统计

如表2所示，当信噪比为40dB时系统平均准确率达到了97.45%且标准差为1.12%，当信噪比降至30dB时准确率为96.56%±1.28%，仅降低0.89个百分点。即便处于10dB的强噪声环境下，该方法仍能保持93.07%±1.78%的准确率。该融合算法整体性能波动被控制在4.38个百分点以内，充分证明了其具备良好抗干扰能力。

4   结语

基于多模型融合的汽轮机组故障定位方法通过集成卷积神经网络与长短期记忆网络，构建了高精度智能诊断体系。该方法采用多模态传感器融合技术采集振动、温度、声学、油液等多维度运行数据，运用跨模态特征关联分析提取故障特征矩阵，实现了对转子不平衡、轴系不对中、轴承磨损、汽封碰摩等典型故障的有效识别。试验验证表明，融合模型诊断准确率达到96.3%，灵敏度与特异度分别达到96.87%与95.93%，误诊率与漏诊率分别降低至1.87%与2.95%，较传统单模态方法性能提升显著。该方法为汽轮机组预测性维护与智能化运营提供了可靠技术支撑，对提升设备运行安全性与经济性具有重要工程应用价值。

作者简介：

张   华（1970-），男，山东济宁人，高级工程师，学士，现就职于华电国际电力股份有限公司技术服务分公司，研究方向为自动控制和预测维护。

参考文献：

[1] 何文凯. 基于特征捕捉的汽轮机异常振动故障诊断研究[J]. 自动化仪表, 2025, 46 (12) : 25 - 30.

[2] 杨换凌. 火力发电厂汽轮机设备常见故障及检修措施[J]. 价值工程, 2025, 44 (35) : 146 - 148.

[3] 刘振刚, 王志勇, 王建, 等. 某350MW汽轮机组振动故障诊断及治理[J]. 发电设备, 2025, 39 (05) : 322 - 325.

[4] 刘家东, 俞昌宸. 汽轮机检修数字化管控平台设计与实现[J]. 科技与创新, 2025, (23) : 52 - 54.

[5] 周海. 数字孪生技术在汽轮机故障预警中的应用[J]. 云南冶金, 2025, 54 (S1) : 130 - 134.

摘自《自动化博览》2026年4月刊