CN116796621B - 一种用于过热器管的氧化检测方法及系统 - Google Patents
一种用于过热器管的氧化检测方法及系统 Download PDFInfo
- Publication number
- CN116796621B CN116796621B CN202310291592.6A CN202310291592A CN116796621B CN 116796621 B CN116796621 B CN 116796621B CN 202310291592 A CN202310291592 A CN 202310291592A CN 116796621 B CN116796621 B CN 116796621B
- Authority
- CN
- China
- Prior art keywords
- target
- data
- oxidation
- intelligent
- superheater 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.)
- Active
Links
- 238000007254 oxidation reaction Methods 0.000 title claims abstract description 157
- 230000003647 oxidation Effects 0.000 title claims abstract description 155
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012546 transfer Methods 0.000 claims description 40
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
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
- G06F30/27—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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于过热器管的氧化检测方法及系统,涉及过热器管氧化检测领域,所述方法包括:通过获取历史过热器管氧化记录并训练智能预测模型;实时采集目标过热器管的目标实时信息;智能预测模型得到第一预测结果;依次获取目标特征信息和目标环境信息,并得到目标模拟记录;提取目标氧化模拟数据,其中包括第一数据段、第二数据段;分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及结合第二数据段和目标检修结果进行氧化失效分析。解决了现有技术中的过热器管的氧化检测存在智能化程度低,导致氧化检测效率低且精准性差的问题。达到了提高氧化皮检测智能化程度,从而提高氧化检测效率和精准性的技术效果。
Description
技术领域
本发明涉及过热器管氧化检测领域,尤其涉及一种用于过热器管的氧化检测方法及系统。
背景技术
过热器管由于长期处于高温、高压环境下,蒸汽侧内壁极易形成高温氧化皮,然而由于氧化皮导热系数一般为金属导热系数的1/20倍,因此氧化皮将严重影响过热器管的传热效果,进而使得过热器管的管壁极易出现超温情况。同时,超温会加剧氧化皮的产生,进而加厚氧化皮,致使形成恶性循环。此外,在启停炉中,氧化皮的剥落也易堵塞管道,严重时则会导致过热爆管事故,影响电站锅炉的安全运行。在超临界锅炉四管爆漏事故中,过热器管过热导致的爆管事故比例高达60%~70%。现有在对过热器管的氧化皮进行检测分析时,一般通过射线拍片、氧化皮堆积测量技术和割管取样测量等方法进行检测,然而无法对过热器管氧化皮的厚度进行智能化的预测,进而无法针对性采取措施进行干预,最终影响过热器管安全运行。因此,研究利用计算机技术对过热器管的氧化进行智能预测,对于维持过热器管安全稳定运行具有重要意义。
然而,现有技术中的过热器管的氧化检测存在智能化程度低,导致氧化检测效率低且精准性差的问题,进而无法为过热器管的检修提供可靠的数据依据,导致过热器管无法安全稳定运行。
发明内容
本发明的目的是提供一种用于过热器管的氧化检测方法及系统,用以解决现有技术中的过热器管的氧化检测存在智能化程度低,导致氧化检测效率低且精准性差的问题,进而无法为过热器管的检修提供可靠的数据依据,导致过热器管无法安全稳定运行。
鉴于上述问题,本发明提供了一种用于过热器管的氧化检测方法及系统。
第一方面,本发明提供了一种用于过热器管的氧化检测方法,所述方法通过一种用于过热器管的氧化检测系统实现,其中,所述方法包括:通过获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段;分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析。
第二方面,本发明还提供了一种用于过热器管的氧化检测系统,用于执行如第一方面所述的一种用于过热器管的氧化检测方法,其中,所述系统包括:数据组建模块,其用于获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及模型训练模块,其用于基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;信息采集模块,其用于实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;模型预测模块,其用于所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;智能模拟模块,其用于依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;数据分析模块,其用于提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段;检修决策模块,其用于分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及失效分析模块,其用于结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析。
第三方面,本发明还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面中任一项所述的方法。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.通过获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段;分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析。通过分析历史过热器管氧化记录并训练得到智能预测模型,为后续智能化分析并预测目标过热器管的氧化皮的后续提供模型基础,进而通过智能预测模型对目标实时负荷数据、目标实时传热数据进行分析,从而得到对目标过热器管的氧化皮厚度的预测结果,实现了利用计算机技术智能化预测过热器管的实时氧化皮厚度的技术目标,达到了提高氧化皮检测智能化程度,从而提高氧化检测效率和精准性的技术效果。
2.通过结合目标过热器管的目标特征信息和目标环境信息,对该目标过热器管的实时氧化皮厚度预测情况进行工况模拟,实现了为目标过热器管的氧化检测提供模拟数据依据的技术目标,接着通过分析目标模拟记录对目标过热器管在实际运行时的氧化失效进行预测分析,达到了对过热器管氧化导致断裂失效的故障进行智能化预测,从而为过热器管的运维提供理论指导和依据的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本发明一种用于过热器管的氧化检测方法的流程示意图;
图2为本发明一种用于过热器管的氧化检测方法中将所述第一负荷数据、所述第一传热数据、所述第一氧化皮厚度合并得到所述训练数据集的流程示意图;
图3为本发明一种用于过热器管的氧化检测方法中得到所述智能预测模型的流程示意图;
图4为本发明一种用于过热器管的氧化检测方法中得到所述目标模拟记录的流程示意图;
图5为本发明一种用于过热器管的氧化检测方法中对所述目标过热器管进行断裂故障预警的流程示意图;
图6为本发明一种用于过热器管的氧化检测系统的结构示意图。
附图标记说明:
数据组建模块11,模型训练模块12,信息采集模块13,模型预测模块14,智能模拟模块15,数据分析模块16,检修决策模块17,失效分析模块18。
具体实施方式
本发明通过提供一种用于过热器管的氧化检测方法及系统,解决了现有技术中的过热器管的氧化检测存在智能化程度低,导致氧化检测效率低且精准性差的问题,进而无法为过热器管的检修提供可靠的数据依据,导致过热器管无法安全稳定运行。达到了提高氧化皮检测智能化程度,从而提高氧化检测效率和精准性的技术效果。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
请参阅附图1,本发明提供了一种用于过热器管的氧化检测方法,其中,所述方法应用于一种用于过热器管的氧化检测系统,所述方法具体包括如下步骤:
步骤S100:获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及
进一步的,如附图2所示,本发明步骤S100包括:
步骤S110:所述历史过热器管氧化记录包括M个氧化数据组,其中,M为大于1的整数;
步骤S120:提取所述M个氧化数据组的第一氧化数据组;以及
步骤S130:所述第一氧化数据组包括第一负荷数据、第一传热数据、第一氧化皮厚度;
步骤S140:将所述第一负荷数据、所述第一传热数据、所述第一氧化皮厚度合并得到所述训练数据集。
具体而言,所述一种用于过热器管的氧化检测方法应用于一种用于过热器管的氧化检测系统,可以通过采集并分析历史过热器管氧化记录,然后训练得到智能预测模型,进而通过智能预测模型对目标过热器管的目标实时负荷数据、目标实时传热数据进行智能分析,从而得到对所述目标过热器管的氧化皮厚度的实时智能化预测结果。其中,所述目标过热器管是指任意一个待使用所述氧化检测系统进行器管氧化程度自动检测分析的过热器管。示范性的如锅炉受热面的不锈钢管等。在对所述目标过热器管的氧化情况进行智能检测前,先训练智能预测模型,为后续的氧化检测做好模型准备。
具体来讲,首先获取历史过热器管氧化记录,即历史上各个过热器管在实际应用过程中,出现的氧化皮堆积、脱落,甚至最终堵塞过热器管,造成过热器管超温断裂失效等一系列的数据记录,即形成所述M个氧化数据组。然后随机提取所述M个氧化数据组中的任意一组历史数据记录,记作第一氧化数据组。其中,所述第一氧化数据组包括第一负荷数据、第一传热数据、第一氧化皮厚度。所述第一负荷数据是指在所述历史过热器管氧化记录中,对应第一过热器管的负荷数据。所述第一传热数据是指在所述历史过热器管氧化记录中,对应第一过热器管的管壁温度场分布及其具体温度数据。所述所述第一氧化皮厚度是指在所述历史过热器管氧化记录中,对应第一过热器管的实时管内壁侧氧化皮的厚度等相关数据。最后,将所述第一负荷数据、所述第一传热数据、所述第一氧化皮厚度合并得到所述训练数据集,用于后续训练智能化预测目标过热器管的氧化皮厚度的智能模型。通过分析历史过热器管氧化记录并训练得到智能预测模型,为后续智能化分析并预测目标过热器管的氧化皮的后续提供模型基础。
步骤S200:基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;
进一步的,如附图3所示,本发明步骤S200包括:
步骤S210:获取预设划分方案;
步骤S220:根据所述预设划分方案对所述训练数据集进行划分,得到数据划分结果;以及
步骤S230:所述数据划分结果包括第一数据集、第二数据集、第三数据集;
步骤S240:基于所述第一数据集得到第一智能模型,基于所述第二数据集得到第二智能模型,基于所述第三数据集得到第三智能模型;
步骤S250:基于集成学习方法原理对所述第一智能模型、所述第二智能模型和所述第三智能模型进行融合,得到所述智能预测模型。
进一步的,本发明步骤S250包括:
步骤S251:将所述第一智能模型和所述第二智能模型作为初级学习器,将所述第三智能模型作为元学习器,得到第一集成预测模型;
步骤S252:将所述第一智能模型和所述第三智能模型作为初级学习器,将所述第二智能模型作为元学习器,得到第二集成预测模型;
步骤S253:将所述第二智能模型和所述第三智能模型作为初级学习器,将所述第一智能模型作为元学习器,得到第三集成预测模型;
步骤S254:对所述第一集成预测模型、所述第二集成预测模型和所述第三集成预测模型进行预测精度检验,并根据检验结果确定所述智能预测模型。
具体而言,在对所述历史过热器管氧化记录进行分析,并组建得到所述训练数据集之后,利用所述训练数据集训练得到智能预测模型。其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测。具体来说,首先获取预设划分方案,用于对所述训练数据集进行划分,并对应得到数据划分结果。其中,所述预设划分方案是指以不同的比例将所述训练数据集进行数据划分,例如30%、30%、40%。所述数据划分结果包括第一数据集、第二数据集、第三数据集。接下来,基于所述第一数据集得到第一智能模型,基于所述第二数据集得到第二智能模型,基于所述第三数据集得到第三智能模型。最后基于集成学习方法原理对不同训练数据集对应训练得到的不同模型进行融合搭建,即对所述第一智能模型、所述第二智能模型和所述第三智能模型进行融合,融合后即得到所述智能预测模型。
所述智能预测模型的融合搭建过程具体来说,首先将所述第一智能模型和所述第二智能模型作为初级学习器,将所述第三智能模型作为元学习器,从而得到所述第一集成预测模型。然后将所述第一智能模型和所述第三智能模型作为初级学习器,将所述第二智能模型作为元学习器,从而得到所述第二集成预测模型。接着将所述第二智能模型和所述第三智能模型作为初级学习器,将所述第一智能模型作为元学习器,从而得到所述第三集成预测模型。最后,构建检验数据集,用于对不同搭建方式融合得到各个集成预测模型进行模型精度检验,也就是说,对所述第一集成预测模型、所述第二集成预测模型和所述第三集成预测模型进行预测精度检验,并根据检验结果将预测精度最佳的模型作为所述智能预测模型。其中,所述检验数据集为已知氧化皮厚度情况的过热器管应用数据组,分别利用各集成预测模型对其进行智能预测,得到氧化皮厚度预测数据,并将其与已知的厚度数据进行对比,对应的计算预测结果与实际结果之间的偏差,从而得到各集成预测模型的预测精度。
步骤S300:实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;
步骤S400:所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;
具体而言,对所述目标过热器管的实际情况进行数据采集,包括所述目标过热器管的目标实时负荷数据,同时采集该目标过热器管的管壁的温度分布情况及其传热情况,得到对应的目标实时传热数据。接着将所述目标实时负荷数据和目标实时传热数据作为输入信息,输入前述训练的所述智能预测模型中,进而通过所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,对应得到所述目标氧化皮厚度的第一预测结果。其中,所述第一预测结果是指在采集得到所述目标过热器管的所述目标实时负荷数据和目标实时传热数据的时刻下,目标过热器管的氧化皮的厚度预测结果。实现了对目标过热器管的氧化皮的厚度自动化预测目标。
步骤S500:依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;
进一步的,如附图4所示,本发明步骤S500包括:
步骤S510:获取预设特征指标;
步骤S520:基于所述预设特征指标对所述目标过热器管的特征信息进行采集,得到所述目标特征信息;
步骤S530:获取预设环境因素;
步骤S540:基于所述预设环境因素对所述目标过热器管的环境信息进行采集,得到所述目标环境信息;
步骤S550:根据所述目标特征信息和所述目标环境信息对所述第一预测结果进行模拟,得到所述目标模拟记录。
具体而言,首先获取预设特征指标和预设环境因素,其中,所述预设特征指标是指会对目标过热器管的实际应用情况产生影响,导致其失效的过热器管特征。示范性的如目标过热器管的焊接方式、焊接厚度、焊接使用材料及其工艺等。所述预设环境因素是指会对目标过热器管的实际应用情况产生影响,导致其失效的周围应用环境相关因素特征。示范性的如环境温湿度、环境大气压强等。然后,对所述目标过热器管的实际情况进行数据采集,包括所述目标过热器管的自身特征信息,即目标特征信息。此外,对所述目标过热器管的实际应用环境情况进行数据采集,即得到所述目标过热器管的目标环境信息。接下来,基于所述目标过热器管的目标特征信息和目标环境信息对目标过热器管的所述第一预测结果进行器管工况模拟,即对所述目标过热器管的当前氧化皮厚度的后续变化情况进行模拟,示范性的如ANSYS的有限元模拟等。对应的记录仿真模拟过程中的相关模拟数据,即组成所述目标模拟记录。实现了为后续对目标过热器管检修、异常或故障预警等提供仿真数据指导的技术目标,达到了提高对目标过热器管的氧化检测的效率和个性化的技术效果。
步骤S600:提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段;
步骤S700:分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及
步骤S800:结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析。
进一步的,所述第一数据段是指所述目标过热器管的氧化皮脱落模拟数据。
进一步的,所述第二数据段是指所述目标过热器管的器管断裂失效模拟数据。
具体而言,随机提取所述目标模拟记录中关于对目标过热器管的氧化情况进行模拟的相关模拟数据,即提取所述目标氧化模拟数据。其中,所述目标氧化模拟数据包括第一数据段、第二数据段。所述第一数据段是指所述目标过热器管的氧化皮脱落模拟数据。接着,对所述第一数据段进行分析即得到所述目标过热器管的内壁侧出现氧化皮脱落时的时间,对应的在该时刻到来前生成检修预警,提示相关人员对其进行检修处理,以避免脱落的氧化皮堵塞所述目标过热器管的管道,影响其传热性能。通过目标检修决策得到对应的目标检修结果。进一步的,结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析。其中,所述第二数据段是指所述目标过热器管的器管断裂失效模拟数据。也就是说,在所述目标过热器管的内壁氧化皮脱落后,由于无法完全清理脱落的氧化皮等,导致所述目标过热器管的传热性能收到影响,最终管壁超温现象持续且严重,将造成目标过热器管的失效。因此结合所述第二数据段和对氧化皮的脱落的目标检修结果进行所述目标过热器管的氧化失效分析。最终通过氧化失效分析预测该目标过热器管的寿命,以供相关技术人员针对性维修或替换,从而保障供热质量。
进一步的,如附图5所示,本发明还包括如下步骤:
步骤S910:剔除所述目标模拟记录中的所述目标氧化模拟数据,得到第一模拟数据;
步骤S920:分析所述第一模拟数据得到第一断裂模拟数据;
步骤S930:根据所述第一断裂模拟数据,对所述目标过热器管进行断裂故障预警。
具体而言,在对目标过热器管的氧化进行仿真模拟后,剔除目标模拟记录中的所述目标氧化模拟数据,即得到不受氧化影响的目标过热器管的正常应用模拟数据,记作所述第一模拟数据。接着分析所述第一模拟数据得到第一断裂模拟数据。其中,所述第一断裂模拟数据是指目标过热器管在正常运用过程中,因除了氧化失效外其他任意因素导致器管断裂并失效的仿真数据。最后,根据所述第一断裂模拟数据,对所述目标过热器管进行断裂故障预警。示范性的如目标过热器管的焊接处受压强断裂等。通过分析除氧化失效导致过热器管断裂外的其他断裂仿真数据,对该目标过热器管的工作状态进行动态监测和故障预警,达到提高过热器管运行安全性和稳定性的效果。
综上所述,本发明所提供的一种用于过热器管的氧化检测方法具有如下技术效果:
1.通过获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段;分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析。通过分析历史过热器管氧化记录并训练得到智能预测模型,为后续智能化分析并预测目标过热器管的氧化皮的后续提供模型基础,进而通过智能预测模型对目标实时负荷数据、目标实时传热数据进行分析,从而得到对目标过热器管的氧化皮厚度的预测结果,实现了利用计算机技术智能化预测过热器管的实时氧化皮厚度的技术目标,达到了提高氧化皮检测智能化程度,从而提高氧化检测效率和精准性的技术效果。
2.通过结合目标过热器管的目标特征信息和目标环境信息,对该目标过热器管的实时氧化皮厚度预测情况进行工况模拟,实现了为目标过热器管的氧化检测提供模拟数据依据的技术目标,接着通过分析目标模拟记录对目标过热器管在实际运行时的氧化失效进行预测分析,达到了对过热器管氧化导致断裂失效的故障进行智能化预测,从而为过热器管的运维提供理论指导和依据的技术效果。
实施例二
基于与前述实施例中一种用于过热器管的氧化检测方法,同样发明构思,本发明还提供了一种用于过热器管的氧化检测系统,请参阅附图6,所述系统包括:
数据组建模块11,其用于获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及
模型训练模块12,其用于基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;
信息采集模块13,其用于实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;
模型预测模块14,其用于所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;
智能模拟模块15,其用于依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;
数据分析模块16,其用于提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段;
检修决策模块17,其用于分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及
失效分析模块18,其用于结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析。
进一步的,所述系统中的所述数据组建模块11还用于:
所述历史过热器管氧化记录包括M个氧化数据组,其中,M为大于1的整数;
提取所述M个氧化数据组的第一氧化数据组;以及
所述第一氧化数据组包括第一负荷数据、第一传热数据、第一氧化皮厚度;
将所述第一负荷数据、所述第一传热数据、所述第一氧化皮厚度合并得到所述训练数据集。
进一步的,所述系统中的所述模型训练模块12还用于:
获取预设划分方案;
根据所述预设划分方案对所述训练数据集进行划分,得到数据划分结果;以及
所述数据划分结果包括第一数据集、第二数据集、第三数据集;
基于所述第一数据集得到第一智能模型,基于所述第二数据集得到第二智能模型,基于所述第三数据集得到第三智能模型;
基于集成学习方法原理对所述第一智能模型、所述第二智能模型和所述第三智能模型进行融合,得到所述智能预测模型。
进一步的,所述系统中的所述模型训练模块12还用于:
将所述第一智能模型和所述第二智能模型作为初级学习器,将所述第三智能模型作为元学习器,得到第一集成预测模型;
将所述第一智能模型和所述第三智能模型作为初级学习器,将所述第二智能模型作为元学习器,得到第二集成预测模型;
将所述第二智能模型和所述第三智能模型作为初级学习器,将所述第一智能模型作为元学习器,得到第三集成预测模型;
对所述第一集成预测模型、所述第二集成预测模型和所述第三集成预测模型进行预测精度检验,并根据检验结果确定所述智能预测模型。
进一步的,所述系统中的所述智能模拟模块15还用于:
获取预设特征指标;
基于所述预设特征指标对所述目标过热器管的特征信息进行采集,得到所述目标特征信息;
获取预设环境因素;
基于所述预设环境因素对所述目标过热器管的环境信息进行采集,得到所述目标环境信息;
根据所述目标特征信息和所述目标环境信息对所述第一预测结果进行模拟,得到所述目标模拟记录。
进一步的,所述系统中的所述数据分析模块16还用于:所述第一数据段是指所述目标过热器管的氧化皮脱落模拟数据。
进一步的,所述系统中的所述数据分析模块16还用于:所述第二数据段是指所述目标过热器管的器管断裂失效模拟数据。
进一步的,所述系统还包括故障预警模块,其中,所述故障预警模块用于:
剔除所述目标模拟记录中的所述目标氧化模拟数据,得到第一模拟数据;
分析所述第一模拟数据得到第一断裂模拟数据;
根据所述第一断裂模拟数据,对所述目标过热器管进行断裂故障预警。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种用于过热器管的氧化检测方法和具体实例同样适用于本实施例的一种用于过热器管的氧化检测系统,通过前述对一种用于过热器管的氧化检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于过热器管的氧化检测系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明还提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行实施例一中任一项所述的方法。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种用于过热器管的氧化检测方法,其特征在于,包括:
获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及
基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;
实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;
所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;
依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;
提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段,所述第一数据段是指所述目标过热器管的氧化皮脱落模拟数据,所述第二数据段是指所述目标过热器管的器管断裂失效模拟数据;
分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及
结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析;
其中,所述获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集,包括:
所述历史过热器管氧化记录包括M个氧化数据组,其中,M为大于1的整数;
提取所述M个氧化数据组的第一氧化数据组;以及
所述第一氧化数据组包括第一负荷数据、第一传热数据、第一氧化皮厚度;
将所述第一负荷数据、所述第一传热数据、所述第一氧化皮厚度合并得到所述训练数据集;
在所述将所述第一负荷数据、所述第一传热数据、所述第一氧化皮厚度合并得到所述训练数据集之后,包括:
获取预设划分方案;
根据所述预设划分方案对所述训练数据集进行划分,得到数据划分结果;以及
所述数据划分结果包括第一数据集、第二数据集、第三数据集;
基于所述第一数据集得到第一智能模型,基于所述第二数据集得到第二智能模型,基于所述第三数据集得到第三智能模型;
基于集成学习方法原理对所述第一智能模型、所述第二智能模型和所述第三智能模型进行融合,得到所述智能预测模型,包括:
将所述第一智能模型和所述第二智能模型作为初级学习器,将所述第三智能模型作为元学习器,得到第一集成预测模型;
将所述第一智能模型和所述第三智能模型作为初级学习器,将所述第二智能模型作为元学习器,得到第二集成预测模型;
将所述第二智能模型和所述第三智能模型作为初级学习器,将所述第一智能模型作为元学习器,得到第三集成预测模型;
对所述第一集成预测模型、所述第二集成预测模型和所述第三集成预测模型进行预测精度检验,并根据检验结果确定所述智能预测模型。
2.根据权利要求1所述氧化检测方法,其特征在于,所述依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录,包括:
获取预设特征指标;
基于所述预设特征指标对所述目标过热器管的特征信息进行采集,得到所述目标特征信息;
获取预设环境因素;
基于所述预设环境因素对所述目标过热器管的环境信息进行采集,得到所述目标环境信息;
根据所述目标特征信息和所述目标环境信息对所述第一预测结果进行模拟,得到所述目标模拟记录。
3.根据权利要求1所述氧化检测方法,其特征在于,所述第一数据段是指所述目标过热器管的氧化皮脱落模拟数据。
4.根据权利要求1所述氧化检测方法,其特征在于,所述第二数据段是指所述目标过热器管的器管断裂失效模拟数据。
5.根据权利要求1所述氧化检测方法,其特征在于,还包括:
剔除所述目标模拟记录中的所述目标氧化模拟数据,得到第一模拟数据;
分析所述第一模拟数据得到第一断裂模拟数据;
根据所述第一断裂模拟数据,对所述目标过热器管进行断裂故障预警。
6.一种用于过热器管的氧化检测系统,其特征在于,所述氧化检测系统包括:
数据组建模块,其用于获取历史过热器管氧化记录,并利用所述历史过热器管氧化记录中的数据组建训练数据集;以及
模型训练模块,其用于基于所述训练数据集训练得到智能预测模型,其中,所述智能预测模型用于对目标过热器管的目标氧化皮厚度进行预测;
信息采集模块,其用于实时采集所述目标过热器管的目标实时信息,其中,所述目标实时信息包括目标实时负荷数据、目标实时传热数据;
模型预测模块,其用于所述智能预测模型对所述目标实时负荷数据和所述目标实时传热数据进行分析,得到所述目标氧化皮厚度的第一预测结果;
智能模拟模块,其用于依次获取所述目标过热器管的目标特征信息和目标环境信息,并结合所述第一预测结果进行器管工况模拟,得到目标模拟记录;
数据分析模块,其用于提取所述目标模拟记录中的目标氧化模拟数据,其中,所述目标氧化模拟数据包括第一数据段、第二数据段,所述第一数据段是指所述目标过热器管的氧化皮脱落模拟数据,所述第二数据段是指所述目标过热器管的器管断裂失效模拟数据;
检修决策模块,其用于分析所述第一数据段生成目标检修决策,并得到目标检修结果;以及
失效分析模块,其用于结合所述第二数据段和所述目标检修结果,对所述目标过热器管进行氧化失效分析;
数据组建模块还用于:
所述历史过热器管氧化记录包括M个氧化数据组,其中,M为大于1的整数;
提取所述M个氧化数据组的第一氧化数据组;以及
所述第一氧化数据组包括第一负荷数据、第一传热数据、第一氧化皮厚度;
将所述第一负荷数据、所述第一传热数据、所述第一氧化皮厚度合并得到所述训练数据集;
模型训练模块还用于:
获取预设划分方案;
根据所述预设划分方案对所述训练数据集进行划分,得到数据划分结果;以及
所述数据划分结果包括第一数据集、第二数据集、第三数据集;
基于所述第一数据集得到第一智能模型,基于所述第二数据集得到第二智能模型,基于所述第三数据集得到第三智能模型;
基于集成学习方法原理对所述第一智能模型、所述第二智能模型和所述第三智能模型进行融合,得到所述智能预测模型;
将所述第一智能模型和所述第二智能模型作为初级学习器,将所述第三智能模型作为元学习器,得到第一集成预测模型;
将所述第一智能模型和所述第三智能模型作为初级学习器,将所述第二智能模型作为元学习器,得到第二集成预测模型;
将所述第二智能模型和所述第三智能模型作为初级学习器,将所述第一智能模型作为元学习器,得到第三集成预测模型;
对所述第一集成预测模型、所述第二集成预测模型和所述第三集成预测模型进行预测精度检验,并根据检验结果确定所述智能预测模型。
7.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291592.6A CN116796621B (zh) | 2023-03-23 | 2023-03-23 | 一种用于过热器管的氧化检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291592.6A CN116796621B (zh) | 2023-03-23 | 2023-03-23 | 一种用于过热器管的氧化检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116796621A CN116796621A (zh) | 2023-09-22 |
CN116796621B true CN116796621B (zh) | 2023-12-12 |
Family
ID=88033408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310291592.6A Active CN116796621B (zh) | 2023-03-23 | 2023-03-23 | 一种用于过热器管的氧化检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796621B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001082702A (ja) * | 1999-09-13 | 2001-03-30 | Babcock Hitachi Kk | ボイラ水壁管の過熱損傷診断方法 |
JP2005156086A (ja) * | 2003-11-28 | 2005-06-16 | Mitsubishi Heavy Ind Ltd | スケール状態予測方法、ボイラ伝熱管状態予測方法、及びその装置 |
CN112580187A (zh) * | 2020-11-10 | 2021-03-30 | 广东电网有限责任公司广州供电局 | 干式变压器过热预警方法、装置、计算机设备、存储介质 |
CN114321875A (zh) * | 2020-11-18 | 2022-04-12 | 上海发电设备成套设计研究院有限责任公司 | 锅炉受热面氧化皮的监测方法、系统、存储介质及服务端 |
CN114578015A (zh) * | 2022-04-12 | 2022-06-03 | 安徽龙磁金属科技有限公司 | 一种软磁铁氧体智能化质量检测方法 |
CN115600739A (zh) * | 2022-10-17 | 2023-01-13 | 润电能源科学技术有限公司(Cn) | 一种锅炉过热器、再热器氧化皮预测方法及系统 |
-
2023
- 2023-03-23 CN CN202310291592.6A patent/CN116796621B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001082702A (ja) * | 1999-09-13 | 2001-03-30 | Babcock Hitachi Kk | ボイラ水壁管の過熱損傷診断方法 |
JP2005156086A (ja) * | 2003-11-28 | 2005-06-16 | Mitsubishi Heavy Ind Ltd | スケール状態予測方法、ボイラ伝熱管状態予測方法、及びその装置 |
CN112580187A (zh) * | 2020-11-10 | 2021-03-30 | 广东电网有限责任公司广州供电局 | 干式变压器过热预警方法、装置、计算机设备、存储介质 |
CN114321875A (zh) * | 2020-11-18 | 2022-04-12 | 上海发电设备成套设计研究院有限责任公司 | 锅炉受热面氧化皮的监测方法、系统、存储介质及服务端 |
CN114578015A (zh) * | 2022-04-12 | 2022-06-03 | 安徽龙磁金属科技有限公司 | 一种软磁铁氧体智能化质量检测方法 |
CN115600739A (zh) * | 2022-10-17 | 2023-01-13 | 润电能源科学技术有限公司(Cn) | 一种锅炉过热器、再热器氧化皮预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
过热器爆管分析及智能风险评估系统研究;冯亦武等;电子世界(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116796621A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045594B (zh) | 一种用于锅炉四管状态风险预测的智能管控系统及方法 | |
CN104808634A (zh) | 一种基于虚拟现实的火电厂可视化管理系统 | |
WO2014208227A1 (ja) | ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。 | |
Lipowsky et al. | Application of Bayesian forecasting to change detection and prognosis of gas turbine performance | |
KR20180095576A (ko) | 플랜트 분석 장치, 플랜트 분석 방법, 및 프로그램 | |
EP3229156B1 (en) | Predicting cracking in cooled metal or alloy components | |
WO2007038533A2 (en) | System to predict corrosion and scaling, program product, and related methods | |
CN110909505B (zh) | 核电厂疲劳监测和寿命评估系统的瞬态温度场计算方法 | |
EP3696693A1 (en) | Method and apparatus for monitoring state of device in process industry and medium | |
CN116796621B (zh) | 一种用于过热器管的氧化检测方法及系统 | |
JP2016177676A (ja) | 診断装置、診断方法、診断システムおよび診断プログラム | |
CN117079442A (zh) | 基于数据分析的化工园区危化气体泄漏扩散监测系统 | |
Zhou et al. | Reliability assessment based on multisource information fusion method for high pressure natural gas compressors | |
KR101656672B1 (ko) | 크리프와 감육을 고려한 보일러 튜브의 위험도 평가 방법 | |
CN101825273B (zh) | 炉外高温承压部件剩余日历寿命在线监控装置及方法 | |
Douglas | The maintenance revolution | |
CN114429003A (zh) | 锅炉四管寿命预测方法的系统 | |
JP2008267351A (ja) | 発電装置の監視方法及びシステム | |
JP2002156325A (ja) | 金属部材の表面き裂深さ解析方法 | |
CN114036758A (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 | |
KR101958626B1 (ko) | 증기 발생기의 균열 탐지 장치 및 방법 | |
WO2011148431A1 (ja) | プラント診断装置及びこれを用いた診断方法 | |
CN113836821B (zh) | 一种锅炉水冷壁拉裂在线预测方法 | |
Furtado et al. | Remaining life evaluation of power plant based on strain deformation monitoring and computational diagnosis | |
CN117191864A (zh) | 一种对流受热管材沾污状态确定方法、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |