CN1216268C - 在线测量冷凝器污脏程度方法及装置 - Google Patents

Abstract

一种在线测量冷凝器污脏程度方法，其特征在于它是通过对冷凝器进行彻底清洗后，首先测定某一给定工况的传热端差，然后改变工况运行，再测定上述传热端差，得到两者之间的变化端差值；将该变化的传热端差值减去通过模糊建模法所得到的变工况端差值，再除以给定工况时传热端差值，以得到污脏系数，从而测出冷凝器的污脏程度。其装置包括多个传感器、信号调理电路、多路开关、DSP，各传感器与信号调理电路和多路开关相接，同时与DSP相联，LED显示、键盘、通讯接口与DSP相接。本发明选取传热端差作为研究对象，综合考虑各因素对端差的的影响，以模糊建模技术为基础成功实现了冷凝器污脏以及工况参数变化对端差影响的分离，可准确地在线监测冷凝器污脏。

Description

在线测量冷凝器污脏程度方法及装置

技术领域：

本发明涉及冷凝器换热管，具体涉及一种测量冷凝器换热管污脏程度的方法及由该方法所设计的装置。

背景技术：

冷凝器是电力、石化等行业的大型换热设备，其作用是将汽轮机做功后的低温蒸汽凝结为水，以提高热力循环的效率。冷凝器运行时，冷却水从前水室的下半部分进来，通过冷却水管(换热管)进入后水室，向上折转，再经上半部分冷却水管流向前水室，最后排出。低温蒸汽则由进汽口进来，经过冷却水管之间的缝隙往下流动，向管壁放热后凝结为水。在此工作过程中，由于冷却水质的不洁净(冷却水直接取自江，河，湖，海)，热交换时发生化学反应等原因，致使铜管内壁积聚了一些不利于传热的固态混合物(称之为污垢)，污垢的存在，降低了换热面的传热能力，使汽轮机效率降低。因此，必须进行清洗。如何定量地测定冷凝器的污脏程度，以便为冷凝器的及时清洗提供依据，是许多学者都在探讨的问题。目前，已提出的方法大致有如下几种：

(1)通过测量污垢热阻来判断冷凝器污脏程度；

(2)通过测量冷凝器出、入口水室之间的水流阻力来判断冷凝器污脏程度；

(3)通过计算传热系数来判断冷凝器污脏程度。

上述方法中测量污垢热阻能较准确地测定冷凝器的污脏程度，但须在换热管上埋设铠装热偶以检测管壁温度，冷凝器换热管数量众多，工程上较难实现；测量冷凝器出、入口水室之间的水流阻力可反映污垢的数量，但没有体现出污垢的导热性质，用该方法确定冷凝器污脏程度显然不够准确；传热系数的计算体现了冷凝器的换热性能，但目前计算传热系数均采用传统的经验公式，而且未考虑蒸汽中不凝结气体(空气)对传热效果的影响，当冷凝器变工况运行时，存在较大误差。

发明内容：

本发明所要解决的技术问题是怎样快捷、准确地测定冷凝器的污脏程度，以便为冷凝器的及时清洗提供依据。

本发明针对现有监测冷凝器换热管污脏方法的不足，提出了一种可准确地在线测定冷凝器污脏程度的新方法，其特征在于它是通过对冷凝器进行彻底清洗后，首先通过传感器以及与其相连接的信号调理电路、多路开关和DSP测定某一给定工况的传热端差，此端差即为清洁状态下该工况所对应的端差，然后改变工况运行，再测定上述传热端差，得到两者之间的变化端差值；将该变化的传热端差值减去通过模糊建模法所得到的变工况端差值，再除以给定工况时传热端差值，以得到污脏系数，从而测出冷凝器的污脏程度。其中模糊建模法采用T-S模型辨识获得规则简化、精度高的模糊模型，它包括下述步骤：(1)获取输入、输出测量数据，构成数据矩阵，采用具有相似度判别的模糊GK聚类法，自动确定合适的聚类组数，并求取前提模糊子集的隶属函数；(2)采用最小二乘法求取结论参数；(3)采用遗传算法优化全局参数。本发明根据上述方法所设计的装置包括可测定蒸汽流量D_c、冷却水流量D_w、冷却水入口温度t_wi、冷凝器压力所对应的饱和蒸汽温度t_s、冷却水出口温度t_wo、汽气混合物在测量处的温度t_p、汽气混合物在测量温度处的压力p之传感器、信号调理电路、多路开关、DSP，各传感器与信号调理电路和多路开关相接，同时与DSP相联，LED显示、键盘、通讯接口亦与DSP相接。

本发明选取传热端差作为研究对象，综合考虑各因素对端差的的影响，以模糊建模技术为基础成功实现了冷凝器污脏以及工况参数变化对端差影响的分离，可准确地在线监测冷凝器污脏。由于测量装置所需的许多信号，如蒸汽流量、冷却水入口温度等现场已具备，可直接或以通信方式引入，因此，测量装置成本低，安装简便，还可适用于其他行业的大型换热设备，具有良好的应用前景。

附图说明：

图1为本发明装置结构框图；

图2为前提变量模糊集合的隶属函数图。

具体实施方式：

本发明针对目前现有技术中三种检测方法的不足而提出的一种新的方法，该方法以传热端差作为反映冷凝器热交换状况的重要性能指标，综合考虑各因素对端差的影响，运用模糊建模方法实现冷凝器污脏、工况参数变化对端差影响的分离，以准确地在线监测冷凝器污脏。其特征在于它是通过对冷凝器进行彻底清洗后，首先测定某一给定工况的传热端差，此端差即为清洁状态下该工况所对应的端差，然后改变工况运行，再测定上述传热端差，得到两者之间的变化端差值；将该变化的传热端差值减去通过模糊建模法所得到的变工况端差值，再除以给定工况时传热端差值，以得到污脏系数，从而测出冷凝器的污脏程度。

传热端差是反映冷凝器热交换状况的重要性能指标，与传热系数相比，该参数容易测量，能够连续观察其变化而积累数据。但传热端差除了主要取决于换热面的污脏程度外，还与冷凝器的工况参数如：蒸汽流量、冷却水量等密切相关，因此，如何从众多参数中分离出换热面污脏对端差的影响，成为准确测定冷凝器污脏程度的关键。

下面给出本发明具体实施方法。

首先，将传热端差定义为：δ_t＝t_s-t_wo    (1)

上述式中：δ_t——冷凝器的传热端差

          t_s——冷凝器压力所对应的饱和蒸汽温度

          t_wo——冷却水出口温度

当冷凝器的冷却面积一定时，分析换热过程，可知δ_t能表示为：

δ_t＝f(D_c，D_w，c，ε，t_wi)        (2)

式中D_c：蒸汽流量；D_w：冷却水流量；c：冷凝器的污脏系数；

    ε：蒸汽中不凝结气体(空气)的含量；t_wi：冷却水入口温度

设冷凝器被彻底清洗后，在某一给定的蒸汽流量D_c、冷却水流量D_w、冷却水入口温度t_wi、空气含量ε下，测得的端差为δ_td，δ_td可看作清洁状态下该工况对应的端差。改变工况并运行一段时间，设测得的端差为δ_tf，显然δ_td、δ_tf的差值：Δδ＝δ_tf-δ_td既有换热面污脏引起的，也有因工况参数变化而引起的，表示为：

Δδ＝Δδ_c+Δδ_g                  (3)

式中Δδ_c：换热面污脏引起的端差变化，称之为污垢端差。

    Δδ_g：变工况引起的端差变化，称之为变工况端差。

定义污脏系数：

$c=\frac{\mathrm{\Δ}{\mathrm{\δ}}_c}{{\mathrm{\δ}}_{\mathrm{td}}}=\frac{\mathrm{\Δ\δ}-\mathrm{\Δ}{\mathrm{\δ}}_g}{{\mathrm{\Δ}}_{\mathrm{td}}}---\left(4\right)$

由上式可看出，要确定c，须求出Δδ_g。由于Δδ_g＝f(ΔD_s，ΔD_w，Δt_wi，Δε)描述的是一非常复杂的传热过程，其精确数学模型很难获取。

本发明采用T-S模糊模型来获取Δδ_g的数学模型，它是基于输入、输出测量数据的建模方法，能在任意精度上逼近任意非线性函数，与神经网络相比，其模型结构具有较明确的物理意义，可用于复杂系统建模。不同辨识算法获取的模糊模型在结构与精度等方面均有差异，为了构建规则简化的、具有良好逼近能力的过程模型，本发明采用了基于相似度判别的模糊聚类法，并通过遗传算法优化模型参数，从而建立起规则简化、精度高的变工况端差模型，实现冷凝器污脏程度的准确测量。

本发明T-S模型的建模：

变工况端差Δδ_g＝f(x)，x＝(x₁，Λ，x₄)＝(ΔD_s，ΔD_w，Δt_wi，Δε)，可由T-S模糊模型来逼近，模糊模型的第i条规则形式如下：

R_i：if x₁ is A_i1 and…and x₄ is A_i4

则：Δδ_g ⁱ＝p_i1x₁+Λp_i4x₄+p_i5               (5)

式中：i＝1，ΛM，M：规则数，A_i1～A_i4为前件中的模糊集合，p_i1～p_i5为后件中的多项式系数，则总的输出：

$\mathrm{\Δ}{\mathrm{\δ}}_g=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\β}}_i{\mathrm{\Δ\δ}}_g^i---\left(6\right)$

其中，β_i为第i条规则的归一化真值：

${\mathrm{\β}}_i\left(x\right)=\frac{\underset{j=1}{\overset{4}{\mathrm{\Π}}}{A}_{\mathrm{ij}}\left(x_j\right)}{{\mathrm{\Σ}}_{k=1}^M\underset{j=1}{\overset{4}{\mathrm{\Π}}}{A}_{\mathrm{kj}}\left(x_j\right)}$ 且0≤β_i≤1  (7)

T-S模型的辨识：

T-S模型辨识包括前提模糊集合隶属函数参数辨识和结论部分多项式系数预估两部分。为了获得规则简化的、具有较高精度的模糊模型，采用以下步骤的辨识算法：

1、获取输入、输出测量数据，构成数据矩阵，采用具有相似度判别的模糊GK聚类法，自动确定合适的聚类组数，并求取前提模糊子集的隶属函数。

定义： $X=\left[\begin{array}{c}\mathrm{\Λ}\\ x\left(k\right)\\ \mathrm{\Λ}\\ x\left(N\right)\end{array}\right],$ $y=\left[\begin{array}{c}\mathrm{\Λ}\\ {\mathrm{\Δ\δ}}_g\left(k\right)\\ \mathrm{\Λ}\\ {\mathrm{\Δ\δ}}_g\left(N\right)\end{array}\right]---\left(8\right)$

X：输入数据矩阵，y：输出矢量

则用于聚类的数据矩阵Z可由矩阵X和输出矢量y构成：Z^T＝[Xy]

模糊聚类的目的是将Z划分为M个聚类组，并求出每组的聚类中心，使得非相似性指标的价值函数达到最小。聚类组可由隶属矩阵U＝[μ_ik]_MxN表示。μ_ik为第k个数据对聚类组i的隶属度，满足：μ_ik∈[0，1]， $\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}=1,$ $0<\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ik}}<N,$ 1≤k≤N，1≤i≤M                (9)

模糊聚类中，每一个聚类组产生一条模糊规则，因此，聚类组的数目直接影响模型的性能。常规的模糊C均值聚类算法、GK(Gustafson-Kessel)聚类算法，在应用时均须预先设定聚类组数，聚类组过多，导致规则繁杂，计算量大，不利于实时应用，而且由聚类组产生的模糊集合容易出现冗余，影响模糊模型的透明性。聚类组太少则会降低模型精度。为了克服这一现象，本发明提出基于相似度判别的模糊聚类算法：

设(i，j)为一聚类组对，j包含于i的程度I_ij以及i包含于j的程度I_ji分别表示为：

$I_{\mathrm{ij}}=\frac{{\mathrm{\&Sigma;}}_{k=1}^N\min ({\mathrm{\&mu;}}_{\mathrm{ik}},{\mathrm{\&mu;}}_{\mathrm{jk}})}{{\mathrm{\&Sigma;}}_{k=1}^N{\mathrm{\&mu;}}_{\mathrm{ik}}}$

$I_{\mathrm{ji}}=\frac{{\mathrm{\&Sigma;}}_{k=1}^N\min ({\mathrm{\&mu;}}_{\mathrm{ik}},{\mathrm{\&mu;}}_{\mathrm{jk}})}{{\mathrm{\&Sigma;}}_{k=1}^N{\mathrm{\&mu;}}_{\mathrm{jk}}}---\left(10\right)$

则该聚类组对的相似度S_ij定义为：

S_ij＝max(I_ij，I_ji)  S_ij∈[0，1]        (11)

若S_ij＝1，表示j完全包含于i中，反之亦然。

聚类开始时，预先设定较多的聚类组数，在聚类过程中，不断计算并选择具有最大相似度的聚类组对，当最大相似度超过某一阈值α，即将对应的聚类组合并，直至获得最佳聚类组数。

模糊C均值法采用欧氏距离进行聚类，只能得到球状的类，若实际的样品集合呈现为一些椭球状或链状的类，则这种方法难以取得满意的结果。为此，我们采用自调整距离度量的GK算法。具有相似度判别的GK模糊聚类算法步骤如下：

(1)给定数据集Z，选择初始聚类组数目M⁽⁰⁾，模糊指数m＞1，终止量ξ＞0，随机初始化隶属度矩阵U⁽⁰⁾。(l＝1，2，...，1≤k≤N)

(2)计算聚类中心：

$v_i^{\left(l\right)}=\frac{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m{z}_k}{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m},1\&le;i\&le;M^{(l-1)}$

(3)计算协方差矩阵：

$F_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m(z_k-v_i^{\left(l\right)})(z_k-v_i^{\left(l\right)}{)}^T}{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m},1\&le;i\&le;M^{(l-1)}$

(4)计算距离：

$d^2(z_k,v_i)={(z_k-v_i^{\left(l\right)})}^T\left[\det {\left(F_i\right)}^{1/n}{F}_i^{-1}\right](z_k-v_i^{\left(l\right)}),1\&le;i\&le;M^{(l-1)}$

(5)更新隶属矩阵：

${\mathrm{\&mu;}}_{\mathrm{ik}}^{\left(l\right)}=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^K{(d(z_k,v_i)/d(z_k,v_j)}^{2/(m-1)}},1\&le;i\&le;M^{(l-1)}$

(6)计算并选择具有最大相似度的聚类组对(i^*，j^*).

根据I_ji和S_ij算式，求得S_ij ^(l)，最大相似度为： $S_{i^{*}{j}^{*}}^{\left(l\right)}=\max \left(S_{\mathrm{ij}}^{\left(l\right)}\right),1\&le;i,j{\&le;M}^{(l-1)}$

(7)最大相似度超过某一阈值α，合并对应的聚类组，同时，聚类组数减1。

若 $S_{i^{*}{j}^{*}}^{\left(l\right)}>\mathrm{\&alpha;},$ 则： ${\mathrm{\&mu;}}_{i^{*}k}^{\left(l\right)}:=({\mathrm{\&mu;}}_{i^{*}k}^{\left(l\right)}+{\mathrm{\&mu;}}_{j^{*}k}^{\left(l\right)})$

M^(l)＝M^(l-1)-1

(8)若‖U^(l)-U^(l-1)‖＜ε成立，则算法停止，否则，返回步骤2。

将求得的隶属矩阵向输入变量x_j(k)(j＝1，Λ4)逐点投影：

${\mathrm{\&mu;}}_{A_i}\left(x_j\left(k\right)\right)=\mathrm{pro}{j}_j\left({\mathrm{\&mu;}}_{\mathrm{ik}}\right)---\left(12\right)$

式中，proj是逐点投影算点。

(9)将逐点投影所得到的曲线由分段指数函数、三角函数等参数函数逼近。本发明根据实际投影所得曲线的特点，采用梯形函数：

$\mathrm{\&mu;}(x;a,b,c,d)=\max (\min (\frac{x-a}{b-a},1,\frac{d-x}{d-c}),0),a<b\&le;c<d---\left(13\right)$

从而获得了对应的前提模糊子集的隶属函数。

2、采用最小二乘法求取结论参数。

设第i条规则的结论参数表示为θ_i＝(p_i1，Λ，p_i5)

定义X_e＝[X1]

${\mathrm{\&Phi;}}_i=\left[\begin{array}{cccc}{\mathrm{\&mu;}}_{i1}& 0& \mathrm{\&Lambda;}& 0\\ 0& {\mathrm{\&mu;}}_{i2}& \mathrm{\&Lambda;}& 0\\ M& M& O& M\\ 0& 0& \mathrm{\&Lambda;}& {\mathrm{\&mu;}}_{\mathrm{iN}}\end{array}\right]---\left(14\right)$

采用最小二乘法，可求得：

${\mathrm{\&theta;}}_i=[{X_e}^T{\mathrm{\&phi;}}_i{X}_e{]}^{-1}{X_e}^T{\mathrm{\&phi;}}_{i}y---\left(15\right)$

3、采用遗传算法优化全局参数。

在上述辨识算法中，聚类组向输入变量投影，对模糊集合的参数函数逼近，前提、结论参数的单独辨识均可能引入一定误差。为此，采用遗传算法同时优化前提、结论参数，以达到进一步改善模型精度的目的。

遗传算法主要包括编码，适应度计算，复制，交换，变异，终止条件等方面的内容。

(1)编码方案

二进制编码是最常用的一种编码方案，但当应用于求解多变量且要求具有高精度的参数优化问题时，用于编码的二进制字符串很长，导致遗传算法训练的解空间过大，需要很长时间才能得到最优解，为此，本发明采用实数编码方案。

模糊模型的各参数用染色体表示，每一条模糊规则含有4个前提变量，5个结论参数，第l条染色体的结构如下所示：

s_l＝(ant₁，Λ，ant_M，θ₁，Λ，θ_M)        (16)

式中，ant_i＝(a_i1，b_i1，c_i1，d_i1，Λ，a_i4，b_i4，c_i4，d_i4)为第i条模糊规则的前提参数，θ_i为第i条模糊规则的结论参数，染色体长度：L＝M(4*4+5)。

(2)适应度函数

模型性能指标表示为： $J=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}(y_k-\widehat{y_k})---\left(17\right)$

y_k为实际输出，

为模型输出。

适应度函数定义为： $f=\frac{1}{J^2}---\left(18\right)$

(3)复制：采用轮盘选择法选择复制个体，其选择概率为： $p_l=f_l/\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_k,$ 其中n为群体规模，并采用精英原则保存一定数量的优良个体。

(4)交换：采用轮盘选择法，按适应度大小选择被交换的个体，依次两两进行交换，交换概率：P_C＝0.6。设(s_v，s_w)为参与交换的染色体对，采用如下交换算子：

$s_v^{t+1}=r.\left(s_v^t\right)+(1-r)s_w^t$

$s_w^{t+1}=r.\left(s_w^t\right)+(1-r)s_v^t---\left(19\right)$

式中，t为遗传代次(t＝0，1，…，T)，r为随机数r∈[0，1]，

(5)变异：在染色体中任选一元素v_k，将其用随机数v_k′替代， $v_k^{\&prime;}\&Element;{[v}_k^{\min },v_k^{\max }],$ v_k ^min，v_k ^max为该数的最小、最大值。所得染色体为： $s_v^{t+1}=(v_1,\mathrm{\&Lambda;},v^{\&prime;},\mathrm{\&Lambda;},v_m),$ 变异概率：P_m＝0.05。

(6)终止条件：

将适应度计算，复制，交换，变异等步骤重复进行，直至最优个体的适应度变化量小于一足够小的值η。此时获得的即为最优的前提、结论参数。

由以上辨识步骤，即可获得规则简化的、具有较高精度的模糊模型。

本发明根据上述方法发明了可监测冷凝器污脏程度的装置，其硬件结构如图1所示，其特征在于它包括可测定蒸汽流量D_c、冷却水流量D_w、冷却水入口温度t_wt、冷凝器压力所对应的饱和蒸汽温度t_s、冷却水出口温度t_wo、汽气混合物在测量处的温度t_p、汽气混合物在测量温度处的压力p之传感器、信号调理电路、多路开关、DSP，各传感器与信号调理电路和多路开关相接，同时与DSP相联，LED显示、键盘、通讯接口亦与DSP相接。本发明装置以DSP为核心，实时采集各有关参数，计算出污脏系数并作动态显示。其中空气含量可按如下方法求得：

在冷凝器抽气设备的出口处测量汽水混合物的压力，并同时测出汽水混合物的温度，则汽水混合物中的空气含量由下式得出：

$\mathrm{\&epsiv;}=\frac{p-p_s}{p-0.378p_s}---\left(20\right)$

式中p_s：汽气混合物出口温度相对应的水蒸气饱和压力，可查表求得。

本发明软件采用模块结构，主要包括：数据采集、处理模块；模糊模型计算模块；显示模块；通讯模块。

实验结果：

为了验证该方法的有效性，进行了现场试验，试验对象为N-3500-2型冷凝器。

1)模糊模型的获取

在保持凝汽器清洁的情况下，以D_c＝135t/h，D_w＝9400t/h，t_wi＝15℃，ε＝0.015％作为设定工况，获取凝汽器在不同工况下的试验数据，构成聚类矩阵。应用上述辨识算法，得到由5条规则构成的模糊模型，如下所示：

R₁：if ΔD_c is A₁₁ and ΔD_w is A₁₂ and Δt_wi is A₁₃ and Δε is A₁₄

$\mathrm{then\&Delta;}{\mathrm{\&delta;}}_g^1=0.0334\mathrm{\&Delta;}{D}_c+0.00011\mathrm{\&Delta;}{D}_w-0.228\mathrm{\&Delta;}{t}_{\mathrm{wi}}+19.9\mathrm{\&Delta;\&epsiv;}+0.254$

R₂：if ΔD_c is A₂₁ and ΔD_w is A₂₂ and Δt_wi is A₂₃ and Δε is A₂₄

$\mathrm{then\&Delta;}{\mathrm{\&delta;}}_g^2=0.041\mathrm{\&Delta;}{D}_c+0.00026\mathrm{\&Delta;}{D}_w-0.195\mathrm{\&Delta;}{t}_{\mathrm{wi}}+30.2\mathrm{\&Delta;\&epsiv;}-0.136$

R₃：if ΔD_c is A₃₁ and ΔD_w is A₃₂ and Δt_wi is A₃₃ and Δε is A₃₄

$\mathrm{then\&Delta;}{\mathrm{\&delta;}}_g^3=0.0445\mathrm{\&Delta;}{D}_c+0.00047\mathrm{\&Delta;}{D}_w-0.132\mathrm{\&Delta;}{t}_{\mathrm{wi}}+56.6\mathrm{\&Delta;\&epsiv;}-0.17$

R₄：if ΔD_c is A₄₁ and ΔD_w is A₄₂ and Δt_wi is A₄₃ and Δε is A₄₄

$\mathrm{then\&Delta;}{\mathrm{\&delta;}}_g^4=0.0426\mathrm{\&Delta;}{D}_c+0.00061\mathrm{\&Delta;}{D}_w-0.064\mathrm{\&Delta;}{t}_{\mathrm{wi}}+103.2\mathrm{\&Delta;\&epsiv;}-0.51$

R₅：if ΔD_c is A₅₁ and ΔD_w is A₅₂ and Δt_wi is A₅₃ and Δε is A₅₄

$\mathrm{then\&Delta;}{\mathrm{\&delta;}}_g^5=0.0346\mathrm{\&Delta;}{D}_c+0.00073\mathrm{\&Delta;}{D}_w-0.023\mathrm{\&Delta;}{t}_{\mathrm{wi}}+176.5\mathrm{\&Delta;\&epsiv;}+0.47---\left(21\right)$

前提变量模糊集合的隶属函数如图2所示。

表1为部分工况下，模糊模型输出与实测数据的比较结果：

表1  不同工况下，模糊模型输出与实测数据的比较结果

蒸汽流量Dc(t/h)13581.654.1188.5108.2108.281.6161.3

冷却水量Dw(t/h)9400940094009400123501235068006800

入口水温twi(℃)15.010.25.520.822.217.47.813.3

空气漏入量ε(％)0.0150.0150.0150.0540.0330.0750.0150.015

实测端差(℃)6.14.84.410.36.812.15.06.3

模型输出端差(℃)6.14.74.310.36.712.25.06.4

误差(℃)0-0.1-0.10-0.10.100.1

从比较的结果可以看出，模糊模型输出与实测端差基本一致，表明基于T-S模型的模糊建模技术能够获得规则简化的、具有良好逼近能力的过程模型。

2)污脏程度的在线监测

模糊模型确定后，即可进行在线监测，为了验证该方法的准确性，在冷凝器的不同位置埋设了12只铠装热偶，以便与热阻法进行比较。试验分为两个部分：

(1)将冷凝器彻底清洗，求取清洗后24小时的污脏系数变化。

(2)重新投运清洗装置，求取清洗时的污脏系数变化。

试验结果如下表所示。其中，表2为停运清洗装置后，冷凝器的污脏系数变化情况；表3为重新投运清洗装置后，冷凝器的污脏系数变化情况。D_w＝9400t/h，ε＝0.015％在试验过程中保持不变。清洁状态时，在设定工况下测得的端差为：δ_td＝6.1℃。

表2  停运清洗装置后，冷凝器的污脏系数变化情况

距清洗后时间(h)024681012141618202224

蒸汽流量Dc(t/h)108.2108.2108.2108.2108.2108.2108.2108.2108.2135.0135.0135.0135.0

入口水温twi(℃)13.513.512.812.312.011.611.111.110.911.712.313.114.2

出口水温two(℃)23.523.522.622.121.721.320.720.620.423.123.724.425.5

蒸汽温度ts(℃)29.029.429.329.129.028.828.428.328.331.832.332.933.8

端差δtf(℃)5.55.96.77.07.37.57.77.77.98.78.68.58.3

污垢端差Δδc(℃)0.020.461.121.371.571.711.791.851.921.931.981.992.03

污脏系数本文方法 热阻法0.003    0.0000.075    0.0630.184    0.1660.225    0.2250.257    0.2650.28     0.2820.293    0.2850.303    0.3180.315    0.3270.316    0.3310.325    0.3390.326    0.3390.333    0.341

表3  重新投运清洗装置后，冷凝器的污脏系数变化情况

清洗时间(h)0.00.51.01.52.02.53.03.5

蒸汽流量Dc(t/h)135.0135.0135.0135.0135.0135.0135.0135.0

入口水温twi(℃)14.214.314.214.114.014.013.813.8

出口水温two(℃)25.525.825.925.925.925.925.725.7

蒸汽温度ts(℃)33.833.332.932.532.332.332.132.1

端差δtf(℃)8.37.57.06.66.46.46.46.4

污垢端差Δδc(℃)2.031.260.670.330.120.050.030.03

污脏系数本文方法  热阻法0.333   0.3410.207   0.2230.11    0.1160.054   0.0530.02    0.0270.008   0.0050.005   0.0040.005   0.005

从表2、表3可以看出，由本发明方法求得的污脏系数与热阻法基本一致，而且污脏系数的变化趋势符合冷凝器换热管污垢的积聚与清洗特性，表明用该方法求得的污脏系数能够判断冷凝器的污脏程度。

Claims (5)

1、一种在线测量冷凝器污脏程度方法，其特征在于它是通过对冷凝器进行彻底清洗后，首先通过传感器以及与其相连接的信号调理电路、多路开关和DSP测定某一给定工况的传热端差，然后改变工况运行，再测定上述传热端差，得到两者之间的变化端差值；将该变化的传热端差值减去通过模糊建模法所得到的变工况端差值，再除以给定工况时传热端差值，以得到污脏系数，从而测出冷凝器的污脏程度。

2、根据权利要求1所述的在线测量冷凝器污脏程度方法，其特征在于所述模糊建模法采用T-S模型辨识获得规则简化的模糊模型，它包括下述步骤：

(1)获取输入、输出测量数据，构成数据矩阵，采用具有相似度判别的模糊GK聚类法，自动确定合适的聚类组数，并求取前提模糊子集的隶属函数；

(2)采用最小二乘法求取结论参数；

(3)采用遗传算法优化全局参数。

3、根据权利要求2所述的在线测量冷凝器污脏程度方法，其特征在于具有相似度判别的GK模糊聚类算法包括下述步骤：

(1)给定数据集Z，选择初始聚类组数目M⁽⁰⁾，模糊指数m＞1，终止量ξ＞0，随机初始化隶属度矩阵U⁽⁰⁾(l＝1，2，...，1≤k≤N)；

(2)计算聚类中心：

$v_i^{\left(l\right)}=\frac{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m{z}_k}{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m},1\&le;i\&le;M^{(l-1)}$

式中：μ_ik为第k个数据对聚类组i的隶属度；

(3)计算协方差矩阵：

$F_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m(z_k-v_i^{\left(l\right)}){(z_k-v_i^{\left(l\right)})}^T}{{\mathrm{\&Sigma;}}_{k=1}^N{\left({\mathrm{\&mu;}}_{\mathrm{ik}}^{(l-1)}\right)}^m},1\&le;i\&le;M^{(l-1)}$

(4)计算距离：

$d^2(z_k,v_i)={(z_k-v_i^{\left(l\right)})}^T\left[\det {\left(F_i\right)}^{1/n}{F}_i^{-1}\right](z_k-v_i^{\left(l\right)}),1\&le;i\&le;M^{(l-1)}$

(5)更新隶属矩阵：

${\mathrm{\&mu;}}_{\mathrm{ik}}^{\left(l\right)}=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^K(d(z_k,v_i)/d{(z_k,v_j)}^{2/(m-1)}},1\&le;i\&le;M^{(l-1)}$

(6)计算并选择具有最大相似度的聚类组对(i^*，j^*).

$S_{i^{*}{j}^{*}}^{\left(l\right)}=\max \left(S_{\mathrm{ij}}^{\left(l\right)}\right),1\&le;i,j\&le;M^{(l-1)}$

(7)最大相似度超过某一阈值α，合并对应的聚类组，同时，聚类组数减1；

${\mathrm{\&mu;}}_{i^{*}k}^{\left(l\right)}:=({\mathrm{\&mu;}}_{i^{*}k}^{\left(l\right)}+{\mathrm{\&mu;}}_{j^{*}k}^{\left(l\right)})$

                M^(l)＝M^(l-1)-1

(8)将求得的隶属矩阵向输入变量x_j(k)(j＝1，Λ4)逐点投影：

${\mathrm{\&mu;}}_{A_i}\left(x_j\left(k\right)\right)={\mathrm{proj}}_j\left({\mathrm{\&mu;}}_{\mathrm{ik}}\right)$

式中，proj是逐点投影算点；

(9)：将逐点投影所得到的曲线用梯形函数逼近：

$\mathrm{\&mu;}(x;a,b,c,d)=\max (\min (\frac{x-a}{b-a},1,\frac{d-x}{d-c}),0),a<b\&le;c<d$

获得对应的前提模糊子集的隶属函数。

4、根据权利要求2所述的在线测量冷凝器污脏程度方法，其特征在于遗传算法包括下述步骤：

(1)设置编码方案：模糊模型的各参数用染色体表示，每一条模糊规则含有4个前提变量，5个结论参数，第l条染色体的结构满足下述条件：

      s_l＝(ant₁，Λ，ant_M，θ₁，Λ，θ_M)

式中，ant_i＝(a_i1，b_i1，c_i1，d_i1，Λ，a_i4，b_i4，c_i4，d_i4)为第i条模糊规则的前提参数，θ_i为第i条模糊规则的结论参数，染色体长度：L＝M(4*4+5)；

(2)适应度计算：

模型性能指标表示为： $J=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}(y_k-{\hat{y}}_k)$

其中y_k为实际输出，

为模型输出

适应度函数为： $f=\frac{1}{J^2};$

(3)采用轮盘选择法选择复制个体，其选择概率为： $p_l=f_l/\underset{k^{\&prime;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_k,$ 其中n为群体规模，并采用精英原则保存一定数量的优良个体；

(4)采用轮盘选择法，按适应度大小选择被交换的个体，依次两两进行交换，交换概率：P_C＝0.6。设(s_v，s_w)为参与交换的染色体对，采用如下交换算子：

$s_v^{t+1}=r.\left(s_v^t\right)+(1-r)s_w^t$

$s_w^{t+1}=r.\left(s_w^t\right)+(1-r)s_v^t$

式中，t为遗传代次(t＝0，1，…，T)，r为随机数r∈[0，1]，

(5)在染色体中任选一元素v_k，将其用随机数v_k′替代， $v_k^{\&prime;}\&Element;[v_k^{\min },v_k^{\max }],$ v_k ^min，v_k ^max为该数的最小、最大值，所得染色体为： $s_v^{t+1}=(v_1,\mathrm{\&Lambda;},v^{\&prime;},\mathrm{\&Lambda;},v_m),$ 变异概率：P_m＝0.05；

(6)将上述步骤重复进行，直至最优个体的适应度变化量小于一足够小的值η，获得最优的前提、结论参数。

5、根据权利要求1所述的一种在线测量冷凝器污脏程度的装置，其特征在于它包括可测定蒸汽流量D_c、冷却水流量D_w、冷却水入口温度t_wi、冷凝器压功所对应的饱和蒸汽温度t_s、冷却水出口温度t_wo、汽气混合物在测量处的温度t_p、汽气混合物在测量温度处的压力p之传感器、信号调理电路、多路开关、DSP，各传感器与信号调理电路和多路开关相接，同时与DSP相联，LED显示、键盘、通讯接口亦与DSP相接。

Images