基于人工神经网络的过热器故障诊断系统

《基于人工神经网络的过热器故障诊断系统》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于人工神经网络的过热器故障诊断系统　　(广州市旺隆热电有限公司，广东广州510660) 　　摘要：文章通过壁温计算来实现过热器故障的预测性诊断，同时用神经网络对发生故障进行及时的诊断，二者结合将使过热器事故发生率降低，并且将事故引起的损失控制在最低程度，从而提高机组的经济性和安全性。 　　关键词：过热器；人工神经网络；故障诊断；壁温计算 　　中图分类号：TM41文献标识码：A文章编号：1007—6921(XX)18—0087—02 　　随着我国电力工业的不断发展，机组容量的增大，系统和设备日趋复杂。电站锅炉过

2、热器又是工作在最恶劣条件下的受热部件，出于经济性的考虑，为了尽量避免使用更高级别的合金钢，设计过热器时，选用的管子金属几乎都工作于接近其温度极限值。当过热器运行偏离设计工况时，就容易发生超温爆管事故，影响机组的安全经济运行。轻微时锅炉蒸汽的品质下降，热效率降低，使锅炉机组运行不良；严重时则必须紧急停炉检查修理，会造成很大的经济损失。如爆管发现不及时、处理不当，甚至可能严重损坏炉内设备，直至出现人身伤亡。从保证过热器安全可靠运行的角度出发，对生产过程进行壁温检测和故障诊断具有非常重要的意义。 　　壁温监测能够实现故障预预

3、测性诊断的，对过热器的运行进行及时的调整，减少过热器超温爆管事故的发生，但是壁温计算模型是建立在过热器管子正常运行的情况下，不能很好的监测过热器爆管发生后的状况；而基于人工神经网络的故障诊断，能够利用神经网络的模式识别功能对过热器爆管故障进行及时的诊断避免事故的进一步扩大化，但是只能作为爆管后的一种诊断方法，缺少预测性。鉴于二者的优缺点，将二者结合起来为过热器的安全经济运行提供一种有效的方法。 1壁温监测 本文的壁温计算基本公式［4］： 　　740)this.width=740"border=undefined

4、> 　　式中：α2——管壁对受热介质的放热系数，W/(m2·℃)； β——管子外径与内径的比值； δ——管子壁厚，mm； 　　λm——管壁金属导热系数W/(m2·℃)； 　　q——计算管段的实际热负荷，kW/m2； 　　Δt——考虑管间工质温度偏离平均值的偏差，℃ 　　qmax——在热负荷最大的管子上，热流密度的最大值，kW/m2； μ——考虑沿管子周界方向的若传递系数。 　　式中各个参数可以根据经验公式进行计算。管件中流动介质在计算断面上的平均温度tpj，对于亚临界压力锅炉机组的沸腾管μ＝1。管壁金

5、属导入系数λm，与钢材和温度有关，温度取tjp+50，由此得出管壁金属的导热系数。管壁向被加热介质的放热系数α2，跟热负荷有关，根据经验曲线来确定。管子外径与内径的比值β，按公式来计算β=d/(d-2δ)。在热负荷最大的管子上吸热量最大处的热负荷，qmax= 　　740)this.width=740"border=undefined> 　　出过热器壁温，当有关参数发生变化时，管壁温度跟着发生变化，管壁温度的变化严重影响着过热器的安全性，所以对炉膛壁温的监测具有重要的意义。 　　对壁温的监测，其一要调节炉内的燃烧状况将壁

6、温控制在允许范围内，尽量防止或减少平行管子之间的热偏差。其二监测壁温的变化，不要出现频繁的温度波动，这样容易产生热疲劳使得过热器管子应力下降，减小管子的使用寿命。 　　壁温的计算的模型是的建立在过热器管子正常运行的基础上，只适用于过热器爆管发生前的预测性诊断，对于出现爆管故障后的管子模型不再适用。针对这一点我们增加了基于神经网络的过热器故障诊断，来增强过热器故障的后期诊断。 2故障诊断 　　故障诊断的问题实质上就是模式识别问题，故障诊断的关键，就是建立一个与诊断对象特性相适应的模式识别数学模型。神经网络具有很强的

7、自学习、非线性映射以及模式识别能力以及处理不确定信息的能力。将它应用于故障率高、结构复杂的电站锅炉的故障诊断时，样本通过由三层BP网络进行训练，其中我们对传统的网络结构进行改进，利用自适应学习率和增加动量项算法，以提高BP网络学习速度和故障诊断精度。本文根据某大型电厂的锅炉运行的监测数据建立了锅炉故障样本，同时以三层BP网络为基本模型建立了锅炉过热器故障诊断模型。 2.1网络模型 　　由于过热器工作条件恶劣，管内工质温度较高，在安装测点时存在一定的困难，在机组的运行中我们可以测量的相关参数［5］有：炉膛负压X1、高温

8、过热器出口烟温X2、引风机电流X3、主蒸汽流量X4、给水量X5将这五个参数作为输入参数，并接对这些现场监测参数进行归一化处理即得网络输入值，网络输入Y为过热器保管可能性。 　　该网络的输入层节点数为5，输出层节点数为1，隐含层节点数根据网络设计经验公式以及网络训练的最优结果选取为3，网络模型如图1所示