常见的故障原因及处理方法
故障名称 产生原因 排除方法
风量不足 1、管道内阀门没打开。 1、打开阀门。
2、吸风管不够大或风机进风口未安装变接口。 2、更换吸风管及安装变接口。
3、皮带松弛。 3、调整皮带轮中心距，经紧皮带。
4、电源电压低或接反。 4、检查电源或调换两相接线。
5、吸风管过长，吸风口过多、过细，变头多，配用风机风量过小。 5、更换风量大的风机。
6、叶轮污积过多。 6、清洗叶轮
7、风机蜗牛下部积油（水）过多。 7、把油（水）放掉。
8、风管连接口漏气。 8、用结构胶或胶水或玻璃胶封好接口。
风机振动剧烈 1、 叶轮变形或不平衡。 1、更换叶轮。
2、轴承严重磨损，叶轮同轴度偏差过大。 2、更换轴承，调整同轴度。
3、基础螺栓或风机联接处松动。 3、紧固地脚螺丝连接位。
4、叶轮定位螺栓或夹轮螺栓松动。 4、紧固定位螺栓或夹轮螺栓。
5、叶轮积压、污积物过多。 5、清理叶轮积尘或杂物。
6、叶轮转动时与积压风口或机壳碰擦。 6、调整叶轮与机壳间隙。
电动机温度过高 1、风机输送气体密度过大，使压力增加，电机超负荷。 1、增大电动机功率。
2、输入电压过高或过低或电机缺相运转。 2、装设过载保护装置。
3、流量过多或负压过高。 3、重新设计安装风管。
4、供电线路平方截面过小。 4、更换供电线路电线。
轴承座温度过高或漏油 1、 润滑油脂变质或缺油。 1、 清洗轴承更换油脂。
2、 轴与轴承不同心，安装歪斜。 2、调整轴承提高同轴度。
3、轴承磨损严重。 3、更换轴承。
4、水冷却系统不流畅或进水量过小。 4、清洗输送水管或适量加大过水量。
5、轴承座倾斜或加油太多。 5、校正水平，观察油孔
皮带跳动及打滑 1、皮带过长松弛。 1、 调整皮带轮距离以张紧皮带。
2、两皮带轮位置偏斜不同一直线上。 2、调整皮带位置，使其同一直线上。
3、皮带打滑高温及发出噪音。 3、皮带拖底，更换皮带轮。
引风机故障检测及预警模型
风机轴承振动超标 风机轴承振动是运行中最常见的故障，风机的振动会引起轴承和叶片损坏、螺栓松动、机壳和风道损坏等故障，严重危及风机的安全运行。 1 不停炉处理叶片非工作面积灰引起风机振动这类缺陷常见于锅炉引风机
2018 年，国家能源局提出了信息和能源的相互融合，“智能发电”的概念正是在这样的背景下应运而生。风机作为火电厂中重要的辅机设备，在日常连续地运行中将产生大量的数据，一方面这些数据提高了使用传统方法处理数据的难度，另一方面，这些数据则为各种智能建模方法提供了基础。
将现有的智能建模方法和风机的故障诊断预警结合起来是实现风机故障诊断与预警的有效手段，也是实现“智能发电”的重要一环。
风机的故障诊断与预警即了解设备在运行过程中的实际状态，根据运行状态评价设备的可靠性，并且预报故障的发展趋势。对风机进行故障诊断实际上是在风机的运行过程中，使用一些技术手段来记录监测风机运行的特征参数，通过观察这些参数的变化趋势，结合该风机的故障历史以及运行人员的经验来判断风机故障的性质和类别，这样可以有效防止事故并且减少非计划停机。
在17个变量中
• 10个变量之间存在高度相关关系；
• 另外6个变量之间存在高度相关关系；
• 剩余1个变量与其他变量之间不存在高度相关关系。
除去时间外，共17个变量，引风机总操与其中9个变量呈现高度相关关系，其中：
引风机总操与#4机组负荷、A引风机电流、A引风机动叶开度、B引风机电流、B引风机动叶开度5个变量呈正相关关系
引风机总操与B引风机入口烟压、A引风机入口烟压、A引风机喘振压力、B引风机喘振压力4个变量呈负相关关系
剩余7个变量。
剩余7个变量中，6个变量之间存在高度相关关系
A引风机电机侧支承轴承温度1与A引风机风机侧支承轴承温度1、A引风机推力轴承温度1、
B引风机电机侧支承轴承温度1、B引风机风机侧支承轴承温度1、B引风机推力轴承温度1
5个变量呈正相关关系。剩余炉膛负压1个变量不与其他变量呈高度相关关系。
从相关性分析表中可以看出，变量之间存在着高度的相关关系，并不利于我们去发现其中的重要变量。对此，主要通过主成分分析进行处理。
数据文件中只含有‘时间’,‘#4机组负荷’,‘A引风机电流’等设备参数数据，这些数据均不能直接判断出引风机是否出现故障。因此需要自行建立模型分析引风机出现故障的数据，从而可以根据引风机正常工作的数据和出现故障的数据建立引风机故障诊断模型。引风机故障数据分析思路如下：
1数据层面分析
2业务层面分析
计算所有变量的累积贡献率，其结果如下图所示：
提取3个主成分的时候，累积贡献率已达到9305%，故提取3个主成分即可，通过主成分提取将数据维度从17维降为3维。
Calinski-Harabaz指标通过计算类中各点与类中心的距离的平方和来度量类内的紧密度，通过计算各类中心点与数据集中心点距离平方和来度量数据集的分离度。Calinski-Harabaz值越大，表示聚类效果更好。所以从该图可以得到最佳聚类数目为6或7类。
随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。此时最佳聚类的类别数为6。
综合两种方法：选取最终聚类数为6。
通过绘制各个分类的均值占比分布图可以看出，聚类1，3，5与其余分类有明显区别，聚类3，5为小众分类，可能成为异常值。聚类1占比较大，不考虑其为异常数据，但是聚类1分布与聚类3，5较为接近，故聚类1可能为疑似异常数据。
在将聚类3，聚类5作为异常数据,聚类1作为疑似异常数据情况下，各个日期下的异常数据点数目如下表所示：
得到的异常数据主要集中在13号这一天，少数在14号，这也与电厂引风机出现问题的时间一致， 故将聚类3，5作为数据中的异常值进行标记。 而得到的疑似异常数据都在12到15号，也就是故障发生时间的前后，而且主要分布在故障发生前一天。 故将聚类1作为疑似异常数据进行标记。
在B引风机风机侧支承轴承温度低，A引风机动叶开度低的情况下，引风机有968%的可能已经出现故障。即设备可能处于停机检修阶段，而非正常运行。工作人员应当更加注重维护引风机出现故障时相关性更高的部件。
故障原因追寻
B引风机风机侧支承轴承温度1 重要性占比798%
A引风机动叶开度 重要性占比55%
A引风机电机侧支承轴承温度1 重要性占比37%
#4机组负荷 重要性占比30%
B引风机入口烟压 重要性占比25%
B引风机动叶开度 重要性占比21%
B引风机电机侧支承轴承温度1 重要性占比14%
其他 重要性占比20%
研究火电厂风机故障诊断与预警，在降低维修费用的前提下，还可以增加机组运行的安全性。具体体现为：
基于大数据的状态预测故障预警方法包括神经网络方法（BP），决策树模型（CART）以及支持向量机（SVM）等方法。这些方法从大数据角度出发进行系统信息挖掘，其预警原理是使用大量历史数据进行建模，通过模型对设备的运行状态进行预测，进而实现故障预警，其流程如下图所示：
