基于人工神经网络的过热器故障诊断系统

1、(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(2009)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

2、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

3、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壁温监测式中a2 管壁对受热介质的放热系数，W/(m2B管子外径与内径的比值;S 管子壁厚，mm ；入m管壁金属导热系数W/(m2 计算管段的实际热负荷，kW/m2 ;At 考虑管间工质温度偏离平均值的偏差，Cqmax在热负荷最大的管子上，热流密度的最大值，kW/m2 ；卩一一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，

4、对于亚临界压力锅炉机组的沸腾管卩二1。管壁金属导入系数入m , 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a 2，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B,按公式来计算B=d/ (d-2 3)。在热负荷最大的管子上吸热量最大处的热 负荷，qmax=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

5、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。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