CN102331772B - 一种直流百万机组过热汽温异常预警与故障诊断方法 - Google Patents

一种直流百万机组过热汽温异常预警与故障诊断方法 Download PDF

Info

Publication number
CN102331772B
CN102331772B CN 201110077590 CN201110077590A CN102331772B CN 102331772 B CN102331772 B CN 102331772B CN 201110077590 CN201110077590 CN 201110077590 CN 201110077590 A CN201110077590 A CN 201110077590A CN 102331772 B CN102331772 B CN 102331772B
Authority
CN
China
Prior art keywords
steam temperature
variable
early warning
data
fault diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN 201110077590
Other languages
English (en)
Other versions
CN102331772A (zh
Inventor
陈小强
许仙珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Zhejiang Electric Power Test and Research Insititute
Original Assignee
Zhejiang University ZJU
Zhejiang Electric Power Test and Research Insititute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Zhejiang Electric Power Test and Research Insititute filed Critical Zhejiang University ZJU
Priority to CN 201110077590 priority Critical patent/CN102331772B/zh
Publication of CN102331772A publication Critical patent/CN102331772A/zh
Application granted granted Critical
Publication of CN102331772B publication Critical patent/CN102331772B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Turbines (AREA)

Abstract

本发明公开了一种直流百万机组过热汽温异常预警与故障诊断方法。该方法包括：工况划分，典型工况过热汽温预测模型参数辨识,在线过热汽温趋势预测和故障诊断。本方法所提供的诊断信息面向现场集控运行人员,运行人员在预警状态下点击,即可获得各变量对汽温波动的贡献信息,依此运行人员可快速确定故障原因,及时处理现场故障。本发明能提前几分钟预测出汽温变化趋势，所提供的诊断信息面向现场集控运行人员,运行人员在预警状态下点击,即可获得各变量对汽温波动的贡献信息,依此运行人员可快速确定故障原因,及时处理现场故障。本发明为大型直流机组的安全稳定运行提供了一种快速、简便的方法。

Description

一种直流百万机组过热汽温异常预警与故障诊断方法
技术领域
本发明涉及大型火电生产过程自动控制领域，特别地，涉及直流百万机组过热汽温异常预警和故障诊断。
背景技术
在节能减排、提高发电效率的大环境下，超超临界直流百万机组成为火力发电厂建设的主流趋势。经过近两年来的投产运行，电厂对1000MW超超临界机组的运行技术逐渐掌握，但锅炉汽温波动幅度较大的问题仍然存在，1000MW机组投产后发生爆管的现象时有发生。其原因是由于没有汽包环节，超超临界直流炉的给水经加热、蒸发和变成过热蒸汽是一次性连续完成的，各段受热面之间没有明显的分界面。给水、燃烧和汽温调节不是相对独立的，而是密切相关、相互影响的。特别是过热器减温水与锅炉给水同源，使过热器的汽温控制与水冷壁壁温保护紧密联系在一起，又相互制约。这都增加了汽温控制的难度。
过热汽温是机组安全运行的重要参数，其温度的稳定性直接影响锅炉运行的效率和安全。汽温过高，管路金属壁温超温，会大大影响管路寿命，甚至会产生爆管事故而被迫停机维修。为了避免金属壁温、过热汽温超温，不少1000MW机组不得不降低参数运行，这又使得1000MW机组的运行效率打了折扣。由于蒸汽在加热链中的逐级传递，而1000MW机组锅炉的传热体系更长，汽温控制具有较大的迟滞性。一旦运行人员发现金属壁温、过热汽温接近超温，采取措施时往往为时已晚。如果能够预测过热汽温的变化趋势，提前发出超温报警，并且及时给出导致汽温变化的主要因素，这将为运行人员处理汽温异常赢得宝贵时间和方向指导，进而使汽温保持稳定。
发明内容
     本发明的目的针对目前超超临界百万机组汽温控制尚有不足，末过汽温波动较大的问题，提供一种过热蒸汽温度异常预警和故障诊断方法。
本发明的技术方案为：
直流百万机组过热汽温异常预警与故障诊断方法的步骤如下：
1）按机组负荷划分工况，选择满负荷的10%作为负荷段选取规则，从满负荷的45％～100％间确定6个典型工况；
2）从历史库中读取各个负荷工况下正常运行时关键变量的数据作为对应的训练样本                                                
Figure 2011100775904100002DEST_PATH_IMAGE001
；
3）对训练样本
Figure 616878DEST_PATH_IMAGE001
进行预处理，使得各关键变量的均值为0，得到输入矩阵
Figure 891870DEST_PATH_IMAGE002
，步骤为：
（1）计算均值：
Figure 2011100775904100002DEST_PATH_IMAGE003
（2）计算方差：
Figure 283537DEST_PATH_IMAGE004
（3）标准化处理：
Figure 2011100775904100002DEST_PATH_IMAGE005
， 或
零均值化处理：
Figure 607071DEST_PATH_IMAGE006
其中，
Figure 10371DEST_PATH_IMAGE001
为训练样本，
Figure 2011100775904100002DEST_PATH_IMAGE007
为训练样本数，
Figure 393948DEST_PATH_IMAGE008
为变量数；
4）建立过热汽温预测模型，辨识模型参数； 
5）建立主元分析模型； 
6）读取生产过程中实际运行的数据作为待监测数据；
7）在线预测过热汽温，判断预测值是否超过设定值，若超过，则发出超温预警；若预测值低于汽温低温限，则发出低温预警；
8）故障诊断；
9）定期将机组正常运行时关键变量的数据添加到训练样本
Figure 85960DEST_PATH_IMAGE001
中，重复步骤2）～步骤5），及时更新过热汽温预测模型和主元分析模型。
所述的建立过热汽温预测模型，辨识模型参数步骤为：
   （1）采集末级过热器入口蒸汽温度和出口蒸汽温度值；
   （2）建立末级过热器入口蒸汽温度与出口蒸汽温度间的函数关系：
其中，
Figure 947606DEST_PATH_IMAGE010
是时刻的末过出口温度，
Figure 2011100775904100002DEST_PATH_IMAGE013
是
Figure 212420DEST_PATH_IMAGE012
时刻的末过入口温度，为单位延迟算子，
Figure 2011100775904100002DEST_PATH_IMAGE015
为纯滞后时间，
Figure 853803DEST_PATH_IMAGE016
为随机噪声，参数
Figure 2011100775904100002DEST_PATH_IMAGE017
和
Figure 621907DEST_PATH_IMAGE018
为：
Figure 2011100775904100002DEST_PATH_IMAGE019
      （3）给定，
Figure 2011100775904100002DEST_PATH_IMAGE021
和
Figure 748312DEST_PATH_IMAGE015
取值范围；
      （4）采用最小二乘法辨识
Figure 14077DEST_PATH_IMAGE017
和
Figure 449738DEST_PATH_IMAGE018
系数；
       (5)改变
Figure 142756DEST_PATH_IMAGE020
，
Figure 358974DEST_PATH_IMAGE021
和
Figure 179163DEST_PATH_IMAGE015
取值，重复步骤（3）～步骤（4），以预测误差最小化来确定最优的
Figure 718597DEST_PATH_IMAGE020
，
Figure 598828DEST_PATH_IMAGE021
和取值。
所述的建立主元分析模型步骤为：
（1)计算
Figure 582014DEST_PATH_IMAGE022
的协方差阵，记为
Figure 2011100775904100002DEST_PATH_IMAGE023
；
（2)对
Figure 179217DEST_PATH_IMAGE023
进行奇异值分解，得到特征根
Figure 27088DEST_PATH_IMAGE024
 ，其中，对应的特征向量矩阵为
Figure 76952DEST_PATH_IMAGE026
；
（3)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为
Figure 2011100775904100002DEST_PATH_IMAGE027
；
（4)选取特征向量矩阵
Figure 425894DEST_PATH_IMAGE026
的前列，构成载荷矩阵；
（5)分别计算PCA保留的得分
Figure 161955DEST_PATH_IMAGE028
和残差
Figure 2011100775904100002DEST_PATH_IMAGE029
。
所述的故障诊断步骤为：
   选取预警时刻前5分钟的数据为待检测数据
Figure 761432DEST_PATH_IMAGE030
，进行标准化处理，处理后的数据作为对应负荷段的主元分析模型的输入，计算各变量对主元贡献值和残差贡献值，计算步骤如下：
(1)第j个过程变量对残差贡献值为：
Figure 2011100775904100002DEST_PATH_IMAGE031
 其中
Figure 648485DEST_PATH_IMAGE032
为待测样本个数；
（2）第j个过程变量对第k个主元贡献值为：
。
所述的关键变量为：过热汽温预测模型变量和故障诊断变量，过热汽温预测模型变量为末级过热器入口汽温和末级过热器出口汽温，故障诊断变量为功率负荷、总燃煤量、空预器总风量、总给水量、主汽压力、给水温度、一次风量、二次风量、风煤比、燃煤比和含氧量。
本发明能提前几分钟预测出汽温变化趋势，所提供的诊断信息面向现场集控运行人员,运行人员在预警状态下点击,即可获得各变量对汽温波动的贡献信息,依此运行人员可快速确定故障原因,及时处理现场故障。本发明为大型直流机组的安全稳定运行提供了一种快速、简便的方法。
附图说明
图1是本发明实现过热汽温异常预警与故障诊断的流程图；
图2是过热汽温预测模型参数寻优过程的流程图。
具体实施方式
     下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制。
直流百万机组过热汽温异常预警与故障诊断方法的步骤如下：
1）按机组负荷划分工况，选择满负荷的10%作为负荷段选取规则，从满负荷的45％～100％间确定6个典型工况；百万机组的典型工况可划分如下： 450MW～550MW、550MW～650MW、650MW～750MW、750MW～850MW、850MW～950MW和950MW以上。
2）从DCS历史库中读取各个负荷工况下正常运行时关键变量的数据作为对应的训练样本
Figure 954702DEST_PATH_IMAGE001
；所述的关键变量为：过热汽温预测模型变量和故障诊断变量，过热汽温预测模型变量为：末级过热器入口汽温
Figure 347637DEST_PATH_IMAGE034
，末级过热器出口汽温
Figure DEST_PATH_IMAGE035
；故障诊断变量为功率负荷
Figure 372094DEST_PATH_IMAGE036
，总燃煤量
Figure DEST_PATH_IMAGE037
，空预器总风量
Figure 125155DEST_PATH_IMAGE038
，总给水量
Figure DEST_PATH_IMAGE039
，主汽压力
Figure 309315DEST_PATH_IMAGE040
，给水温度
Figure DEST_PATH_IMAGE041
，一次风量，二次风量
Figure DEST_PATH_IMAGE043
，风煤比
Figure 384905DEST_PATH_IMAGE044
，燃煤比
Figure DEST_PATH_IMAGE045
，含氧量
Figure 613761DEST_PATH_IMAGE046
。和
Figure 691624DEST_PATH_IMAGE035
分别为预测模型的输入、输出变量，
Figure 300460DEST_PATH_IMAGE036
～为主元分析模型（PCA）变量。设定采样时间
Figure DEST_PATH_IMAGE047
，可选为20s。
3）对训练样本
Figure 796218DEST_PATH_IMAGE001
进行预处理，使得各关键变量的均值为0，得到输入矩阵，步骤为：
（1）计算均值：
Figure 984940DEST_PATH_IMAGE003
（2）计算方差：
Figure 368648DEST_PATH_IMAGE004
（3）标准化处理：
Figure 686366DEST_PATH_IMAGE005
， 或
零均值化处理：
Figure 762906DEST_PATH_IMAGE006
其中，
Figure 346334DEST_PATH_IMAGE001
为训练样本，
Figure 783000DEST_PATH_IMAGE007
为训练样本数，
Figure 705957DEST_PATH_IMAGE008
为变量数；对过热汽温预测模型的输入输出数据进行零均值化处理，有利于提高辨识精度；对PCA训练数据进行标准化处理，能消除各变量因为量纲不同造成的影响。
4）建立过热汽温预测模型，辨识模型参数，步骤如下： 
（1）采集末级过热器入口蒸汽温度和出口蒸汽温度值；
   （2）建立末级过热器入口蒸汽温度与出口蒸汽温度间的函数关系（ARX模型）：
Figure 202666DEST_PATH_IMAGE009
其中，
Figure 211074DEST_PATH_IMAGE010
是
Figure 451431DEST_PATH_IMAGE012
时刻的末过出口温度，
Figure 228894DEST_PATH_IMAGE013
是
Figure 896505DEST_PATH_IMAGE012
时刻的末过入口温度，
Figure 126629DEST_PATH_IMAGE014
为单位延迟算子，
Figure 983727DEST_PATH_IMAGE015
为纯滞后时间，
Figure 864964DEST_PATH_IMAGE016
为随机噪声。参数
Figure 454208DEST_PATH_IMAGE017
和
Figure 686475DEST_PATH_IMAGE018
为：
Figure 19367DEST_PATH_IMAGE019
      （3）给定
Figure 755111DEST_PATH_IMAGE020
，
Figure 780836DEST_PATH_IMAGE021
和
Figure 47869DEST_PATH_IMAGE015
取值范围，可取
Figure 168141DEST_PATH_IMAGE020
＝2～8，=0~1，，构造所有ARX模型结构；
      （4）采用最小二乘法辨识
Figure 647030DEST_PATH_IMAGE017
和
Figure 836571DEST_PATH_IMAGE018
系数
（5）以预测误差最小化来确定最优的
Figure 297640DEST_PATH_IMAGE020
，
Figure 461905DEST_PATH_IMAGE021
和
Figure 890481DEST_PATH_IMAGE015
取值和对应参数
Figure 368867DEST_PATH_IMAGE017
和
Figure 933709DEST_PATH_IMAGE018
；
5）建立主元分析模型，提取该工况下稳定运行时数据的统计信息，计算载荷矩阵。所述的主元分析总方差提取率大于80％，计算过程采用协方差奇异值分解的方法，步骤如下：
（1)计算
Figure 472138DEST_PATH_IMAGE022
的协方差阵，记为
Figure 122431DEST_PATH_IMAGE023
；
（2)对
Figure 404508DEST_PATH_IMAGE023
进行奇异值分解，得到特征根
Figure 89436DEST_PATH_IMAGE024
 ，其中
Figure 595504DEST_PATH_IMAGE025
，对应的特征向量矩阵为
Figure 749404DEST_PATH_IMAGE026
；
（3)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为
Figure 818861DEST_PATH_IMAGE027
；
（4)选取特征向量矩阵的前
Figure 972947DEST_PATH_IMAGE027
列，构成载荷矩阵；
（5)分别计算PCA保留的得分
Figure 348565DEST_PATH_IMAGE028
和残差
Figure 221712DEST_PATH_IMAGE029
。
主元分析在力求数据信息丢失最少的原则下，对高维的变量空间降维。其实，实质是研究变量体系的少数几个线性组合，并且这几个线性组合所构成的综合变量将尽可能多地保留原变量信息。
在线预测与诊断：
1．定期从DCS实时数据库中读取生产过程中实际运行的数据作为待监测数据；采样周期同训练时采样时间；
2．根据负荷判断所属工况，调用对应预测模型在线提前K步预测过热汽温，判断预测值是否超过设定值，若超过，则发出超温预警；若预测值低于汽温低温限，则发出低温预警；
3．一旦发生预警，点击预警状态进行故障诊断，步骤如下：
选取预警时刻前5分钟的数据为待检测数据
Figure 366385DEST_PATH_IMAGE030
，进行标准化处理，处理后的数据作为对应负荷段的主元分析模型的输入，计算各变量对主元贡献值和残差贡献值，计算步骤如下：
(1)第j个过程变量对残差贡献值为：
Figure 666786DEST_PATH_IMAGE031
 其中
Figure 592016DEST_PATH_IMAGE032
为待测样本个数；
（2）第j个过程变量对第k个主元贡献值为：
Figure 754007DEST_PATH_IMAGE033
。
贡献值越大，该变量对汽温波动的作用越大。把计算所得的结果以图形形式呈现给运行人员，帮助运行人员及时处理异常，所述的方法还包括：定期将机组正常运行时关键变量的数据添加到训练集TX中，重复的训练过程，及时更新过热汽温预测和主元分析模型。

Claims (1)

1.一种直流百万机组过热汽温异常预警与故障诊断方法，其特征在于它的步骤如下：
1）按机组负荷划分工况，选择满负荷的10%作为负荷段选取规则，从满负荷的45％～100％间确定6个典型工况；
2）从历史库中读取各个负荷工况下正常运行时关键变量的数据作为对应的训练样本                                                
Figure 2011100775904100001DEST_PATH_IMAGE001
；
3）对训练样本
Figure 710995DEST_PATH_IMAGE001
进行预处理，使得各关键变量的均值为0，得到输入矩阵
Figure 2011100775904100001DEST_PATH_IMAGE002
，步骤为：
（1）计算均值：
Figure 2011100775904100001DEST_PATH_IMAGE003
（2）计算方差：
（3）标准化处理：， 或
零均值化处理：
Figure 2011100775904100001DEST_PATH_IMAGE006
其中，
Figure 939720DEST_PATH_IMAGE001
为训练样本，为训练样本数，
Figure 2011100775904100001DEST_PATH_IMAGE008
为变量数；
4）建立过热汽温预测模型，辨识模型参数； 
5）建立主元分析模型； 
6）读取生产过程中实际运行的数据作为待监测数据；
7）在线预测过热汽温，判断预测值是否超过设定值，若超过，则发出超温预警；若预测值低于汽温低温限，则发出低温预警；
8）故障诊断；
9）定期将机组正常运行时关键变量的数据添加到训练样本
Figure 594823DEST_PATH_IMAGE001
中，重复步骤2）～步骤5），及时更新过热汽温预测模型和主元分析模型；
所述的建立过热汽温预测模型，辨识模型参数步骤为：
    （1）采集末级过热器入口蒸汽温度和出口蒸汽温度值；
    （2）建立末级过热器入口蒸汽温度与出口蒸汽温度间的函数关系：
Figure 2011100775904100001DEST_PATH_IMAGE009
其中，
Figure 2011100775904100001DEST_PATH_IMAGE010
是
Figure 2011100775904100001DEST_PATH_IMAGE011
时刻的末级过热器出口蒸汽温度，
Figure 2011100775904100001DEST_PATH_IMAGE012
是
Figure 301617DEST_PATH_IMAGE011
时刻的末级过热器入口蒸汽温度，
Figure 2011100775904100001DEST_PATH_IMAGE013
为单位延迟算子，
Figure 2011100775904100001DEST_PATH_IMAGE014
为纯滞后时间，
Figure 2011100775904100001DEST_PATH_IMAGE015
为随机噪声，参数
Figure 2011100775904100001DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
为：
Figure DEST_PATH_IMAGE018
    （3）给定，
Figure DEST_PATH_IMAGE020
和
Figure 240623DEST_PATH_IMAGE014
取值范围；
    （4）采用最小二乘法辨识
Figure 63085DEST_PATH_IMAGE016
和
Figure 766337DEST_PATH_IMAGE017
系数；
     (5)改变
Figure 902920DEST_PATH_IMAGE019
，
Figure 571799DEST_PATH_IMAGE020
和取值，重复步骤（3）～步骤（4），以预测误差最小化来确定最优的
Figure 257175DEST_PATH_IMAGE019
，
Figure 931870DEST_PATH_IMAGE020
和
Figure 891474DEST_PATH_IMAGE014
取值；
所述的建立主元分析模型步骤为：
（1)计算
Figure DEST_PATH_IMAGE021
的协方差阵，记为
Figure DEST_PATH_IMAGE022
；
（2)对
Figure 196684DEST_PATH_IMAGE022
进行奇异值分解，得到特征根
Figure DEST_PATH_IMAGE023
 ，其中
Figure DEST_PATH_IMAGE024
，对应的特征向量矩阵为
Figure DEST_PATH_IMAGE025
；
（3)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为；
（4)选取特征向量矩阵
Figure 749894DEST_PATH_IMAGE025
的前列，构成载荷矩阵；
（5)分别计算PCA保留的得分和残差
Figure DEST_PATH_IMAGE028
；
所述的故障诊断步骤为：
    选取预警时刻前5分钟的数据为待检测数据
Figure DEST_PATH_IMAGE029
，进行标准化处理，处理后的数据作为对应负荷段的主元分析模型的输入，计算各变量对主元贡献值和残差贡献值，计算步骤如下：
(1)第j个过程变量对残差贡献值为：
Figure DEST_PATH_IMAGE030
 其中为待测样本个数；
（2）第j个过程变量对第k个主元贡献值为：
Figure DEST_PATH_IMAGE032
；
所述的关键变量为：过热汽温预测模型变量和故障诊断变量，过热汽温预测模型变量为末级过热器入口汽温和末级过热器出口汽温，故障诊断变量为功率负荷、总燃煤量、空预器总风量、总给水量、主汽压力、给水温度、一次风量、二次风量、风煤比、燃煤比和含氧量。
CN 201110077590 2011-03-30 2011-03-30 一种直流百万机组过热汽温异常预警与故障诊断方法 Expired - Fee Related CN102331772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110077590 CN102331772B (zh) 2011-03-30 2011-03-30 一种直流百万机组过热汽温异常预警与故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110077590 CN102331772B (zh) 2011-03-30 2011-03-30 一种直流百万机组过热汽温异常预警与故障诊断方法

Publications (2)

Publication Number Publication Date
CN102331772A CN102331772A (zh) 2012-01-25
CN102331772B true CN102331772B (zh) 2013-03-27

Family

ID=45483576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110077590 Expired - Fee Related CN102331772B (zh) 2011-03-30 2011-03-30 一种直流百万机组过热汽温异常预警与故障诊断方法

Country Status (1)

Country Link
CN (1) CN102331772B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103615716B (zh) * 2013-08-05 2015-08-19 浙江大学 循环流化床锅炉排烟温度预测系统及方法
CN104102773B (zh) * 2014-07-05 2017-06-06 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN106289754B (zh) * 2016-09-28 2018-10-30 清华大学 一种基于统计控制技术的火电机组部件性能变化判定方法
CN106524123B (zh) * 2016-11-07 2018-08-28 长春工程学院 一种离散化转换的超临界锅炉受热面管壁超温预警方法
US20200118012A1 (en) * 2017-04-18 2020-04-16 Hewlett-Packard Development Company, L.P. Monitoring the Thermal Health of an Electronic Device
CN109101460B (zh) * 2018-06-21 2022-09-20 国网山东省电力公司电力科学研究院 一种基于安全裕量的火力发电机组运行安全性能评价方法
CN110345463A (zh) * 2019-06-24 2019-10-18 佛山科学技术学院 一种锅炉潜在故障识别方法以及装置
CN112036088A (zh) * 2020-09-03 2020-12-04 华能国际电力股份有限公司玉环电厂 一种基于多新息随机梯度优化的过热汽温预测方法
CN112329271A (zh) * 2020-12-04 2021-02-05 国网山东省电力公司电力科学研究院 基于多重pca的火电机组调峰关键指标识别方法及装置
CN112684778B (zh) * 2020-12-24 2022-03-29 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 基于多源信息强化学习蒸汽发生器给水系统诊断方法
CN113298133B (zh) * 2021-05-18 2023-09-26 沈阳航空航天大学 超临界机组锅炉爆管故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1996190A (zh) * 2006-11-23 2007-07-11 浙江大学 一种基于小波分析的工业生产过程故障诊断系统及方法
CN101377683A (zh) * 2008-09-26 2009-03-04 上海电力学院 火力发电厂过热蒸汽温度异常自诊断方法
CN101403923A (zh) * 2008-10-31 2009-04-08 浙江大学 基于非高斯成分提取和支持向量描述的过程监控方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1996190A (zh) * 2006-11-23 2007-07-11 浙江大学 一种基于小波分析的工业生产过程故障诊断系统及方法
CN101377683A (zh) * 2008-09-26 2009-03-04 上海电力学院 火力发电厂过热蒸汽温度异常自诊断方法
CN101403923A (zh) * 2008-10-31 2009-04-08 浙江大学 基于非高斯成分提取和支持向量描述的过程监控方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
600MW超临界机组汽温控制策略研究;方廷璋等;《电站系统工程》;20090731;第25卷(第4期);第53-56页 *
两类超超临界1000MW直流锅炉中间点温度控制策略和效果分析;陈小强等;《华东电力》;20090831;第37卷(第8期);第1418-1421页 *
方廷璋等.600MW超临界机组汽温控制策略研究.《电站系统工程》.2009,第25卷(第4期),第53-56页.
陈小强等.两类超超临界1000MW直流锅炉中间点温度控制策略和效果分析.《华东电力》.2009,第37卷(第8期),第1418-1421页.

Also Published As

Publication number Publication date
CN102331772A (zh) 2012-01-25

Similar Documents

Publication Publication Date Title
CN102331772B (zh) 一种直流百万机组过热汽温异常预警与故障诊断方法
JP5916043B2 (ja) 湿分分離再加熱器を制御する方法及び装置
US6865511B2 (en) Process and device for evaluating the performance of a process control system
CN109491358B (zh) 一种面向百万千瓦超超临界机组锅炉动态信息的控制性能监测方法
US8887747B2 (en) System and method for drum level control
US10338576B2 (en) Intelligent management system for balance of plant
CN105527113B (zh) 一种核电站热能效率监测与诊断系统和方法
CN103309314B (zh) 超临界燃煤机组高温过热器金属壁温预警优化控制方法
CN109538311B (zh) 面向高端发电装备中汽轮机的控制性能实时监测方法
CN107905858B (zh) 末级安全流量监测与控制系统及方法
CN106933202A (zh) 利用基于所估计的状态信息的间歇重新初始化的前馈控制
CN106354999B (zh) 一种火电机组负荷振荡与负荷突变故障的在线诊断方法
US10865643B2 (en) Method and system for a component lifetime counter
CN111191354A (zh) 基于gbdt的锅炉建模方法及装置
CN111679648B (zh) 一种基于高斯过程回归的多变量闭环控制回路性能评估方法
CN111624979B (zh) 一种基于慢特征分析的工业闭环控制回路多振荡检测与溯源方法
CN104165352B (zh) 一种核电站蒸发器水位监控系统及其监控方法
CN104238516A (zh) 一种锅炉系统设备状态监测方法
CN116382223B (zh) 一种基于dcs的火电机组监测系统
Cui et al. Research on fault diagnosis and early warning of power plant boiler reheater temperature deviation based on machine learning algorithm
Jagtap et al. Application of Particle Swarm Optimization Method to Availability Optimization of Thermal Power Plants
David et al. Modeling, identification and detection of faults in industrial boiler (July2015)
CN109492855B (zh) 基于数据模型的凝汽器式汽轮机排汽温度预测方法
Vasudeva Power plant operation and maintenance cost reduction through control system improvements
Zhou et al. Research on process monitoring method based on SPC and PCA technology

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130327

Termination date: 20140330