CN113011010A - 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 - Google Patents
基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 Download PDFInfo
- Publication number
- CN113011010A CN113011010A CN202110226347.8A CN202110226347A CN113011010A CN 113011010 A CN113011010 A CN 113011010A CN 202110226347 A CN202110226347 A CN 202110226347A CN 113011010 A CN113011010 A CN 113011010A
- Authority
- CN
- China
- Prior art keywords
- boiler
- data
- real
- model
- value
- 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.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000000446 fuel Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 10
- 239000003546 flue gas Substances 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 239000010865 sewage Substances 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 5
- 239000013589 supplement Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及一种基于结构机理和运行数据的锅炉故障诊断方法及诊断系统,其中基于结构机理和运行数据的锅炉故障诊断方法包括:建立锅炉的结构机理模型;对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;根据数字孪生模型获取锅炉运行参数的预测值;通过预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断,实现了将机理建模和数据建模结合分析相互补充和修正确保能够得到更为精确的数字孪生模型,进而根据预测值和实测值的偏差对锅炉的实时运行状态进行评估,对锅炉发生的超温、性能下降等情况进行及时预警和诊断提高锅炉运行的稳定性和安全性。
Description
技术领域
本发明属于锅炉的运行状态监测和故障诊断技术领域,具体涉及一种基于结构机理和运行数据的锅炉故障诊断方法及诊断系统。
背景技术
锅炉是国民经济中重要的供应蒸汽和热水的特种装备,由于经济的高速发展,各种类型和容量的锅炉被广泛地应用在电力、机械、冶金、化工等行业,作为能源供应的主要设备之一,保证锅炉运行安全,防止和减少事故,对于维护生命财产安全和经济运行安全具有重大意义。然而,目前很多锅炉运行管理比较粗放,尤其是供热锅炉房的小容量工业锅炉,大多只靠人工去管理和维护,司炉工对压力、温度、水位、流量等动态参数监视不严,不能及时发现运行数据中的异常情况并采取相应措施,造成超温、超压等情况的产生和迅速扩展,最终导致事故发生。除此以外,锅炉运行是动态过程,经能效调试改进后的锅炉在运行一段时间后,又会出现能效比下降的情况,要让锅炉长期保持最佳运行状态,就必须加强日常运行情况的监测,随时处理和调整运行方式。基于以上现状,目前急需一种锅炉运行状态诊断系统来解决上述问题。
对于锅炉这样一个复杂的热力系统,业内对其内部冷热流体的换热机制和流动特性等研究的较为透彻,基于此,首先建立锅炉的结构机理模型,即根据实际锅炉的结构建立系统内部的介质传热和流动的方程模型。数据建模是对信息系统中客观事物的内在联系的数学描述,对于任何一个信息系统来说,数据建模都是其核心内容,尤其在当今大数据技术、物联网、人工智能高速发展的今天,基于数据的建模越发能够体现其快速、便捷和精确等优势。将机理建模和数据建模结合分析,相互补充和修正,确保能够得到更为精确的锅炉运行状态的参考模型。基于该“数字孪生”模型的预测值和实测值的偏差对锅炉的实时运行状态进行评估,进一步对锅炉发生的超温、性能下降等情况进行及时预警和诊断。
因此,基于上述技术问题需要设计一种新的基于结构机理和运行数据的锅炉故障诊断方法及诊断系统。
发明内容
本发明的目的是提供一种基于结构机理和运行数据的锅炉故障诊断方法及诊断系统。
为了解决上述技术问题,本发明提供了一种基于结构机理和运行数据双重驱动的锅炉故障诊断方法,包括:
建立锅炉的结构机理模型;
对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;
根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;
根据数字孪生模型获取锅炉运行参数的预测值;以及
通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断。
进一步,所述建立锅炉的结构机理模型的方法包括:
根据能量守恒和质量守恒方程建立结构机理模型:
Ek=Egas=Ewater;
Ggs=Gs+Gpw;
其中,Ef为燃料放出的能量;Eloss为热损失,包括锅炉的散热损失、燃料未完全燃烧损失、排烟损失;Ek为第k个换热器的传热量,1≤k≤n;Egas为换热器烟气侧焓降,Ewater为工质侧焓升;Ggs为给水流量,Gs为出口热水或蒸汽的流量,Gpw为排污的流量。
进一步,建立锅炉运行的实时数据库,导入从锅炉的集散控制系统采集的运行数据并实现运行数据的存储;
将实时数据库中的运行数据输入结构机理模型进行计算,并将计算结果存储在实时数据库中。
进一步,所述对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据的方法包括:
根据锅炉的类型和容量来设置各运行参数的上、下限,将超出、低于各运行参数的上、下限的实时数据去除;
对实时数据构成的数据集进行规律查找,以对缺失的实时数据进行填充和对实时数据进行平滑处理。
进一步,所述对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据的方法还包括:
根据清洗后的实时数据选取稳定工况数据,即
锅炉的运行参数x的数据集为x={xt1,xt2,...,xti,...,xtn};
其中,xti为该运行参数x在时刻i时的实时数据,1≤i≤n,该运行参数的数据样本标准差阈值为σ;
数据长度为k的窗口在数据集从左至右滑动,在滑动过程中不断计算窗口内新的数据集的标准差,则窗口位置由数据点m移动至m+1时,新的数据集的均值为:
新数据集的标准差为:
其中,1≤m≤n-k;
在窗口每次滑动后,将计算的标准差与标准差的阈值进行比较:
若σm+1≤σ,新进入窗口的实时数据值属于稳定工况内的值,并将该实时数据放入稳定工况数据集Y;
若σm+1>σ,则将该实时数据去除,并继续滑动窗口直至最后一个实时数据,以获取锅炉的稳定工况数据集Y。
进一步,所述根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型的方法包括:
稳定工况数据集Y为:Y(yin1,yin2,...,yini,yout1,yout2,...,youtj);
其中,yini为锅炉运行参数中输入参数的数据;youtj为锅炉运行参数中输出参数的数据,二者均为实际运行数据;
将yini作为输入参数输入锅炉的结构机理模型,获取结构机理模型输出参数的计算值y′outj;
结构机理模型计算结果和运行参数相结合的模型为数字孪生模型:
进一步,所述根据数字孪生模型获取锅炉运行参数的预测值的方法包括:
进一步,所述通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断的方法包括:
差值的阈值为:Δy0;
当Δy≥Δy0时,判断锅炉的实际运行情况发生偏差,诊断锅炉故障并发出预警;
当youtj≥yup或youtj≤ydown时,判断该运行参数超限,诊断锅炉故障并发出预警;
其中,yup为实测值的上限值;ydown为实测值的下限值;
当诊断锅炉故障时生成相应的故障分析。
另一方面,本发明还提供一种基于结构机理和运行数据双重驱动的锅炉故障诊断系统,包括:
结构机理模型构建模块,建立锅炉的结构机理模型;
清洗模块,对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;
数字孪生模型构建模块,根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;
预测值获取模块,根据数字孪生模型获取锅炉运行参数的预测值;以及
诊断模块,通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断。
本发明的有益效果是,本发明通过建立锅炉的结构机理模型;对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;根据数字孪生模型获取锅炉运行参数的预测值;以及通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断,实现了将机理建模和数据建模结合分析,相互补充和修正,确保能够得到更为精确的数字孪生模型,基于数字孪生模型预测值和实测值的偏差对锅炉的实时运行状态进行评估,进一步对锅炉发生的超温、性能下降等情况进行及时预警和诊断,以提高锅炉运行的稳定性和安全性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所涉及的基于结构机理和运行数据双重驱动的锅炉故障诊断方法的流程图;
图2是本发明所涉及的锅炉实时数据处理流程图;
图3是本发明所涉及的锅炉故障诊断系统原理图;
图4是本发明所涉及的故障预警示意图;
图5是本发明所涉及的基于结构机理和运行数据双重驱动的锅炉故障诊断系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本发明所涉及的基于结构机理和运行数据双重驱动的锅炉故障诊断方法的流程图。
如图1所示,本实施例1提供了一种基于结构机理和运行数据双重驱动的锅炉故障诊断方法,包括:建立锅炉的结构机理模型;对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;根据数字孪生模型获取锅炉运行参数的预测值;以及通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断,实现了将机理建模(建立锅炉的结构机理模型)和数据建模(根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型)结合分析,相互补充和修正,确保能够得到更为精确的数字孪生模型,基于数字孪生模型预测值和实测值的偏差对锅炉的实时运行状态进行评估,进一步对锅炉发生的超温、性能下降等情况进行及时预警和诊断,以提高锅炉运行的稳定性和安全性。
在本实施例中,所述建立锅炉的结构机理模型的方法包括:锅炉是将燃料的化学能转化为热水或者蒸汽的热能,主要涉及到流体的传热和流动问题,根据能量守恒和质量守恒方程建立结构机理模型:
Ek=Egas=Ewater;
Ggs=Gs+Gpw;
其中,Ef为燃料放出的能量;Eloss为热损失,包括锅炉的散热损失、燃料未完全燃烧损失、排烟损失;Ek为第k个换热器的传热量,1≤k≤n;Egas为换热器烟气侧焓降,Ewater为工质侧焓升;Ggs为给水流量,Gs为出口热水或蒸汽的流量,Gpw为排污的流量。根据相应理论构建锅炉的结构机理模型,并实现结构机理模型的在线计算;锅炉是一种进行能量形式和能量载体变换的过程系统,它把燃料的化学能转换为高温烟气载有的热能,烟气再把其载有的热能传递给蒸汽、水和空气;本实施例采用过程系统模拟分析的序贯模块迭代法对锅炉进行机理建模,分别沿烟气按深度先序流经各烟气变换区的顺序执行各烟气变换区的热力计算,以及沿工质按深度先序所流经各广义部件的顺序执行各广义部件的热力计算,并对该过程进行反复迭代,以构成结构机理模型;结构机理模型是在锅炉的工艺机理分析的基础上,针对整个热力系统及受热面的传热特性和工质流动特性,根据质量守恒、热量守恒、动力学、热力学等理论建立的方程模型,本领域技术人员结合上述理论以及公知方程能够建立结构机理模型,然后通过给定方程的输入量求解输出量;建立锅炉运行的实时数据库,导入从锅炉集散控制系统(Distributed Control System,DCS)采集的运行数据并实现运行数据的存储;在锅炉的结构机理模型算法中添加与实时数据库的数据接口,实现数据库(实时数据库)连接、读取和写入操作,点击在线计算时,能够获取数据库中的运行工况数据进行锅炉模型(结构机理模型)的在线计算,并将计算结果存入数据库中待用,在线计算的时间间隔可根据锅炉的运行情况确定。
在本实施例中,所述对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据的方法包括:锅炉实际运行中,由于监测设备的运行故障或网络的不稳定性,使得其监测的运行参数不可或缺地存在着数据的空值、缺失或重复情况等,所以有必要对锅炉的运行数据(实时数据)进行数据清洗,保证数据的有效性;针对运行数据,首先可以根据实际锅炉的类型和容量来对各运行参数进行上下限的设定,使得超限的数据直接被剔除;其次,采用机器学习算法对数据集进行规律查找,确定最接近的值来进行缺失值的填充,同时对偏差较大的数据进行平滑处理。
在本实施例中,所述对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据的方法还包括:锅炉的给水参数、燃料量和风量等负荷的投入变化都会影响锅炉的运行,导致运行状态不稳定,而不稳定的工况数据不能正确反映锅炉内在的机理关系,即不能用来进行机理模型(结构机理模型)的仿真以及修正;根据清洗后的实时数据选取稳定工况数据,即锅炉的某个运行参数x的数据集为x={xt1,xt2,...,xti,...,xtn};其中,xti为该运行参数x在时刻i时的实时数据,1≤i≤n,该运行参数的数据样本标准差阈值为σ;数据长度为k的窗口在数据集从左至右滑动(窗口内有k个数据),每次滑动增加一个新的数据,在滑动过程中不断计算窗口内新的数据集的标准差,则窗口位置由数据点m移动至m+1时,新的数据集的均值为:
新数据集的标准差为:
其中,1≤m≤n-k;
在窗口每次滑动后,将计算的标准差与标准差的阈值进行比较:
若σm+1≤σ,新进入窗口的实时数据值(xm+1)属于稳定工况内的值,并将该实时数据放入稳定工况数据集Y;
若σm+1>σ,则将该实时数据去除,并继续滑动窗口直至最后一个实时数据,并采用相同的方法对所有运行参数的数据进行筛选,以获取锅炉的稳定工况数据集Y。
在本实施例中,所述根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型的方法包括:
稳定工况数据集Y为:Y(yin1,yin2,...,yini,yout1,yout2,...,youtj);
其中,yini为锅炉运行参数中输入参数的数据,youtj为锅炉运行参数中输出参数的数据,且二者都为实测数据;
将yini作为输入参数输入锅炉的结构机理模型进行在线计算,获取结构机理模型输出参数的计算值y′outj和zoutj;前者y′outj是因为一般情况下,由于机理模型的计算方法考虑的比较理想,忽略了实际情况带来的误差,所以计算出来的结果与实测值并不完全一致,因此需要对理论结果进行修正,使其更加贴近实际运行情况;后者zoutj是因为实际锅炉结构中的测点是比较有限的,只对部分比较重要的点进行了测量,而机理模型(结构机理模型)可以把所有部件的进出口等关键点的数据全部计算出来,起到虚拟测量的作用,为全面掌握锅炉运行情况提供参照;
针对机理模型的计算误差,根据数据辨识的方法对y′outj进行修正,选取运行时间t1至t2时刻的N组运行数据进行数据辨识获取,修正后的输出参数的计算值即其中,和ζj为修正系数,反映其对每个输出值的修正,范围由辨识算法确定;
结构机理模型计算结果和运行参数相结合的模型如下所示,该模型是将机理模型和数据模型相结合得出的更加符合实际物理结构的模型,即数字孪生模型:
通过结构机理和运行数据建模相互验证的方式提高锅炉建模计算结果的准确性,时刻保持与物理系统的模型一致性,即得到与实际锅炉物理结构相对应的数字孪生模型;该数字孪生模型的参数包括实际运行参数输入值以及经过辨识修正后的输出值(输出参数的计算值),能够保证与实际模型的输出值偏差在允许范围内;这种在虚拟空间中完成映射,反映相对应的锅炉实体的全生命周期过程的模型称之为数字孪生模型。
在本实施例中,所述根据数字孪生模型获取锅炉运行参数的预测值的方法包括:根据Y(yin1,yin2,...,yini,yout1,yout2,...,youtj),将输入参数yini输入锅炉的数字孪生模型,获取输出值并以作为锅炉运行参数的预测值,用来指导锅炉的实际运行。
在本实施例中,所述通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断的方法包括:根据实测值youtj(锅炉某个运行参数的实际运行值)和预测值(根据其他运行值计算出来的该运行参数的预测值),一般情况下二者应该基本一致,但是由于设备出现问题以及司炉工操作不得当等情况,可能使得实际运行参数偏离预测值太多,从而危及锅炉的安全运行,所以需要对该运行参数以及运行参数和预测值的差值进行实时监控,时刻掌握锅炉的实际运行状态,对实测值和预测值进行实时监控,记录二者的变化趋势,形成曲线,实时计算预测值和实测值之间的差值:
差值的阈值为:Δy0;当Δy≥Δy0时,发起预警,判断锅炉的实际运行情况发生偏差提示锅炉运行参数的实时值偏离预测值,诊断锅炉故障并发出预警,提醒运行人员进行原因查看;锅炉的运行参数的预测值,也可起到虚拟测量的作用,针对锅炉设备中没有测点的位置,可以利用孪生模型计算得到该位置的预测值,如温度、压力值,从而对该虚拟测量点的运行工况进行实时监测;
当youtj≥yup或youtj≤ydown时,判断该运行参数超限,诊断锅炉故障并发出预警提示可能出现严重的运行事故;
其中,yup为实测值的上限值;ydown为实测值的下限值;可以根据偏差以及实测值超限的程度大小将预警分为多个级别,如一级预警、二级预警、三级预警等,实际应用时可根据选取的运行参数进行分类;
当诊断锅炉故障时生成相应的故障分析;锅炉故障诊断时将设定被监测值的关联监测参数,关联参数的含义是当被监测值发生异常时,会在报警的同时对该参数(运行参数)进行分析,并排查原因;针对锅炉超温情况,系统将实时监测锅炉各受热面出口水温或蒸汽温度,同时设定关联参数为给水量Gin、燃料输入量Gf等,当出口水温或蒸汽温度过高时,系统内部直接去判断关联参数Gin和Gf的实时值(实测值),若关联参数出现异常,包括波动范围大和超限等,将会提示运行人员可能是该关联参数导致故障发生,即可能是给水量突然减少或者燃料量投入太多等;针对每种可能出现的情况以及出现该情况的相关故障原因形成专家库,当出现异常情况时,将会自动将该故障可能的原因列出来,提供给运行人员,方便运行人员进行排查;通过数字孪生模型的在线计算结果(预测值)以及该结果与实际运行结果(实测值)的偏差波动情况对锅炉的运行状态和性能进行诊断分析,及时对参数超限情况等进行预警以及对锅炉运行性能进行评估,最终能够有助于提高锅炉运行的安全性和经济性。
图2是本发明所涉及的锅炉实时数据处理流程图;
图3是本发明所涉及的锅炉故障诊断系统原理图;
图4是本发明所涉及的故障预警示意图。
如图2所示,在本实施例中,对基于结构机理和运行数据双重驱动的锅炉故障诊断方法进行具体的举例说明:主要运行参数包括:给水温度Tin、给水压力Pin,给水流量Gin,出口蒸汽温度Tout、出口蒸汽压力Pout,出口蒸汽流量Gout,烟气出口温度Tgas及燃料投入量Gf;采用数据清洗方法对以上数据进行缺失值填充和噪声平滑;针对数据集的缺失值,本发明采用机器学习算法对数据集进行规律查找,确定最接近的值来进行信息填充,这个方法能够更大程度上保证值的规律一致性;
同样地,针对数据集中的噪声数据,采用机器学习的方法对数据的内在规律进行分析,对偏差较大的数据进行平滑;锅炉的给水参数、燃料量和风量等负荷的投入变化都会影响锅炉的运行工况,导致运行状态不稳定,而不稳定的工况数据不能正确反映锅炉内在的机理关系,即不能用来进行机理模型的仿真;
基于锅炉的具体结构和锅炉燃烧和传热机理建立响应的能量、质量守恒方程等,也即建立了锅炉的结构机理模型;利用该方法建立的锅炉机理模型(结构机理模型)对很多情况进行了简化,所以与实际运行结果会存在一定偏差,所以需要用运行数据对其进行修正。
如图3所示,针对锅炉的每一个主要的运行参数,按照其来源不同分为实际运行值(实测值)和理论计算值(预测值),实际运行值为锅炉的运行数据,理论计算值则为锅炉的理论模型的在线计算结果;运行人员根据对二者差值的跟踪,对锅炉的状态进行评价;也可以根据预测值进行虚拟测量;
锅炉在实际运行中,可以实时计算锅炉的热效率并形成趋势曲线;运行人员通过对趋势曲线的分析,查看目前锅炉运行性能的变化,如果锅炉的热效率呈现越来越低的情况,则表示锅炉的运行性能随着时间的累积发生退化,接下来就需要根据其他辅助的运行参数来进行原因排查;如图4所示,以锅炉出口蒸汽温度为例,Tout′为模型计算出来的出口蒸汽温度(属于),即预测值,Tout为实测的锅炉出口蒸汽温度(属于youtj);二者的差值应该在设定的误差范围内,如ΔTout=|Tout′-Tout|≤ε,ε为系统设定的误差允许值(属于Δy0);监测分析实时监测ΔTout的值,当其超过ε时,发起报警,提示机组运行工况出现问题;针对上述报警,统可以根据实际情况进行故障诊断,若是Tout小于Tout′,那么可能原因是过热器部分结垢严重,影响了烟气与工质的传热,需要进行吹灰清洁;如果是Tout大于Tout′,那么可能是由于蒸发量减少、给水系统故障等原因;若是Tout超过了设定的上、下限值,即图中阴影部分,则报超限预警,需要立即查看原因,防止出现超温、超压等情况,危机锅炉运行安全。
实施例2
图5是本发明所涉及的基于结构机理和运行数据双重驱动的锅炉故障诊断系统的原理框图。
如图5所示,在实施例1的基础上,本实施例2还提供一种基于结构机理和运行数据双重驱动的锅炉故障诊断系统,包括:结构机理模型构建模块,建立锅炉的结构机理模型;清洗模块,对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;数字孪生模型构建模块,根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;预测值获取模块,根据数字孪生模型获取锅炉运行参数的预测值;以及诊断模块,通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断,实现了将机理建模和数据建模结合分析,相互补充和修正,确保能够得到更为精确的数字孪生模型,基于数字孪生模型预测值和实测值的偏差对锅炉的实时运行状态进行评估,进一步对锅炉发生的超温、性能下降等情况进行及时预警和诊断,以提高锅炉运行的稳定性和安全性。
在本实施例中,结构机理模型构建模块建立锅炉的结构机理模型,清洗模块对实时数据进行清洗并选取稳定工况数据,数字孪生模型构建模块根据稳定工况数据对结构机理模型进行特征参数辨识修正获取锅炉的数字孪生模型,预测值获取模块根据数字孪生模型获取锅炉运行参数的预测值,诊断模块基于数字孪生模型计算参数的预测值以及预测值与实测值的偏差对锅炉故障进行诊断的方法在实施例1中已经详细描述,在本实施例中不再赘述。
综上所述,本发明通过建立锅炉的结构机理模型;对实时数据进行清洗,并选取稳定工况数据;根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;根据数字孪生模型获取锅炉运行参数的预测值;以及基于数字孪生模型计算参数的预测值以及预测值与实测值的偏差对锅炉故障进行诊断,实现了将机理建模和数据建模结合分析,相互补充和修正,确保能够得到更为精确的数字孪生模型,基于数字孪生模型预测值和实测值的偏差对锅炉的实时运行状态进行评估,进一步对锅炉发生的超温、性能下降等情况进行及时预警和诊断,以提高锅炉运行的稳定性和安全性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种锅炉故障诊断方法,其特征在于,包括:
建立锅炉的结构机理模型;
对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;
根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;
根据数字孪生模型获取锅炉运行参数的预测值;以及
通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断。
3.如权利要求2所述的锅炉故障诊断方法,其特征在于,
建立锅炉运行的实时数据库,导入从锅炉的集散控制系统采集的运行数据并实现运行数据的存储;
将实时数据库中的运行数据输入结构机理模型进行计算,并将计算结果存储在实时数据库中。
4.如权利要求3所述的锅炉故障诊断方法,其特征在于,
所述对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据的方法包括:
根据锅炉的类型和容量来设置各运行参数的上、下限,将超出、低于各运行参数的上、下限的实时数据去除;
对实时数据构成的数据集进行规律查找,以对缺失的实时数据进行填充和对实时数据进行平滑处理。
5.如权利要求4所述的锅炉故障诊断方法,其特征在于,
所述对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据的方法还包括:
根据清洗后的实时数据选取稳定工况数据,即
锅炉的运行参数x的数据集为x={xt1,xt2,...,xti,...,xtn};
其中,xti为该运行参数x在时刻i时的实时数据,1≤i≤n,该运行参数的数据样本标准差阈值为σ;
数据长度为k的窗口在数据集从左至右滑动,在滑动过程中不断计算窗口内新的数据集的标准差,则窗口位置由数据点m移动至m+1时,新的数据集的均值为:
新数据集的标准差为:
其中,1≤m≤n-k;
在窗口每次滑动后,将计算的标准差与标准差的阈值进行比较:
若σm+1≤σ,新进入窗口的实时数据值属于稳定工况内的值,并将该实时数据放入稳定工况数据集Y;
若σm+1>σ,则将该实时数据去除,并继续滑动窗口直至最后一个实时数据,以获取锅炉的稳定工况数据集Y。
6.如权利要求5所述的锅炉故障诊断方法,其特征在于,
所述根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型的方法包括:
稳定工况数据集Y为:Y(yin1,yin2,...,yini,yout1,yout2,...,youtj);
其中,yini为锅炉运行参数中输入参数的数据;youtj为锅炉运行参数中输出参数的数据,二者均为实际运行数据;
将yini作为输入参数输入锅炉的结构机理模型,获取结构机理模型输出参数的计算值y′outj;
结构机理模型计算结果和运行参数相结合的模型为数字孪生模型:
9.一种基于结构机理和运行数据双重驱动的锅炉故障诊断系统,其特征在于,包括:
结构机理模型构建模块,建立锅炉的结构机理模型;
清洗模块,对锅炉运行的实时数据进行清洗,并选取锅炉的稳定工况数据;
数字孪生模型构建模块,根据稳定工况数据对结构机理模型进行特征参数辨识修正,获取锅炉的数字孪生模型;
预测值获取模块,根据数字孪生模型获取锅炉运行参数的预测值;以及
诊断模块,通过所述预测值与稳定工况数据中实测值的偏差对锅炉故障进行诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226347.8A CN113011010A (zh) | 2021-03-01 | 2021-03-01 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226347.8A CN113011010A (zh) | 2021-03-01 | 2021-03-01 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011010A true CN113011010A (zh) | 2021-06-22 |
Family
ID=76387313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226347.8A Pending CN113011010A (zh) | 2021-03-01 | 2021-03-01 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011010A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779769A (zh) * | 2021-08-18 | 2021-12-10 | 国网浙江省电力有限公司舟山供电公司 | 一种电缆试验数字孪生系统及其工作方法 |
CN113822496A (zh) * | 2021-10-27 | 2021-12-21 | 杭州英集动力科技有限公司 | 一种多机组热电厂供热模式及参数在线寻优方法 |
CN114019823A (zh) * | 2021-09-17 | 2022-02-08 | 华能巢湖发电有限责任公司 | 一种基于三维虚拟仿真的锅炉四管检修诊断系统 |
CN114089715A (zh) * | 2021-10-13 | 2022-02-25 | 鹏城实验室 | 冷水机组数字孪生模型构建方法、装置、终端及存储介质 |
CN114281047A (zh) * | 2021-12-27 | 2022-04-05 | 山东浪潮工业互联网产业股份有限公司 | 一种流程工业生产过程监控管理方法及系统 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
CN115314498A (zh) * | 2022-08-16 | 2022-11-08 | 武汉涛初科技有限公司 | 一种基于人工智能的工业锅炉运行在线实时监测预警云平台 |
CN116738862A (zh) * | 2023-07-12 | 2023-09-12 | 南方电网电力科技股份有限公司 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
CN117909853A (zh) * | 2024-03-19 | 2024-04-19 | 合肥通用机械研究院有限公司 | 基于机理与工况大数据的设备损伤智能监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974793A (zh) * | 2016-05-04 | 2016-09-28 | 华中科技大学 | 一种电站锅炉燃烧智能控制方法 |
CN109376499A (zh) * | 2018-12-20 | 2019-02-22 | 华润电力技术研究院有限公司 | 火电机组热力系统的建模方法及模型 |
CN109684727A (zh) * | 2018-12-20 | 2019-04-26 | 华润电力技术研究院有限公司 | 孪生体模型构建方法、装置和计算机设备 |
CN110288135A (zh) * | 2019-06-10 | 2019-09-27 | 华北电力大学 | 一种高压加热系统疏水水位节能优化方法 |
CN110454766A (zh) * | 2019-07-01 | 2019-11-15 | 佛山科学技术学院 | 一种锅炉预警方法及预警装置 |
-
2021
- 2021-03-01 CN CN202110226347.8A patent/CN113011010A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974793A (zh) * | 2016-05-04 | 2016-09-28 | 华中科技大学 | 一种电站锅炉燃烧智能控制方法 |
CN109376499A (zh) * | 2018-12-20 | 2019-02-22 | 华润电力技术研究院有限公司 | 火电机组热力系统的建模方法及模型 |
CN109684727A (zh) * | 2018-12-20 | 2019-04-26 | 华润电力技术研究院有限公司 | 孪生体模型构建方法、装置和计算机设备 |
CN110288135A (zh) * | 2019-06-10 | 2019-09-27 | 华北电力大学 | 一种高压加热系统疏水水位节能优化方法 |
CN110454766A (zh) * | 2019-07-01 | 2019-11-15 | 佛山科学技术学院 | 一种锅炉预警方法及预警装置 |
Non-Patent Citations (1)
Title |
---|
仝营;钟崴;童水光;: "基于机制模型与数据驱动的超临界锅炉性能在线预测方法", 中国电机工程学报, no. 10 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779769A (zh) * | 2021-08-18 | 2021-12-10 | 国网浙江省电力有限公司舟山供电公司 | 一种电缆试验数字孪生系统及其工作方法 |
CN114019823A (zh) * | 2021-09-17 | 2022-02-08 | 华能巢湖发电有限责任公司 | 一种基于三维虚拟仿真的锅炉四管检修诊断系统 |
CN114089715A (zh) * | 2021-10-13 | 2022-02-25 | 鹏城实验室 | 冷水机组数字孪生模型构建方法、装置、终端及存储介质 |
CN113822496A (zh) * | 2021-10-27 | 2021-12-21 | 杭州英集动力科技有限公司 | 一种多机组热电厂供热模式及参数在线寻优方法 |
CN113822496B (zh) * | 2021-10-27 | 2024-05-31 | 浙江英集动力科技有限公司 | 一种多机组热电厂供热模式及参数在线寻优方法 |
CN114281047A (zh) * | 2021-12-27 | 2022-04-05 | 山东浪潮工业互联网产业股份有限公司 | 一种流程工业生产过程监控管理方法及系统 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
CN115314498A (zh) * | 2022-08-16 | 2022-11-08 | 武汉涛初科技有限公司 | 一种基于人工智能的工业锅炉运行在线实时监测预警云平台 |
CN116738862A (zh) * | 2023-07-12 | 2023-09-12 | 南方电网电力科技股份有限公司 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
CN116738862B (zh) * | 2023-07-12 | 2024-05-31 | 南方电网电力科技股份有限公司 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
CN117909853A (zh) * | 2024-03-19 | 2024-04-19 | 合肥通用机械研究院有限公司 | 基于机理与工况大数据的设备损伤智能监测方法及系统 |
CN117909853B (zh) * | 2024-03-19 | 2024-05-31 | 合肥通用机械研究院有限公司 | 基于机理与工况大数据的设备损伤智能监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
US8046191B2 (en) | Method for monitoring performance of a heat transfer device | |
CN105971738B (zh) | 一种燃气轮机组烟气流量在线监测的方法 | |
CN109471420B (zh) | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 | |
CN110618610A (zh) | 基于LSTM深度学习的燃机NOx超标预警方法与装置 | |
CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
Blanco et al. | New investigation on diagnosing steam production systems from multivariate time series applied to thermal power plants | |
CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
CN114997309A (zh) | 给水泵故障预警方法及装置 | |
CN114429003A (zh) | 锅炉四管寿命预测方法的系统 | |
US10429828B2 (en) | Plant simulation device and plant simulation method with first parameter adjustable at start and second parameter adjustable during operation of the plant | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
Lemma | A hybrid approach for power plant fault diagnostics | |
CN110543108B (zh) | 基于机理模型预测的供热系统测量数据的校正方法及系统 | |
Li et al. | Design of comprehensive diagnosis system in nuclear power plant | |
Addel-Geliel et al. | Application of model based fault detection for an industrial boiler | |
CN109635358A (zh) | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 | |
CN117436153B (zh) | 一种应用于电厂供热的实体特征参数化实现方法 | |
Smith et al. | A comparative study of energy graph-based fault detection and isolation techniques applied to a lignite plant | |
Cui et al. | Research on fault diagnosis and early warning of power plant boiler reheater temperature deviation based on machine learning algorithm | |
Zou et al. | Online evaluation of the boiler energy efficiency associated with the soot blowing in coal‐fired power plants | |
Leithner et al. | Monitoring | |
CN116380205A (zh) | 一种多元数据融合的烟道风量误差软校正方法及系统 | |
Kurek et al. | Detection of malfunctions and abnormal working conditions of a coal mill |
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 |