CN107505927A - 基于组件的循环流化床锅炉风烟设备故障监测方法及装置 - Google Patents
基于组件的循环流化床锅炉风烟设备故障监测方法及装置 Download PDFInfo
- Publication number
- CN107505927A CN107505927A CN201710195134.7A CN201710195134A CN107505927A CN 107505927 A CN107505927 A CN 107505927A CN 201710195134 A CN201710195134 A CN 201710195134A CN 107505927 A CN107505927 A CN 107505927A
- Authority
- CN
- China
- Prior art keywords
- module
- time
- mode
- component
- air
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Fluidized-Bed Combustion And Resonant Combustion (AREA)
Abstract
本发明基于组件的循环流化床锅炉风烟设备故障监测方法及装置,该装置包括:人机接口单元、模态感知模块、时间统计模块、时序分析数据库模块、人工神经网络模块、故障报警模块、故障定位模块、故障分析模块。该方法以组件为基本元素建立模态感知模型。风烟系统模态感知模型包括一次风系统模态感知模型、二次风系统模态感知模型、引风机系统模态感知模型和流化风机系统模态感知模型。在风烟系统模态感知模型之上对风烟系统在冷态启动过程中各个模态之间的模态切换过程进行时序分析,以完成对各组件在模态切换过渡过程的时间统计。故障发生时,通过人工神经网络对比各组件在模态切换过渡过程的时间统计数据,实现对故障的定位和诊断。
Description
技术领域
本发明属于循环流化床机组运行故障监测技术领域,具体涉及一 种基于组件切换时间统计的循环流化床锅炉风烟设备故障监测方法 及装置。
背景技术
循环流化床发电系统运行过程中存在着许多控制难题。这些难题 产生的原因主要是由于被控对象具有时滞、非线性、参数摄动、通讯 受限等内在特性。在实际的发电过程中,针对上述问题的控制领域新 理论和新方法的应用却不尽如人意。其原因一方面是复杂理论与方法 的实施成本高且与工业控制设备的兼容性不错;另一方面,针对被控 对象内在特性的研究成果往往只能解决特定工况的局部优化控制问 题,而循环流化床机组发电系统中存在的多种运行模态间的随机转换 是急需解决的全局性控制难题。
在工业运行实践中,330MW循环流化床机组风烟系统一般包含两台 一次风机、两台二次风机、两台引风机、三台流化风机,各风机为相 对独立的子系统。循环流化床锅炉送风机和引风机是维持物料循环的 关键。
一般情况下,一次风机提供的一次风分成三路进入炉膛:(1)经 过空气预热器后进入水冷风室,再经过布风板风帽形成热一次风流化 风;(2)不经过空气预热器,直接向冷渣器提供流化风,冷渣器出 风作为二次风进入炉膛;(3)经过给煤机,用于炉前播煤。二次风 机提供的二次风分成两路进入炉膛:(1)经过空气预热器后再经过 二次风箱分级进入炉膛;(2)不经过空气预热器作为给煤机皮带密 封风。烟气及其携带的固体粒子离开炉膛后,经由旋风分离器、管式 空气预热器、电除尘器,被引风机抽进烟囱,排入大气。
锅炉冷态启动过程较长,可划分为若干各模态:标准冷态、送电 完成、上水完成、吹扫准备、吹扫完成、点火准备、点火完成、开始 投煤、冲转准备、并网准备和并网完成等模态。风烟系统再冷态启动 过程中也需要按照程序启动指令逐步启动。在上水完成之后,A侧一 次风机、二次风机、引风机全部启动;点火准备→点火完成→开始投 煤过程中,B侧一次风机、二次风机、引风机逐渐启动。风烟系统的 一次风机、二次风机、引风机逐渐启动过程涉及诸多设备和控制回路, 是锅炉冷态启动过程中故障率较高的环节。
发明内容
针对上述背景技术中提到的循环流化床机组风烟系统的多模态运 行过程中故障频发的问题,本发明提供了一种基于组件切换时间统计 的循环流化床锅炉风烟设备故障监测方法及装置。
本发明从系统层面,将循环流化床机组风烟系统中包含的各类设 备按区域和功能划分为“组件”,以组件为基本元素建立模态感知模 型。风烟系统模态感知模型包括一次风系统模态感知模型、二次风系 统模态感知模型、引风机系统模态感知模型和流化风机系统模态感知 模型。在风烟系统模态感知模型之上对风烟系统在冷态启动过程中各 个模态之间的模态切换过程进行时序分析,以完成对各组件在模态切 换过渡过程的时间统计。故障发生时,通过人工神经网络对比各组件 在模态切换过渡过程的时间统计数据,实现对故障的定位和诊断。
本发明采用以下技术方案:一种基于组件的循环流化床锅炉风烟 设备故障监测方法,该方法具体包括以下步骤:
步骤1:系统启动,加载数据,建立循环流化床锅炉风烟系统与 基于组件切换时间统计的故障监测装连接;
步骤2:所述模态感知模块从循环流化床锅炉风烟系统控制中获 取系统当前模态信息,建立风烟系统模态感知模型;
步骤3:所述模态感知模块将风控系统当前模态信息传输至时间 统计模块和人机接口单元;
步骤4:所述时间统计模块获取循环流化床锅炉的一次风机、二 次风机、引风机、流化风机系统中各组件在模态切换过渡过程中所消 耗时间;
步骤5:时间统计模块将当前各个组件在模态切换过渡过程中所 消耗时间传输至人工神经网络模块;
步骤6:人工神经网络模块根据时序分析数据库模块中的正常运 行状态下,各个模态切换过渡过程各组件时间统计数据训练神经网 络;
步骤7:人工神经网络模块将当前各个组件在模态切换过渡过程 中所消耗时间作为输入,产生模式识别输出。若某组件消耗时间过长, 则对应输出变量值为1,可判断此组件当前状态为故障;
步骤8:若当前模态切换过渡过程发生故障,故障报警模块发出 报警信号;若当前模态切换过渡过程未发生故障,故障报警模块不报 警;
步骤9:若当前模态切换过渡过程发生故障,故障定位模块根据 人工神经网络模块输出判断故障位置。具体判断方法为:若某组件消 耗时间过长,则对应输出变量值为1,可判断此故障发生位置为该组 件;若当前模态切换过渡过程未发生故障,故障定位模块无输出;
步骤10:若当前模态切换过渡过程发生故障,故障分析模块根据 人工神经网络模块根据神经网络模块和故障定位模块的输出,给出故 障组件发生故障的可能原因至人机接口供运行人员参考;若当前模态 切换过渡过程未发生故障,故障分析模块无输出。
进一步的,所述步骤1中风力发电系统模态为:标准冷态、送电 完成、上水完成、吹扫准备、吹扫完成、点火准备、点火完成、开始 投煤、冲转准备、并网准备和并网完成等模态。在满足一定切换条件 时,风力发电系统会在两个相邻模态之间切换。
进一步的,所述步骤3中一次风机系统包括以下组件:一次风指令 生成组件、勺管调节控制器、入口挡板控制器、程序启动控制器、液 耦工作油泵1、液耦工作油泵2、润滑油站一号油泵、润滑油站二号油 泵、液耦辅润滑油泵、电机、轴、叶片、风机蜗壳、勺管调节执行器、 勺管调节器、入口挡板执行器、入口挡板、出口挡板。
进一步的,所述步骤3中二次风机系统包括以下组件:二次风指 令生成组件、勺管调节控制器、入口挡板控制器、程序启动控制器、 液耦工作油泵1、液耦工作油泵2、润滑油站一号油泵、润滑油站二号 油泵、液耦辅润滑油泵、电机、轴、叶片、风机蜗壳、勺管调节执行 器、勺管调节器、入口挡板执行器、入口挡板、出口挡板。
进一步的,所述步骤3中引风机系统包括以下组件:入口电动门控 制器组件、程序启动控制器、入口电动门调节阀、入口电动门、A密 闭冷却风机、B密闭冷却风机、稀油站A润滑油泵、稀油站B润滑油泵、 电机、轴、叶片、风机蜗壳、出口电动门。
进一步的,所述步骤3中流化风机系统包括以下组件:流化风指令 生成组件、入口电动门控制器组件、程序启动控制器、入口电动门调 节阀、入口电动门、A密闭冷却风机、稀油站A润滑油泵、稀油站B润 滑油泵、电机、轴、叶片、风机蜗壳、出口电动门、出口电动门排气 阀。
进一步的,所述步骤3中一次风机系统各组件在模态切换过渡过程 中所消耗时间包括:各组件程序启动所需时间、一次风指令生成所需 时间、勺管调节控制器控制指令生成所需时间、勺管调节执行器所耗 时间、勺管调节器调节时间、入口挡板控制器控制指令生成所需时间、 入口挡板执行器所耗时间、入口挡板调节时间等。
进一步的,所述步骤3中二次风机系统各组件在模态切换过渡过程 中所消耗时间包括:各组件程序启动所需时间、二次风指令生成所需 时间、勺管调节控制器控制指令生成所需时间、勺管调节执行器所耗 时间、勺管调节器调节时间、入口挡板控制器控制指令生成所需时间、 入口挡板执行器所耗时间、入口挡板调节时间等。
进一步的,所述步骤3中引风机系统各组件在模态切换过渡过程中 所消耗时间包括:各组件程序启动所需时间、入口电动门控制器等控 制指令生成所需时间、入口挡板执行器所耗时间、入口电动门调节时 间。
进一步的,所述步骤3中流化风机系统各组件在模态切换过渡过程 中所消耗时间包括:各组件程序启动所需时间、入口电动门控制器等 控制指令生成所需时间、入口挡板执行器所耗时间、入口电动门调节 时间。
进一步的,所述步骤5中人工神经网络模块采用PB神经网, Levenberg-Marquardt算法。PB神经网包括输入层、隐含层和输出层。 模块的输出变量为一次风机、二次风机、引风机、流化风机系统中各 组件故障概率值(0~1)。
进一步的,隐含层节点数的确定方法为:其中 n1为隐含层节点数,n为输入变量个数,m为输出变量个数,a取值范 围为4-6。
进一步的,Levenberg-Marquardt算法网络收敛速度和训练精度 较好。该算法权值调整率为:Δw=(JTJ+μJ)-1·JTe,其中:J为误差 对权值微分的雅可比矩阵;e为误差向量;μ为一标量。
进一步,所述步骤2中风烟系统模态感知模型包括一次风系统模 态感知模型、二次风系统模态感知模型、引风机系统模态感知模型和 流化风机系统模态感知模型。
本发明的另一目的是提供上述基于组件切换时间统计的循环流化 床锅炉风烟设备故障监测方法的装置,该装置包括:人机接口单元、 模态感知模块、时间统计模块、时序分析数据库模块、人工神经网络 模块、故障报警模块、故障定位模块、故障分析模块;
所述人机界面用于数据和图像显示;
所述模态感知模块用于获取系统当前模态信息;
所述时间统计模块用于获取变一次风机、二次风机、引风机、流 化风机系统中各个组件在模态切换过渡过程中所消耗时间;
所述时序分析数据库模块用于记录正常运行状态下,各个模态切 换过渡过程各组件时间统计数据;
所述人工神经网络模块用于实现人工神经网络算法,并通过神经 网络算法对当前运行数据的模式识别,判断当前运行状态;
所述故障报警模块用于实现故障报警功能;
所述故障定位模块用于故障发生时实现故障定位功能;
所述故障分析模块用于故障发生时给出故障可能原因。
进一步,所述人机接口单元分别与所述模态感知模块、时序分析 数据库模块、故障报警模块、故障定位模块和故障分析模块连接;所 述模态感知模块与风烟系统控制逻辑模块连接;所述时间统计模块与 一次风机、二次风机、引风机、流化风机系统中各组件相连接;所述 时序统计数据记录模块与变桨系统在线辨识模块连接;所述时序分析 数据库模块和人工神经网络模块相连接;所述人工神经网络模块与时 间统计模块、故障报警模块、故障定位模块、故障分析模块连接。其 中,风烟系统控制逻辑模块和一次风机、二次风机、引风机、流化风 机系统为循环流化床锅炉所固有。
本发明的有益效果是:由于采用上述技术方案,本发明将循环流 化床机组风烟系统中包含的各类设备按区域和功能划分为“组件”, 以组件为基本元素建立模态感知模型。风烟系统模态感知模型包括一 次风系统模态感知模型、二次风系统模态感知模型、引风机系统模态 感知模型和流化风机系统模态感知模型。在风烟系统模态感知模型之 上对风烟系统在冷态启动过程中各个模态之间的模态切换过程进行 时序分析,以完成对各组件在模态切换过渡过程的时间统计。故障发 生时,通过人工神经网络对比各组件在模态切换过渡过程的时间统计 数据,实现对故障的定位和诊断。
附图说明
图1为基于组件切换时间统计的循环流化床锅炉风烟设备故障监 测装置结构示意图。
图2为基于组件切换时间统计的循环流化床锅炉风烟设备故障监 测方法流程图。
图3为不同模态下各子系统模态感知模型示意图。
图3(a)为点火准备模态下A侧一次风机基于组件的模态感知模 型。
图3(b)为点火准备模态下B侧一次风机基于组件的模态感知模型。
图3(c)为点火准备模态下A侧二次风机基于组件的模态感知模型。
图3(d)为点火准备模态下B侧二次风机基于组件的模态感知模型。
图3(e)为点火准备模态下A侧引风机基于组件的模态感知模型。
图3(f)为点火准备模态下B侧引风机基于组件的模态感知模型。
图3(g)为点火准备模态下流化风机A、B基于组件的模态感知模 型。
图3(h)为点火准备模态下流化风机C基于组件的模态感知模型。
图4为本发明BP神经网络模型结构图。
图5为本发明风烟系统模态切换示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合 附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描 述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围 上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发 明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特 定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可 以完全理解本发明。下面结合附图与具体实施方式,对本发明进一步 说明。
循环流化床锅炉结构复杂,功能随着模态切换而变化;其模态切 换往往具有较强的随机性。循环流化床锅炉风烟系统包括两台一次风 机、两台二次风机、两台引风机、三台流化风机,各风机为相对独立 的子系统。
如图1所示,基于组件切换时间统计的循环流化床锅炉风烟设备 故障监测装置,所述控制系统包括:人机接口单元、模态感知模块、 时间统计模块、时序分析数据库模块、人工神经网络模块、故障报警 模块、故障定位模块、故障分析模块。
所述人机界面用于数据和图像显示;所述模态感知模块用于获取 系统当前模态信息;所述时间统计模块用于获取变一次风机、二次风 机、引风机、流化风机系统中各个组件在模态切换过渡过程中所消耗 时间;所述时序分析数据库模块用于记录正常运行状态下,各个模态 切换过渡过程各组件时间统计数据;所述人工神经网络模块用于实现 人工神经网络算法,并通过神经网络算法对当前运行数据的模式识 别,判断当前运行状态;所述故障报警模块用于实现故障报警功能; 所述故障定位模块用于故障发生时实现故障定位功能;所述故障分析 模块用于故障发生时给出故障可能原因。
一种基于组件切换时间统计的循环流化床锅炉风烟设备故障监 测装置,所述故障监测方法与装置的实施方式包括以下步骤:
(1)建立循环流化床锅炉风烟系统与基于组件切换时间统计的故 障监测装置硬件连接。
基于组件切换时间统计的故障监测装置的运行需依托于嵌入式工 业控制系统,嵌入式系统具有较高的安全可靠性,可以长时间不间断 运行,具有良好的可开发性,同时提供友好的用户界面。本发明所需 的嵌入式系统除应包含通常的硬件配置、数据采集接口、嵌入式操作 系统、嵌入式数据库、完整的图形屏幕、软件开发工具(包括编译器、 连接器、调试器等)外还应具有一定的内部自检功能(如系统自检、 外围设备检测、电源检查、通信检查等)。
图1中所示人机接口单元、模态感知模块、时间统计模块、时序分 析数据库模块、人工神经网络模块、故障报警模块、故障定位模块、 故障分析模块均在工业控制计算机中编程实现。
需要从循环流化床锅炉风烟系统采集的信号包括:一次风机系统 各组件在模态切换过渡过程中所消耗时间(各组件程序启动所需时 间、一次风指令生成所需时间、勺管调节控制器控制指令生成所需时 间、勺管调节执行器所耗时间、勺管调节器调节时间、入口挡板控制 器控制指令生成所需时间、入口挡板执行器所耗时间、入口挡板调节 时间等);二次风机系统各组件在模态切换过渡过程中所消耗时间(各 组件程序启动所需时间、二次风指令生成所需时间、勺管调节控制器 控制指令生成所需时间、勺管调节执行器所耗时间、勺管调节器调节 时间、入口挡板控制器控制指令生成所需时间、入口挡板执行器所耗 时间、入口挡板调节时间等);引风机系统各组件在模态切换过渡过 程中所消耗时间(各组件程序启动所需时间、入口电动门控制器等控 制指令生成所需时间、入口挡板执行器所耗时间、入口电动门调节时 间);流化风机系统各组件在模态切换过渡过程中所消耗时间包括(各 组件程序启动所需时间、入口电动门控制器等控制指令生成所需时 间、入口挡板执行器所耗时间、入口电动门调节时间)。
以上信号均来自循环流化床机组DCS控制机柜,通过RS232接口与 无线数传电台模块相连接;无线数传电台模块相应具有收发一体功 能、传输距离为3-7km,需采用CRC检验,且具有组网通信模式,便于 点对多点通信。无线数传电台接收模块先通过LAN或USB与数据采集记 录仪相连接,数据采集记录仪应是高速多通道的,测量部分采用ΔΣ 型和A/D变压器,各通道需经光电隔离。数据采集记录仪的输出信号 通过OPC协议或者Visa协议传输至工业控制计算机。
(2)时序分析数据库模块的初始化。
时序分析数据库模块的初始化过程需要通过人机接口将正常工作 状况下,一次风机、二次风机、引风机和流化风机系统各组件在模态 切换过渡过程中所消耗时间数据输入数据库。为了保证人工神经网络 模式识别判断的准确性,输入数据应不少于50组;
(3)人工神经网络模块的初始化。
人工神经网络模块的初始化包括以下几个方面:1.确定隐含层层 数;2.确定BP神经网络所采用的具体算法,采用Levenberg-Marquardt 算法;3.调整training/validation/testing数据比例。该比例与样 本数目相关,样本数目位于区间[2000,10000]时, training/validation/testing数据比例为80%:10%:10%,神经网络 准确性较高;4.调整迭代次数、误差率和期望误差参数的值。同样的, 这三个参数的值与样本数目相关,为兼顾神经网络的准确性和训练的 快速性,当样本数目位于区间[2000,10000]时,取迭代次数为1000、 误差率为0.1、期望误差为0.000004%;5.训练神经网络。
(4)基于组件切换时间统计的循环流化床锅炉风烟设备故障监测 装置的运行。
基于组件切换时间统计的故障监测装置运行流程见图2。其运行 过程包括以下步骤:
步骤1:系统系统启动,加载数据,建立循环流化床锅炉风烟系 统与基于组件切换时间统计的故障监测装连接,所述模态感知模块从 循环流化床锅炉风烟系统控制中获取系统当前模态信息,建立风烟系 统模态感知模型;
步骤2:模态感知模块将系统当前模态信息传输至时间统计模块 和人机接口单元;
步骤3:时间统计模块获取循环流化床锅炉的一次风机、二次风 机、引风机、流化风机系统中各组件在模态切换过渡过程中所消耗时 间;
步骤4:时间统计模块将当前各个组件在模态切换过渡过程中所 消耗时间传输至人工神经网络模块;
步骤5:人工神经网络模块根据时序分析数据库模块中的正常运行 状态下,各个模态切换过渡过程各组件时间统计数据训练神经网络;
步骤6:人工神经网络模块将当前各个组件在模态切换过渡过程中 所消耗时间作为输入,产生模式识别输出。若某组件消耗时间过长, 则对应输出变量值为1,可判断此组件当前状态为故障;
步骤7:若当前模态切换过渡过程发生故障,故障报警模块发出报 警信号;若当前模态切换过渡过程未发生故障,故障报警模块不报警;
步骤8:若当前模态切换过渡过程发生故障,故障定位模块根据人 工神经网络模块输出判断故障位置。具体判断方法为:若某组件消耗 时间过长,则对应输出变量值为1,可判断此故障发生位置为该组件; 若当前模态切换过渡过程未发生故障,故障定位模块无输出;
步骤9:若当前模态切换过渡过程发生故障,故障分析模块根据人 工神经网络模块根据神经网络模块和故障定位模块的输出,给出故障 组件发生故障的可能原因至人机接口供运行人员参考;若当前模态切 换过渡过程未发生故障,故障分析模块无输出。
实施例:针对一套330MW循环流化床机组,采用基于组件切换时间 统计的循环流化床锅炉风烟设备故障监测装置。该循环流化床机组轮 机采用上海汽轮机有限公司设计制造的亚临界、一次中间冉热、单轴、 双缸双排汽、直接空冷凝汽式汽轮机。其特点是采用数字电液调节系 统、操作简便、运行安全可靠。高中压部分采用合缸顺流结构,低压 部分采用双流反向结构。汽轮机型号为:NZK330-16.67/538/538。锅 炉是由东方锅炉(集团)股份有限公司制造的亚临界、一次中间再热、 自然循环汽包炉,采用紧身封闭、半衡通风、轻型金属屋盖、全钢架 悬吊结构。锅炉型号为:DG-1177/17.5-II3。尾部由包墙分隔在锅炉深度方向形成双烟道结构,前烟道布置了低温再热器,后烟道从上到 下依次布置有高温过热器、低温过热器。
锅炉采用平衡通风方式。每台锅炉设2台离心式一次风机,设2台 离心式二次风机,设2台动叶可调轴流式引风机,集中布置3台高压流 化风机,2台运行,1台备用。
一次风系统采用两台江苏金通灵风机有限公司生产的 RJ29-DW2620F型一次风机,采用入口挡板调节+勺管液力耦合器调节, 为离心式、双吸、双支撑结构。两台一次风机并联运行;二次风系统 采用两台江苏金通灵风机有限公司生产的RJ36-DW2560F型二次风机, 采用入口挡板调节+勺管液力耦合器调节,为离心式、双吸、双支撑 结构。两台二次风机并联运行;引风系统采用两台成都电力机械厂生 产的YU25642-22型动叶可调轴流式引风机,两台风机并联运行,水平 顺列布置,垂直进风,水平出风。烟气从锅炉尾部经过空预器、电袋 除尘后再由引风机经烟囱排出至大气;流化风系统采用三台南通大通 宝富风机有限公司生产的D系列离心鼓风机,为单吸入、高速、多级、 双支撑结构。正常两台流化风机并联运行,一台流化风机备用。
本实施例针对的是机组风烟系统在点火准备→点火完成→开始 投煤模态切换过程。风烟系统在点火准备、点火完成、开始投煤模态 系统表现示意图见下表:
在点火准备模态,风烟系统中A侧一次风机、二次风机、引风机 都已经启动完毕,B侧风机都未启动,流化风机系统已启动完毕;点 火完成模态与点火准备模态相比,B侧引风机和一次风机启动,一二 次风风量增加;进入开始投煤模态后,B侧二次风机启动。三种模态 下各个子系统的表现见下表。图3中,A表示自动调节,一二次风机 的入口挡板开度和勺管调节器开度均为手动操作指令。三种模态下, 流化风机系统的运行情况不发生变化。流化风机A、B正常并联运行, 流化风机C备用。其中,流化风机A满负荷运行,流化风机B50%负荷运行,高压流化风总量维持在24100~24250Nm3/h之间。
点火准备→点火完成→开始投煤运行过程包含两个模态切换过渡 过程:点火准备→点火完成过渡过程和点火完成→开始投煤过渡过 程。点火完成之后,风烟系统根据点火完成指令,先启动B侧引风机 系统,并将B侧引风机挡板开度调节设为自动,然后再启动B侧一次风 机,最后调整一次风机入口挡板开度和勺管调节器开度。风烟系统接 收到开始投煤指令后,先启动B侧二次风机系统,然后调整一次风机 入口挡板开度和勺管调节器开度。在两个过渡过程中,B侧一次风机 系统、二次风机系统、引风机系统的启动均是按照程序启动指令进行。
各模态下各子系统模态感知模型示意图见图5。
在点火准备模态,A侧一次风机正常运行,其基于组件的模态感 知模型见图3(a)。图中,一次风指令生成组件在此模态下不工作。 (一次风指令生成组件在机组冷态启动完成后,即进入低负荷段才会 工作;该组件根据实际负荷指令和实际给煤指令生成一次风指令,然 后送给勺管调节控制器和入口挡板控制器,这两个控制器会在一次风 指令和一次风量测量值偏差下自动控制风机勺管调节器和入口挡板 的开度。)A侧一次风机系统中液耦工作油泵1、润滑油站一号油泵、 液耦辅润滑油泵正常,液耦工作油泵2、润滑油站二号油泵投备。勺 管调节器和入口挡板根据手动操作信号动作,以控制一次风机风量。 风机勺管调节器手操指令值为60%,入口挡板手操指令值为60%。一 次风由出口挡板至空预器,一次风量在空预器出口测得。
在点火准备模态,B侧一次风机未运行,其基于组件的模态感知 模型见图3(b)。此时,B侧一次风机系统中液耦工作油泵1、润滑 油站一号油泵、液耦辅润滑油泵已经开始工作,液耦工作油泵2、润 滑油站二号油泵已经投备。而程序启动指令未传输至电机、入口挡板 和出口挡板,整个系统未开始正常工作。
在点火准备模态,A侧二次风机正常运行,其基于组件的模态感 知模型见图3(c)。A侧二次风机系统与A侧一次风机系统运行情况 基本相同,勺管调节器和入口挡板根据手动操作信号动作,以控制二 次风机风量。A二次风机勺管调节器手操指令值为30%,入口挡板手 操指令值为55%。二次风由出口挡板至空预器,二次风量在空预器出 口测得。
在点火准备模态,B侧二次风机未运行,其基于组件的模态感知 模型见图3(d)。B侧二次风机系统与B侧一次风机系统运行情况基 本相同。液耦工作油泵1、润滑油站一号油泵、液耦辅润滑油泵已经 开始工作,液耦工作油泵2、润滑油站二号油泵已经投备。启动指令 未传输至电机、入口挡板和出口挡板。
在点火准备模态,A侧引风机正常运行,其基于组件的模态感知 模型见图3(e)。A侧引风机系统中A密封冷却风机和稀油站A润滑 油泵正常工作,B密封冷却风机和稀油站B润滑油泵投备。烟气由引 风机出口电动门至烟囱。引风机的主要调节手段为调整入口电动门开 度。在该模态下,入口电动门控制器根据炉膛负压设定值和炉膛负压 实际值的偏差,对入口电动门自动调节。在点火准备模态下,炉膛负 压设定值被设定为-50Pa
在点火准备模态,B侧引风机未运行,其基于组件的模态感知模 型见图3(f)。A侧引风机系统中A密封冷却风机稀油站A润滑油泵 已经正常工作,B密封冷却风机稀油站B润滑油泵已经投备。程序启 动指令未传输至电机、入口电动门和出口电动门。
在点火准备模态,流化风机A、B正常运行,其基于组件的模态 感知模型见图3(g)。流化风机A、B系统中密封冷却风机和稀油站 A润滑油泵正常工作,稀油站B润滑油泵投备,出口电动门排气阀关 闭。流化风指令生成组件在点火准备模态不工作。(流化风指令生成组件在机组冷态启动完成后,即进入低负荷段才会工作;该组件的作 用是根据实际负荷指令生成流化风指令,然后送给入口电动门控制 器,该控制器会在流化风指令下控制入口电动门开度。整个调节过程 为开环控制)此时流化风机A入口电动门手操指令为85%,流化风机 B入口电动门手操指令为40%,即流化风机A满负荷运行,流化风机 B一半负荷运行。
在点火完成模态,A、B侧一次风机系统均正常运行,其基于组 件的模态感知模型与图3(a)相同。在该模态下,A、B侧一次风机 勺管调节器手操指令值为60%,入口挡板手操指令值为55%。
在点火完成模态,A侧二次风系统正常运行,基于组件的模态感 知模型与图3(c)相同;B侧二次风机未运行,基于组件的模态感知 模型与图3(d)相同。该模态与点火准备模态相比,二次风机系统 的风机勺管调节器和入口挡板手操指令值不变;A、B侧引风机系统均正常运行,其基于组件的模态感知模型与图3(e)相同。该模态 与点火准备模态相比,由于B侧一次风机的运行,一次风量增加,总 风量增加,为保持炉膛负压稳定,A、B侧入口电动门开度在入口电 动门控制器自动控制作用下均增加;流化风机A、B正常运行,其基 于组件的模态感知模型与图3(f)相同;流化风机C整体投备,其 基于组件的模态感知模型与图3(g)所示相同。
在开始投煤模态,A、B侧一次风机系统均正常运行,其基于组 件的模态感知模型与图3(a)相同。在该模态下,A、B侧一次风机 勺管调节器手操指令值为70%,入口挡板手操指令值为30%;,A、B 侧二次风系统均正常运行,基于组件的模态感知模型与图3(c)相 同。该模态与点火完成模态相比,A侧二次风机系统的风机勺管调节 器和入口挡板手操指令值不变;B侧二次风机系统的风机勺管调节器 手操指令值设为30%,入口挡板开度设为0,为后续模态做准备;A、 B侧引风机系统均正常运行,其基于组件的模态感知模型与图3(e) 相同。该模态与点火完成模态相比,由于A、B侧一次风量减小,总 风量增加,为保持炉膛负压稳定,A、B侧入口电动门开度在入口电 动门控制器自动控制作用下均减小;流化风机A、B正常运行,其基 于组件的模态感知模型与图3(f)相同;流化风机C整体投备,其 基于组件的模态感知模型与图3(g)相同。
正常运行时,点火准备→点火完成过渡过程各子系统所耗时间约 为:
正常运行时,点火完成→开始投煤过渡过程各子系统所耗时间约 为:
当故障发生时,通过人工神经网络,故障报警模块、故障定位模 块、故障分析模块可以准确给出相应输出。在本例子中故障分析模块 给出的故障原因包括:程序启动失败、控制器失常或控制参数错误、 执行机构异常或损坏、勺管调节器异常或损坏、入口电动门异常或损 坏、出口电动门异常或损坏。
例如,点火准备→点火完成过渡过程A侧一次风机勺管调节器损 坏。正常运行过程中,勺管调节器开度由60%调整至55%约耗时2.5s。 若勺管调节器调节时间超过4.27s,故障报警模块报警,故障定位模 块给出故障位置为A侧一次风机勺管调节器,故障分析模块给出故障 原因为勺管调节器异常或损坏。
例如,点火完成→开始投煤过渡过程B侧引风机入口电动门执行器 损坏。正常运行过程中,入口电动门执行器调节电动门开度由5~6% 调整至11~12%约耗时2.2s。若入口挡板执行器所耗时间超过4.06s, 故障报警模块报警,故障定位模块给出故障位置为B侧引风机入口电 动门执行器,故障分析模块给出故障原因为执行机构异常或损坏。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围 之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于组件的循环流化床锅炉风烟设备故障监测方法,该方法具体包括以下步骤:
步骤1:系统启动,加载数据,建立循环流化床锅炉风烟系统与基于组件切换时间统计的故障监测装连接;
步骤2:所述模态感知模块从循环流化床锅炉风烟系统控制中获取系统当前模态信息,建立风烟系统模态感知模型;
步骤3:所述模态感知模块将循环流化床锅炉风烟系统当前模态信息传输至时间统计模块和人机接口单元;
步骤4:所述时间统计模块获取循环流化床锅炉的一次风机、二次风机、引风机、流化风机系统中各组件在模态切换过渡过程中所消耗时间;
步骤5:所述时间统计模块将当前各个组件在模态切换过渡过程中所消耗时间传输至人工神经网络模块;
步骤6:人工神经网络模块初始化,根据时序分析数据库模块中的正常运行状态下,各个模态切换过渡过程各组件时间统计数据训练神经网络;
步骤7:人工神经网络模块将当前各个组件在模态切换过渡过程中所消耗时间作为输入,产生模式识别输出,若某组件消耗时间过长,则对应输出变量值为1,可判断此组件当前状态为故障;
步骤8:若当前模态切换过渡过程发生故障,则故障报警模块发出报警信号;若当前模态切换过渡过程未发生故障,故障报警模块不报警;
步骤9:若当前模态切换过渡过程发生故障,故障定位模块根据人工神经网络模块输出判断故障位置;具体判断方法为:若某组件消耗时间过长,则对应输出变量值为1,可判断此故障发生位置为该组件;若当前模态切换过渡过程未发生故障,故障定位模块无输出;
步骤10:若当前模态切换过渡过程发生故障,故障分析模块根据人工神经网络模块根据神经网络模块和故障定位模块的输出,给出故障组件发生故障的可能原因至人机接口供运行人员参考;若当前模态切换过渡过程未发生故障,故障分析模块无输出。
2.根据权利要求1所述的方法,其特征在于,所述步骤3中一次风机系统各组件在模态切换过渡过程中所消耗时间包括:各组件程序启动所需时间、一次风指令生成所需时间、勺管调节控制器控制指令生成所需时间、勺管调节执行器所耗时间、勺管调节器调节时间、入口挡板控制器控制指令生成所需时间、入口挡板执行器所耗时间、入口挡板调节时间。
3.根据权利要求1所述的方法,其特征在于,所述步骤3中二次风机系统各组件在模态切换过渡过程中所消耗时间包括:各组件程序启动所需时间、二次风指令生成所需时间、勺管调节控制器控制指令生成所需时间、勺管调节执行器所耗时间、勺管调节器调节时间、入口挡板控制器控制指令生成所需时间、入口挡板执行器所耗时间、入口挡板调节时间等。
4.根据权利要求1所述的方法,其特征在于,所述步骤3中引风机系统各组件在模态切换过渡过程中所消耗时间包括:各组件程序启动所需时间、入口电动门控制器等控制指令生成所需时间、入口挡板执行器所耗时间、入口电动门调节时间。
5.根据权利要求1所述的方法,其特征在于,所述步骤3中流化风机系统各组件在模态切换过渡过程中所消耗时间包括:各组件程序启动所需时间、入口电动门控制器等控制指令生成所需时间、入口挡板执行器所耗时间、入口电动门调节时间。
6.根据权利要求1所述的方法,其特征在于,所述步骤5中人工神经网络模块采用PB神经网,算法为Levenberg-Marquardt算法;PB神经网包括输入层、隐含层和输出层,所述Levenberg-Marquardt算法网络收敛速度和训练精度较好,所述算法权值调整率为:Δw=(JTJ+μJ)-1·JTe,其中:J为误差对权值微分的雅可比矩阵;e为误差向量;μ为一标量。
7.根据权利要求6所述的方法,其特征在于,所述隐含层节点数的确定方法为:其中n1为隐含层节点数,n为输入变量个数,m为输出变量个数,a取值范围为4-6。
8.根据权利要求1所述的方法,其特征在于,所述步骤2中风烟系统模态感知模型包括一次风系统模态感知模型、二次风系统模态感知模型、引风机系统模态感知模型和流化风机系统模态感知模型。
9.一种根据权利要求1-8任一项所述的基于组件切换时间统计的循环流化床锅炉风烟设备故障监测方法的装置,其特征在于,该装置包括:人机接口单元、模态感知模块、时间统计模块、时序分析数据库模块、人工神经网络模块、故障报警模块、故障定位模块、故障分析模块;
所述人机界面用于数据和图像显示;
所述模态感知模块用于获取系统当前模态信息;
所述时间统计模块用于获取变一次风机、二次风机、引风机、流化风机系统中各个组件在模态切换过渡过程中所消耗时间;
所述时序分析数据库模块用于记录正常运行状态下,各个模态切换过渡过程各组件时间统计数据;
所述人工神经网络模块用于实现人工神经网络算法,并通过神经网络算法对当前运行数据的模式识别,判断当前运行状态;
所述故障报警模块用于实现故障报警功能;
所述故障定位模块用于故障发生时实现故障定位功能;
所述故障分析模块用于故障发生时给出故障可能原因。
10.根据权利要求9所述的装置,其特征在于,所述人机接口单元分别与所述模态感知模块、时序分析数据库模块、故障报警模块、故障定位模块和故障分析模块连接;所述模态感知模块与风烟系统控制逻辑模块连接;所述时间统计模块与一次风机、二次风机、引风机、流化风机系统中各组件相连接;所述时序统计数据记录模块与变桨系统在线辨识模块连接;所述时序分析数据库模块和人工神经网络模块相连接;所述人工神经网络模块与时间统计模块、故障报警模块、故障定位模块、故障分析模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710195134.7A CN107505927B (zh) | 2017-03-29 | 2017-03-29 | 基于组件的循环流化床锅炉风烟设备故障监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710195134.7A CN107505927B (zh) | 2017-03-29 | 2017-03-29 | 基于组件的循环流化床锅炉风烟设备故障监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107505927A true CN107505927A (zh) | 2017-12-22 |
CN107505927B CN107505927B (zh) | 2019-08-23 |
Family
ID=60679308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710195134.7A Active CN107505927B (zh) | 2017-03-29 | 2017-03-29 | 基于组件的循环流化床锅炉风烟设备故障监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107505927B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070603A (zh) * | 2019-03-21 | 2019-07-30 | 江苏东方国信工业互联网有限公司 | 一种基于数字双胞胎的炉体仿真系统及其方法 |
CN110579367A (zh) * | 2019-09-23 | 2019-12-17 | 北京国电龙源环保工程有限公司 | 一种干燥床的故障自诊断系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101263499A (zh) * | 2005-07-11 | 2008-09-10 | 布鲁克斯自动化公司 | 智能状态监测和故障诊断系统 |
JP4297547B2 (ja) * | 1999-03-15 | 2009-07-15 | 中国電力株式会社 | 流動層ボイラの制御方法および装置 |
CN102354204A (zh) * | 2007-03-22 | 2012-02-15 | 日本电气株式会社 | 诊断装置 |
CN103727530A (zh) * | 2013-12-13 | 2014-04-16 | 神华集团有限责任公司 | 一种循环流化床锅炉的炉膛出口氧量监控系统及监控方法 |
CN104504292A (zh) * | 2015-01-14 | 2015-04-08 | 济南大学 | 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法 |
CN105143877A (zh) * | 2013-03-15 | 2015-12-09 | 玛斯特股份有限公司 | 多模态流体状况传感器平台及其系统 |
CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及系统 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
-
2017
- 2017-03-29 CN CN201710195134.7A patent/CN107505927B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4297547B2 (ja) * | 1999-03-15 | 2009-07-15 | 中国電力株式会社 | 流動層ボイラの制御方法および装置 |
CN101263499A (zh) * | 2005-07-11 | 2008-09-10 | 布鲁克斯自动化公司 | 智能状态监测和故障诊断系统 |
CN102354204A (zh) * | 2007-03-22 | 2012-02-15 | 日本电气株式会社 | 诊断装置 |
CN105143877A (zh) * | 2013-03-15 | 2015-12-09 | 玛斯特股份有限公司 | 多模态流体状况传感器平台及其系统 |
CN103727530A (zh) * | 2013-12-13 | 2014-04-16 | 神华集团有限责任公司 | 一种循环流化床锅炉的炉膛出口氧量监控系统及监控方法 |
CN104504292A (zh) * | 2015-01-14 | 2015-04-08 | 济南大学 | 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法 |
CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及系统 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
Non-Patent Citations (3)
Title |
---|
YANG M.,FANG F.: "Asynchronous Opening Fault Diagnosis in Independent Wicket Gates Governor System Using FTA and BP Neural Network", 《PROCEEDINGS OF THE 35TH CHINESE CONTROL CONFERENCE》 * |
俞江萍,罗保林: "基于神经网络和宏观动力学模型的流化床反应器离线故障诊断", 《化工冶金》 * |
刘吉臻: "多模态控制的研究与应用综述", 《控制工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070603A (zh) * | 2019-03-21 | 2019-07-30 | 江苏东方国信工业互联网有限公司 | 一种基于数字双胞胎的炉体仿真系统及其方法 |
CN110579367A (zh) * | 2019-09-23 | 2019-12-17 | 北京国电龙源环保工程有限公司 | 一种干燥床的故障自诊断系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107505927B (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103322547B (zh) | 一种锅炉控制与燃烧优化方法 | |
CN101839795B (zh) | 锅炉承压管的泄漏诊断系统和方法 | |
CN104571022B (zh) | 基于煤耗与可控因子关系的耗差分析模型实验系统及方法 | |
CN110346160A (zh) | 一种基于svr的磨煤机效率异常检测与诊断方法 | |
CN103244964A (zh) | 基于声波测量炉膛温度场的燃烧优化控制系统及控制方法 | |
CN103030313B (zh) | 水泥生产与优化系统 | |
CN104235819A (zh) | 火电机组汽动引风机与电动引风机并列运行控制方法 | |
CN102621945A (zh) | 基于火力发电机组最优工况的效率动态寻优运行闭环优化控制方法 | |
CN104090560B (zh) | 一种监测供电综合环境评价指标的设备 | |
CN103092171A (zh) | 水泥数字化管控系统 | |
US11480501B2 (en) | Diagnosis device and diagnosis method for plant | |
CN110208696A (zh) | 基于模型自弈和典型样本的磨煤机故障诊断方法 | |
CN107505927B (zh) | 基于组件的循环流化床锅炉风烟设备故障监测方法及装置 | |
CN110145745A (zh) | 一种多驱动逆推式垃圾焚烧炉acc控制方法及系统 | |
CN112395744B (zh) | 一种面向火电厂的设备安全性在线评价方法及系统 | |
CN112628712A (zh) | 一种基于风门阻力系数的二次风闭环优化控制系统 | |
CN107002500A (zh) | 具有紧急运转装置的涡轮机发电系统及其紧急运转方法 | |
CN103334946A (zh) | 一种火电厂汽动引风机在线节能诊断控制系统 | |
CN203642223U (zh) | 适用于大型电站锅炉智能型水冷壁高温腐蚀防止系统 | |
CN110345463A (zh) | 一种锅炉潜在故障识别方法以及装置 | |
CN205447813U (zh) | 一种660mw火力发电机组锅炉一次风控制系统 | |
CN111651910B (zh) | 一种面向磨煤机的分段概率性状态监测方法 | |
CN111790508B (zh) | 磨煤机排渣箱渣量监控处理系统及其处理方法 | |
CN113970890A (zh) | 一种基于数字仿真的火电机组自启停系统及其开发方法 | |
CN106168372A (zh) | 一种火电厂电动给水泵系统及其启停控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |