CN114429003A - 锅炉四管寿命预测方法的系统 - Google Patents

锅炉四管寿命预测方法的系统 Download PDF

Info

Publication number
CN114429003A
CN114429003A CN202111539685.3A CN202111539685A CN114429003A CN 114429003 A CN114429003 A CN 114429003A CN 202111539685 A CN202111539685 A CN 202111539685A CN 114429003 A CN114429003 A CN 114429003A
Authority
CN
China
Prior art keywords
boiler
parameters
model
preset
tube
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
Application number
CN202111539685.3A
Other languages
English (en)
Inventor
崔青汝
李庚达
王昕�
胡道成
高满达
刘淼
柳殿彬
何鲲
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.)
National Energy Group New Energy Technology Research Institute Co Ltd
Original Assignee
National Energy Group New Energy Technology Research Institute Co Ltd
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 National Energy Group New Energy Technology Research Institute Co Ltd filed Critical National Energy Group New Energy Technology Research Institute Co Ltd
Priority to CN202111539685.3A priority Critical patent/CN114429003A/zh
Publication of CN114429003A publication Critical patent/CN114429003A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明实施例提供一种锅炉四管寿命预测方法及系统，属于锅炉性能监测技术领域。所述方法包括：获取锅炉四管的实时性能参数；根据所述实时性能参数和预设孪生模型，获得体现所述锅炉四管实时运行状态的目标信息；耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型；其中，所述预设材料性能退化模型根据锅炉四管材料性能数据构建；根据所述锅炉四管寿命评估预测模型获得所述锅炉四管的预测寿命。本发明方案实现了管段的温度分布和应力分布的监督，提高了锅炉四管的寿命评估的空间分辨率和精度。

Description

锅炉四管寿命预测方法的系统
技术领域
本发明涉及锅炉性能监测技术领域，具体地涉及一种锅炉四管寿命预测方法及一种锅炉四管寿命预测系统。
背景技术
锅炉四管分别是锅炉系统中的空预器、过热器、水冷壁和省煤器，其是锅炉系统不可缺少的四大管道装置。锅炉四管由于超温、磨损和应力断裂等机理引起的爆管事故影响锅炉安全稳定运行。如今，在新能源规模化并网的要求下，火电机组需要频繁变负荷和启停，大大增加四管破坏的风险。如果能够准确地计算和监测锅炉四管管壁温度，结合烟气、汽水两侧运行数据等信息，就能更好的了解受热面运行状态，从而能够更准确的分析和定位，确定哪片管屏、哪些管道以及管道哪些部位处在相对恶劣的工作环境，可能存在超温现象或超温风险。锅炉四管的稳定性影响着整个锅炉系统的运行稳定性，虽然目前存在一些对锅炉四管稳定性进行评测的方法，但这些方法对影响锅炉四管运行稳定性的性能参数考虑不全面，无法监测管段的温度分布和应力分布，导致其寿命评估的空间分辨率和精度较低。针对上述问题，需要创造一种新的锅炉四管寿命预测方法。
发明内容
本发明实施方式的目的是提供一种锅炉四管寿命预测方法及系统，以至少解决现有锅炉四管寿命评估方法空间分辨率和精度较低的问题。
为了实现上述目的，本发明第一方面提供一种锅炉四管寿命预测方法，所述方法包括：获取锅炉四管的实时性能参数；根据所述实时性能参数和预设孪生模型，获得体现所述锅炉四管实时运行状态的目标信息；耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型；其中，所述预设材料性能退化模型根据锅炉四管材料性能数据构建；采用所述锅炉四管寿命评估预测模型获得所述锅炉四管的预测寿命。
可选的，所述锅炉四管的实时性能参数包括：设备参数和运行参数；其中，所述设备参数至少包括：锅炉炉型参数、设计依据参数、锅炉四管材料数据参数、锅炉四管维修和更换资料参数、检修检查检验记录和报告参数、未来运行计划参数；所述运行参数至少包括：锅炉四管烟气侧参数、锅炉四管汽水侧参数、锅炉四管表面积灰状况参数、机组累计运行时间参数、启停和负荷历史参数。
可选的，所述目标信息包括：锅炉四管及其预设距离范围内的流场信息、温度场信息和应力场信息。
可选的，所述方法还包括：构建所述预设孪生模型，包括：获取与所述实时性能参数类型相同的锅炉四管的历史性能参数；根据预设理论模型对所述历史性能参数进行分析，获得对应的数字仿真模型；将所述历史性能参数和对应的数字仿真模型作为训练样本，采用预设的BP神经网络算法进行模型训练，获得对应的数字孪生模型作为所述预设孪生模型。
可选的，所述根据预设理论模型对所述历史性能参数进行分析，获得对应的数字仿真模型，包括：根据预设CFD理论模型和预设NHT理论模型对所述历史性能参数进行分析，获得锅炉四管及其预设距离范围内的流场信息和温度场信息；根据FEA理论模型和所述流场信息对所述锅炉四管进行结构分析，获得锅炉四管及其预设距离范围内的应力场信息；根据预设相继耦合作用方式对所述流场信息、所述温度场信息和所述应力场信息进行耦合，获得体现所述锅炉四管实时运行状态的数字仿真模型。
可选的，所述方法还包括：构建所述预设材料性能退化模型，包括：收集与锅炉四管材料匹配的材料性能参数，形成材料性能数据库；根据所述材料性能数据库和预设的锅炉四管破坏机制，获得性能损耗因子；其中，所述预设的锅炉四管破坏机制至少包括：疲劳、蠕变、蠕变-疲劳、磨损、腐蚀；根据所述性能损耗因子构建材料性能退化模型，其表达式为：
Figure BDA0003413615120000031
其中，Da为性能损耗因子，0≤Da≤1；t为锅炉四管的温度状态；σ为锅炉四管的应力状态；fi为在第i种应力和温度下的蠕变因子；ri为在第i种应力和温度下的疲劳因子；ai为在第i种应力和温度下的磨损因子；ci为在第i种应力和温度下的腐蚀因子。
可选的，所述材料性能参数至少包括：力学性能参数、物理性能参数、化学性能参数和微观组织参数；其中，所述力学性能参数至少包括：常温和工作温度下的拉伸与冲击性能、低周疲劳或疲劳-蠕变交互作用特性、脆性转变温度、硬度、持久强度、蠕变极限；所述物理性能参数至少包括：弹性模量、泊松比、线膨胀系数、比热容、热导率；所述化学性能参数至少包括：氧化速率、腐蚀速率；所述微观组织参数包括：球化或老化级别、裂纹、石墨化级别。
可选的，所述耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型，包括：将所述目标信息作为影响因素耦合进入所述预设材料性能退化模型，获得锅炉四管寿命评估预测模型；所述锅炉四管寿命评估预测模型的表达式为：
tr＝(1-Da)ta
其中，tr为锅炉四管的剩余寿命；ta为锅炉四管的预设工作寿命。
本发明第二方面提供一种锅炉四管寿命预测系统，所述系统包括：采集单元，用于获取锅炉四管的实时性能参数；处理单元，用于：根据所述实时性能参数和预设孪生模型，获得体现所述锅炉四管实时运行状态的目标信息；耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型；其中，所述预设材料性能退化模型根据锅炉四管材料性能数据构建；预测单元，用于采用锅炉四管寿命评估预测模型预测所述锅炉四管的预测剩余寿命。
另一方面，本发明提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的锅炉四管寿命预测方法。
通过上述技术方案，根据预设孪生模型将实时的性能参数转换为直接影响锅炉四管寿命的流场、温度场和应力场参数，然后基于预设的材料性能退化模型判断当前流场、温度场和应力场参数对锅炉四管材料的影响程度，从而进行锅炉四管剩余寿命评估。本发明方案实现了管段的温度分布和应力分布的监督，提高了锅炉四管的寿命评估的空间分辨率和精度。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的锅炉四管寿命预测方法的步骤流程图；
图2是本发明一种实施方式提供的锅炉四管寿命预测系统的系统结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
锅炉四管分别是锅炉系统中的空预器、过热器、水冷壁和省煤器，其是锅炉系统不可缺少的四大管道装置。锅炉四管由于超温、磨损和应力断裂等机理引起的爆管事故影响锅炉安全稳定运行。如今，在新能源规模化并网的要求下，火电机组需要频繁变负荷和启停，大大增加四管破坏的风险。如果能够准确地计算和监测锅炉四管管壁温度，结合烟气、汽水两侧运行数据等信息就能更好的了解受热面运行状态，从而能够更准确的分析和定位，确定哪片管屏、哪些管道以及管道哪些部位处在相对恶劣的工作环境，可能存在超温现象或超温风险。一方面针对超温现象和超温风险的部位，采用有效措施消除超温现象，预防超温风险，保障火电厂安全稳定运行；另一方面，通过数据融合技术，将壁温监测和计算数据、材料性能评价数据、CFD模拟数据结合，形成“锅炉四管”寿命预测规则，在后续锅炉设计、运行中应用，能够大大降低锅炉运行和检修投资。
基于性能退化的预测方法的锅炉四管寿命管理技术所需数据主要包括四管温度、四管物性参数(尺寸、材质和高温性能等)、烟气侧和汽水侧运行参数等。锅炉热力计算技术通过监测汽水侧运行参数，运用热偏差、氧化皮生成等理论计算四管壁温分布和状态，根据壁温分布和状态实现超温报警、寿命评估等功能。以上海成套所PSSS为代表的现有技术，在满足锅炉壁温监测要求下，也具备四管寿命管理功能，但是该功能一方面只能反映换热管平均(即哪片屏的哪根管)剩余寿命信息，空间分辨率有限，难以预测换热管局部失效，另一方面受该技术理论基础的限制，只依赖汽水侧传感器获得汽水侧信息，对机组日趋频繁变工况运行的瞬态响应速度较慢，准确度存疑。因此，通过先进手段监测和分析获得的烟气侧运行参数、四管物性等重要参数能够为寿命管理提供有效的数据和信息，弥补现有技术的不足。
可见，锅炉四管的稳定性影响着整个锅炉系统的运行稳定性，虽然目前存在一些对锅炉四管稳定性进行评测的方法，但这些方法对影响锅炉四管运行稳定性的性能参数考虑不全面，无法监测管段的温度分布和应力分布，导致其寿命评估的空间分辨率和精度较低。为了提高锅炉四管寿命评估准确性，本发明实施例提供一种基于数字孪生和材料性能退化模型的四管寿命预测方法及系统，获取锅炉系统的历史数据和实时数据，然后将综合分析锅炉四管设计安装资料、历史数据、实时数据，对海量数据进行抽取和筛选，为后续建模模块、材料性能数据库提供必要的关键参数。然后利用先进计算流体力学(CFD)、数值传热学(NHT)、有限元分析(FEA)理论，综合考虑流动、换热，建立四管数字仿真模型。然后基于四管数字仿真模型，采用深度学习算法，耦合传热及应力模型，获得四管数字孪生模型。材料性能数据库根据数据分析筛选模块提供的关键参数，收集合适的材料性能数据。进一步基于四管管材高温材料性能数据，根据四管破坏机制到相应性能损耗因子，建立材料性能退化模型。最后耦合数字孪生和材料性能退化模型，建立四管寿命评价模型，实现四管的寿命评估预测。
图2是本发明一种实施方式提供的锅炉四管寿命预测系统的系统结构图。如图2所示，本发明实施方式提供一种锅炉四管寿命预测系统，所述系统包括：采集单元，用于获取锅炉四管的实时性能参数；处理单元，用于：根据所述实时性能参数和预设孪生模型，获得体现所述锅炉四管实时运行状态的目标信息；耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型；其中，所述预设材料性能退化模型根据锅炉四管材料性能数据构建；预测单元，用于采用锅炉四管寿命评估预测模型预测所述锅炉四管的预测剩余寿命。
图1是本发明一种实施方式提供的锅炉四管寿命预测方法的方法流程图。如图1所示，本发明实施方式提供一种锅炉四管寿命预测的方法，所述方法包括：
步骤S10：获取锅炉四管的实时性能参数。
具体的，本发明是基于构建的训练模型进行锅炉四管寿命预测的，其思想简单来说，基于便于采集的锅炉四管的性能参数，获得对应的锅炉四管剩余寿命。例如，锅炉四管的运行状态越差，环境越恶劣，其对应的剩余寿命就越少。所以，首先便需要采集这些影响锅炉四管寿命的性能参数，然后基于预设的管理模型进行锅炉四管剩余寿命预测。优选的，这些影响锅炉四管寿命的预设性能参数包括设备参数和运行参数；其中，所述设备参数至少包括：锅炉炉型参数、设计依据参数、锅炉四管材料数据参数、锅炉四管维修和更换资料参数、历次检修检查检验记录和报告参数、未来运行计划参数；所诉运行参数至少包括：锅炉四管烟气侧参数、锅炉四管汽水侧参数、锅炉四管表面积灰状况参数、机组累计运行时间参数、启停和负荷历史参数。其中，材料性能数据库所需关键参数包括但不限于四管材料型号、制造工艺、布置结构、强度计算书、焊口工艺等。
步骤S20：根据所述实时性能参数和预设孪生模型，获得体现所述锅炉四管实时运行状态的目标信息。
具体的，通过步骤S10可知，影响锅炉四管寿命的性能参数类型很多，若进行这些参数直接耦合，势必会造成耦合参数过多的情况，且不同的性能参数对锅炉四管说明的影响程度是不同的，需要进行如此大量且错杂的数据耦合，其难度是非常大的。一方面会造成耦合时延加长，另一方面耦合后的准确性也难以保证。所以，需要对这些参数先进行一次分析，获得影响锅炉四管寿命的中间参数，中间参数的数据体量很小，后续的耦合效率也就越高。优选的，作为目标参数的影响锅炉寿命的收件参数为锅炉四管及其预设距离范围内的流场信息、温度场信息和应力场信息。所以，在获得对应锅炉系统的目标信息之前，需要构建预设的孪生模型。
首先，采集隐含性能参数与这些目标参数之间关联规律的历史数据，然后在这些历史数据中提取出本发明需要使用到的性能参数，即提取与实时性能参数类型相同的历史性能参数，包括历史设备参数和历史运行参数；其中，所述历史设备参数至少包括：历史锅炉炉型参数、历史设计依据参数、历史锅炉四管材料数据参数、历史锅炉四管维修和更换资料参数、历史历次检修检查检验记录和报告参数、历史运行计划参数；所诉历史运行参数至少包括：历史锅炉四管烟气侧参数、历史锅炉四管汽水侧参数、历史锅炉四管表面积灰状况参数、历史机组累计运行时间参数、历史启停和负荷历史参数。因为需要确定的对应关系，上述所有数据均根据数据采集时刻进行分别对应，即一组数据内的所有历史设备数据和历史运行参数时同一个时刻下的参数。然后基于预设的理论模型对所述历史性能参数进行分析，获得对应的数字仿真模型。
其中，预设的理论模型包括CFD理论模型、NHT理论模型和FEA理论模型。首先，采用CFD和NHT理论对四管管进行流场分析，得到了四管及附近的流场信息和温度场信息。然后应用FEA理论，通过耦合传递方式，将流场分析得到的结果加载到四管，对其进行结构分析；结构分析时根据四管实际的结构和布置方式增加两端约束；四管流场分析与应力场分析之间的耦合是通过相继耦合作用方式实现；最终得到四管数字仿真模型(流场、温度场和应力场)。其中，三场耦合数学模型包括；连续方程(质量守恒)、动量方程(纳维-斯托克斯方程，动量守恒)、能量方程(焓形式，能量守恒)、湍流方程(k-ω模型)和耦合温度场方程。耦合温度场方程在笛卡尔坐标系下，采用无内热源的三维瞬态导热方程，微分形式如下：
Figure BDA0003413615120000091
其中，ρ为管材密度，c为管材的比热容，λ为管材的导热系数。需要注意，为保证仿真模型的准确性，关键参数建议选择典型工况下的参数，因此，本实施例中提及的四管数字仿真模型指典型工况下的模型。
获得四管数字仿真模型后，便采用深度学习算法，耦合传热及应力模型，获得四管数字孪生模型。深度学习算法采用BP神经网络算法，以四管几何结构、烟气温度/流速/压力/成分等、工质(汽水)温度/压力/流速/含氧量等、表面积灰厚度/形貌等数据为输入参数，以仿真模型得出的流场、温度场和应力场为输出参数；网络结构设计为三层，采用一个隐含层，激励函数可选择双曲正切函数、高斯激励函数等，综合考虑误差和效率选择合适的隐含层节点数。在上述进行历史参数整理时，一部分数据作为训练数据，另外一部分数据留作检验参数，通过反复训练后，获得初始数字孪生模型，然后基于该校验参数对模型进行校验，得出误差范围满足要求的四管数字孪生模型；选用均方根误差RMSE与平均相对误差MRE作为模型预测能力的评价指标，其计算式为：
Figure BDA0003413615120000092
Figure BDA0003413615120000093
利用上述数字孪生模型可以预测任意工况下的四管及其附近的流场、温度场和应力场。获得该数字孪生模型后，便将步骤S10中采集的性能参数作为输入，进行该模型训练，输出对应时刻下，该锅炉系统的实时目标信息，即当前工况下四管及其附近的流场、温度场和应力场。
步骤S30：耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型。
具体的，上述两个步骤获得了影响锅炉四管说明的影响参数，但是，锅炉四管的说明与其自身性能息息相关，即判断锅炉四管是否无法使用，是判定期材料以及无法满足需求，所以，还需要了解影响参数进行锅炉四管寿命影响的具体体现，即其材料性能参数。优选的，首先进行材料性能退化模型构建。
根据预设的锅炉四管材料退化的关键参数，收集与之匹配的材料性能数据，形成完整的材料性能数据库。其中，材料性能数据包括：
1)力学性能，常温和工作温度下的拉伸与冲击性能、低周疲劳或疲劳-蠕变交互作用特性、脆性转变温度、硬度、持久强度、蠕变极限等。
2)物理性能，弹性模量、泊松比、线膨胀系数、比热容、热导率等。
3)化学性能，氧化速率、腐蚀速率等。
4)微观组织，球化或老化级别、裂纹、石墨化级别等。
典型的材料性能数据可通过公开的或者商用的材料性能数据库获得，同时根据实际需求补充必要的材料性能实验完善。然后基于四管管材高温材料性能数据，根据四管破坏机制得到相应性能损耗因子，建立材料性能退化模型。四管破坏机制包括疲劳、蠕变、蠕变-疲劳、磨损、腐蚀等；性能损耗因子与四管材料、温度、应力状态、破坏机制等因素有关，计算公式如下：
Figure BDA0003413615120000101
其中，Da为性能损耗因子，其0≤Da≤1；t为锅炉四管的温度状态；σ为锅炉四管的应力状态；fi为在第i种应力和温度下蠕变因子；ri为在第i种应力和温度下疲劳因子；ai为在第i种应力和温度下磨损因子；ci为在第i种应力和温度下腐蚀因子。通过上述关系便可以获得影响锅炉四管寿命参数与锅炉四管寿命体现性能之间的对应关系，将获得目标信息作为输入条件，即作为影响锅炉四管性能退化的影响因素耦合进入上述材料性能退化模型中，获得对应的四管寿命评价模型，其表达式为：
tr＝(1-Da)ta
其中，tr为锅炉四管的剩余寿命；ta为锅炉四管的预设工作寿命。
步骤S40：根据所述锅炉四管寿命评估预测模型获得所述锅炉四管的预测寿命。
具体的，获得四管寿命评价模型后，根据采集的数据计算上述性能损耗因子，然后将该性能损耗因子导入四管寿命预测模型中，便可以获得当前锅炉四管的剩余寿命。
在一种可能的实施方式中，方锅炉四管的预测寿命小于预设值时，判定当前锅炉四管的材料性能即将无法满足需求，随时存在四管损害的情况，为了避免因为锅炉四管突然损坏导致引发更大的故障或造成安全事故，输出报警信息，并显示锅炉四管的剩余说明，提醒相关人员进行维护。
本发明实施方式还提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的锅炉四管寿命预测方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式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。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (10)

1.一种锅炉四管寿命预测方法，其特征在于，所述方法包括：
获取锅炉四管的实时性能参数；
根据所述实时性能参数和预设孪生模型，获得体现所述锅炉四管实时运行状态的目标信息；
耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型；其中，所述预设材料性能退化模型根据锅炉四管材料性能数据构建；
采用所述锅炉四管寿命评估预测模型获得所述锅炉四管的预测寿命。
2.根据权利要求1所述的方法，其特征在于，所述锅炉四管的实时性能参数包括：
设备参数和运行参数；其中，
所述设备参数至少包括：
锅炉炉型参数、设计依据参数、锅炉四管材料数据参数、锅炉四管维修和更换资料参数、检修检查检验记录和报告参数、未来运行计划参数；
所述运行参数至少包括：
锅炉四管烟气侧参数、锅炉四管汽水侧参数、锅炉四管表面积灰状况参数、机组累计运行时间参数、启停和负荷历史参数。
3.根据权利要求1所述的方法，其特征在于，所述目标信息包括：
锅炉四管及其预设距离范围内的流场信息、温度场信息和应力场信息。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建所述预设孪生模型，包括：
获取与所述实时性能参数类型相同的锅炉四管的历史性能参数；
根据预设理论模型对所述历史性能参数进行分析，获得对应的数字仿真模型；
将所述历史性能参数和对应的数字仿真模型作为训练样本，采用预设的BP神经网络算法进行模型训练，获得对应的数字孪生模型作为所述预设孪生模型。
5.根据权利要求4所述的方法，其特征在于，所述根据预设理论模型对所述历史性能参数进行分析，获得对应的数字仿真模型，包括：
根据预设CFD理论模型和预设NHT理论模型对所述历史性能参数进行分析，获得锅炉四管及其预设距离范围内的流场信息和温度场信息；
根据FEA理论模型和所述流场信息对所述锅炉四管进行结构分析，获得锅炉四管及其预设距离范围内的应力场信息；
采用预设相继耦合作用方式对所述流场信息、所述温度场信息和所述应力场信息进行耦合，获得体现所述锅炉四管实时运行状态的数字仿真模型。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建所述预设材料性能退化模型，包括：
收集与锅炉四管材料匹配的材料性能参数，形成材料性能数据库；
根据所述材料性能数据库和预设的锅炉四管破坏机制，获得性能损耗因子；其中，所述预设的锅炉四管破坏机制至少包括：疲劳、蠕变、蠕变-疲劳、磨损、腐蚀；
根据所述性能损耗因子构建预设材料性能退化模型，其表达式为：
Figure FDA0003413615110000021
其中，Da为性能损耗因子，0≤Da≤1；
t为锅炉四管的温度状态；
σ为锅炉四管的应力状态；
fi为在第i种应力和温度下的蠕变因子；
ri为在第i种应力和温度下的疲劳因子；
ai为在第i种应力和温度下的磨损因子；
ci为在第i种应力和温度下的腐蚀因子。
7.根据权利要求6所述的方法，其特征在于，所述材料性能参数至少包括：力学性能参数、物理性能参数、化学性能参数和微观组织参数；其中，
所述力学性能参数至少包括：
常温和工作温度下的拉伸与冲击性能、低周疲劳或疲劳-蠕变交互作用特性、脆性转变温度、硬度、持久强度、蠕变极限；
所述物理性能参数至少包括：
弹性模量、泊松比、线膨胀系数、比热容、热导率；
所述化学性能参数至少包括：
氧化速率、腐蚀速率；
所述微观组织参数至少包括：
球化或老化级别、裂纹、石墨化级别。
8.根据权利要求6所述的方法，其特征在于，所述耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型，包括：
将所述目标信息作为影响因素，耦合进入所述预设材料性能退化模型，获得锅炉四管寿命评估预测模型；
所述锅炉四管寿命评估预测模型的表达式为：
tr＝(1-Da)ta
其中，tr为锅炉四管的剩余寿命；
ta为锅炉四管的预设工作寿命。
9.一种锅炉四管寿命预测系统，其特征在于，所述系统包括：
采集单元，用于获取锅炉四管的实时性能参数；
处理单元，用于：
根据所述实时性能参数和预设孪生模型，获得体现所述锅炉四管实时运行状态的目标信息；
耦合所述目标信息和预设材料性能退化模型，获得锅炉四管寿命评估预测模型；其中，所述预设材料性能退化模型根据锅炉四管材料性能数据构建；
预测单元，用于采用锅炉四管寿命评估预测模型预测所述锅炉四管的预测寿命。
10.一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行权利要求1-8中任一项权利要求所述的锅炉四管寿命预测方法。
CN202111539685.3A 2021-12-15 2021-12-15 锅炉四管寿命预测方法的系统 Pending CN114429003A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111539685.3A CN114429003A (zh) 2021-12-15 2021-12-15 锅炉四管寿命预测方法的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111539685.3A CN114429003A (zh) 2021-12-15 2021-12-15 锅炉四管寿命预测方法的系统

Publications (1)

Publication Number Publication Date
CN114429003A true CN114429003A (zh) 2022-05-03

Family

ID=81311002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111539685.3A Pending CN114429003A (zh) 2021-12-15 2021-12-15 锅炉四管寿命预测方法的系统

Country Status (1)

Country Link
CN (1) CN114429003A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563819A (zh) * 2022-12-06 2023-01-03 北京博数智源人工智能科技有限公司 一种基于温度变化的火电站炉管损耗评估方法及系统
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563819A (zh) * 2022-12-06 2023-01-03 北京博数智源人工智能科技有限公司 一种基于温度变化的火电站炉管损耗评估方法及系统
CN115563819B (zh) * 2022-12-06 2023-04-07 北京博数智源人工智能科技有限公司 一种基于温度变化的火电站炉管损耗评估方法及系统
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

Similar Documents

Publication Publication Date Title
CN114429003A (zh) 锅炉四管寿命预测方法的系统
US7637653B2 (en) Method to analyze economics of asset management solutions for nuclear steam generators
JP2016177682A (ja) 設備評価装置、設備評価方法、コンピュータプログラム
CN103455682A (zh) 一种预测高温高压井腐蚀套管剩余寿命的方法
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
Yang et al. Multi-dimensional scenario forecast for generation of multiple wind farms
CN106372299B (zh) 一种基于逆高斯过程和em-pf的管道剩余寿命预测方法
CN105184395A (zh) 含余热利用系统的火电机组的初参数确定方法
Venturini et al. Prediction reliability of a statistical methodology for gas turbine prognostics
CN112989694B (zh) 受热面灰污区段化监测系统及方法
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
Gu et al. Creep-fatigue reliability assessment for high-temperature components fusing on-line monitoring data and physics-of-failure by engineering damage mechanics approach
CN101825869A (zh) 基于数据驱动的过热器模型参数辨识方法
US20180088568A1 (en) Plant simulation device and plant simulation method
CN114036758B (zh) 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法
CN114936494A (zh) 数据物理融合驱动的高温部件可靠性评定方法和系统
CN112670997A (zh) 考虑光伏不确定性的电热能源系统时序概率潮流计算方法
CN113836821B (zh) 一种锅炉水冷壁拉裂在线预测方法
Ali et al. On dependencies in value of information analysis for structural integrity management
CN116796621B (zh) 一种用于过热器管的氧化检测方法及系统
CN117436153B (zh) 一种应用于电厂供热的实体特征参数化实现方法
CN117709154A (zh) 适用于高参数集箱的应力分析方法和应力在线监测系统
CN117253568B (zh) 一种制备氧化钇坩埚的涂层工艺优化方法及系统
CN112347695B (zh) 一种变压器顶层油温的预测方法及系统
Gwebu A methodology for integrated thermofluid modelling of radiant superheaters in steady state and transient operations

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