CN113091309B - 导热油循环故障诊断系统 - Google Patents
导热油循环故障诊断系统 Download PDFInfo
- Publication number
- CN113091309B CN113091309B CN202110250596.0A CN202110250596A CN113091309B CN 113091309 B CN113091309 B CN 113091309B CN 202110250596 A CN202110250596 A CN 202110250596A CN 113091309 B CN113091309 B CN 113091309B
- Authority
- CN
- China
- Prior art keywords
- heat conduction
- conduction oil
- boiler
- fault diagnosis
- fault
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 95
- 238000012544 monitoring process Methods 0.000 claims abstract description 121
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012423 maintenance Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000003921 oil Substances 0.000 claims description 154
- 238000012546 transfer Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000010438 heat treatment Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013021 overheating Methods 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- 239000002253 acid Substances 0.000 claims description 6
- 239000000571 coke Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 239000010724 circulating oil Substances 0.000 claims description 4
- 238000007872 degassing Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000018044 dehydration Effects 0.000 claims description 3
- 238000006297 dehydration reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H7/00—Storage heaters, i.e. heaters in which the energy is stored as heat in masses for subsequent release
- F24H7/02—Storage heaters, i.e. heaters in which the energy is stored as heat in masses for subsequent release the released heat being conveyed to a transfer fluid
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H9/00—Details
- F24H9/20—Arrangement or mounting of control or safety devices
- F24H9/2007—Arrangement or mounting of control or safety devices for water heaters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种导热油循环故障诊断系统,属于锅炉故障诊断技术领域。本发明采用多模块化的监测方法细化监控对象,设置包括导热油泄露、导热油劣化、导热油超温超压、管壁结垢等多故障模式的监测模块,并对系统运行状态进行识别划分,根据不同状态实现故障预测,实现系统的日常维护和故障处理,监测覆盖面广且监测效率高,能够适用于蒸汽‑导热油双介质锅炉系统的多种故障情况。同时本发明采用NARX神经网络训练方法进行预测,有效学习和处理锅炉系统的大样本数据,提高了预测准确性和效率。
Description
技术领域
本发明属于锅炉故障诊断技术领域,具体涉及导热油循环故障诊断系统。
背景技术
导热油作为一种性能良好的有机热载体,由于具有高温低压的传热性能,热稳定性好、流动性能好、对环境影响小的特点,越来越广泛应用于锅炉系统中作为一种热交换介质。但传统导热油锅炉存在着排烟温度高、热效率低、出力不足的问题,且导热油易发生超温裂解变质,其劣化产物容易在受热面管壁结垢结焦,使得炉管受热不均导致局部过热,甚至引发爆管和泄露起火的安全事故。蒸汽-导热油双介质锅炉在传统蒸汽循环系统中加入了导热油换热回路,降低了导热油锅炉的排烟温度,充分优化了能量的利用,且能满足不同温度的供热需求,但由于导热油的特性,系统仍然存在着如泄露、超温等安全隐患,因此需要对整个锅炉系统进行安全监测。研究蒸汽-导热油双介质锅炉的监测与运维系统及方法,对于保证机组的安全、高效、环保运行具有重要意义。
经过对现有技术的检测发现,目前还没有针对蒸汽-导热油双介质锅炉的监测与运维技术,国内外研究多将监测对象重点放在燃煤锅炉上。在监测系统的研究上,现有的研究主要有:(1)燃煤锅炉的能效监测。以中国专利CN102252784B、CN102385370B为例,将现场采集的数据传输至远程服务器并进行锅炉能效计算,实现锅炉能效的实时监测。该方法的缺陷在于智能对系统的效率进行监测,无法实现锅炉故障的预测和诊断,监测效果不足;(2)电站锅炉在线诊断。以中国专利CN108663980A为例,远程诊断中心对采集的现场运行数据进行诊断,并根据维护实际情况和专家经验给出运维建议。该系统存在的缺陷是缺少对应的调控系统,无法实现锅炉系统的运维智能化,并且该技术对系统的所有数据进行监测,不区分系统的运行状态如正常运行和故障模式,增加系统监测的复杂程度和维数,监测效率较低;(3)导热油换热器泄露监测系统。以中国专利CN110186313A为例,在各换热器上设置传感器,通过多通道信号分析系统进行频谱分析与判断,实现换热器的故障监测。该技术无法实现对整个蒸汽-导热油双介质锅炉系统的监测,且只能监测导热油的泄露情况,缺少多种故障的识别功能。
在监测方法的研究上,现有的研究主要有:(1)知识推理预测。以中国专利CN108803569A为例,对系统状态的特征信号进行选取和故障征兆提取,利用知识库和专家经验实现基于知识的诊断推理;(2)机器学习预测。以中国专利CN106802646A、CN110007661B为例,分别采用了决策树算法和SVM算法训练预测模型,实现系统故障的诊断。上述两种方法的缺陷在于识别准确率和效率较低,且无法适应锅炉系统运行的大量数据。以中国专利CN107505927B为例,构建了风烟系统模态感知模型,通过对风烟系统在冷态启动过程中各个模态切换的过渡时间统计数据进行人工神经网络的时序分析,实现对故障的定位和诊断。但该方法只针对冷态启动过程的风烟系统,无法监测处于多种状态下的整个锅炉系统,且对蒸汽-导热油双介质锅炉系统的适应性有待验证。
发明内容
为了解决上述问题,本发明提供了导热油循环故障诊断系统,采用多模块化的监测方法细化监控对象,设置包括导热油泄露、导热油劣化、导热油超温超压、管壁结垢等多故障模式的监测模块,并对系统运行状态进行识别划分,根据不同状态实现故障预测,实现系统的日常维护和故障处理,监测覆盖面广且监测效率高,能够适用于蒸汽-导热油双介质锅炉系统的多种故障情况,同时采用NARX神经网络训练方法进行预测,有效学习和处理锅炉系统的大样本数据,提高了预测准确性和效率。
本发明具体采用的技术方案如下所示:
一种导热油循环故障诊断系统,用于对蒸汽-导热油双介质锅炉进行导热油循环故障诊断,其包括远程监控系统、故障诊断与预测系统和智能运维控制系统;
所述远程监控系统包括数据源端和监控模块;所述数据源端中,测量装置获取锅炉的各类现场测量信号并传送给监控模块,经过分析后形成相关参数作为数据输出;其中,测量装置包括振动信号传感器、噪声信号传感器、油品检测装置、温度传感器、高温超声波流量计、红外热成像仪和现场监控上位机;所述监控模块包括热媒泄露监控模块、热媒品质监控模块、热媒过热监控模块、热媒超压监控模块、管壁结垢监测模块和运行状态监控模块;远程监控系统中的监控流程如下:振动信号传感器和噪声信号传感器采集锅炉中各受热面工作时的振动与噪声信号,传输给热媒泄露监控模块,通过A/D转换器输出为振动噪声电信号;油品检测装置对锅炉中导热油的油品进行检测,将检测结果传输给热媒品质监控模块和热媒超压监控模块,其中热媒品质监控模块监控导热油的闪点、运动粘度、酸值和残炭指标,热媒超压监控模块监控导热油中的水分指标;温度传感器布置在导热油进出口处,高温超声波流量计布置在受热面和导热油进出口处,两者监测到的信号传输至热媒过热监控模块,输出进出液口温度值和不同受热面热媒流速;红外热成像仪监测受热面管壁温度,将测量结果输入管壁结垢检测模块,并输出测点管段温度对比检测结果;现场监控上位机获取锅炉运行时各内部组件的状态,传输至运行状态监测模块,输出锅炉内部组件的运行状态参数;
所述故障诊断与预测系统包括诊断分析模块、历史运行数据库、神经网络预测模型和诊断知识库;故障诊断与预测系统内的故障诊断与预测流程如下:
S1:诊断分析模块获取从远程监控模块实时输出的数据,并对其进行特征提取与分析,得到与锅炉的当前运行状况相关的特征数据;
S2:基于S1中提取到的特征数据进行状态识别,对锅炉的运行状况作出初判断,用于指导下一步所需要预测的参数;所述运行状况包括正常运行状态、启停过程状态、停炉状态和故障状态;
S3:根据S2中识别得到的锅炉运行状况,利用神经网络预测模型对故障诊断所需参数的未来变化进行预测;且不同的运行状况对应的所需参数不同,正常运行状态的所需参数为导热油流速、导热油温度、导热油品质参数和运行状态参数,启停过程状态的所需参数为导热油流速、导热油温度和运行状态参数,停炉状态的所需参数为导热油品质参数,故障状态的所需参数为振动噪声信号、导热油品质参数、导热油温度和导热油流速;
S4:针对S3中神经网络预测模型输出的所需参数的预测值,利用诊断知识库对蒸汽-导热油双介质锅炉系统进行故障诊断,输出评估结果;且故障诊断过程中,若S3中识别得到的锅炉运行状况为故障状态,则输出代表故障类型的故障诊断预测结果,否则输出代表锅炉未来可能发生的故障风险的运行状态识别结果;所有评估结果发送至智能运维控制系统中,故障诊断与预测完成;
所述智能运维控制系统包括指令发出模块和硬件控制模块,所述指令发出模块根据收到的评估结果,从指令集中调用对应的日常维护指令或故障处理指令发送至硬件控制模块,由硬件控制模块控制锅炉内相应的硬件进行响应调节。
作为优选,所述运行状态参数包括锅炉负荷、风机功率、循环水泵功率、循环油泵功率、蒸汽阀门开闭情况、导热油阀门开闭情况。
作为优选,所述S1中,所述特征数据的获取方法如下:
首先对远程监控模块实时输出的数据进行滤波去噪,然后对去噪后的振动噪声电信号进行时域和频域的特征提取,得到与锅炉运行状态相关的第一特征数据;再利用主成分分析法对运行状态参数进行降维,提取出与锅炉运行状态相关的主成分形成的特征向量作为第二特征数据;第一特征数据和第二特征数据共同作为特征数据用于进行后续的状态识别。
作为优选,所述S3中,导热油品质参数为导热油的闪点、运动粘度、酸值、残炭和水分。
作为优选,所述S4中的神经网络预测模型采用开环NARX神经网络,通过对开环NARX神经网络进行训练,训练完成后采用移除延时的NARX网络建立参数预测模型,用于对故障诊断所需参数的未来变化进行预测。
作为优选,所述远程监控系统获取的所有数据均存入故障诊断与预测系统的历史运行数据库中;S1中的特征提取与分析过程可调用历史运行数据库;S2中的状态识别过程可调用历史运行数据库。
作为优选,所述的智能运维控制系统中,所述指令发出模块收到运行状态识别结果时发出日常维护指令,收到故障诊断预测结果时发出故障处理指令;优选的,日常维护指令包括流速控制、导热油控温、导热油脱气脱水、导热油品检测,故障处理指令包括泄露处理、导热油更换、焦垢清除、备用电路启动;硬件控制模块根据指令控制对应的硬件包括导热油进口阀、导热油出口阀、排气阀、三通阀、油品检测装置、蒸汽进口阀、凝结水出口阀、循环泵和双路电源。
作为优选,所述智能运维控制系统中故障诊断预测结果以及对应的故障处理指令,经过验证后传输存入诊断知识库,不断更新诊断知识库。
作为优选,所述的智能运维控制系统中,通过PID策略对导热油流速和温度进行调节。
作为优选,所述的智能运维控制系统中,硬件控制模块的调节结果通过远程监控系统进行实时显示。
本发明的有益效果为:
1、针对导热油特性,设置包括导热油泄露、导热油劣化、导热油超温超压、管壁结垢等故障模式的监测模块,监测覆盖面广,能够适用于蒸汽-导热油双介质锅炉系统的多种故障监测;
2、利用远程监控系统获取实时数据,在故障诊断与预测系统对系统的运行状态进行识别划分并进行故障诊断预测,借助智能运维控制系统实现对锅炉系统的日常维护操作和故障处理控制,有效降低预测维数,提高了监测效率,同时也提高了系统的智能化水平;
3、建立了NARX神经网络预测模型,具备更强的预测能力和泛化能力,预测准确性和效率更高,且能够处理结构化较高的大样本数据,降低过拟合风险。
附图说明
图1为本发明的导热油循环故障诊断系统。
图2为本发明的远程监控系统。
图3为本发明的智能运维控制系统及方法。
具体实施方式
下面将结合说明书附图对本发明的实施例进行详细说明。
在本发明的一个较佳实施例中,提供了一种导热油循环故障诊断系统,该诊断系统用于对蒸汽-导热油双介质锅炉进行导热油循环故障诊断,蒸汽-导热油双介质锅炉是在传统蒸汽循环系统中加入了导热油换热回路的锅炉类型。该诊断系统通过设置包括导热油泄露、导热油劣化、导热油超温超压、管壁结垢等多故障模式的监测模块,利用多模块化的监测方法细化监控对象,并对系统运行状态进行识别划分,根据不同状态实现故障预测,实现系统的日常维护和故障处理。具体而言,如图1所示,该诊断系统的功能模块可以划分为诶远程监控系统、故障诊断与预测系统和智能运维控制系统三大部分。下面对三部分的具体实现形式进行展开描述。
如图2所示,远程监控系统可以划分为数据源端和监控模块两部分。在数据源端中,包含用于对锅炉内的各种参数进行测量的测量装置,其中,本发明中的测量装置主要包括振动信号传感器、噪声信号传感器、油品检测装置、温度传感器、高温超声波流量计、红外热成像仪和现场监控上位机。测量装置获取锅炉的各类现场测量信号并传送给监控模块,经过监控模块的处理分析后形成相关参数的具体监测值作为数据输出。监控模块按照功能可以划分为热媒泄露监控模块、热媒品质监控模块、热媒过热监控模块、热媒超压监控模块、管壁结垢监测模块和运行状态监控模块,各监控模块均内置必要的信号处理模块,能够将各种传感器或装置的电信号转换为相应的参数值。每种监控模块均连接对应的传感器或装置,振动信号传感器和噪声信号传感器连接热媒泄露监控模块,油品检测装置同时连接热媒品质监控模块和热媒超压监控模块,温度传感器和高温超声波流量计(即适用于锅炉内高温环境的超声波流量计)均连接热媒过热监控模块,红外热成像仪连接管壁结垢检测模块,用于现场监控锅炉各种运行状态的现场监控上位机连接运行状态监测模块。
具体而言,远程监控系统中的监控流程如下:
振动信号传感器和噪声信号传感器采集锅炉中各受热面工作时的振动与噪声信号,传输给热媒泄露监控模块,通过A/D转换器输出为振动噪声电信号。油品检测装置对锅炉中导热油的油品进行检测,将检测结果传输给热媒品质监控模块和热媒超压监控模块,其中热媒品质监控模块监控导热油的闪点、运动粘度、酸值和残炭指标,热媒超压监控模块监控导热油中的水分指标。温度传感器布置在导热油进出口处,高温超声波流量计布置在锅炉内的受热面和导热油进出口处,两者监测到的信号传输至热媒过热监控模块,输出导热油的进出液口温度值和不同受热面热媒流速。红外热成像仪监测受热面管壁温度,将测量结果输入管壁结垢检测模块,并输出测点管段温度对比检测结果,检测时可根据受热面管壁当前温度与未结垢时的温度进行对比,由此判断管壁是否出现结垢。现场监控上位机获取锅炉运行时各内部组件的状态,传输至运行状态监测模块,输出锅炉内部组件的运行状态参数。本实施例中的运行状态参数包括锅炉负荷、风机功率、循环水泵功率、循环油泵功率、蒸汽阀门开闭情况、导热油阀门开闭情况。
另外,故障诊断与预测系统包括诊断分析模块、历史运行数据库、神经网络预测模型和诊断知识库四部分。其中,诊断分析模块内的流程可以概括为数据分析(实现特征提取)——状态识别(实现运行判断)——参数预测(实现数据驱动)——故障诊断(实现故障的风险评估)四步骤。历史运行数据库、神经网络预测模型和诊断知识库则为诊断分析模块内的流程实现提供支持。历史运行数据库能够存储锅炉不同运行状况下的运行数据。神经网络预测模型则能够利用现有的监测参数实现未来的参数预测。诊断知识库中内置有相应的故障诊断规则,这些诊断规则可以根据专家经验或者历史经验和数据进行设置。
下面具体对故障诊断与预测系统内的故障诊断与预测流程进行详细叙述,其过程如下:
S1:诊断分析模块获取从远程监控模块实时输出的数据,并对其进行特征提取与分析,得到与锅炉的当前运行状况相关的特征数据。
在本实施例中,特征数据的获取方法如下:
首先对远程监控模块实时输出的数据进行滤波去噪预处理,然后对去噪后的振动噪声电信号进行时域和频域的特征提取,从振动和噪声电信号中提取出能够反映锅炉运行状态的特征,将其记为第一特征数据;再利用主成分分析法对运行状态参数进行降维,提取出与锅炉运行状态相关的主成分形成的特征向量作为第二特征数据。
振动噪声电信号进行时域和频域的特征提取方法,现有技术中已有较多报道,可采用任意的现有技术实现。
同样的,主成分分析法的具体实现过程属于现有技术,为了更便于理解,下面对其在本实施例中的实现过程进行展开描述。本实施例在运用主成分分析法对运行状态参数进行特征向量提取时,选取锅炉负荷、风机功率、循环水泵功率、循环油泵功率、蒸汽阀门开闭情况、导热油阀门开闭情况作为输入的六个维度,对其进行主成分分析。当前n个指标累计的方差贡献率大于等于85%时,则认为这n个主成分可体现原始数据的大部分特征信息,可将这n个主成分提取出来将时间对应的数据组合构成特征向量。累计方差贡献率αsum的计算公式为如下:
其中,αi为方差贡献率,λi为第i个特征根,m为特征根总数。
因此,上述第一特征数据和第二特征数据中均含有与锅炉运行状态相关的信息,两者可以共同作为特征数据用于进行后续的状态识别。
S2:基于S1中提取到的特征数据进行状态识别,对锅炉的运行状况作出初判断,用于指导下一步所需要预测的参数。其中,锅炉的运行状况可以分为正常运行状态、启停过程状态、停炉状态和故障状态四种类别。
在根据特征数据进行状态识别时,对于特征数据的具体利用方式可以有不同的形式。其中振动噪声电信号的时域和频域特征与锅炉运行状态的关联已有较多现有技术报道,可以采用任意方式实现。而n个主成分构成的特征向量与锅炉运行状态之间亦可以通过建立相应的判断规则或判断模型来实现状态识别。两种特征数据的状态识别结果可以综合后得出最终的锅炉运行状况识别结果。
S3:根据S2中识别得到的锅炉运行状况,利用神经网络预测模型对故障诊断所需参数的未来变化进行预测。而且,由于不同运行状况后续需要进行的故障诊断要求不同,因此不同的运行状况下神经网络预测模型对应需要预测的所需参数不同,具体而言:正常运行状态的所需参数为导热油流速、导热油温度、导热油品质参数和运行状态参数,启停过程状态的所需参数为导热油流速、导热油温度和运行状态参数,停炉状态的所需参数为导热油品质参数,故障状态的所需参数为振动噪声信号、导热油品质参数、导热油温度和导热油流速。本实施例中的导热油品质参数包括导热油的闪点、运动粘度、酸值、残炭和水分。
S4:针对S3中神经网络预测模型输出的所需参数的预测值,利用诊断知识库对蒸汽-导热油双介质锅炉系统进行故障诊断,输出评估结果。且故障诊断过程中,输出的评估结果是根据S3中识别得到的锅炉运行状况而定的,如果S3中识别得到的锅炉运行状况为故障状态,那么表明锅炉运行已经出现了故障,此时需要根据神经网络预测模型得到的振动噪声信号、导热油品质参数、导热油温度和导热油流速等参数,对其故障类型进行判断;而如果S3中识别得到的锅炉运行状况不是故障状态(即属于正常运行状态、启停过程状态、停炉状态任一种),那么表明锅炉运行尚未出现故障,此时需要根据神经网络预测模型的预测结果判断未来是否可能出现故障以及可能出现的故障类型。因此,在本步骤中,若S3中识别得到的锅炉运行状况为故障状态,则输出代表故障类型的故障诊断预测结果,否则输出代表锅炉未来可能发生的故障风险的运行状态识别结果。所有评估结果均需要发送至智能运维控制系统中,故障诊断与预测完成。
本发明中的神经网络预测模型可以采用现有技术中的各种模型形式,只要能够实现相应的预测功能即可。在本实施例中,神经网络预测模型采用开环NARX(Nonlinearautoregressive with external input)神经网络,该网络可以有效学习和处理锅炉系统的大样本数据,提高了预测准确性和效率。该神经神经网络预测模型预先预先构建,可通过对开环NARX神经网络进行训练,训练完成后采用移除延时的NARX网络建立参数预测模型,用于对故障诊断所需参数的未来变化进行预测。其中,NARX网络中,可以设置输入输出的延迟阶数均选择1:4,隐含层节点个数为10。
上述远程监控系统获取的所有数据,除了发送给诊断分析模块之外,还需要存入故障诊断与预测系统的历史运行数据库中,作为历史数据供后续调用。这些历史数据可以为S1和S2的实现提供支持,S1中的特征提取和S2中的状态识别过程均与历史运行数据库存在数据的传输与交换,可调用历史运行数据库更好的实现特征提取和状态识别。
如图3所示,智能运维控制系统包括指令发出模块和硬件控制模块,所述指令发出模块根据收到的评估结果,从指令集中调用对应的日常维护指令或故障处理指令发送至硬件控制模块,由硬件控制模块控制锅炉内相应的硬件进行响应调节。
需要注意的是,在该智能运维控制系统中,指令发出模块发出的指令是与其收到的评估结果相关的,评估结果具有运行状态识别结果和故障诊断预测结果两类。如果指令发出模块收到运行状态识别结果时发出日常维护指令,对锅炉进行日常维护避免未来可能出现的故障,如果收到故障诊断预测结果时发出故障处理指令,对已发生的故障进行及时排除。
日常维护指令和故障处理指令的具体指令内容可以根据实际情况调整。如图3所示,在本实施例中,日常维护指令包括流速控制、导热油控温、导热油脱气脱水、导热油品检测,故障处理指令包括泄露处理、导热油更换、焦垢清除、备用电路启动;硬件控制模块根据指令控制对应的硬件包括导热油进口阀、导热油出口阀、排气阀、三通阀、油品检测装置、蒸汽进口阀、凝结水出口阀、循环泵和双路电源。相应硬件的控制可实现的功能包括:流速控制(导热油进口阀、导热油出口阀)、导热油控温(导热油进口阀、导热油出口阀)、导热油脱气脱水(排气阀)、导热油品检测(三通阀、油品检测装置)、泄漏处理(蒸汽进口阀、凝结水出口阀)、导热油更换(循环泵)、焦垢清除(循环泵)、备用电路启动(双路电源)。具体选择哪个指令,可以预先建立指令集中指令与评估结果之间的调用规则来调整。当然,如果运行状态识别结果中判断未来不会出现故障,那么也可以不作出任何日常维护指令,保持锅炉正常运行即可。
另外,智能运维控制系统中,对导热油流速和温度的调节方法可以采用如下::指令发出模块输出流速控制或导热油控温指令后,从远程监控系统中读取的导热油温度和导热油流量的变化曲线,通过PID策略对导热油的进出口阀门进行调节控制,运用阀门开度状态反馈调节误差。
另外,为了实现诊断知识库的不断更新,智能运维控制系统中故障诊断预测结果以及对应的故障处理指令,当后续经过正确性验证后,可以存入诊断知识库中形成相应的诊断规则。
另外,在智能运维控制系统中,硬件控制模块的调节结果可以通过远程监控系统进行实时显示。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。
Claims (10)
1.一种导热油循环故障诊断系统,用于对蒸汽-导热油双介质锅炉进行导热油循环故障诊断,其特征在于,包括远程监控系统、故障诊断与预测系统和智能运维控制系统;
所述远程监控系统包括数据源端和监控模块;所述数据源端中,测量装置获取锅炉的各类现场测量信号并传送给监控模块,经过分析后形成相关参数作为数据输出;其中,测量装置包括振动信号传感器、噪声信号传感器、油品检测装置、温度传感器、高温超声波流量计、红外热成像仪和现场监控上位机;所述监控模块包括热媒泄露监控模块、热媒品质监控模块、热媒过热监控模块、热媒超压监控模块、管壁结垢监测模块和运行状态监控模块;远程监控系统中的监控流程如下:振动信号传感器和噪声信号传感器采集锅炉中各受热面工作时的振动与噪声信号,传输给热媒泄露监控模块,通过A/D转换器输出为振动噪声电信号;油品检测装置对锅炉中导热油的油品进行检测,将检测结果传输给热媒品质监控模块和热媒超压监控模块,其中热媒品质监控模块监控导热油的闪点、运动粘度、酸值和残炭指标,热媒超压监控模块监控导热油中的水分指标;温度传感器布置在导热油进出口处,高温超声波流量计布置在受热面和导热油进出口处,两者监测到的信号传输至热媒过热监控模块,输出进出液口温度值和不同受热面热媒流速;红外热成像仪监测受热面管壁温度,将测量结果输入管壁结垢检测模块,并输出测点管段温度对比检测结果;现场监控上位机获取锅炉运行时各内部组件的状态,传输至运行状态监测模块,输出锅炉内部组件的运行状态参数;
所述故障诊断与预测系统包括诊断分析模块、历史运行数据库、神经网络预测模型和诊断知识库;故障诊断与预测系统内的故障诊断与预测流程如下:
S1:诊断分析模块获取从远程监控模块实时输出的数据,并对其进行特征提取与分析,得到与锅炉的当前运行状况相关的特征数据;
S2:基于S1中提取到的特征数据进行状态识别,对锅炉的运行状况作出初判断,用于指导下一步所需要预测的参数;所述运行状况包括正常运行状态、启停过程状态、停炉状态和故障状态;
S3:根据S2中识别得到的锅炉运行状况,利用神经网络预测模型对故障诊断所需参数的未来变化进行预测;且不同的运行状况对应的所需参数不同,正常运行状态的所需参数为导热油流速、导热油温度、导热油品质参数和运行状态参数,启停过程状态的所需参数为导热油流速、导热油温度和运行状态参数,停炉状态的所需参数为导热油品质参数,故障状态的所需参数为振动噪声信号、导热油品质参数、导热油温度和导热油流速;
S4:针对S3中神经网络预测模型输出的所需参数的预测值,利用诊断知识库对蒸汽-导热油双介质锅炉系统进行故障诊断,输出评估结果;且故障诊断过程中,若S3中识别得到的锅炉运行状况为故障状态,则输出代表故障类型的故障诊断预测结果,否则输出代表锅炉未来可能发生的故障风险的运行状态识别结果;所有评估结果发送至智能运维控制系统中,故障诊断与预测完成;
所述智能运维控制系统包括指令发出模块和硬件控制模块,所述指令发出模块根据收到的评估结果,从指令集中调用对应的日常维护指令或故障处理指令发送至硬件控制模块,由硬件控制模块控制锅炉内相应的硬件进行响应调节;
所述运行状态参数为锅炉负荷、风机功率、循环水泵功率、循环油泵功率、蒸汽阀门开闭情况和导热油阀门开闭情况。
2.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述S1中,所述特征数据的获取方法如下:
首先对远程监控模块实时输出的数据进行滤波去噪,然后对去噪后的振动噪声电信号进行时域和频域的特征提取,得到与锅炉运行状态相关的第一特征数据;再利用主成分分析法对运行状态参数进行降维,提取出与锅炉运行状态相关的主成分形成的特征向量作为第二特征数据;第一特征数据和第二特征数据共同作为特征数据用于进行后续的状态识别。
3.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述S3中,导热油品质参数为导热油的闪点、运动粘度、酸值、残炭和水分。
4.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述S4中的神经网络预测模型采用开环NARX神经网络,通过对开环NARX神经网络进行训练,训练完成后采用移除延时的NARX网络建立参数预测模型,用于对故障诊断所需参数的未来变化进行预测。
5.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述远程监控系统获取的所有数据均存入故障诊断与预测系统的历史运行数据库中;S1中的特征提取与分析过程调用历史运行数据库;S2中的状态识别过程调用历史运行数据库。
6.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述的智能运维控制系统中,所述指令发出模块收到运行状态识别结果时发出日常维护指令,收到故障诊断预测结果时发出故障处理指令。
7.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述的日常维护指令包括流速控制、导热油控温、导热油脱气脱水、导热油品检测,故障处理指令包括泄露处理、导热油更换、焦垢清除、备用电路启动;硬件控制模块根据指令控制对应的硬件包括导热油进口阀、导热油出口阀、排气阀、三通阀、油品检测装置、蒸汽进口阀、凝结水出口阀、循环泵和双路电源。
8.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述智能运维控制系统中故障诊断预测结果以及对应的故障处理指令,经过验证后传输存入诊断知识库,不断更新诊断知识库。
9.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述的智能运维控制系统中,通过PID策略对导热油流速和温度进行调节。
10.根据权利要求1所述的导热油循环故障诊断系统,其特征在于,所述的智能运维控制系统中,硬件控制模块的调节结果通过远程监控系统进行实时显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250596.0A CN113091309B (zh) | 2021-03-08 | 2021-03-08 | 导热油循环故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250596.0A CN113091309B (zh) | 2021-03-08 | 2021-03-08 | 导热油循环故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113091309A CN113091309A (zh) | 2021-07-09 |
CN113091309B true CN113091309B (zh) | 2022-02-22 |
Family
ID=76666520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110250596.0A Active CN113091309B (zh) | 2021-03-08 | 2021-03-08 | 导热油循环故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113091309B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6192352B1 (en) * | 1998-02-20 | 2001-02-20 | Tennessee Valley Authority | Artificial neural network and fuzzy logic based boiler tube leak detection systems |
JP2003084805A (ja) * | 2001-06-19 | 2003-03-19 | Fuji Electric Co Ltd | プラント負荷の予測方法、定常プラントシミュレータ、プラントの最適運用方法及びプラントの最適設計方法 |
CN104482662A (zh) * | 2014-12-18 | 2015-04-01 | 广东绿壳新能源有限公司 | 一种生物燃气供导热油锅炉控制系统装置及其控制方法 |
CN108663980A (zh) * | 2018-06-11 | 2018-10-16 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉远程在线诊断系统及其在线诊断方法 |
CN108803569A (zh) * | 2018-06-11 | 2018-11-13 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉诊断专家系统及其故障诊断方法 |
CN108881475A (zh) * | 2018-07-12 | 2018-11-23 | 重庆市特种设备检测研究院 | 一种工业锅炉智能化采集系统及采集方法 |
CN208154444U (zh) * | 2018-02-09 | 2018-11-27 | 广州协鑫蓝天燃气热电有限公司 | 一种燃气锅炉供热控制系统 |
CN110186313A (zh) * | 2019-05-06 | 2019-08-30 | 杭州锅炉集团股份有限公司 | 一种适用于导热油换热器的泄漏监测系统 |
CN209445596U (zh) * | 2018-12-12 | 2019-09-27 | 郑州四维特种材料有限责任公司 | 导热油炉系统及导热油炉 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
-
2021
- 2021-03-08 CN CN202110250596.0A patent/CN113091309B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6192352B1 (en) * | 1998-02-20 | 2001-02-20 | Tennessee Valley Authority | Artificial neural network and fuzzy logic based boiler tube leak detection systems |
JP2003084805A (ja) * | 2001-06-19 | 2003-03-19 | Fuji Electric Co Ltd | プラント負荷の予測方法、定常プラントシミュレータ、プラントの最適運用方法及びプラントの最適設計方法 |
CN104482662A (zh) * | 2014-12-18 | 2015-04-01 | 广东绿壳新能源有限公司 | 一种生物燃气供导热油锅炉控制系统装置及其控制方法 |
CN208154444U (zh) * | 2018-02-09 | 2018-11-27 | 广州协鑫蓝天燃气热电有限公司 | 一种燃气锅炉供热控制系统 |
CN108663980A (zh) * | 2018-06-11 | 2018-10-16 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉远程在线诊断系统及其在线诊断方法 |
CN108803569A (zh) * | 2018-06-11 | 2018-11-13 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉诊断专家系统及其故障诊断方法 |
CN108881475A (zh) * | 2018-07-12 | 2018-11-23 | 重庆市特种设备检测研究院 | 一种工业锅炉智能化采集系统及采集方法 |
CN209445596U (zh) * | 2018-12-12 | 2019-09-27 | 郑州四维特种材料有限责任公司 | 导热油炉系统及导热油炉 |
CN110186313A (zh) * | 2019-05-06 | 2019-08-30 | 杭州锅炉集团股份有限公司 | 一种适用于导热油换热器的泄漏监测系统 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
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;仝营等;《中国电机工程学报》;20150520;第35卷(第10期);第2487-2494页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113091309A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fast et al. | Development and multi-utility of an ANN model for an industrial gas turbine | |
CN104808634A (zh) | 一种基于虚拟现实的火电厂可视化管理系统 | |
CN111090939A (zh) | 石化装置异常工况的预警方法和系统 | |
Jiang et al. | TempGNN: A temperature-based graph neural network model for system-level monitoring of wind turbines with SCADA data | |
CN113091309B (zh) | 导热油循环故障诊断系统 | |
CN109858125B (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
CN117631719B (zh) | 一种基于物联网的智能供暖设备故障数据处理方法及系统 | |
CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
CN202582601U (zh) | 热电联产锅炉受热面状态检测及分析管理系统 | |
CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其系统 | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
CN113756886A (zh) | 一种汽轮机加热器的故障判断方法和系统 | |
CN113868836A (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
Ming et al. | Intelligent Monitoring and Diagnosis of CCWS Heat Exchanger For Nuclear Power Plant | |
CN117968431B (zh) | 燃煤电厂烟气余热回收控制方法及装置 | |
CN117404820B (zh) | 基于物联网的热管式太阳能运行故障诊断系统 | |
CN217442300U (zh) | 一种间接空冷机组循环水水质数字化智能监测控制装置 | |
Sun et al. | Research on the fouling prediction of heat exchanger based on Support Vector Machine optimized by particle swarm optimization algorithm | |
Lin et al. | Nearest fixed boundary negative selection algorithm based method for early-warning of centrifugal compressor unit without fault data | |
CN118089290B (zh) | 一种高效制冷循环系统及方法 | |
CN118092154A (zh) | 基于神经网络自适应pid控制的变电站用水控制系统及方法 | |
CN113624025B (zh) | 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 | |
Hua et al. | KLS-A: a full-life-time anomaly detection method | |
CN106871678B (zh) | 一种用于强化传热的固体电蓄热改进装置及改进方法 | |
Jiang et al. | Research on Boiler Energy Saving Technology Based on Internet of Things Data |
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 |