KR20000057472A

KR20000057472A - 스팀 터빈의 블레이드 온도 추정 방법

Info

Publication number: KR20000057472A
Application number: KR1019990705120A
Authority: KR
Inventors: 뉴그로호 이안 샌토소; 토마스 팻쉬
Original assignee: 토마스 그랜드크; 지멘스 코포레이트 리서치, 인코포레이티드
Priority date: 1996-12-13
Filing date: 1997-12-05
Publication date: 2000-09-15
Also published as: ES2167023T3; JP2002501584A; CZ212099A3; KR100523382B1; ATE205310T1; US5832421A; PL333952A1; DE69706563T2; JP4005143B2; CN1240521A; CZ300956B6; EP0944866A1; WO1998026336A1; RU2213997C2; PL185983B1; EP0944866B1; DE69706563D1; CN1105950C

Abstract

스팀 터빈에서의 블레이드 온도 추정 방법은, 바로 블레이드 위치가 아닌, 주로 입력 단(stage) 및 출력 단에서의 온도 및 압력을 포함하는 측정 파라미터 값을 사용한다. 먼저, 블레이드 온도는 의도된 실험에 의한 블레이드 온도 값뿐만 아니라 물/스팀 사이클 분석 프로그램을 사용한 블레이드 온도 값을 사용하여 시뮬레이션된다. 인공신경회로망(ANN)은 상기 측정 파라미터 값 및 상기 블레이드 온도 값을 상기 ANN에 제공함에 의해 훈련된다. 하이브리드 접근에서는, 5개의 측정 파라미터 값이 사용된다. 4개의 측정 파라미터 값의 서브그룹은 ANN을 훈련시키는데 사용되며 3개의 또다른 서브그룹은 또다른 중간 파라미터용 계산 수행을 위해 사용된다. 상기 중간 파라미터와 5개의 측정 파라미터 값중 하나를 사용하여, 블레이드 온도가 계산된다.

Description

스팀 터빈의 블레이드 온도 추정 방법{A METHOD FOR BLADE TEMPERATURE ESTIMATION IN A STEAM TURBINE}

터보 발생기용 스팀 터빈 조작에서, 시동(start-up) 및 종료(shut-down) 상태를 포함한 적절하고 안전한 조작을 위해서 조작 파라미터를 일정 범위로 제한시키는 것이 중요하다.

본 발명자는 본원과 함께 출원되고 발명의 명칭이 터빈 조작 조건용 그래픽 사용자 인터페이스 시스템(A graphical user interface system for system turbine operating conditions)으로 주어진 발명을 본 명세서에서 참조하였으며, 그 개시 내용은 본 출원에 어떠한 문제도 발생시키지 않는다.

통상적으로, 스팀 터보 발생기 조작에서, 터빈은 최대 출력 부근에서 동작되거나 또는 출력에 대한 요구가 불충분한 경우에는 종료된다. 특히, 대형 전력 그리드(grid)의 일부로서 조작되는 경우에는, 최대 부하 이하에서의 조작이 요구된다. 이러한 조건에서, 온도, 압력, 스팀 습도, 재열, 팽창 및 수축의 복작한 패턴이 일어나며, 이는 터빈 블레이드(blade)의 온도를 과도하게 상승시킬 수 있다. 이러한 조건은 재난 상황을 수반하는 블레이드 고장을 야기할 수 있다. 이와 같이, 유입 스팀 압력이 유출 압력 정도나 보다 낮은 조건으로 조작되도록 모니터링하는 것이 실용적으로 중요하다. W.W. Bathie,"Fundamentals of gas turbines", John Wiley and Sons, 1996; and H. Herlock, "Axail flow turbines: Fluid mechanics and thermodynamics", Butterworth, London, 1960과 같은 책이 종래 기술문헌이 될 수 있다.

터빈의 전체 조작 범위에서의 스팀 동작 시뮬레이션을 위한 우수한 수학적 모델이 쉽게 도출될 수 있는 것은 아니며, 특히 주 스팀 압력이 배출압력 부근이거나 그 이하인 주기의 경우에는 더욱 도출되기 곤란하다. 이러한 주기중에는, 반지름 방향 속도 성분이 축방향 속도 성분보다 중요해지기 때문에 유체 흐름 거동이 대단히 복잡해진다. 정상 부하에서의 스팀 거동을 시뮬레이션하기 위해, 도출 가능한 단순화된 수학적 모델은, 통상, 유입 압력이 유출 압력 부근이거나 그 이하인 경우에는 잘 맞지 않게 된다.

새로운 대형 스팀 터빈에서, 온도 측정 장치는 HP 및 LP 케이스의 각 단(stage)마다 실장되어 있다. 이러한 온도 측정을 통해 조작자 또는 책임 감독 엔지니어는 블레이드 온도가 그 한도를 초과하는 지를 알수 있다. 온도 프로브를 실장하는 것보다 더 실용적이고 효과적인 가격 저감방법과 보다 소형이며 구형(舊形)인 터빈용 블레이드 온도 모니터링에 대한 요구는, 조작중 터빈 블레이드 온도를 모니터링하고 실시간(real time)으로 온도를 산출하는, 본 발명이 인식한 실용적 시스템을 요청하게 된다.

본 발명은 스팀 터빈의 블레이드 온도 추정 방법에 관한 것이다.

도1은 본 발명에 따른 풍손(windage) 모듈 구조를 도시한다.

도2는 본 발명에 따른 블레이드 온도 추정용 구성에 기초한 인공신경회로망을 도시한다.

도3은 본 발명에 따른 인공신경회로망을 훈련시키기 위한 프로세스를 도시한다.

도4는 본 발명과 함께 사용될 수 있는 그래픽 사용자 인터페이스(GUI) 구조를 도시한다.

도5는 본 발명과 함께 사용될 수 있는 그래픽 인터페이스 도면이다.

본 발명에서 바람직하게는 프로그램 가능한 컴퓨터가 적용되어 실용화될 수 있다.

본 발명의 일 양태에서, 스팀 터빈에서의 블레이드 온도 추정 방법은, 바로 블레이드 위치에서가 아니고 주로 입출력 단(stage) 위치에서의 온도 및 압력 측정값을 사용한다. 먼저, 블레이드 온도는 직접 실험을 통해서 또한 물/스팀 사이클 분해 프로그램을 사용하여 시뮬레이션된다. 인공신경회로망(artificial neural network; ANN)은 측정값 및 블레이드 온도값을 표시함에 의해 훈련될 수 있다. 본 발명의 예시적인 실시예에서, 4개의 값으로 충분한 결과를 산출하는 것을 알 수 있을 것이다. 본 발명의 일 방법에서는, 조작되는 블레이드 온도값을 직접 유도하기 위해서 ANN이 사용된다.

본 발명의 또다른 태양에 따르면, 하이브리드 접근인 5회 측정된 값이 사용된다. 예를들어 4개 파라미터의 서브그룹이 ANN을 훈련시키기 위해서 사용되고, 예를들어 3개의 또다른 서브그룹이 다른 중간 파라미터의 연산 수행에 사용될 수 있다. 중간 파라미터와 5개의 측정값 중 하나를 사용하여 블레이드 온도가 계산된다.

본 발명의 또다른 태양에 따르면, 사용자 인터페이스는, 터빈 조작을 담당하는 감독 엔지니어를 위한 실시간 정보 디스플레이를 제공하여, 임계 파라미터 값 및 조작 조건의 바람직하지 않은 결합이 용이하게 관찰되고 편차가 분명하게 나타나도록 하여 보정 동작이 신속히 실시될 수 있도록 할 수 있다.

파라미터의 그래픽 좌표점(plot)은 쉽게 표시될 수는 있으나, 이러한 형태의 포맷은 온도, 압력 , 스팀 습도 과열, 및 난류(turbulence) 효과의 조합 및 분포에 대해서는 터빈의 전체적 상태의 그림을 용이하게 제공하지는 않는다.

본 발명에 따르면, 조작 상황의 개요가 팽창 및 수축 조작 공정을 몰리어(Mollier) 엔탈피/엔트로피 챠트상에 직선으로 표시됨에 의해 보다 명확해 질 수 있다. 이와 함께, 또한 실시간 파라미터 값 및 파라미터 경향(trend)이 표시될 수 있다. 경향 및 실시간 정보와 함께 몰리어 챠트 정보를 사용하여, 감독 엔지니어는 보다 신속하게 바람직하지 않으며 잠재적으로 문제를 일으킬 수 있는 조작 조건을 파악하고 정정하는 것이 가능하다.

본 발명의 일 양태에 따르면, 본 발명의 시스템은, 통상적으로 사용가능한 다른 측정 값으로부터 블레이드 온도를 추정하는 알고리즘에 바탕을 둔 구조의 하이브리드 ANN(인공신경회로망)을 사용한다. 여기서, 통상적으로 사용가능한 측정값이 사용된다. ANN을 훈련시키기 위한 데이터는 수학적 모델에서 얻은 데이터 및 실험을 통해 얻어진 데이터를 포함한다.

본 발명은 도면을 참조한 다음의 상세한 설명에 의해 보다 명확히 이해될 수 있을 것이다.

스팀 터빈 조작중, 풍손에 의한 열이 조작 모드에 의해 허용 범위 내로 유지되어야만 한다. 본 발명에 따른 HP 및 LP 풍손 모듈은 각 터빈의 단에서 블레이드의 온도를 추정하는 조작 장치를 제공한다.

본 발명의 대화식 사용자 인터페이스는, 실시간 값, 이러한 값의 경향 그래프, 및 몰리어 다이어그램 내의 각각의 상태를 표시한다. 측정값 추정 및 다른 사용가능한 측정값에서 감독상의 장점이 도출될 수 있다.

이하에서 풍손 현상의 일예가 설명된다. HP 터빈에서는, 시동장치(trip)를 따라 터빈을 통과하는 스팀 흐름은 없기 때문에, 에너지 이동량은 터빈에서의 압력 및 스팀 농도에 달려 있다. 최대 부하의 시동장치에는, 이에 대응하는 고냉 재열기 압력이 시작부터 도입된다. 풍손에 의한 비허용 가열을 피하기 위해서, 적절한 압력 감쇠 또는 일정한 냉각 스팀 흐름이 필요하다. 몰리어 다이어그램에서의 팽창선은 최대 부하 거부(rejection) 후에 제로 부하까지의 충분한 HP 터빈 흐름의 장점을 나타낸다. 조작자는 이러한 그림을 통해 보다 우수한 정보를 얻을 수 있다.

팽창/압축선의 온-라인(on-line) 시각화는, 일정 경우, 풍손 현상에 의한 과열을 야기하는 터빈의 다른 부분에서 특히 이점을 가져다 준다. 예를들어 두 개의 낮은 히터용 통과선(cross over line)에서 조절 발브가 닫히는 경우, 스팀 터빈을 가열하기 위해서, LP 터빈은 전단계에서의 풍손에 의한 온도 상승 허용 범위 내로 유지되기 위한 냉각 시스템이 필요하게 된다. 이러한 조작 모드에서, LP 터빈에서의 스팀은 전 단계내에서 특히 지배적인 풍손에 의해 발생되는 에너지를 흡수한다.

일반적인 풍손 모듈은 DIGEST 시스템으로 알려진 시스템에서 사용되는 시스템 구조를 따른다. DIGEST는 독일 법인인 Siemens Aktiengesellschaft, (지멘스 아게(Siemens AG))의 KWU-FTP 활동에 의해 발전된 전력 시스템 플렌트용 모듈화된 모니터링 시스템이다. DIGEST는 이하에서 간략히 설명될 6개의 서로 다른 레벨로 분리될 수 있는 모듈화된 시스템 구조를 특징으로 한다. 선택하고자 하는 어떠한 구성을 제조하는데 보다 신축성을 갖는 모듈 성분은 C로 표기된다.

도1은 본 발명에서 제안되는 풍손 모듈 시스템 구조를 도시한다. 첫 번째 두 개 레벨은 DIGEST의 일부로서 이미 사용가능하다. 관리(administative) 및 데이터 레벨에서 수정(modification)이 행해 졌었다. 통신(communication) 및 데이터 레벨에서의 수정에는, 데이터 버스를 통한 구체적인 모듈 데이터 요구를 필요로 하는 파라미터 사양(specfication)이 포함된다. 주요 풍손 모듈 진전(development)은 동작(action) 및 표시(presentation) 레벨에서 이뤄진다.

도1에 도시된 바와 같이, 6개의 풍손 모듈은 다음과 같다.

1. 획득(acqusition) 단계. 이 단계는 데이터 획득 프로세스를 다루며, 지멘스 시마틱(Siemens Simatic) 5 형태의 수개의 프로그램가능 논리 제어기(programmable logic controllers; PLC) 2를 포함한다. 시마틱 5에 대한 서류자료는 Siemens Industrial Automation에서 사용가능하다. 이의 기능(capability)에는, 신호 샘플링, A/D 변환, 제한적 연산, 시퀀스 프로세스 동작 수행, 사이클 타이밍(cycle timing), 및 개방 통신 기능(function)이 포함된다. 본 명세서에서는 소정의 비율로 측정 데이터를 샘플링하고, 이를 디지털화하여 비동기적으로 이서네트(ethernet) 네트워크를 통해 데이터를 전송하는 데이터 획득 장치로서 사용된다.

2. 통신 레벨. 이 단계는 기본적으로 네트워크와 DEC(Digital Equipment Corporation) 디지털 워크스테이션 장치 사이의 정보 전송을 관장하는 통신 서버 6 이다. 통신 송출(issue)을 다루는 표준 DEC 모듈은 옴니-서버/DECnet PhaseV라고 불린다. 데이터 전송을 다루는 DEC 내에서의 프로세스는 DEC-S5, 8, 및 S5-DEC, 10으로 표시된다. DEC-S5는 관리 레벨로부터 S5까지의 데이터 전송을 다루며, S5-DEC는 S5로부터 관리 레벨까지의 데이터 전송을 다룬다.

3. 관리 레벨. 관리 레벨의 제어는, 전신(telegram) 분배기 모듈 12에 의해 수행되는 정식 포맷의 리퀘스트(request) 전송에 의해 풍손 프로세스 제어로부터 통신 레벨까지의 데이터 리퀘스트를 다룬다. 이것은 또한 특정 포맷의 입수 데이터를 다루며 저장을 위해 프로세스 제어로 데이터를 회신한다. 이는 전신 수신기 모듈에 의해 수행된다. 다른 기능에는, 버퍼 용량(de-log), 16, 자기 검사 프로세스(워치 도그(watch dog)), 18, 및 인터럽트(interrupt) 목적용 수개의 타이머/클록(시간-제어), 20을 다루는 것이 포함된다. 자기 검사 프로세스는 시스템 내의 모든 프로세스의 상태를 검사하며 필요한 경우 시스템을 재 부팅한다.

4. 동작 레벨. 동작 레벨은 연속적인 백그라운드(background) 프로세스 및 연산을 제어한다. 이들에는 데이터 리퀘스트의 초기화(RQTs 송신), 입수 데이터의 관리(RDTs), 데이터 저장, 모든 연산 프로세스, 및 결과 저장이 포함된다. 이 레벨에 대해서는 다음 부분에서 보다 상세히 설명될 것이다. 이 단계에는 또한 연산 결과의 유효성을 검사하는 출력 관리가 포함된다. 이러한 구조에서 하이브리드 인공신경회로망(ANN) 추정기의 결과는 분석 모듈의 결과와 항상 비교된다. 이러한 검증은 ANN 훈련 기간중 표시된 모든 샘플과 상이한 입력 값에 의해 종종 발생되는 발생가능한 바람직하지 않은 결과를 검사하는데 필요하다. 차이가 큰 경우는 재 훈련이 다음 차례에 필요하다는 것을 나타낸다.

5. 데이터 레벨. 데이터 레벨은 데이터 저장과 접근(access)에 관련된 모든 프로세스를 다룬다. 여기에는 데이터 서버 22 및 데이터 베이스 24가 포함된다. 데이터 베이스에 대한 모든 접근은 데이터 서버 22를 통하여 이뤄져야 한다. 데이터가 일단 정식 포맷으로 데이터 베이스 24에 저장되면, 모든 레벨에서 용이하게 접근하는 것이 가능하다.

6. 표시 레벨. 표시 레벨은 사용자가 수개의 서로 다른 형식, 즉 현재 값, 경향 다이어그램, 및 몰리어 다이어그램의 형식으로 모든 필요한 정보를 검토할 수 있도록 하는 그래픽 사용자 인터페이스를 제공한다. 이는 풍손 그래픽 사용자 인터페이스 26, 자유 그래픽스(Free Graphics) 28, 및 사용자 인터페이스에 필요한 중간 파라미터 값을 저장하기 위한 공유 메모리 30으로 구성된다. 자유 그라픽스는 데이터 베이스에 저장된 임의의 파라미터 값을 플롯팅(plotting)하기 위한 독립적 그래픽 도구이다. 이 도구는 최초 DIGEST 시스템의 일부로서 발전되었다.

정보는 주로 블레이드 온도를 나타내는 주 풍손 스크린에서 시작하는 수개의 층에 표시된다. 이에 수반하는 층은 각 터빈 부분의 상세한 조건을 나타낸다. 이러한 층들은 조작자가 터빈 조작에 관련된 적절한 결정을 하는데 관련된 모든 파라미터 값을 제공한다. 이 층 내부의 보다 상세한 프로세스는 다음 부분에서 설명될 것이다. 진전(development) 스크린은 일부 내부 모듈 및 시스템 파라미터 또는 프로세스에 접근하기 위해서 선택적으로 제공된다. 그러나, 이러한 특징은 실제 작업의 경우에는 원칙적으로 보안을 이유로 생략되는 것이 바람직하다.

모니터링 프로세스는 모든 시간마다 같은 비율로 돌리는데 항상 필요한 것은 아니다. 이것은 터빈의 조작 조건에 달려있다. 각각의 구체적인 터빈에 대하여, 예를들어, 느린 종료, 시동, 부하 거부에서 무부하, 최대 부하, 및 저부하와 같은 수개의 시나리오가 미리 결정될 수 있다. 모니터링 사이클은 이들의 임계조건에 따라 서로 다른 조건에서 자동적으로 수정되어야 하며 각 표시는 조작자를 돕기 위해 팝-업(pop-up)에 배치될 수 있다.

풍손 모듈은 기본적으로 두개의 주요한 프로세스, 즉 백그라운드 프로세스 및 대화형 표시 프로세스를 갖는다. 백그라운드 프로세스는 필요한 파라미터 값을 얻고, 소정의 비율로 블레이드 온도를 계산하고, 관련 정보를 적절한 공유 메모리 및 데이터 베이스에 기록하는 것을 책임진다. 대화형 표시 프로세스는 임의의 시점에서 필요하거나 요구되는 정보를 도해적으로 나타낸다. 프로세스 비율은 모든 측정 안정화 전에 요구되는 최저 시간 양에 의해 제한되며 터빈 조건의 엄격성에 근거하여 변화된다. 임계 블레이드 온도 부근에서의 조작은 보다 신속한 프로세스 비율을 요구한다.

프로세스를 모니터링하기 전에, ANN은 훈련되어야 한다. 하부 구조 훈련은 모니터링 모듈에서 사용되는 파라미터 및 적절한 무게를 만드는 것을 담당한다. 이러한 프로세스는 오프-라인(off-line)으로 행해지며 GUI 인터페이스에서는 제어 가능하지 않다. 네트워크는 예상되는 정상 조작 영역용 분석 수단을 사용한 추정된 온도 계산에 의해 얻어진 시뮬레이션된 데이터를 사용하여 훈련된다. 상기 실험은 종료(shut-down), 부하 손실, 및 시동(start-up)과 같은 특정한 낮은 스팀 흐름 조건에서 데이터를 발생시키는데 집중되어 있다.

이러한 배치를 통해 터빈의 전체적인 조작 범위에서의 블레이드 온도가 추정될 수 있을 것으로 예상된다. 추정기에 대한 최소 입력에는 주 스팀 압력의 실시간 측정 값, 주 스팀의 온도, 제3 단에서의 압력 및 배출 압력이 있다. 부가적인 입력은 선택적으로 제공되어 평가된다.

백그라운드 프로세스에서는 측정 데이터를 얻고, 블레이드 온도 및 다른 필요한 값을 계산하며, 이러한 값들은 적절한 위치에 저장된다. 프로세스 시퀀스는 다음과 같다.

통신 레벨(DEC-55 프로토콜 사용) 및 관리 레벨(전신 분배기)을 통해 획득 레벨에 필요한 측정 데이터를 요청한다.

획득 시스템 시마틱 5(지멘스 PLC)로터 측정 데이터를 수신한다. 리퀘스트는, 이서네트 네트워크를 통해 전송되고, S5-DEC 프로토콜을 사용하여 통신되며, 관리 레벨 내에서의 원격 변환(tele-capture)에 의해 운영된다. 상기 측정 파라미터에는 다음의 항목,

Pms = 주 스팀의 압력(bar),

Tms = 주 스팀의 온도(℃),

P1 = 블레이딩(blading) 전의 스팀 압력(bar) ,

T1 = 블레이딩 전의 스팀 온도(℃),

P3 = 제3 단에서의 압력,

Pex = 재열 후의 배출 압력(bar),

Peh = 재열 전의 배출 압력(bar),

Teh = 재열 전의 배출 온도(℃),

Tcb = 하부 케이스 온도(℃),

Tcu = 상부 케이스 온도(℃),

Tci = 내부 케이스 온도(℃),

Tco = 외부 케이스 온도(℃),

N = 회전 속도(RPM),

Pout = 외부 동력(㎿)이 포함된다.

입수 데이터를 목적하는 포맷으로 예비 프로세싱한다(인터프리터(interpreter)). 이 프로세스에서는 기본적으로 입수 데이터 열을 읽고 표준 아스키(ASCII) 포맷으로 재 포맷한다.

장래의 프로세싱을 위해 중간 파일에서의 데이터를 저장한다.

추정기는 측정 값을 사용하여 블레이드 온도 값을 계산한다. 적어도 HP 터빈용 블레이드 온도 추정에 사용되는 입력 측정 값은,

1. 주 스팀 압력(Pms),

2. 주 스팀 온도(Tms),

3. 제3 단에서의 온도(P3rd),

4. 배출 압력(Pex)

5. 회전 속도이다.

블레이드 온도를 추정하는 첫 번째 접근방법은 도2(a)의 연이은 3개층 ANN을 사용하는 것이다. 두 번째 접근방법은 중간 파라미터의 분해에 의한 도2(b)의 하이브리드 기술을 사용한다. 여기서,

a. 하나의 중간 파라미터(T3)은 다음 수학식을 사용하여 분석적으로 계산되며,

여기서, n₀는 터빈의 구체적 크기에 관련되어 주어지는 상수이다.

b. 또다른 중간 상수(n)는 현재 입력값에 근거하여 훈련된 ANN에 의해 계산된다.

c. 두 개의 중간 값을 사용하여, 현재의 블레이드 온도는 다음 수학식2에 의해 계산된다.

이러한 방식으로, 기지의 모델로부터 미지(수학적으로)의 모델 사이의 분리가 유지된다. 이러한 방식으로, "블랙 박스(black box)" ANN 모델 내의 복잡성과 비선형성이 감소된다. 또한, 이는 ANN 모델의 구체적 터빈 파라미터에의 의존성을 감소시키는데 도움을 준다. 이것은, 서로 다른 터빈 사이의 일반화를 포함하여 전체 추정 구조의 정밀성 및 강건성(robustness)을 향상시킨다. 이것은, 새로운 지식에 따른 중간 파라미터의 변환에서와 같은 유연성을 유지하는 방법을 가능하게 하며, 이러한 변환은 또한 입력 파라미터에도 적용된다. 이러한 적용가능성이 본 발명에서 고려된다.

블레이드 온도 추정 및 다른 측정 파라미터는 다음 두개의 서로 다른 장소인, 데이터 베이스와 중간 공유 메모리에 저장된다.

a. 모든 값은 데이터 서버를 통해 데이터 베이스내에 저장된다.

b. GUI 내에 표시되는 것이 필요한 값은 또한 일시 공유 메모리내에 저장된다.

이러한 값들은 다음 GUI 프로세스에서 읽을 수 있는 상태가 된다.

도3은 직접 접근 또는 하이브리드 접근중 하나에 의해 ANN 모듈에 적용될 수 있는 일반적인 훈련 프로세스를 도시한다. 이의 유일한 차이점은 백그라운드 프로세스에서 지적된 입력 파라미터에 있다. 상기 프로세스는 다음과 같이 설명될 수 있다.

첫 번째 단계는 물/스팀 사이클 분석을 사용한 시뮬레이션으로부터 얻어진 데이터와 실험에 의해 얻어진 데이터를 기본적으로 결합하여 데이터를 구축하는 단계이다. 이러한 분석은, 예를들어 DIGEST 시스템 내의 열역학 모듈에 포함된다. 물/스팀 사이클 분석은 DIGEST 시스템의 열역학 모듈 내부에서 사용된다. 상기에서 설명한 바와 같이, DIGEST 모니터링 시스템은 현재 SIEMENS AG를 통한 시장에서 사용가능하다.

다음, 상기 데이터는 ANN의 입력 포맷을 만족시키도록 재 포맷된다. 다음, 상기 데이터는 훈련 및 식별 목적용으로 사용되는 데이터 파일과 검사 목적용으로 사용되는 데이터 파일의 두 개의 분리된 데이터 파일로 분리되도록 재편성된다. 사용가능한 데이터를 재분리하는데 어떠한 규칙이 있는 것은 아니나, 데이터는 모든 조작 지역이 잘 표현될 수 있도록 재편성되어야 한다. 본 발명의 예시적인 실시예에서, 사용가능한 데이터의 80%는 훈련과 식별을 위한 것으로 나머지는 검사를 위한 것으로 사용된다.

ANN 구조는 하나의 숨은 층(hidden layer)을 갖는 표준 다층이다. 숨은 유닛의 수는 특별한 성능 향상 없이 4 내지 10의 범위에서 변화된다. 그러나 숨은 유닛의 숫자가 많은 경우에는 훈련기간이 더 길어지며 과도근사(overfitting)의 위험이 발생할 수 있다.

도3을 참조하면, 알고리즘 최적화 형태, 동작 기능 형태, 숨은 유닛의 갯수, 오차 임계값을 포함한, 훈련 파라미터의 초기 세트에서 시작하여, 훈련 프로세스가 시작된다. 사용된 알고리즘 최적화는 다양한 최적화 또는 신경회로망 교과서에서 사용가능한 표준기술이다. 예를들어, Hertz, A. Krogh, and R.G. Palmer, "Introduction to the theory of neural computation", A lecture notes volume in the Santa Fe Institute Studies in The Science of Complexity, Addison-Wesley Publishing Company, July 1991; 및 D. Rumelhart, J. L. McClelland, and the PDP Reseach Group, "Parallel distributed processing: Exploration in the mocrostructure of cognition, Volume 1: Foundations", MIT Press, Cambridge 1987이 참조될 수 있다.

본 발명의 예시적인 실시예와 관련하여, 경사 하강(gradient descent) 및 무공액 경사 기술을 포함한 몇몇 기술들이 연구되었다. 신속한 수렴(convergence)이 공액(conjugate) 경사 기술의 하나의 변형을 사용하여 얻어진다.

시스템이, 오차 임계값 식별이 만족될 정도로 만족스럽게 수렴되는 경우에는, ANN 파라미터(연결 무게(weight) 및 유닛의 임계값)는 검사를 위해 저장된다. 시스템이 수렴되지 않는 경우에는, 훈련 파라미터는 해답(solution)이 얻어질 때까지 수정되어야 한다.

위의 프로세스는 상기 시스템이 서로 다른 초기 조건 및 훈련 파라미터를 갖는 서로다른 해답으로 수렴될 수 있는 것으로 일반적으로 알려져 있기 때문에 반복적으로 행해질 수 있다. 특정 갯수의 해답을 얻는 것은 전체적인 최적 해답이 발견될 수 있는 가능성을 증가시킬 수 있다.

상기 해답은 다음 데이터 검사 파일을 사용하여 검사된다. 최저 오차를 갖는 해답은 백그라운드 프로세스 중의 추정 프로세스에서 사용될 수 있다.

현재 값 및 경향 다이어그램에 부가하여, 그래픽 사용자 인터페이스는 또한 몰리어 다이어그램의 스팀 동작 내에서의 터빈 동작을 나타낼 수 있다. 몰리어 챠트, 엔트로피/엔탈피 다이어그램, 또는 전열/엔탈피 다이어그램으로 불리는 이 다이어그램은 열역학 엔지니어를 위한 친숙한 환경을 제공하고 모든 기지의 임계 조작 경계치에 대한 터빈 조건이 보다 잘 표시되도록 도울 수 있다. 따라서, 이러한 온-라인 터빈 조건 시각화는 사용자가 적절한 제어 동작을 행할 수 있도록 돕는다.

일반적으로 GUI 프로세스는 사용자에 의해 시작되어야 한다. 이 프로세스는 필요한 백그라운드 프로세스에 의해 저장된 값에 접근한다. GUI 프로세스는 다음의 단계를 거친다(도4의 대응 예시를 참조).

풍손 그래픽 사용자 인터페이스 모듈은 독립적으로 또는 DIGEST 내로부터 시작될 수 있다. 이는 공유 저장장치에의 연결을 자동적으로 개시한다. 공유 저장장치는, 기본적으로 GUI 및 그 외부에 주로 버퍼를 포함하는 임의의 프로세스 사이의 데이터 접근 및 전송를 다루는 루틴(routine)이다.

표지의 도5(a)에서, 사용자는 'TURBINE' 메뉴를 통해 다음의 터빈 윈도우,

- HP 터빈,

- LP1 터빈,

- LP2 터빈,

- 또는 다른 (적용 가능한) 터빈

중에서 어떠한 것도 검토될 수 있도록 선택할 수 있다.

각 터빈에 대해, 'DIAGRAM' 메뉴를 통해 선택될 수 있는 세 개의 뷰(view) 윈도우,

- 터빈 개요(도5(b) - 도(5d)),

- 몰리어 다이어그램(도(e) - 도(g)), 또는

- 경향 다이어그램 윈도우(도5(h) - 도5(j))

가 존재한다.

'터빈 개요 윈도우'는 블레이드 온도의 현재 값뿐만 아니라 사용자가 터빈 제어에 관련된 어떠한 결정을 내리는데 중요한 다른 정보를 제공한다.

몰리어 다이어그램은 위에서 언급한 책과 같은 임의의 열역학 교과서로부터 사용가능한 표준 열역학 계산에 근거하여 만들어 진다. 여기서 루틴(routine)은, 백그라운드 몰리어 그리드(grid)를 산출하고, 다음 상기 그리드 상의 현재 측정 값으로부터 계산된 확장 데이터를 중합쓰기(overlay)하는데 사용된다. 예를들어, 이러한 루틴에는 지멘스 아게(Siemens AG)의 사용자 메뉴얼 3판, 1992년 10월의 VISUM이 사용가능하다.

상기 몰리어 다이어그램 윈도우에 만들어진 몇개의 특징에는,

1. 단지 소정의 영역을 마우스로 닫아 박스를 형성함에 의한 엔탈피- 엔트로피 그래프 내에서의 확대 기능,

2. 대응 파라미터 값 테이블/박스에서 클릭함에 의해 동작될 수 있는 순간 소형 경향 다이어그램,

3. 사용자의 편의에 따라 검토(viewing) 파라미터를 기밀화할 수 있는 방법을 제공하는 몰리어 선택 인터페이스가 포함된다. 이것은 또한 사용자가 경계 레벨 동작용 소정의 임계값을 설정하고 알람 신호를 조작자에 보낼 수 있도록 하는 온도 임계값을 제공한다.

경향 다이어그램은 표시된 파라미터를 10개까지 동시에 선택하는 것을 가능하게 한다. 표시될 수 있는 최대 파라미터 갯수는 본질적으로 제한되지 않으나, 10보다 큰 갯수는 그래프 자체를 검토하는데 어려움을 가져다 준다. 이것은 몰리어 다이어그램에서의 특징 2번과 동일한 특징을 갖는다. 그래프 내의 정확한 값은 목적하는 지점을 클릭함으로써 파악될 수 있다. 정확한 값은 대응축 아래에 표시된다.

경향 다이어그램 윈도우에서, 사용자는 완전한 데이터 베이스에 사용자가 접근하도록 하는 '자유 그래픽스(FREE GRAPHICS)'를 선택함으로써 데이터를 더 분석할 수 있다. 이러한 요소는 DIGEST 시스템 내에 제공된다.

GUI 표시 프로세스는, 데이터 서버를 통해 데이터 베이스로부터의 데이터에 접근하는 자유 그래픽스 루틴의 경우는 제외하고, 공유 메모리로부터 필요한 데이터에 접근한다.

본 발명이 예시적인 실시예를 참조하여 설명되었으나, 본 발명과 관련된 분야의 통상의 지식을 가진 자는 본 발명의 다양한 변화 및 변형예를 도출할 수 있을 것이다. 예를들어, 본 명세서에서 얻어진 파라미터의 선택은 편의 또는 선택 문제에 따라 변경될 수 있다. 이들 및 이와 유사한 변화들은 다음의 청구범위에 의해 설정되는 본 발명의 범위 및 사상 내에 속하는 것으로 해석된다.

Claims

입력 단(stage) 및 출력 단 중 적어도 하나의 위치에서의 온도 및 압력을 포함하는 측정 파라미터 값을 사용하여 스팀 터빈의 블레이드(blade) 온도를 추정하는 방법으로서,

물/스팀 사이클 분석 프로그램을 사용한 블레이드 온도 값 및 의도된 실험에 의한 블레이드 온도 값을 시뮬레이션하는 단계;

인공신경회로망(ANN)에 상기 측정 파라미터 값 및 상기 블레이드 온도 값을 제공하여 상기 ANN을 훈련시키는 단계; 및

상기 ANN에 실시간 측정값을 인가하는 단계를 포함하는 것을 특징으로 하는 스팀 터빈의 블레이드 온도 추정 방법.
제 1항에 있어서, 상기 측정 파라미터 값은 그 갯수가 4인 것을 특징으로 하는 스팀 터빈의 블레이드온도 추정 방법.
제 1항에 있어서, 상기 ANN은 조작 블레이드 온도 값을 유도하는데 직접 사용되는 것을 특징으로 하는 스팀 터빈의 블레이드 온도 추정 방법.
제 3항에 있어서, 상기 측정 파라미터 값의 제1 서브그룹을 만드는 단계;

상기 제1 서브그룹을 사용하여 상기 ANN을 훈련시키는 단계;

상기 측정 파라미터 값의 제2 서브그룹을 만드는 단계;

상기 제2 서브그룹을 사용하여 중간 파라미터를 유도하기 위한 계산을 수행하는 단계; 및

상기 중간 파라미터와 상기 측정 파라미터 값중 하나를 사용하여 상기 블레이드 온도 값을 계산하는 단계를 포함하는 것을 특징으로 하는 스팀 터빈의 블레이드 온도 추정 방법.
제 4항에 있어서, 5개의 측정 파라미터가 사용되고 상기 제1 서브그룹은 4개의 측정 파라미터로 이루어지는 것을 특징으로 하는 스팀 터빈의 블레이드 온도 추정 방법.