CN113722946A - 一种汽轮机转子的蠕变-疲劳寿命预测方法及预测系统 - Google Patents
一种汽轮机转子的蠕变-疲劳寿命预测方法及预测系统 Download PDFInfo
- Publication number
- CN113722946A CN113722946A CN202110869031.0A CN202110869031A CN113722946A CN 113722946 A CN113722946 A CN 113722946A CN 202110869031 A CN202110869031 A CN 202110869031A CN 113722946 A CN113722946 A CN 113722946A
- Authority
- CN
- China
- Prior art keywords
- rotor
- creep
- stress
- crack propagation
- steam turbine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 51
- 239000010959 steel Substances 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009661 fatigue test Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种汽轮机转子的蠕变‑疲劳寿命预测方法及预测系统，其中预测方法通过现场布置测点监测主蒸汽参数和机组负荷情况计算转子的最大应力，结合转子钢的蠕变‑疲劳裂纹扩展速率模型，预测转子表面裂纹扩展情况，由此预测汽轮机转子的蠕变‑疲劳寿命包括：建立汽轮机转子的应力计算SVM模型；建立转子钢的蠕变‑疲劳裂纹扩展速率模型；通过布置在汽轮机上的测点，检测汽轮机主蒸汽参数和机组负荷情况；利用步骤3获取的数据计算服役中转子的当量应力，通过转子钢蠕变‑疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变‑疲劳寿命。与现有技术相比，本发明具有准确率高、实时性好等优点。
Description
技术领域
本发明涉及汽轮机转子的蠕变-疲劳裂纹扩展在线监测技术领域，尤其是涉及一种汽轮机转子的蠕变-疲劳寿命预测方法及预测系统。
背景技术
在电力行业，发电机组的蒸汽参数越高，机组的容量越大，能源的利用效率越高，污染排放也越少，超超临界发电技术在这样的条件下应运而生，且在世界范围内得到了普及，并向着更高的参数方向发展。参数与容量的提高对机组运行的安全性和可靠性都提出了更高的要求，转子在机组中起着工质能量转换及扭矩传递的作用，是汽轮机组重要部件之一。转子因机组的起停产生低周疲劳损伤，是一种由表及里的断裂过程；同时蒸汽温度约620℃左右，易产生蠕变损伤，材料内部将形成晶界孔洞。当穿晶疲劳裂纹与晶界孔洞相遇时，疲劳裂纹与蠕变孔洞就会相互促进、相互发展，形成疲劳-蠕变交互作用。
转子的正常工作决定着整个机组运行的安全性与可靠性，在一定程度上汽轮机转子的寿命代表了整台汽轮机机组的寿命。因此分析大容量汽轮机转子的蠕变-疲劳损伤并预测其寿命关系到整个汽轮机组的安全性与可靠性。现有的汽轮机转子蠕变-疲劳寿命预测方法的预测准确率低，无法满足现阶段对蠕变-疲劳寿命预测的高精度要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确率高、实时性好的汽轮机转子的蠕变-疲劳寿命预测方法及预测系统。
本发明的目的可以通过以下技术方案来实现：
一种汽轮机转子的蠕变-疲劳寿命预测方法，所述的预测方法通过现场布置测点监测主蒸汽参数和机组负荷情况计算转子的最大应力，结合转子钢的蠕变-疲劳裂纹扩展速率模型，预测转子表面裂纹扩展情况，由此预测汽轮机转子的蠕变-疲劳寿命；
所述的预测方法包括：
步骤1：建立汽轮机转子的应力计算SVM模型；
步骤2：建立转子钢的蠕变-疲劳裂纹扩展速率模型；
步骤3：通过布置在汽轮机上的测点，检测汽轮机主蒸汽参数和机组负荷情况；
步骤4：利用步骤3获取的数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命。
优选地，所述的步骤1建立汽轮机转子的应力在线计算SVM模型，具体为：
步骤1-1：获取转子应力简化解；
将转子简化为圆筒或圆柱，通过传热学分析，计算转子正常服役时最大当量应力；
步骤1-2：获取转子应力有限元解；
建立转子的有限元模型，模拟不同启动工况下的服役过程，分析不同启动过程中转子的实时最大当量应力；
步骤1-3：定义转子应力有限元解与转子应力简化解的比值为修正系数；
ξ＝σ/σeq
其中，σ表示转子应力简化解，σeq表示转子应力有限元解；
步骤1-4：以启动过程中主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率为输入，转子应力修正系数为输入，利用SVM方法，通过数据训练和验证，获取不同启动工况下转子应力计算的SVM模型；
步骤1-5：对于稳定运行过程，利用步骤1-1～步骤1-3的方法，建立运行过程中的转子应力SVM模型。
优选地，所述的步骤2建立转子钢的蠕变-疲劳裂纹扩展速率模型，具体为：
步骤2-1：针对转子钢材料，制备紧凑拉伸CT试样；
步骤2-2：设置试验方案，开展蠕变-疲劳试验，采集不同试验条件下的裂纹扩展长度；
步骤2-3：利用试验数据，建立转子钢蠕变-疲劳裂纹扩展Dimopulos模型；
其中，da/dN为裂纹扩展速率，f为频率，B、C和Φ为裂纹扩散速率的材料参数，C*参数是在峰值应力下实验测得，Δkeff为有效的应力强度因子幅。
优选地，所述的步骤3实时监测主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率，需要在电厂现场布置测点，测量以上数据。
优选地，所述的步骤4利用测点数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命，具体为：
步骤4-1：通过测点测定得的主蒸汽参数和机组负荷参数，根据机组的实际运行工况条件，利用步骤1建立的转子应力SVM模型实时计算转子的最大应力；
步骤4-2：设置裂纹的初始长度，结合步骤2建立的转子钢的蠕变-疲劳裂纹扩展速率模型实时计算转子表面的裂纹扩展长度；
步骤4-3：设定转子断裂时转子表面裂纹的长度，依据实时监测裂纹长度，预测转子的蠕变-疲劳寿命。
一种用于上述任一项所述汽轮机转子的蠕变-疲劳寿命预测方法的预测系统，所述的汽轮机转子的蠕变-疲劳寿命预测系统包括若干个传感器和设有处理器的计算机设备；所述的若干个传感器分别布置在汽轮机上的测点处，用于检测汽轮机主蒸汽参数和机组负荷情况；所述的若干个传感器分别与计算机设备进行通信；所述的处理器内嵌有汽轮机转子的蠕变-疲劳寿命预测方法；所述的汽轮机转子的蠕变-疲劳寿命预测方法具体为：
步骤1：建立汽轮机转子的应力计算SVM模型；
步骤2：建立转子钢的蠕变-疲劳裂纹扩展速率模型；
步骤3：通过布置在汽轮机上测点处的若干个传感器，检测汽轮机主蒸汽参数和机组负荷情况；
步骤4：利用步骤3获取的数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命。
优选地，所述的步骤1建立汽轮机转子的应力在线计算SVM模型，具体为：
步骤1-1：获取转子应力简化解；
将转子简化为圆筒或圆柱，通过传热学分析，计算转子正常服役时最大当量应力；
步骤1-2：获取转子应力有限元解；
建立转子的有限元模型，模拟不同启动工况下的服役过程，分析不同启动过程中转子的实时最大当量应力；
步骤1-3：定义转子应力有限元解与转子应力简化解的比值为修正系数；
ξ＝σ/σeq
其中，σ表示转子应力简化解，σeq表示转子应力有限元解；
步骤1-4：以启动过程中主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率为输入，转子应力修正系数为输入，利用SVM方法，通过数据训练和验证，获取不同启动工况下转子应力计算的SVM模型；
步骤1-5：对于稳定运行过程，利用步骤2-1～步骤2-3的方法，建立运行过程中的转子应力SVM模型。
优选地，所述的步骤2建立转子钢的蠕变-疲劳裂纹扩展速率模型，具体为：
步骤2-1：针对转子钢材料，制备紧凑拉伸CT试样；
步骤2-2：设置试验方案，开展蠕变-疲劳试验，采集不同试验条件下的裂纹扩展长度；
步骤2-3：利用试验数据，建立转子钢蠕变-疲劳裂纹扩展Dimopulos模型；
其中，da/dN为裂纹扩展速率，f为频率，B、C和Φ为裂纹扩散速率的材料参数，C*参数是在峰值应力下实验测得，Δkeff为有效的应力强度因子幅。
优选地，所述的步骤3实时监测主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率，需要在电厂现场布置测点，测量以上数据。
优选地，所述的步骤4利用测点数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命，具体为：
步骤4-1：通过测点测定得的主蒸汽参数和机组负荷参数，根据机组的实际运行工况条件，利用步骤1建立的转子应力SVM模型实时计算转子的最大应力；
步骤4-2：设置裂纹的初始长度，结合步骤2建立的转子钢的蠕变-疲劳裂纹扩展速率模型实时计算转子表面的裂纹扩展长度；
步骤4-3：设定转子断裂时转子表面裂纹的长度，依据实时监测裂纹长度，预测转子的蠕变-疲劳寿命。
与现有技术相比，本发明具有以下有益效果：
预测准确率高，实时性好：本发明中的汽轮机转子的蠕变-疲劳寿命预测方法及预测系统核心是转子应力SVM模型及转子钢的蠕变-疲劳裂纹扩展速率模型，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此实时预测转子的蠕变-疲劳寿命，从转子本身材料出发，对汽轮机转子的蠕变-疲劳寿命进行预测，预测准确率高，实时性好。
附图说明
图1为本发明中汽轮机转子蠕变-疲劳寿命预测方法的流程示意图；
图2为本发明实施例中某汽轮机转子冷态启动工况下的5个危险点von Mise应力变化曲线；
图3为本发明实施例中转子应力SVM模型参数优化示意图；
图4为本发明实施例中XCrMoWNiVNb10-1-1钢蠕变-疲劳裂纹扩展试验数据拟合结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
对设备进行服役寿命的预测，并开发延长设备使用寿命的方法是材料性能研究的最终目的，而设备的安全性层级可以分为6个层次：材料，元件，器件，子系统，系统和整机。一般来说，预测和阻止设备失效的工作发生在最顶层，整机这一层，但是损伤往往都起源于最底层，即从材料出现问题并慢慢发展。从试验角度讲，材料的寿命预测必然先行于设备的寿命预测，影响材料蠕变-疲劳裂纹扩展的因素很多，其机理非常复杂。本实施例通过建立汽轮机转子的应力在线计算SVM模型和转子钢的蠕变-疲劳裂纹扩展速率模型。利用现场布置的主蒸汽温度、主蒸汽压力等9个测点，结合转子的应力SVM模型和转子钢蠕变-疲劳裂纹扩展速率模型实时监测裂纹扩展情况，基于此，计算转子的损伤，并预测转子的蠕变-疲劳寿命。
一种汽轮机转子蠕变-疲劳寿命预测方法，其流程如图1所示，包括：
步骤1：建立汽轮机转子的应力在线计算SVM模型，具体内容为：
计算转子应力简化解：将空心转子简化为圆筒，实心转子简化为圆柱，通过传热学分析，计算转子在正常服役时最大当量应力；
计算转子应力有限元解：建立转子的有限元模型，模拟不同启动工况下的服役过程，分析不同启动过程中转子的实时最大当量应力(von Mises应力)，如图2所示，图2给出了某汽轮机转子在冷态启动工况下的5个危险点的von Mise应力变化曲线。
定义转子应力有限元解与转子应力简化解的比值为修正系数；
ξ＝σ/σeq
式中的σ表示转子应力简化解，σeq表示转子应力有限元解；
以启动过程中主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率为输入，转子应力修正系数为输入，利用SVM方法，通过数据训练和验证，优化模型参数，具体流程图见图3，获取不同启动工况下转子应力计算的SVM模型；
优化模型参数的流程为：
(1)预设一组模型参数，包括惩罚系数、不敏感系数和核函数宽度系数；
(2)固定不敏感系数和核函数密度系数，变化惩罚系数对模型性能进行测试，确定最优的参数值；
(3)固定惩罚系数和核函数宽度系数，变化不敏感系数对模型性能进行测试，确定最优的参数值；
(4)固定惩罚系数和不敏感系数，变化核函数宽度系数对模型性能进行测试，确定最优的参数值；
(5)初步确定模型的参数值；
(6)判断模型性能是否达到最优，若是，则确定最终模型参数，否则，返回步骤1，继续进行参数优化。
对于稳定运行过程，利用同样的方法，建立运行过程中的转子应力SVM模型。
步骤2：建立转子钢的蠕变-疲劳裂纹扩展速率模型，具体内容如下：
针对转子钢材料，制备紧凑拉伸CT试样；
对CT式样进行蠕变-疲劳试验，采集不同试验条件下的裂纹扩展长度；
利用试验数据，建立转子钢蠕变-疲劳裂纹扩展Dimopulos模型；
模型的表达式为：
式中da/dN为裂纹扩展速率，f为频率，B、C和Φ为裂纹扩散速率的材料参数，C*参数是在峰值应力下实验测得，Δkeff为有效的应力强度因子幅。
表1和图4为XCrMoWNiVNb10-1-1超超临界汽轮机转子钢在试验温度为600℃应力比为0.1，保载时间为2400s、7200s下的裂纹扩展速率Dimopulos模型。
表11XCrMoWNiVNb10-1-1蠕变-疲劳裂纹扩展速率的Dimopulos模型拟合关联式
步骤3：通过布置在汽轮机上的测点，检测汽轮机主蒸汽参数和机组负荷情况，主蒸汽参数和机组负荷的变化，需要现场布置测点实时监测。
步骤4：利用测点数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命，具体内容如下：
步骤4-1：根据不同工况条件下现场采集的9测点数据，选择不同的转子应力SVM模型，实时计算转子的最大当量应力；
步骤4-2：针对新服役机组，假设初始裂纹长度为0mm，利用转子的最大当量应力，结合步骤2建立的转子钢的蠕变-疲劳裂纹扩展速率模型实时计算转子表面的裂纹扩展长度；
步骤4-3：设定转子断裂时转子表面裂纹的长度，通过实时监测裂纹长度预测转子的蠕变-疲劳寿命。
本实施例还涉及一种汽轮机转子的蠕变-疲劳寿命预测方法的预测系统，汽轮机转子的蠕变-疲劳寿命预测系统包括若干个传感器和设有处理器的计算机设备；所述的若干个传感器分别布置在汽轮机上的测点处，用于检测汽轮机主蒸汽参数和机组负荷情况，若干个传感器分别与计算机设备进行通信，处理器内嵌有汽轮机转子的蠕变-疲劳寿命预测方法，汽轮机转子的蠕变-疲劳寿命预测方法具体为：
步骤1：建立汽轮机转子的应力计算SVM模型；
步骤2：建立转子钢的蠕变-疲劳裂纹扩展速率模型；
步骤3：通过布置在汽轮机上测点处的若干个传感器，检测汽轮机主蒸汽参数和机组负荷情况；
步骤4：利用步骤3获取的数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命。
步骤1建立汽轮机转子的应力在线计算SVM模型，具体为：
步骤1-1：获取转子应力简化解；
将转子简化为圆筒或圆柱，通过传热学分析，计算转子正常服役时最大当量应力；
步骤1-2：获取转子应力有限元解；
建立转子的有限元模型，模拟不同启动工况下的服役过程，分析不同启动过程中转子的实时最大当量应力；
步骤1-3：定义转子应力有限元解与转子应力简化解的比值为修正系数；
ξ＝σ/σeq
其中，σ表示转子应力简化解，σeq表示转子应力有限元解。
步骤1-4：以启动过程中主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率为输入，转子应力修正系数为输入，利用SVM方法，通过数据训练和验证，获取不同启动工况下转子应力计算的SVM模型；
步骤1-5：对于稳定运行过程，利用步骤2-1～步骤2-3的方法，建立运行过程中的转子应力SVM模型。
步骤2建立转子钢的蠕变-疲劳裂纹扩展速率模型，具体为：
步骤2-1：针对转子钢材料，制备紧凑拉伸CT试样；
步骤2-2：设置试验方案，开展蠕变-疲劳试验，采集不同试验条件下的裂纹扩展长度；
步骤2-3：利用试验数据，建立转子钢蠕变-疲劳裂纹扩展Dimopulos模型。
其中，da/dN为裂纹扩展速率，f为频率，B、C和Φ为裂纹扩散速率的材料参数，C*参数是在峰值应力下实验测得，Δkeff为有效的应力强度因子幅。
步骤3实时监测主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率，需要在电厂现场布置测点，测量以上数据。
步骤4利用测点数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命，具体为：
步骤4-1：通过测点测定得的主蒸汽参数和机组负荷参数，根据机组的实际运行工况条件，利用步骤1建立的转子应力SVM模型实时计算转子的最大应力；
步骤4-2：设置裂纹的初始长度，结合步骤2建立的转子钢的蠕变-疲劳裂纹扩展速率模型实时计算转子表面的裂纹扩展长度；
步骤4-3：设定转子断裂时转子表面裂纹的长度，依据实时监测裂纹长度，预测转子的蠕变-疲劳寿命。
以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。
Claims (10)
1.一种汽轮机转子的蠕变-疲劳寿命预测方法，其特征在于，所述的预测方法通过现场布置测点监测主蒸汽参数和机组负荷情况计算转子的最大应力，结合转子钢的蠕变-疲劳裂纹扩展速率模型，预测转子表面裂纹扩展情况，由此预测汽轮机转子的蠕变-疲劳寿命；
所述的预测方法包括：
步骤1：建立汽轮机转子的应力计算SVM模型；
步骤2：建立转子钢的蠕变-疲劳裂纹扩展速率模型；
步骤3：通过布置在汽轮机上的测点，检测汽轮机主蒸汽参数和机组负荷情况；
步骤4：利用步骤3获取的数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命。
2.根据权利要求1所述的一种汽轮机转子的蠕变-疲劳寿命预测方法，其特征在于，所述的步骤1建立汽轮机转子的应力在线计算SVM模型，具体为：
步骤1-1：获取转子应力简化解；
将转子简化为圆筒或圆柱，通过传热学分析，计算转子正常服役时最大当量应力；
步骤1-2：获取转子应力有限元解；
建立转子的有限元模型，模拟不同启动工况下的服役过程，分析不同启动过程中转子的实时最大当量应力；
步骤1-3：定义转子应力有限元解与转子应力简化解的比值为修正系数；
ξ＝σ/σeq
其中，σ表示转子应力简化解，σeq表示转子应力有限元解；
步骤1-4：以启动过程中主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率为输入，转子应力修正系数为输入，利用SVM方法，通过数据训练和验证，获取不同启动工况下转子应力计算的SVM模型；
步骤1-5：对于稳定运行过程，利用步骤1-1～步骤1-3的方法，建立运行过程中的转子应力SVM模型。
3.根据权利要求1所述的一种汽轮机转子的蠕变-疲劳寿命预测方法，其特征在于，所述的步骤2建立转子钢的蠕变-疲劳裂纹扩展速率模型，具体为：
步骤2-1：针对转子钢材料，制备紧凑拉伸CT试样；
步骤2-2：设置试验方案，开展蠕变-疲劳试验，采集不同试验条件下的裂纹扩展长度；
步骤2-3：利用试验数据，建立转子钢蠕变-疲劳裂纹扩展Dimopulos模型；
其中，da/dN为裂纹扩展速率，f为频率，B、C和Φ为裂纹扩散速率的材料参数，C*参数是在峰值应力下实验测得，Δkeff为有效的应力强度因子幅。
4.根据权利要求1所述的一种汽轮机转子的蠕变-疲劳寿命预测方法，其特征在于，所述的步骤3实时监测主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率，需要在电厂现场布置测点，测量以上数据。
5.根据权利要求1所述的一种汽轮机转子的蠕变-疲劳寿命预测方法，其特征在于，所述的步骤4利用测点数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命，具体为：
步骤4-1：通过测点测定得的主蒸汽参数和机组负荷参数，根据机组的实际运行工况条件，利用步骤1建立的转子应力SVM模型实时计算转子的最大应力；
步骤4-2：设置裂纹的初始长度，结合步骤2建立的转子钢的蠕变-疲劳裂纹扩展速率模型实时计算转子表面的裂纹扩展长度；
步骤4-3：设定转子断裂时转子表面裂纹的长度，依据实时监测裂纹长度，预测转子的蠕变-疲劳寿命。
6.一种用于如权利要求1～5中任一项所述汽轮机转子的蠕变-疲劳寿命预测方法的预测系统，其特征在于，所述的汽轮机转子的蠕变-疲劳寿命预测系统包括若干个传感器和设有处理器的计算机设备；所述的若干个传感器分别布置在汽轮机上的测点处，用于检测汽轮机主蒸汽参数和机组负荷情况；所述的若干个传感器分别与计算机设备进行通信；所述的处理器内嵌有汽轮机转子的蠕变-疲劳寿命预测方法；所述的汽轮机转子的蠕变-疲劳寿命预测方法具体为：
步骤1：建立汽轮机转子的应力计算SVM模型；
步骤2：建立转子钢的蠕变-疲劳裂纹扩展速率模型；
步骤3：通过布置在汽轮机上测点处的若干个传感器，检测汽轮机主蒸汽参数和机组负荷情况；
步骤4：利用步骤3获取的数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命。
7.根据权利要求6所述的一种汽轮机转子的蠕变-疲劳寿命预测系统，其特征在于，所述的步骤1建立汽轮机转子的应力在线计算SVM模型，具体为：
步骤1-1：获取转子应力简化解；
将转子简化为圆筒或圆柱，通过传热学分析，计算转子正常服役时最大当量应力；
步骤1-2：获取转子应力有限元解；
建立转子的有限元模型，模拟不同启动工况下的服役过程，分析不同启动过程中转子的实时最大当量应力；
步骤1-3：定义转子应力有限元解与转子应力简化解的比值为修正系数；
ξ＝σ/σeq
其中，σ表示转子应力简化解，σeq表示转子应力有限元解；
步骤1-4：以启动过程中主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率为输入，转子应力修正系数为输入，利用SVM方法，通过数据训练和验证，获取不同启动工况下转子应力计算的SVM模型；
步骤1-5：对于稳定运行过程，利用步骤2-1～步骤2-3的方法，建立运行过程中的转子应力SVM模型。
8.根据权利要求6所述的一种汽轮机转子的蠕变-疲劳寿命预测系统，其特征在于，所述的步骤2建立转子钢的蠕变-疲劳裂纹扩展速率模型，具体为：
步骤2-1：针对转子钢材料，制备紧凑拉伸CT试样；
步骤2-2：设置试验方案，开展蠕变-疲劳试验，采集不同试验条件下的裂纹扩展长度；
步骤2-3：利用试验数据，建立转子钢蠕变-疲劳裂纹扩展Dimopulos模型；
其中，da/dN为裂纹扩展速率，f为频率，B、C和Φ为裂纹扩散速率的材料参数，C*参数是在峰值应力下实验测得，Δkeff为有效的应力强度因子幅。
9.根据权利要求6所述的一种汽轮机转子的蠕变-疲劳寿命预测系统，其特征在于，所述的步骤3实时监测主蒸汽温度、主蒸汽压力、平均温差、转子转速、机组功率及机组负荷变化率、蒸汽温度变化率，需要在电厂现场布置测点，测量以上数据。
10.根据权利要求6所述的一种汽轮机转子的蠕变-疲劳寿命预测系统，其特征在于，所述的步骤4利用测点数据计算服役中转子的当量应力，通过转子钢蠕变-疲劳裂纹扩展速率模型监测裂纹扩展情况，以此预测转子的蠕变-疲劳寿命，具体为：
步骤4-1：通过测点测定得的主蒸汽参数和机组负荷参数，根据机组的实际运行工况条件，利用步骤1建立的转子应力SVM模型实时计算转子的最大应力；
步骤4-2：设置裂纹的初始长度，结合步骤2建立的转子钢的蠕变-疲劳裂纹扩展速率模型实时计算转子表面的裂纹扩展长度；
步骤4-3：设定转子断裂时转子表面裂纹的长度，依据实时监测裂纹长度，预测转子的蠕变-疲劳寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110869031.0A CN113722946A (zh) | 2021-07-30 | 2021-07-30 | 一种汽轮机转子的蠕变-疲劳寿命预测方法及预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110869031.0A CN113722946A (zh) | 2021-07-30 | 2021-07-30 | 一种汽轮机转子的蠕变-疲劳寿命预测方法及预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113722946A true CN113722946A (zh) | 2021-11-30 |
Family
ID=78674454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110869031.0A Pending CN113722946A (zh) | 2021-07-30 | 2021-07-30 | 一种汽轮机转子的蠕变-疲劳寿命预测方法及预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113722946A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776589A (zh) * | 2023-06-15 | 2023-09-19 | 上海发电设备成套设计研究院有限责任公司 | 核电汽轮机全寿期的应力腐蚀与疲劳长寿命监控方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008088797A1 (en) * | 2007-01-12 | 2008-07-24 | Vextec Corporation | Apparatus and methods for testing performance of a material for use in a jet engine |
| CN103761365A (zh) * | 2013-12-28 | 2014-04-30 | 合肥通用机械研究院 | 一种基于寿命的高温压力容器蠕变疲劳强度设计方法 |
| CN103926152A (zh) * | 2014-04-09 | 2014-07-16 | 北京工业大学 | 一种高温多轴谱载下低周蠕变-疲劳寿命评估方法 |
| CN107145687A (zh) * | 2017-06-07 | 2017-09-08 | 上海电力学院 | 汽轮机转子启动曲线优化及蠕变‑疲劳寿命评估的方法 |
| CN109885874A (zh) * | 2019-01-11 | 2019-06-14 | 华东理工大学 | 一种基于abaqus的多轴蠕变疲劳预测方法 |
| CN111475972A (zh) * | 2020-03-03 | 2020-07-31 | 东方电气(广州)重型机器有限公司 | 一种高温疲劳-蠕变交互损伤评估方法、系统及存储介质 |
-
2021
- 2021-07-30 CN CN202110869031.0A patent/CN113722946A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008088797A1 (en) * | 2007-01-12 | 2008-07-24 | Vextec Corporation | Apparatus and methods for testing performance of a material for use in a jet engine |
| CN103761365A (zh) * | 2013-12-28 | 2014-04-30 | 合肥通用机械研究院 | 一种基于寿命的高温压力容器蠕变疲劳强度设计方法 |
| CN103926152A (zh) * | 2014-04-09 | 2014-07-16 | 北京工业大学 | 一种高温多轴谱载下低周蠕变-疲劳寿命评估方法 |
| CN107145687A (zh) * | 2017-06-07 | 2017-09-08 | 上海电力学院 | 汽轮机转子启动曲线优化及蠕变‑疲劳寿命评估的方法 |
| CN109885874A (zh) * | 2019-01-11 | 2019-06-14 | 华东理工大学 | 一种基于abaqus的多轴蠕变疲劳预测方法 |
| CN111475972A (zh) * | 2020-03-03 | 2020-07-31 | 东方电气(广州)重型机器有限公司 | 一种高温疲劳-蠕变交互损伤评估方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 吴凌轩、纪冬梅: "某1000MW超超临界汽轮机转子冷态启动优化", 发电设备, vol. 34, no. 5, 30 September 2019 (2019-09-30), pages 1 - 5 * |
| 孙忠孝: "汽轮机转子钢疲劳-蠕变交互作用下的裂纹扩展研究", 中国电机工程学报, no. 01, 30 January 1989 (1989-01-30) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776589A (zh) * | 2023-06-15 | 2023-09-19 | 上海发电设备成套设计研究院有限责任公司 | 核电汽轮机全寿期的应力腐蚀与疲劳长寿命监控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109085814B (zh) | 一种火电汽轮机组整体设备系统延寿评估方法 | |
| EP1788190B1 (en) | Method and system for assessing life of cracked dovetail in turbine | |
| JP4202400B1 (ja) | き裂進展予測方法及びプログラム | |
| CN104808634A (zh) | 一种基于虚拟现实的火电厂可视化管理系统 | |
| CN112685939B (zh) | 一种基于实测的海上风力机基础疲劳损伤分析方法 | |
| US20230384193A1 (en) | Time-dependent local stress-strain method and tool software for high-temperature structural strength and service life analysis | |
| RU2721514C1 (ru) | Способ оценки остаточного ресурса рабочего колеса гидротурбины на запроектных сроках эксплуатации | |
| CN104481601A (zh) | 汽轮机转子低周疲劳与高周疲劳的裂纹扩展寿命监控方法 | |
| CN106644781A (zh) | 一种基于试件表面温度演化分析的金属疲劳寿命预测方法 | |
| CN113722946A (zh) | 一种汽轮机转子的蠕变-疲劳寿命预测方法及预测系统 | |
| JP2005024371A (ja) | 高温高圧水素環境で供用される材料の水素脆化割れ判定方法 | |
| Vittal et al. | Review of approaches to gas turbine life management | |
| JP3243065B2 (ja) | 構造部品の劣化・損傷予測装置 | |
| KR102626129B1 (ko) | 튜브 고온 손상 예방을 위한 검사 시스템 및 방법 | |
| WO2019135747A1 (en) | Probabilistic life evaluation algorithm for gas turbine engine components | |
| Rusin et al. | Steam turbine maintenance planning based on forecasting of life consumption processes and risk analysis | |
| CN116702463A (zh) | 受热面管的剩余寿命预测方法、装置、设备和存储介质 | |
| KR102077865B1 (ko) | 저압터빈의 경년열화평가방법 | |
| JP2002062901A (ja) | プラント運転制御装置、プラント運転制御方法およびプラント運転制御プログラムを記憶した記憶媒体 | |
| JPS58211625A (ja) | 高温流体容器の寿命予知法 | |
| CN113803220A (zh) | 风力发电机组疲劳损伤的检测方法、装置、系统及控制器 | |
| Sun et al. | Low cycle fatigue life prediction of a 300MW steam turbine rotor using a new nonlinear accumulation approach | |
| Riswanto et al. | Maintenance cost optimization on reliability centered maintenance based on failure rate on flash gas compression system | |
| Banaszkiewicz | Concept of advanced lifetime monitoring system for steam turbines | |
| CN111928965B (zh) | 转子温度监测方法、装置、计算机设备和存储介质 |
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 |