KR102335009B1 - 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 - Google Patents
딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 Download PDFInfo
- Publication number
- KR102335009B1 KR102335009B1 KR1020200035376A KR20200035376A KR102335009B1 KR 102335009 B1 KR102335009 B1 KR 102335009B1 KR 1020200035376 A KR1020200035376 A KR 1020200035376A KR 20200035376 A KR20200035376 A KR 20200035376A KR 102335009 B1 KR102335009 B1 KR 102335009B1
- Authority
- KR
- South Korea
- Prior art keywords
- deep learning
- unit
- fluidized bed
- circulating fluidized
- bed boiler
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 239000012530 fluid Substances 0.000 claims 1
- 239000004576 sand Substances 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000011895 specific detection Methods 0.000 abstract description 4
- 238000005054 agglomeration Methods 0.000 abstract description 3
- 230000002776 aggregation Effects 0.000 abstract description 3
- 238000007667 floating Methods 0.000 abstract description 3
- 238000005245 sintering Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 abstract 1
- 239000007787 solid Substances 0.000 description 12
- 238000013136 deep learning model Methods 0.000 description 9
- 238000002485 combustion reaction Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 239000003546 flue gas Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 229910052815 sulfur oxide Inorganic materials 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B37/00—Component parts or details of steam boilers
- F22B37/02—Component parts or details of steam boilers applicable to more than one kind or type of steam boiler
- F22B37/42—Applications, arrangements, or dispositions of alarm or automatic safety devices
- F22B37/421—Arrangements for detecting leaks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B31/00—Modifications of boiler construction, or of tube systems, dependent on installation of combustion apparatus; Arrangements of dispositions of combustion apparatus
- F22B31/0007—Modifications of boiler construction, or of tube systems, dependent on installation of combustion apparatus; Arrangements of dispositions of combustion apparatus with combustion in a fluidized bed
- F22B31/0076—Controlling processes for fluidized bed boilers not related to a particular type
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Combustion & Propulsion (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Fluidized-Bed Combustion And Resonant Combustion (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
본 발명은 화력발전소에 설치된 순환 유동층 보일러에 대한 출력, 압력, 온도 및 공기유량에 대한 정보가 입력되는 데이터입력부; 상기 데이터입력부에 의해 입력된 정보를 딥러닝에 방해되는 요인을 제거하도록 처리하는 전처리부; 상기 전처리부에 의해 처리된 정보를 이미 학습된 딥러닝 모델링으로 누설, 균열 및 파열을 산출하도록 하는 딥러닝모델링부; 상기 딥러닝모델링부의 산출 결과를 외부로 출력하는 출력부; 및 상기 딥러닝모델링부의 산출 결과를 저장하는 데이터저장부;를 포함하도록 한 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에 관한 것이다.
본 발명에 따르면, 순환 유동층 보일러에서 튜브 누설 데이터 및 딥러닝 알고리즘을 이용한 인공 지능 학습에 의하여, 튜브 누설 및 누설 상태인 균열 또는 파열을 사전에 발견할 수 있도록 하고, 기존 방식에 비하여 조기에 튜브 누설 등의 구체적인 탐지를 가능하도록 함으로써, 유동사의 응집과 소결에 의한 제거에 소요되는 인력과 시간을 감소시킬 뿐만 아니라, 화력발전소의 유지 및 보수에 소요되는 비용을 줄일 수 있으며, 화력발전소의 가동률을 향상시키는 효과를 가진다.
본 발명에 따르면, 순환 유동층 보일러에서 튜브 누설 데이터 및 딥러닝 알고리즘을 이용한 인공 지능 학습에 의하여, 튜브 누설 및 누설 상태인 균열 또는 파열을 사전에 발견할 수 있도록 하고, 기존 방식에 비하여 조기에 튜브 누설 등의 구체적인 탐지를 가능하도록 함으로써, 유동사의 응집과 소결에 의한 제거에 소요되는 인력과 시간을 감소시킬 뿐만 아니라, 화력발전소의 유지 및 보수에 소요되는 비용을 줄일 수 있으며, 화력발전소의 가동률을 향상시키는 효과를 가진다.
Description
본 발명은 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에 관한 것으로서, 보다 상세하게는 순환 유동층 보일러에서 튜브 누설 데이터 및 딥러닝 알고리즘을 이용하여, 튜브 누설 및 누설 상태인 균열 또는 파열을 사전에 발견할 수 있도록 하는 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에 관한 것이다.
일반적으로, 석탄 화력 발전소에는 연료를 연소하기 위한 다양한 보일러가 설치되어 있다. 특히, 순환 유동층(Circulating Fluidized Bed Combustion; CFBC) 보일러는 석탄(Coal) 연소 뿐만 아니라, 예를 들면, 모래 또는 석회석 등을 유동화시켜 연소하는 보일러이다.
이러한 순환 유동층 보일러는 다양한 종류의 연료를 저온 연소(900℃ 이하)시킬 수 있고, 저가의 광범위한 석탄 연소가 가능하다. 또한, 순환 유동층 보일러의 퍼니스(Furnance) 내의 온도는 표준 석탄 화력의 미분탄 연소 보일러에 비해 상당히 낮기 때문에, 배출되는 가스에 유황 또는 질소산화물 함유량이 적어 환경 친화적인 보일러이다.
또한 순환 유동층 보일러의 내부에서 유동되는 유동 매체는 순환 유동층 보일러의 퍼니스(Furnace)를 지나 세퍼레이터(Seperator) 상부에서 하부로 경유되면서, 퍼니스 내부를 지속적으로 재순환한다. 또한, 순환 유동층 보일러에는 퍼니스에서 연소되는 과정에서의 공기와 퍼니스로 리턴되는 공기가 새어나가지 못하도록 월씰(wallseal)이 마련되고, INTREX(Integrated Recycle Heat Exchanger)이 월씰에 마련되어 세퍼레이터에서 포집된 고형물의 온도를 조절하여 재순환되도록 한다.
이와 같은 순환 유동층 보일러와 관련되는 종래 기술로서, 한국공개특허 제10-2013-0096317호의 "고온의 고형물 유동을 위한 두 개의 외부 열 교환기를 갖는 순환 유동층 보일러"가 제시된 바 있는데, 이는 순환 유동층 보일러(circulating fluidized bed boiler)에 있어서, 급속 유동층(fast fluidized bed)에서 고형 탄소질 연료를 연소시키는 노(furnace)로서, 상기 노는, 물/증기 튜브 패널로 제조되고 여기에 공급된 물을 증발시키기 위해 사용된 벽을 갖는, 상기 노와, 상기 노의 상부 부분으로부터 출구 채널(outlet channel) 통해 배출된 배기 가스로 부유 운반된 고형물을 분리하기 위해 상기 노의 측벽에 인접하게 배열된 고형물 분리기(solids separator)와, 상기 분리된 고형물의 적어도 일부를, 가스 밀봉부의 하류에 배열되고 내부 열 교환 표면을 갖는 제 1 유동층 열 교환 챔버로 운반하기 위한 가스 밀봉부(gas seal)와, 상기 제 1 유동층 열 교환 챔버의 바닥 부분에 연결된 하단부(lower end)와, 상기 제 1 유동층 열 교환챔버로부터 고형물을 배출하고 냉각된 고형물을 상기 노의 하부 부분으로 운반하기 위해 제 1 복귀 채널의 상단부(upper end)에 연결된 상단부를 갖는, 제 1 리프트 채널(lift channel)과, 상기 노의 하부 측벽에 인접하게 배열되고, 내부 열 교환 표면, 상기 제 2 유동층 열 교환 챔버와 상기 노로부터 상기 제 2 열 교환 챔버로 고온의 고형물을 도입하기 위한 상기 노 사이에 배열된 입구 채널, 상기 제 2 유동층 열 교환 챔버의 바닥 부분에 연결된 하단부와 고형물을 상기 노의 하부 부분으로 배출하기 위해 연결된 상단부를 갖는 제 2 리프트 채널(lift channel)을 갖는 제 2 유동층 열교환 챔버와, 상기 제 2 유동층 열 교환 챔버 위에 위치하는 상기 제 1 유동층 열 교환 챔버를 포함하고, 상기 제 1 열 교환 챔버는 그 측부 면에 배열된 두 개의 제 1 리프트 채널과 두 개의 제 1 복귀 채널을 구비하여, 상기 제 2 열 교환 챔버는 상기 두 개의 제 1 복귀 채널의 하단부 사이에 위치하는 것을 특징으로 한다.
한편, 화력발전소의 튜브 누설은 잦은 동작 정지의 원인을 제공한다. 그러나, 이러한 튜브 누설의 발견이 늦을 경우 발생하는 비용이 매우 크다. 기존에는 BTLD(Boiler Tube Leak Detecting System)를 이용한 단순한 일정 수준의 소음으로 알람이 발생하도록 하여, 튜브 누설을 탐지하였는데, 이는 튜브 누설이 많이 진행된 상태에서 발견되므로, 그 원인을 정확하게 파악하지 못하고 추정만 할 뿐이다.
최근에는 친환경적인 순환 유동층 보일러가 세계적인 추세이다. 집진기와 탈황기가 없을 정도로 NOx, SOx 등이 적다. 그러나 유동사(Bed Material)을 사용함에 따라, 튜브 손상이 심하여 튜브 누설이 빈번하며, 이러한 튜브 누설의 정확한 파악이 더욱이 필요하게 되었다.
상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 순환 유동층 보일러에서 튜브 누설 데이터 및 딥러닝 알고리즘을 이용한 인공 지능 학습에 의하여, 튜브 누설 및 누설 상태인 균열 또는 파열을 사전에 발견할 수 있도록 하고, 기존 방식에 비하여, 조기에 튜브 누설 등의 구체적인 탐지를 가능하도록 함으로써, 화력발전소의 유지 및 보수에 소요되는 비용을 줄임과 아울러, 가동률을 높이도록 하는데 목적이 있다.
본 발명의 다른 목적들은 이하의 실시례에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일측면에 따르면, 화력발전소에 설치된 순환 유동층 보일러에 대한 출력, 압력, 온도 및 공기유량에 대한 정보가 입력되는 데이터입력부; 상기 데이터입력부에 의해 입력된 정보로부터 딥러닝에 방해되는 요인을 제거하도록 처리하는 전처리부; 상기 전처리부에 의해 처리된 정보를 이미 학습된 딥러닝 모델링으로 누설, 균열 및 파열을 산출하도록 하는 딥러닝모델링부; 상기 딥러닝모델링부의 산출 결과를 외부로 출력하는 출력부; 및 상기 딥러닝모델링부의 산출 결과를 저장하는 데이터저장부;를 포함하는, 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템이 제공된다.
상기 전처리부는, 상기 데이터입력부에 의해 입력된 정보의 평균에서 정해진 범위를 벗어나는 아웃라이어(outlier)를 제거하거나, 상기 정보에 대해서 중앙값(median)과 아이큐알(IQR, interquartile range)를 사용하는 로버스트스케일러(RobustScaler)에 의해 아웃라이어의 영향을 줄이도록 할 수 있다.
상기 데이터입력부는, 상기 순환 유동층 보일러의 퍼니스의 압력, 유동사온도, 튜브온도, 주공기량, 부공기량, 발전기출력, 보충수유량 및 급수유량에 해당하는 퍼니스구역 정보를 제공받고, 상기 순환 유동층 보일러의 세퍼레이터의 압력, 내부온도, 유동사온도, 튜브온도, 발전기출력 및 보충수유량에 해당하는 세퍼레이터구역 정보를 제공받으며, 상기 순환 유동층 보일러의 월씰의 압력, 내부온도, 유동사온도, 튜브온도, 발전기출력 및 보충수유량에 해당하는 월씰구역 정보를 제공받고, 상기 순환 유동층 보일러의 INTREX의 압력, 유동사온도, 내부온도, 튜브온도, 발전기출력 및 보충수유량에 대하는 INTREX구역 정보를 제공받을 수 있다.
상기 딥러닝모델링부는, 상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 퍼니스구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 퍼니스구역 딥러닝모델링부; 상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 세퍼레이터구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 세퍼레이터구역 딥러닝모델링부; 상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 월씰구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 월씰구역 딥러닝모델링부; 상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 INTREX구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 INTREX구역 딥러닝모델링부; 및 상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 퍼니스구역 정보, 상기 세퍼레이터구역 정보, 상기 월씰구역 정보 및 상기 INTREX구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 종합적으로 산출하도록 하는 전체 딥러닝모델링부;를 포함할 수 있다.
본 발명에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에 의하면, 순환 유동층 보일러에서 튜브 누설 데이터 및 딥러닝 알고리즘을 이용한 인공 지능 학습에 의하여, 튜브 누설 및 누설 상태인 균열 또는 파열을 사전에 발견할 수 있도록 하고, 기존 방식에 비하여 조기에 튜브 누설 등의 구체적인 탐지를 가능하도록 함으로써, 유동사의 응집과 소결에 의한 제거에 소요되는 인력과 시간을 감소시킬 뿐만 아니라, 화력발전소의 유지 및 보수에 소요되는 비용을 줄일 수 있으며, 화력발전소의 가동률을 향상시키는 효과를 가진다.
도 1은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템을 도시한 구성도이다.
도 2는 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 전처리부에 의한 데이터 처리를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 전처리부에 의한 데이터의 이미지화 예를 나타낸 이미지이다.
도 4는 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템이 적용되는 순환 유동층 보일러를 도시한 사시도이다.
도 5는 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 사용하는 측정값들의 예시를 나타낸 도면이다.
도 6은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 구역별 또는 전체 딥러닝 학습 개념을 나타낸 구성도이다.
도 7은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 예시 구역별 튜브 누설 탐지 프로세스를 나타낸 구성도이다.
도 2는 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 전처리부에 의한 데이터 처리를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 전처리부에 의한 데이터의 이미지화 예를 나타낸 이미지이다.
도 4는 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템이 적용되는 순환 유동층 보일러를 도시한 사시도이다.
도 5는 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 사용하는 측정값들의 예시를 나타낸 도면이다.
도 6은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 구역별 또는 전체 딥러닝 학습 개념을 나타낸 구성도이다.
도 7은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에서 예시 구역별 튜브 누설 탐지 프로세스를 나타낸 구성도이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시례를 가질 수 있는 바, 특정 실시례들을 도면에 예시하고, 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니고, 본 발명의 기술 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 식으로 이해되어야 하고, 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시례에 한정되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 실시례를 상세히 설명하며, 도면 부호에 관계없이 동일하거나 대응하는 구성요소에 대해서는 동일한 참조 번호를 부여하고, 이에 대해 중복되는 설명을 생략하기로 한다.
도 1은 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템을 도시한 구성도이다.
도 1을 참조하면, 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템(10)는 데이터입력부(11), 전처리부(12), 딥러닝모델링부(13), 출력부(14) 및 데이터저장부(15)를 포함할 수 있다.
한편, 도 4에서와 같이, 본 발명의 일 실시례에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템(10)이 적용되는 순환 유동층 보일러(30)는 예컨대, 다양한 종류의 연료를 저온 연소(900℃ 이하)시킬 수 있도록 함으로써, 저가의 광범위한 석탄 연소가 가능하도록 하고, 내부의 온도가 표준 석탄 화력의 미분탄 연소 보일러에 비해 상당히 낮기 때문에, 배출되는 가스에 유황 또는 질소산화물 함유량이 적어 친환경을 만족시키도록 하는 퍼니스(furnace; 31)와, 퍼니스(31)를 지나는 유동 매체가 상부에서 하부로 경유되면서 지속적으로 재순환되도록 하는 세퍼레이터(seperator; 32)와, 퍼니스(31)에서 연소되는 과정에서의 공기와 퍼니스(31)로 리턴되는 공기가 새어나가지 못하도록 하는 월씰(wallseal; 33)과, 월씰(33)에 마련되어 세퍼레이터(32)에서 포집된 고형물의 온도를 조절하여 재순환되도록 함으로써, 퍼니스(31)의 축소 및 운전 유연성의 확보가 가능하도록 하는 INTREX(Integrated Recycle Heat Exchanger; 34)를 포함할 수 있다. 여기서, 세퍼레이터(32)는 퍼니스(31)로부터 다수개, 예컨대 퍼니스(31)의 양측에 각각 4개씩, 모두 8개가 병렬로 배열되어 연도 가스의 스트림 및 이와 동반된 고체 입자들이 다수의 연도 가스 배출 채널들을 통하여 내측으로 배출되도록 하고, 내측으로 배출된 연도 가스로부터 분리된 입자들이 다시 퍼니스(31)로 리턴되도록 할 수 있다. 이러한 세퍼레이터(32)는 예컨데 사이클론 분리기가 사용될 수 있다. 본 실시례에서처럼 월씰(33)과 INTREX(34)는 세퍼레이터(32)의 개수에 상응하는 개수, 예컨대 8개로 각각 이루어질 수 있다.
데이터입력부(11)는 화력발전소에 설치된 순환 유동층 보일러에 대한 출력, 압력, 온도 및 공기유량에 대한 정보가 입력되도록 하는데, 예컨대, 순환 유동층 보일러에 대한 정보의 입력을 위해 마련되는 온도센서(21), 압력센서(22), 운영서버(23) 및 공기유량센서(24)를 포함하는 감지부(20)로부터 필요한 정보를 입력받도록 할 수 있다. 화력발전소는 순환 유동층 보일러의 운영을 위해 또는 순환 유동층 보일러의 상태를 확인하기 위하여, 많은 수의 다양한 센서가 부착되어 있는데, 데이터입력부(11)는 센서의 신호를 수신받는 모니터링 서버에서 센서의 데이터를 제공받도록 구성하거나, 필요한 센서 각각으로부터 데이터를 직접 제공받도록 구성될 수도 있다. 예컨대, 데이터입력부(11)는 순환 유동층 보일러에 대한 출력의 경우, 운영서버(23)에서 제공받을 수 있으며, 순환 유동층 보일러에 대한 압력, 온도 및 공기유량의 경우, 필요에 따라 모니터링 서버로부터 해당 측정값을 제공받도록 구성되거나, 직접 설치된 온도센서(21), 압력센서(22), 공기유량센서(24)로부터 해당 측정값을 제공받도록 구성될 수도 있다.
도 5를 참조하면, 데이터입력부(11)에 입력되는 값들은 순환 유동층 보일러의 구역마다 달리할 수 있는데, 예컨대, 퍼니스(31)의 경우, 노내압력, 유동사압력, 유동사온도, 튜브온도, 주증기압력, 주증기온도, 주공기량, 부공기량, 발전기출력(Load), 보충수유량(Makeupflow), 급수유량(FeedWater), BTLD(Boiler Tube Leak Detecting System) 등일 수 있고, 세퍼레이터(32)의 경우, 압력, 내부온도, 유동사온도, 튜브온도, BTLD(Boiler Tube Leak Detecting System), 발전기출력(Load), 보충수유량(Makeupflow) 등일 수 있으며, 월씰(33)의 경우, 압력, 내부온도, 유동사온도, 튜브온도, BTLD(Boiler Tube Leak Detecting System), 발전기출력(Load), 보충수유량(Makeupflow) 등일 수 있고, INTREX(34)의 경우 압력, 유동사온도, 내부온도, 튜브온도, BTLD(Boiler Tube Leak Detecting System), 발전기출력(Load), 보충수유량(Makeupflow) 등일 수 있다. 여기서, 순환 유동층 보일러 각 구역에 대한 입력값은 발전기출력과 보충수유량이 공통되지만, 압력, 유동사온도, 내부온도 및 튜브온도 등은 구역마다 상이할 수 있다. 이러한 측정값들은 보일러 운전 시스템으로부터 취득할 수 있으나, 이에 한하지 않고, 직접 센서나 별도의 모니터링 서버 등으로부터 제공받을 수 있음은 앞서 설명한 바와 같다. 또한 BTLD(Boiler Tube Leak Detecting System)는 일례로 어코스틱(Acoustic) 센서일 수 있다.
한편, 딥러닝모델링부(13)는 퍼니스(31), 세퍼레이터(32), 월씰(33) 및 INTREX(34)와 같은 구역별로 각각의 딥러닝 모델이 존재할 수 있는데, 이 경우, 각 구역마다 제공되는 정보를 달리할 수 있다. 이를 위해, 데이터입력부(11)는 예컨대, 순환 유동층 보일러(30)의 퍼니스(31)의 압력, 유동사온도, 튜브온도, 주공기량, 부공기량, 발전기출력, 보충수유량 및 급수유량에 해당하는 퍼니스구역 정보를 제공받고, 순환 유동층 보일러(30)의 세퍼레이터(32)의 압력, 내부온도, 유동사온도, 튜브온도, 발전기출력 및 보충수유량에 해당하는 세퍼레이터구역 정보를 제공받으며, 순환 유동층 보일러(30)의 월씰(33)의 압력, 내부온도, 유동사온도, 튜브온도, 발전기출력 및 보충수유량에 해당하는 월씰구역 정보를 제공받고, 순환 유동층 보일러(30)의 INTREX(34)의 압력, 유동사온도, 내부온도, 튜브온도, 발전기출력 및 보충수유량에 대하는 INTREX구역 정보를 제공받을 수 있다.
전처리부(12)는 데이터입력부(11)에 의해 입력된 정보로부터 딥러닝에 방해되는 요인을 제거하도록 처리한다.
전처리부(12)는 데이터입력부(11)에 의해 입력된 정보의 평균에서 정해진 범위를 벗어나는 아웃라이어(outlier)를 제거하거나, 정보에 대해서 중앙값(median)과 아이큐알(IQR, interquartile range)을 사용하는 로버스트스케일러(RobustScaler)에 의해 아웃라이어의 영향을 줄이도록 한다. 전처리부(12)는 예컨대, 딥러닝의 경우 딥러닝 모델에 입력되기 전에 숫자가 큰 값이 큰 영향을 미치기 때문에 노멀라이징을 수행한다. 그리고 전처리부(12)는 통계적으로 평균에서 크게 벗어나는 아웃라이어 등이 학습에 방해되는 요인이 될 수 있기 때문에 이를 제거하거나, RobustScaler 등과 같이 아웃라이어에 영향을 덜 받는 스케일러를 사용할 수도 있다. 아웃라이어의 계산 예는 데이터 분포 4분위 중 1/4(Q1) ~ 3/4(Q3) 구간의 간격을 아이큐알(IRQ)이라고 하고, Q3 + 1.5 × IRQ 보다 큰 값과 Q1 - 1.5 × IRQ 보다 작은 값이다.
도 2를 참조하면, 전처리부(12)는 한 개의 데이터로 튜브 누설을 판단할 경우 데이터 처리가 (a)에서와 같이, 시계열 데이터를 분할한 후 쌓아서 2D이미지화 할 수 있고, (b)에서와 같이, 한 개 뿐만 아니라 여러 데이터로도 가능하다.
도 3에서와 같이, 전처리부(12)는 한 개의 데이터로 튜브누설을 판단할 경우, 시간의 데이터(온도, 압력 등)를 STFT(Short Time Fourier Transform)와 Wavelet Transform으로 이미지화할 수 있다.
딥러닝모델링부(13)는 전처리부(12)에 의해 처리된 정보를 이미 학습된 딥러닝 모델링으로 누설, 균열 및 파열을 산출하도록 할 수 있다. 딥러닝모델링부(13)는 필요에 따라 다양한 딥러닝 알고리즘을 사용할 수 있는데, 예컨대 이미 학습된 딥러닝 모델링으로 그 결과값으로서 누설, 균열, 파열 등을 산출하게 된다. 딥러닝 모델은 데이터 입력 형태에 따라 ANN 또는 CNN 그 외 여러 개가 될 수 있는데, 예를 들어 여러 개의 신호를 받은 경우에는 Artificial Neural Network 모델이 될 수 있으며, Wavelet 또는 STFT 등으로 2D맵으로 처리된 입력의 경우에는 Convolutional Neural Network 모델이 될 수 있다.
한편, 딥러닝모델링부(13)는 퍼니스(31), 세퍼레이터(32), 월씰(33) 및 INTREX(34)와 같은 구역별로 각각의 딥러닝 모델이 존재할 수 있는데, 이 경우, 퍼니스(31) 또한 면적이 넓기 때문에 임의 구역으로 나누어서 딥러닝 모델이 존재할 수도 있다. 이를 위해 딥러닝모델링부(13)는 예컨대, 데이터입력부(11)로부터 제공되어 전처리부(12)에 의해 전처리된 퍼니스구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 퍼니스구역 딥러닝모델링부(13a)와, 데이터입력부(11)로부터 제공되어 전처리부(12)에 의해 전처리된 세퍼레이터구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 세퍼레이터구역 딥러닝모델링부(13b)와, 데이터입력부(11)로부터 제공되어 전처리부(12)에 의해 전처리된 월씰구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 월씰구역 딥러닝모델링부(13c)와, 데이터입력부(11)로부터 제공되어 전처리부(12)에 의해 전처리된 INTREX구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 INTREX구역 딥러닝모델링부(13d)와, 데이터입력부(11)로부터 제공되어 전처리부(12)에 의해 전처리된 퍼니스구역 정보, 세퍼레이터구역 정보, 월씰구역 정보 및 INTREX구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 종합적으로 산출하도록 하는 전체 딥러닝모델링부(13e)를 포함할 수 있다.
이와 같이, 딥러닝모델링부(13)는 각 구역마다 딥러닝 모델이 존재하며, 전체적인 모델 또한 존재하여 종합적인 판단을 할 수 있도록 한다. 또한 딥러닝모델링부(13)에 의힌 딥러닝 학습은 기존의 BTLD(Boiler Tube Leak Detecting System) 알람이나 운전수의 인지에 의해 발전 정지 때의 데이터를 이용하여 학습할 수 있다. 한편, 누설은 균열 및 파열을 포함하는데, 균열과 파열의 구분이 어려운 경우, 누설로 표현될 수 있다.
출력부(14)는 딥러닝모델링부(13)의 산출 결과를 외부로 출력하도록 하는데, 예컨대, 딥러닝모델링부(13)에 의한 딥러닝 모델 결과에 따라, 누설이면, 디스플레이부(14a)를 통해서 이를 표시할 수 있고, 스피커(14b)로 알람을 알려줄 수 있으며, 그 내용을 신호전송부(14c)에 의해 여러 클라이언트 단말기에 전송 및 표시하여 줄 수도 있다.
데이터저장부(15)는 딥러닝모델링부(13)의 산출 결과를 저장하도록 한다. 데이터저장부(15)는 입력데이터와 딥러닝의 결과, 엔지니어가 집적 입력하는 내용을 저장할 수도 있다. 이는 차후에 딥러닝 모델을 재학습 또는 더 학습을 하여 개선하기 위함이고, 알람시 데이터 추이를 확인하기 위함이다.
이와 같은 본 발명에 따른 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템에 따르면, 순환 유동층 보일러에서 튜브 누설 데이터 및 딥러닝 알고리즘을 이용한 인공 지능 학습에 의하여, 튜브 누설 및 누설 상태인 균열 또는 파열을 사전에 발견할 수 있도록 하고, 기존 방식에 비하여 조기에 튜브 누설 등의 구체적인 탐지를 가능하도록 함으로써, 유동사의 응집과 소결에 의한 제거에 소요되는 인력과 시간을 감소시킬 뿐만 아니라, 화력발전소의 유지 및 보수에 소요되는 비용을 줄일 수 있으며, 화력발전소의 가동률을 향상시킬 수 있다.
이러한 본 발명은 국내외에서 증가하고 있는 순환 유동층 보일러의 고장 예측 진단 시스템에 활용할 수 있고, 향후 일반 보일러 튜브의 고장예측 진단 시스템에도 활용하여 산업적 이용을 활성화하도록 할 수 있다. 또한 보일러 뿐만 아니라, 터빈, 발전기에도 운전 변수를 딥러닝 기술을 통하여 고장을 사전에 진단하는 기술을 개발하여 상업화함으로써 발전설비의 신뢰성 및 안전성을 향상시킬 수도 있다.
이와 같이 본 발명에 대해서 첨부된 도면을 참조하여 설명하였으나, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 수정 및 변형이 이루어질 수 있음은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시례에 한정되어서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이러한 특허청구범위와 균등한 것들에 의해 정해져야 한다.
11 : 데이터입력부 12 : 전처리부
13 : 딥러닝모델링부 13a : 퍼니스구역 딥러닝모델링부
13b : 세퍼레이터구역 딥러닝모델링부 13c : 월씰구역 딥러닝모델링부
13d : INTREX구역 딥러닝모델링부 13e : 전체 딥러닝모델링부
14 : 출력부 14a : 디스플레이부
14b : 스피커 14c : 신호전송부
15 : 데이터저장부 20 : 감지부
21 : 온도센서 22 : 압력센서
23 : 운영서버 24 : 공기유량센서
30 : 순환 유동층 보일러 31 : 퍼니스
32 : 세퍼레이터 33 : 월씰
34 : INTREX
13 : 딥러닝모델링부 13a : 퍼니스구역 딥러닝모델링부
13b : 세퍼레이터구역 딥러닝모델링부 13c : 월씰구역 딥러닝모델링부
13d : INTREX구역 딥러닝모델링부 13e : 전체 딥러닝모델링부
14 : 출력부 14a : 디스플레이부
14b : 스피커 14c : 신호전송부
15 : 데이터저장부 20 : 감지부
21 : 온도센서 22 : 압력센서
23 : 운영서버 24 : 공기유량센서
30 : 순환 유동층 보일러 31 : 퍼니스
32 : 세퍼레이터 33 : 월씰
34 : INTREX
Claims (4)
- 화력발전소에 설치된 순환 유동층 보일러에 대한 출력, 압력, 온도 및 공기유량에 대한 정보가 입력되는 데이터입력부;
상기 데이터입력부에 의해 입력된 정보로부터 딥러닝에 방해되는 요인을 제거하도록 처리하는 전처리부;
상기 전처리부에 의해 처리된 정보를 이미 학습된 딥러닝 모델링으로 누설, 균열 및 파열을 산출하도록 하는 딥러닝모델링부;
상기 딥러닝모델링부의 산출 결과를 외부로 출력하는 출력부; 및
상기 딥러닝모델링부의 산출 결과를 저장하는 데이터저장부;
를 포함하고,
상기 전처리부는,
상기 데이터입력부에 의해 입력된 정보의 평균에서 정해진 범위를 벗어나는 아웃라이어(outlier)를 제거하거나, 상기 정보에 대해서 중앙값(median)과 아이큐알(IQR, interquartile range)을 사용하는 로버스트스케일러(RobustScaler)에 의해 아웃라이어의 영향을 줄이도록 하고,
상기 데이터입력부는,
상기 순환 유동층 보일러의 퍼니스의 압력, 유동사온도, 튜브온도, 주공기량, 부공기량, 발전기출력, 보충수유량 및 급수유량에 해당하는 퍼니스구역 정보를 제공받고, 상기 순환 유동층 보일러의 세퍼레이터의 압력, 내부온도, 유동사온도, 튜브온도, 발전기출력 및 보충수유량에 해당하는 세퍼레이터구역 정보를 제공받으며, 상기 순환 유동층 보일러의 월씰의 압력, 내부온도, 유동사온도, 튜브온도, 발전기출력 및 보충수유량에 해당하는 월씰구역 정보를 제공받고, 상기 순환 유동층 보일러의 INTREX의 압력, 유동사온도, 내부온도, 튜브온도, 발전기출력 및 보충수유량에 대하는 INTREX구역 정보를 제공받고,
상기 딥러닝모델링부는,
상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 퍼니스구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 퍼니스구역 딥러닝모델링부;
상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 세퍼레이터구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 세퍼레이터구역 딥러닝모델링부;
상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 월씰구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 월씰구역 딥러닝모델링부;
상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 INTREX구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 산출하도록 하는 INTREX구역 딥러닝모델링부; 및
상기 데이터입력부로부터 제공되어 상기 전처리부에 의해 전처리된 상기 퍼니스구역 정보, 상기 세퍼레이터구역 정보, 상기 월씰구역 정보 및 상기 INTREX구역 정보로부터 딥러닝에 의해 튜브의 누설, 균열 및 파열을 종합적으로 산출하도록 하는 전체 딥러닝모델링부;
를 포함하는, 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템. - 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200035376A KR102335009B1 (ko) | 2020-03-24 | 2020-03-24 | 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200035376A KR102335009B1 (ko) | 2020-03-24 | 2020-03-24 | 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210119596A KR20210119596A (ko) | 2021-10-06 |
| KR102335009B1 true KR102335009B1 (ko) | 2021-12-06 |
Family
ID=78077155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200035376A KR102335009B1 (ko) | 2020-03-24 | 2020-03-24 | 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102335009B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102517036B1 (ko) * | 2022-04-21 | 2023-04-04 | 한전케이피에스 주식회사 | 증기 발생기 전열관 검사 장치 및 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013015266A (ja) * | 2011-07-04 | 2013-01-24 | Sumitomo Heavy Ind Ltd | 循環流動層ボイラ及び循環流動層ボイラの運転方法 |
| KR102094288B1 (ko) * | 2018-11-30 | 2020-03-27 | 두산중공업 주식회사 | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101393138B1 (ko) * | 2012-07-31 | 2014-05-08 | 주식회사 지오네트 | 운전신호 패턴을 이용한 보일러튜브 이상상태 진단 방법 |
-
2020
- 2020-03-24 KR KR1020200035376A patent/KR102335009B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013015266A (ja) * | 2011-07-04 | 2013-01-24 | Sumitomo Heavy Ind Ltd | 循環流動層ボイラ及び循環流動層ボイラの運転方法 |
| KR102094288B1 (ko) * | 2018-11-30 | 2020-03-27 | 두산중공업 주식회사 | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210119596A (ko) | 2021-10-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rostek et al. | Early detection and prediction of leaks in fluidized-bed boilers using artificial neural networks | |
| CN101839795B (zh) | 锅炉承压管的泄漏诊断系统和方法 | |
| US4454840A (en) | Enhanced sootblowing system | |
| KR102335009B1 (ko) | 딥러닝 기술을 활용한 순환 유동층 보일러 튜브 누설 검출 시스템 | |
| CN105698158A (zh) | 循环流化床锅炉四管泄露检测方法 | |
| US20080308128A1 (en) | Automated system for waterwall cleaning and inspection | |
| JP7142545B2 (ja) | ボイラチューブリーク診断システム及びボイラチューブリーク診断方法 | |
| CN117999438A (zh) | 用于确定反应器的流化床中的局部温度异常的方法、用于标定反应器的流化床的数值模型的方法、用于估计流化床反应器床烧结的风险的方法、控制流化床反应器的方法以及反应器 | |
| JP7206990B2 (ja) | 伝熱管損傷検出装置、ボイラシステム及び伝熱管損傷検出方法 | |
| CN115698622A (zh) | 基于实时腐蚀监测的用于热交换器控制的系统和方法 | |
| KR20240037297A (ko) | 열전달 반응기 시스템의 열전달 유체 채널의 누출을 결정하는 방법 및 열전달 반응기 | |
| AU2022344519A1 (en) | Method of operating a heat releasing reactor, a heat releasing reactor and computation system for a heat releasing reactor | |
| WO2023171398A1 (ja) | 画像検査装置、機械学習装置、画像検査方法、画像検査プログラム | |
| CN212057336U (zh) | 锅炉系统及其智能吹灰系统 | |
| US20230204205A1 (en) | Abnormality detection device and abnormality detection method | |
| JPS6018883B2 (ja) | ス−トブロワの制御装置 | |
| Karim et al. | Early detection of tube leaks faults in pulverised coal-fired boiler using deep neural network | |
| Ladekar et al. | CFD ANALYSIS OF 210 MW BOILER’S ECONOMISER FOR DETECTING AREA AND CAUSES OF TUBE FAILURE | |
| JPS6367091B2 (ko) | ||
| Bass III et al. | Operating experience with TVA's 20-MW AFBC Pilot Plant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |