2·2·2诊断策略和诊断方法
在汽轮机故障诊断中用到的诊断策略主要有对比诊断、逻辑诊断、统计诊断、模式识别、模糊诊断、人工神经网络和专家系统等。而目前研究比较多的是后面几种，其中人工神经网络和专家系统的应用研究是这一领域的研究热点。
基于小波分析方法和神经网络建立的智能分析技术，是下一代故障检测与判定（FDI）的重要内核[108]。国内外在这方面进行了很多的研究[109~121]，目前应用最多的是前向神经网络[122]、BP神经网络[123~131]以及把神经网络与模糊诊断相结合的模糊神经网络[132~134]等。美国East Hardford的DePold,Hans.R将统计分析及人工神经网络技术应用于过滤器来改进数据质量[135]，田纳西大学(Tennessee Univ.)将神经网络用于振动分析，识别潜在故障，并利用神经网络使被歪曲和杂入噪音的数据得到提纯[136]。美国Stress Technology. Inc.的Roemer,M.J把神经网络和模糊逻辑技术应用于旋转动力有限元模型，所形成的实时系统可以预测关键部件的寿命[137]。华中理工大学的何耀华用一种自组织神经网络模型与多个单一故障诊断的BP网络一起完成故障诊断的协同推理[138]，申韬则把一系列BP子网络进行集成，以解决故障分类问题[139]。臧朝平、何永勇也分别提出了多网络、多故障的诊断策略[140~142]，西安交通大学的张小栋则研究了主从混合的神经网络模型[143]。东南大学把神经网络应用于轴心轨迹识别进行故障诊断[144]。同时，神经网络还被应用于动静碰磨诊断[145]、通流部分热参数诊断[146]、机组性能诊断[147]、凝汽器的诊断[148]和热力系统的建模[149]等。
专家系统按其侧重点不同，大致可分为基于推理的专家系统（如基于神经网络的推理[150]、基于事例和模型的推理[151]等）和基于知识的专家系统[152~158]等。在专家系统中，专家知识的学习、获取，以及知识库的建立是关系到诊断准确性的重要环节。于文虎、倪维斗、张雪江、钟秉林、韩西京、刘占生、何涛等人分别就知识范围的界定[159]、知识的处理[160~163]、知识的获取[164~167]、机器对知识的自学习[168][169]以及知识库的维护[170]等进行了研究。
诊断策略的研究还有：模糊诊断用于振动故障诊断[171~172]、用于层次模型[173][174]、用于模式识别[175]、用于转子碰磨诊断[176]、用于通流部分热参数诊断[177]的研究；模糊关联度用于多参数诊断[178]；灰色理论用于故障诊断[179]；概率分布干涉模型用于诊断[180]；相关维数用于低频噪声诊断[181]等的研究。
诊断方法上的研究一直是故障诊断的一个重点。振动法是应用最普遍也比较成熟的一种方法[182~186]，Ingleby,M把自动分类法和模式分析用于振动诊断[187]，何正嘉应用Winger时频分布和主分量自回归谱分析轴瓦的振动信号[188]，施维新针对一般诊断都是从征兆判断原因的逆向推理提出了振动诊断的正向诊断法[189]。在汽轮机故障诊断中，应用热力学分析诊断汽轮机性能故障也是一个重要手段[190~193]，另外还有油分析、声发射法、无损检测技术等。声发射法主要用于动静碰磨故障检测[194]、泄漏检测等。日立公司在350MW汽轮机高中压转子上设置试片，在两端轴承的轴瓦处进行声发射和记录，诊断转子的碰摩[195][196]。在汽轮机寿命诊断中，无损检测技术应用相当重要，目前用到的非破坏性评价法主要包括硬度测定法、电气抵抗法、超声波法、组织对比法、结晶粒变形法、显微镜观察测定法、X射线分析法等[21][197]。
        2．3．国内在故障诊断系统设计和系统实现方面的研究
完整的汽轮机故障诊断系统，应包括数据采集、信号处理与分析、诊断和决策几个部分，它是故障诊断技术的集中体现，我国早在80年代就开始了这方面的研究，到目前已经研制开发出了几十种系统。
华北电力学院以模拟转子试验台作为信号源对汽轮发电机组振动监测与故障诊断系统进行了研究[198]。上海汽轮机厂研究所经过多年的实验和研究，推出了四套旋转机械状态监测和故障诊断系统，他们在系统硬件配置上做了较多的工作[199]。上海交通大学研制了一种热力参数监测和故障诊断系统TPD，该系统可以提高运行可靠性、优化运行方案、提高运行效率、延长运行寿命[200]。东南大学对集成智能故障诊断系统[201~204]和远程分布式故障诊断网络系统[205]进行了研究。华中理工大学研究了诊断系统的功能及其实现[206]、数据的采集[207]以及远程诊断[208][209]等问题，并开发出了多套汽轮机故障诊断系统，其中汽轮发电机组在线振动监测与故障诊断专家系统（HZ-1）采用了主从机结构，可以对多台发电机组实时监测及集中诊断；200MW单元机组状态监测、能损分析及汽轮发电机组故障诊断专家系统采用Solartron分散采集系统监测机组，集DAS系统、状态监测、能损分析和故障诊断于一体[210~212]等。由清华大学、华中理工大学、哈尔滨工业大学、哈尔滨电工仪表所等院所联合研制200MW、300MW汽轮发电机组工况监测与故障诊断专家系统（国家"八五"攻关项目）可全面监测诊断机械振动故障、汽隙振动故障、热因素引起的故障、机电耦合轴系扭振故障、以及调节控制系统故障[213]。哈尔滨工业大学对诊断系统从数据采集到原型机理论作了很多研究[214~219]，并推出了代表性的诊断系统MMMD[220]。清华大学对诊断系统的软件构成[221]、硬件结构与协调方法[222]、原型机系统[223~225]等，进行了一系列的研究[226]，并与山东电力科学试验研究所合作开发出了大型电站性能与振动远程监测分析与诊断系统，该系统由各电厂中的振动分析站、数据通讯网络系统、远程诊断中心（济南市山东电力科学研究院）和远程诊断分中心（清华大学）等四个子系统构成[227][228]。国内主要汽轮机故障诊断系统及研制单位见表1[229]。

表1    国内部分研制应用的故障诊断系统及研制单位
          3．汽轮机故障诊断中存在的问题
          3·1检测手段
汽轮机故障诊断技术中的许多数学方法，甚至专家系统中的一些推理算法都达到了很高的水平，而征兆的获取成为了一个瓶颈，其中最大的问题是检测手段不能满足诊断的需要，如运行中转子表面温度检测、叶片动应力检测、调节系统卡涩检测、内缸螺栓断裂检测等，都缺乏有效的手段。
          3·2材料性能
在寿命诊断中，对材料性能的了解非常重要，因为大多数寿命评价都是以材料的性能数据为基础的。但目前对于材料的性能，特别是对于汽轮机材料在复杂工作条件下的性能变化还缺乏了解。
          3·3 复杂故障的机理
对故障机理的了解是准确诊断故障的前提。目前，对汽轮机的复杂故障，有些很难从理论上给出解释，对其机理的了解并不清楚，比如在非稳定热态下轴系的弯扭复合振动问题等，这将是阻碍汽轮机故障诊断技术发展的主要障碍之一。
          3·4 人工智能应用
专家系统作为人工智能在汽轮机故障诊断中的主要应用已经获得了成功，但仍有一些关键的人工智能应用问题需要解决，主要有知识的表达与获取、自学习、智能辨识、信息融合等。
          3·5 诊断技术应用推广面临的问题
我国汽轮机诊断技术在现有基础上，进一步推广应用面临的主要问题是研究开发机制和观念问题、诊断技术与生产管理的结合问题。机制和观念问题主要表现在：研究机构分散，不能形成规模化效应；重复性研究过多，造成人力、物力的浪费；技术研究转化为应用产品的少；系统研究连贯性差，因而系统升级困难；应用系统的维护与服务得不到保证等。诊断技术与生产管理结合不好，表现在各种技术的相互集成性不好，与生产管理相孤立，不能创造预期的效益，使电厂失去信心。
          4． 汽轮机故障诊断的发展前景与趋势
很多学者和研究人员都认识到上述问题对汽轮机故障诊断技术发展的影响，正在进行相应的研究工作。本文认为汽轮机故障诊断技术的研究将会在以下几个方面得到重视，并取得进展。
          4·1 全方位的检测技术
针对汽轮机及其系统各类故障的各种新检测技术将是一个主要的研究方向，会出现许多重要成果。
          4·2 故障机理的深入研究
任何时候，故障机理的深入研究都将推动故障诊断技术的发展。故障机理的研究将集中在对渐发故障定量表征的研究上，研究判断整个系统故障状态的指标体系及其判断阈值将是另一个重要方向。
          4·3 知识表达、获取和系统自学习
知识的表达、获取和学习一直是诊断系统研究的热点，但并未取得重大突破，它仍将是继续研究的热点。
          4．4 综合诊断
汽轮机故障诊断，将从以振动诊断为主向考虑热影响诊断、性能诊断、逻辑顺序诊断、油液诊断、温度诊断等的综合诊断发展，更符合汽轮机的特点和实际。
          4·5 诊断与仿真技术的结合
诊断与仿真技术的结合将主要表现在，通过故障仿真辨识汽轮机故障、通过系统仿真为诊断专家系统提供知识规则和学习样本、通过逻辑仿真对系统中部件故障进行诊断。
          4·6 信息融合
汽轮机信息融合诊断将重点在征兆级和决策级展开研究，目的是要通过不同的信息源准确描述汽轮机的真实状态和整体状态。
          4·7 从诊断向汽轮机设备现代化管理发展
          研究的重点将集中在基于诊断技术的预知维修决策、维修管理、设备计算机化管理系统等方面，目的是针对汽轮机及其系统实施预知维修或基于状态的维修，获取最大的经济收益。这也将是推动电厂接受该汽轮机诊断系统的一个根本所在。