CN101476734A - 基于声波气体温度场测量技术的智能吹灰控制系统 - Google Patents

Abstract

本发明涉及一种基于声波气体温度场测量技术的智能吹灰控制系统，由设置在火电机组锅炉受热面周侧的多个声波发射/接收传感器以及与各声波发射/接收传感器对应联接的前置放大器箱、过程控制单元(PCU)、智能吹灰控制仪和工业计算机组成，前置放大器箱的放大信号输出端输至过程控制单元，过程控制单元的输出端分别与至智能吹灰控制仪和工业计算机的对应输入端联接，智能吹灰控制仪输出外接至指导锅炉吹灰器工作的DCS控制系统。本发明工业计算机加载有基于小波神经网络计算方法的软件系统，通过软件系统对进入智能吹灰控制仪的数据信号进行计算和处理后，将吹灰优化指导信息传输到DCS控制系统，优化指导锅炉吹灰器按需吹灰。

Description

基于声波气体温度场测量技术的智能吹灰控制系统

技术领域

本发明内容属于燃烧设备智能化控制系统技术领域，涉及一种火力发电厂中用于有效清除火电机组锅炉各对流受热面上积灰的智能吹灰控制系统。

背景技术

火电机组锅炉工作过程中，当锅炉燃用固体燃料(如煤等)或者含有灰份的液体燃料时，由于燃烧产物中含有灰粒、氧化硫等物质，形成大量的飞灰，如一台300MW的锅炉每昼夜的飞灰量可达700～1200t(视煤的含灰量多少而定)。飞灰在流经锅炉内的对流过热器、再热器、省煤器、水冷壁(四管)等对流受热面后，其中一部分以各种形式沉积在受热面上，造成受热面玷污，形成积灰，增加了传热热阻，产生高温烟气，其结果轻则影响锅炉正常运行，降低发电效率，重则导致降低负荷甚至非计划停炉，直接危及锅炉运行安全性和机组可用率。

为了有效清除受热面上的积灰，提高炉膛吸热效率及降低排烟温度，电厂在火电机组锅炉各受热面处通常均配备有吹灰器。它的必要性在于：①.避免积灰过多无法运行，造成停炉事故；②.避免由于总的传热阻力增大而导致的锅炉效率降低；③.减少积灰腐蚀炉管；④.降低积灰的速度，减少受热面热偏差，减少爆管事故发生；⑤.避免经常停炉检修而减少发电量和增加的检修费用；⑥.减轻人工清灰的劳动强度及费用。

目前电厂吹灰大多采用传统的定时吹灰或手动方式吹灰，这类方式往往不能顾及到积灰的实际情况，常常使吹灰间隔时间过长或过短。吹灰间隔时间过长，不但会造成积灰在数量上的积累，而且会使积灰层难以清理，达不到吹灰目的；而过度频繁地进行吹灰，一方面会浪费昂贵的吹灰介质，增加运行成本，另一方面在机械力和热疲劳的作用下，受热面的使用寿命会缩短，吹灰器的频繁使用还会缩短自身的使用寿命，增加额外的维护工作量和成本开销。由于吹灰是影响锅炉运行经济性的一个因素，因此，如何实现经济有效的吹灰便成为科技人员关注的问题之一，智能吹灰显得尤为重要。现有技术中，也有一些企业采用热电偶或红外辐射等手段并结合BP算法、RPROP算法等以实现锅炉内部实时烟气温度的在线监测及计算，但由于其通常只在锅炉尾部受热面设有烟温测点，其它如炉膛出口、高温对流区等处，因工作环境恶劣，布置于该区热电偶不能长时间正常工作，因此这些部位的烟温均不能实现实时监测。

发明内容

本发明的目的在于解决现有技术存在的问题，进而提供一种基于声波气体温度场测量技术的智能吹灰控制系统。

用于实现上述发明目的的技术解决方案是这样的：所提供的智能吹灰控制系统的硬件部分由设置在锅炉受热面周侧相应位置处的多个声波发射/接收传感器以及与各声波发射/接收传感器输出信号对应联接的多个前置放大器箱、过程控制单元(PCU)、智能吹灰控制仪和工业计算机组成，前置放大器箱的放大信号输出端通过电缆输至过程控制单元的接收端，过程控制单元(PCU)的电流信号输出端和监测数据信号输出端分别联通至智能吹灰控制仪和工业计算机的对应输入端，工业计算机的监控信号输出/输入端与智能吹灰控制仪的监控信号输入/输出端联接，智能吹灰控制仪的输出端外接至用于指导锅炉吹灰器工作的工厂DCS控制系统。该控制系统中的工业计算机加载有基于小波神经网络计算方法的ISBCS-I智能吹灰控制软件和TMS-2000温度绘制软件，通过软件系统对进入智能吹灰控制仪的数据信号进行计算和处理后，将吹灰优化指导信息传输到DCS控制系统，优化指导锅炉吹灰器按需吹灰。

本发明所述的智能吹灰控制系统是基于声波气体温度场测量技术的智能化系统，它通过在锅炉受热面周侧设置声波发射/接收传感器的方式测量锅炉受热面的烟气温度，利用有效的数学测量模型，将锅炉各受热面的积灰程度进行量化处理，使锅炉积灰状况可视化，进而结合锅炉运行实际状况和安全运行的要求，通过智能化控制系统对锅炉吹灰的需要和过程进行控制，实现了按需吹灰。

声波气体温度场测量技术的原理是气体中的声速取决于气体的温度。通过精确测量声波信号在炉膛内空气中穿过已知距离所需要的时间，就可以确定由声波发射器到接收器之间直线通道上的平均气体温度。

声波气体温度场测量系统的基本原理可下面的等式来描述：

c＝d/t＝sqrt[rRT/M]

上式中：c＝气体里的声速(m/s)；

d＝声波传播的距离(m)；

t＝声波传播的时间(s)；

r＝气体比热，在常压下气体的比热是一个常数；

R＝气体常数(8.314J/mol)；

T＝绝对温度(k)；

M＝气体摩尔重量(Kg/mol)；

把一个声源(发射器)安装在炉子或锅炉的一边，把麦克风(接收器)安装在对边，一个声音信号就能够被发射器发送并被接收器探测。因为在发射器和接收器之间的距离是已知并固定的，通过测量声音信号的传播时间就可以计算出发射器和接收器之间的路径的气体平均温度。经过换算，可以获得一个气体温度(℉)与传播时间、传播距离、气体成分的关系表达式：

T_F＝(d/Bt)²×10⁶—460

式中：T_F＝气体温度(℉)；

d＝传播距离(ft)；

B＝声波常数＝sqrt[rR/M]；

t＝传播时间(ms)

温度用摄氏度表示：T_C＝(d/Bt)²×106—273.16

本发明系统在锅炉整体热平衡的基础上，从空气预热器开始，顺烟气的流程逐段进行各受热面的热平衡和传热计算，计算方法采用小波神经网络对各受热面灰污程度进行预测。因此只需在空气预热器受热面采集数据。

灰污特征参数无法直接测量，需要由其他可以直接测量的物理量间接地推算出来。从可以直接测量的运行参数导出受热面灰污特征参数的过程，就是灰污监测过程。

当工况一定时，受热面的进出焓差越小，灰污程度越大。受热面的进出口焓差的大小在某种程度上，反映了灰污程度。

定义焓差灰污系数为：

$\mathrm{\η}=1-\frac{\mathrm{\Δ}{h}_d}{\mathrm{\Δ}{h}_c}$

其中：Δh_d是受热面灰污时的进出口蒸汽焓差；

Δh_c是受热面清洁时的进出口蒸汽焓差；

从传热学的宏观角度来看，受热面是否灰污，最终表现为该受热面的吸热量的大小。如果受热面已经被灰污，那么该受热面总的传热热阻就会增大，传热系数就会减小，与同工况下受热面清洁状态时相比，吸热量就会相应减少。因此我们可以得出：

这样焓差灰污系数与上式基本是一致的。由于焓差灰污系数η可方便地得出，给实际运用带来了很大的方便。因此对于高温段受热面(如高温过热器和高温再热器等)，本发明系统采用焓差灰污系数η作为灰污特征参数来表征灰污程度。

当η＝1时，受热面处于理想的洁净状态，η小于1则受热面偏离正常允许的污染状态，越小则污染越严重。

与现有技术采用BP算法、RPROP算法等应用于受热面积灰、结渣在线不同的是，本发明采用小波-神经网络算法应用于受热面灰污预测单元，模块化智能吹灰控制。将小波-神经网络法应用于受热面灰污预测领域是一种新的尝试，同传统的统计方法相比，小波-神经网络法具有极大的优越性。随着人工智能和专家系统在电力工业的不断应用，小波-神经网络法在受热面灰污预测领域已显示其具有广阔的发展和应用前景。

小波-神经网络法的基本情况概述如下。

1)小波神经元

神经元在输入信号X的作用下产生输出信号Y的规律由神经元功能函数f给出。由于S型函数(表达式为：f(x)＝(1+e—ax)—1)能较好地模仿生物神经元对外界刺激的反应，所以在人工神经元中常采用S型函数作为功能函数。

然而在小波神经元中不能直接采用S型函数作为功能函数，因为S型函数不满母波的允许条件

$C_{\mathrm{\&psi;}}=\underset{-\&infin;}{\overset{\&infin;}{\&Integral;}}\frac{{\left|\mathrm{\&psi;}\left(w\right)\right|}^2}{w}\mathrm{dw}<\&infin;---\left(1\right)$

为了得到小波神经元功能函数的表达式，考虑由S型函数构成的多尺度分析生成元

式中b和c为常数，一般b≠c，进而由多尺度分析生成元，得到小波神经元母波函数表达式

式中d，e为常数，且d≠e，小波神经元母波函数Ψ(x)具有正负交替的衰减的振荡波形。满足条件：在母波Ψ(x)中，常数a，b，c，d，e已经确定，在本例中，常数取为a＝1，b＝d＝1，c＝e＝—1。 $\underset{R}{\&Integral;}\mathrm{\&psi;}\left(x\right)\mathrm{dx}=0$

2)小波神经网络

小波神经网络是一种以小波基函数为神经元激励函数的前馈网络模型，它既可看作是以小波函数为基底的函数连接型网络，也可以认为是径向基函数网络的推广。本发明中的网络采用的算法以批处理方式对其进行训练，自适应地调整小波系数和网络权重。

设Xk为输入层的第k个输入样本，yi为输出层的第i个输出值，Wij为连接输出层结点i和隐层结点j的权重，Vjk为连接隐层结点j和输入层结点k的权重。若约定Vi0是第i个输出层结点阈值，Wj0是第j个隐层结点阈值(相应的输入x0＝-1)，aj和bj分别为第j个隐层结点的伸缩平移系数；P(P＝1，2，…，P)为输入样本的模式个数，m(k＝1，2，…，m)为输入层结点个数，n(j＝1，2，…，n)为隐层结点个数，N(i＝1，2，…，N)为输出层结点个数，h为学习率，则小波网络模型可表示为

$y_i\left(t\right)=\mathrm{\&sigma;}\left(\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}{\mathrm{\&Psi;}}_{a,b}\left[\underset{k=0}{\overset{m}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x}_k\left(t\right)\right]\right)---\left(4\right)$

式中σ为任意常数，

若设

为第P个输入模式，

为第P个模式的第i个实际网络输出，

为第P个模式的第i个期望输出，定义误差函数为

$E=\frac{1}{P}\underset{P=1}{\overset{P}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{2}{(d_i^p-y_i^p)}^2---\left(5\right)$

若设 $w_{N_j}=\underset{k=0}{\overset{m}{\mathrm{\&Sigma;}}}{v}_{\mathrm{jk}}{x}_k\left(t\right),{\mathrm{\&Psi;}}_{a,b}=\mathrm{\&Psi;}\left[\frac{W_{N_j}^n-b_j}{a_j}\right]---\left(6\right)$

则 $\begin{array}{cc}{y}_i\left(t\right)=\underset{j=0}{\overset{h}{\mathrm{\&Sigma;}}}{W}_{\mathrm{if}}{\mathrm{\&Psi;}}_{a,b}\left(W_{N_j}\right)& (i=\mathrm{1,2},N)\end{array}---\left(7\right)$

计算对误差函数的偏导数得

$\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{ij}}}=-\underset{p=1}{\overset{p}{\mathrm{\&Sigma;}}}(d_i^p-y_i^p){\mathrm{\&Psi;}}_{\mathrm{ab}}\left(W_{N_j}^n\right)---\left(8\right)$

$\frac{\&PartialD;E}{\&PartialD;v_{\mathrm{jk}}}=-\underset{p=1}{\overset{p}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(d_i^p-y_i^p)w_{\mathrm{ij}}{\mathrm{\&Psi;}}_{\mathrm{ab}}^{\&prime;}\left(W_{N_i}^n\right)\frac{x_k^p}{a_j}---\left(9\right)$

$\frac{\&PartialD;E}{\&PartialD;b_j}=\underset{p=1}{\overset{p}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(d_i^p-y_i^p)w_{\mathrm{ij}}{\mathrm{\&Psi;}}_{\mathrm{ab}}^{\&prime;}\left(W_{N_j}^n\right)\frac{1}{a_j}---\left(10\right)$

$\frac{\&PartialD;E}{\&PartialD;a_j}=\underset{p=1}{\overset{p}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(d_i^p-p_i^p)w_{\mathrm{ij}}{\mathrm{\&Psi;}}_{\mathrm{ab}}^{\&prime;}\left(W_{N_j}^n\right)\left(\frac{W_{N_j}^n-b_j}{a_j}\right)\frac{1}{a_j}---\left(11\right)$

按梯度法修正权值，并引入学习率η和动量系数μ，则

$v_{\mathrm{jk}}(k+1)=v_{\mathrm{jk}}\left(k\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;v_{\mathrm{jk}}}+\mathrm{\&mu;\&Delta;}{v}_{\mathrm{jk}}\left(k\right)---\left(12\right)$

$w_{\mathrm{ij}}(k+1)=w_{\mathrm{ij}}\left(k\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{ij}}}+\mathrm{\&mu;\&Delta;}{w}_{\mathrm{ij}}\left(k\right)---\left(13\right)$

$b_j(k+1)=b_j\left(k\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;b_j}+\mathrm{\&mu;\&Delta;}{b}_j\left(k\right)---\left(14\right)$

$a_j(k+1)=a_j\left(k\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;a_j}+\mathrm{\&mu;\&Delta;}{a}_j\left(k\right)---\left(15\right)$

3)受热面灰污预测的小波神经网络构造

本发明系统中建立的小波神经网络的拓扑结构如附图3所示，共分3层，由输入层、隐含层和输出层构成。输入层是监测烟气状态信号；隐含层由小波神经元组成，激励函数采用框架小波函数，本系统选用墨西哥草帽函数；输出层为加和层，输出信号为待估计的各受热面烟气状态信号，激励函数为线性函数。

4)小波-神经网络的计算步骤

a.对模块参数进行初始化，包括对各个受热面设置报警值，读取各个受热面的小波神经网络训练参数；

b.系统直接和MIS数据库连接，实时采集所需测点的数据，存入模块对应变量中；

c.计算子程序调用对应受热面的神经网络对采集数据进行训练，求出各受热面当前的灰污系数；

d.把计算结果存入数据库。

本发明系统整体的实际工作步骤如下所述。

1)安装在锅炉壁上的各声波发射/接收传感器，从一个发射器(声源)发送出一个声波信号，通过压电传感器将产生的声音信号转换成电信号，送到前置放大器内，放大的信号通过电缆送到PCU；同时该发射器发出的声音通过一个气体区到达另一个声波发射/接收传感器的接收器，接收信号通过电缆亦被送到PCU，随后PCU对这两个信号(发射和接收信号)进行了处理，精确测量传播时间，然后计算气体的平均温度。

2)利用声波气体测温技术监测流经受热面的烟气温度，得到的输出信号为标准4～20mA二线制直流电流，电流信号通过引线接入智能吹灰控制仪，经过I/V变换变成0～5V或者1～5V电压信号，再经A/D变换和光电隔离，变成系统可以处理的数字信号送至工业计算机。

3)通过工业计算机加载的软件系统对信号进行计算和处理，得出各受热面积灰程度，一旦某受热面的积灰程度越过预设的报警界限，就建议相应部位的吹灰器投入运行。

4)通过使用TMS2000和ISBCS-I软件，操作人员可以根据积灰严重程度控制指导吹灰器工作，或者将吹灰优化指导信息传输到DCS系统，优化指导吹灰器按需吹灰。

与现有技术相比，本发明所具有的特点是：采用声波气体温度场测量手段，将测点布置在火电机组锅炉高温对流受热面区，可实时采集温度数据，进而得出炉膛内的燃烧工况温度分布图及积灰程度的炉膛烟温；采用小波-神经网络应用于受热面灰污预测单元，模块化智能吹灰类控制应用小波-神经网络应用于受热面灰污预测单元，模块化智能吹灰控制，可对所有类型的锅炉吹类装置提供智能指导，实现智能吹灰，适用于包括燃气、冲击波或声波等各种介质和结构的吹灰器，以及各种锅炉面自洁装置。本发明技术方案的实施可减少以往因不合理吹灰带来的锅炉管壁磨损和蒸汽消耗损失，为电厂生产带来巨大的直接经济效益。

附图说明

图1为本发明所述智能吹灰控制系统结构的工作过程示意图。

图2为本发明系统的软件工作示意图。

图3为小波-神经网络的拓扑结构图。

具体实施方式

以下将结合附图对本发明内容做进一步说明，但本发明的实际制作结构并不仅限于图示的实施例。

本发明所述智能吹灰控制系统的硬件结构如图1所示，它由设置在锅炉受热面周侧相应位置处的多个声波发射/接收传感器1以及与各声波发射/接收传感器1输出信号对应联接的多个前置放大器箱2、过程控制单元(PCU)3、智能吹灰控制仪4和工业计算机5组成，前置放大器箱2通过电缆接至过程控制单元3，过程控制单元3的电流信号输出端联通至智能吹灰控制仪4对应输入端，过程控制单元3监测数据信号输出端通过RS-232线联接至工业计算机5的对应输入端，工业计算机5的监控信号输出/输入端与智能吹灰控制仪4的监控信号输入/输出端联接，智能吹灰控制仪4的输出端外接至用于指导锅炉吹灰器6工作的工厂DCS控制系统。

本发明采用的声波发射/接收传感器1包括多个对称设置在锅炉炉膛上方对流过热器高温区域的声波发射/接收传感器和多个对称设置在锅炉下方燃烧区域的基准温度声波发射/接收传感器，用于测量从发射器(声源)到接收器所花费的时间。在对流过热器高温区域设置的声波发射/接收传感器形成通道作为灰分程度监测位置，在锅炉下方燃烧区域设置的基准温度声波发射/接收传感器形成通道作为基准温度位置，两个通道均输出标准的二线制4～20mA的直流电源。上下方区域设置的每个声波发射/接收传感器1均可向同方区域的各声波发射/接收传感器1发送声波信号，并可接收来自同方区域的各声波发射/接收传感器1发出的声波信号。具体实施结构中，声波发射/接收传感器1可采用ATR-3020器件。

前置放大器箱2采用PAM-3020器件，内含有前置放大器、禁用手控开关和接线端子，其中前置放大器由四个型号为LF347N的运放器组成。

过程控制单元(PCU)3采用PCU-WU-01器件，它包括有微处理计算机、内存和接口/控制电路，是一个包含有数据处理、存储、控制、输入/输出、供电以及用户界面功能的电子装置。

智能吹灰控制仪4采用TSBCS-WU-01器件，是实现按需吹灰的电子装置。在智能吹灰控制仪4置有I/V变换、A/D变换和光电隔离电路，电流信号接入智能吹灰控制仪4后，经过I/V变换变成0～5V或1～5V电压信号，再经A/D变换和光电隔离电路，变成系统可以处理的数字信号。

工业计算机5是整个监测系统的核心，采用TMSIS-3500，装载TMS-2000和ISBCS-I软件，为用户提供界面。通过使用TMS2000和ISBCS-I软件，操作人员可以根据积灰严重程度控制指导吹灰器工作或将吹灰优化指导信息传输到DCS系统，优化指导吹灰器按需吹灰。

该智能吹灰控制系统软件集成的目的是，将许多孤立的程序组合成一个完整的系统，使已有的软件模块互相协作，共同完成灰污监测的任务。系统软件的各种程序如图2所示，大体可分为：数据采集包括信号采集及A/D转化，数据处理，数据显示；在每个采样周期开始时计时器发出采集命令，通过声波气体温度场测量系统采集的烟气温度信号再经过A/D转换，把对应测点的温度数据采集过来，接着开始对各个受热面进行小波神经网络预测，得出对应的烟气温度，存入对应的PI数据库中，最后根据用户的要求从PI数据库中调出灰污数据，直观地呈现给用户，并且可以生成报表，供运行人员研究。

Claims (3)

1、一种基于声波气体温度场测量技术的智能吹灰控制系统，其特征在于它由设置在锅炉受热面周侧相应位置处的多个声波发射/接收传感器(1)以及与各声波发射/接收传感器(1)输出信号对应联接的多个前置放大器箱(2)、过程控制单元(3)、智能吹灰控制仪(4)和工业计算机(5)组成，前置放大器箱(2)的放大信号输出端通过电缆输至过程控制单元(3)的接收端，过程控制单元(3)的电流信号输出端和监测数据信号输出端分别联通至智能吹灰控制仪(4)和工业计算机(5)的对应输入端，工业计算机(5)的监控信号输出/输入端与智能吹灰控制仪(4)的监控信号输入/输出端联接，智能吹灰控制仪(4)的输出端外接至用于指导锅炉吹灰器(6)工作的工厂DCS控制系统。

2、根据权利要求1所述的基于声波气体温度场测量技术的智能吹灰控制系统，其特征在于所说的声波发射/接收传感器(1)包括多个对称设置在锅炉炉膛上方对流过热器高温区域的声波发射/接收传感器和多个对称设置在锅炉下方燃烧区域的基准温度声波发射/接收传感器，上下方区域设置的每个声波发射/接收传感器(1)均可向同方区域的各声波发射/接收传感器(1)发送声波信号，并可接收来自同方区域的各声波发射/接收传感器(1)发出的声波信号。

3、根据权利要求1所述的基于声波气体温度场测量技术的智能吹灰控制系统，其特征在于工业计算机(5)加载有基于小波神经网络计算方法的ISBCS-I智能吹灰控制软件和TMS-2000温度绘制软件，通过软件系统对进入智能吹灰控制仪(4)的数据信号进行计算和处理后，将吹灰优化指导信息传输到DCS控制系统，优化指导锅炉吹灰器(6)按需吹灰。

Images