CN107291944A - 锅炉主要受热面超前诊断分析方法及*** - Google Patents

锅炉主要受热面超前诊断分析方法及*** Download PDF

Info

Publication number
CN107291944A
CN107291944A CN201710562120.4A CN201710562120A CN107291944A CN 107291944 A CN107291944 A CN 107291944A CN 201710562120 A CN201710562120 A CN 201710562120A CN 107291944 A CN107291944 A CN 107291944A
Authority
CN
China
Prior art keywords
boiler
heating surface
failure
mrow
msub
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
CN201710562120.4A
Other languages
English (en)
Inventor
刘瑞平
李晓
闫修峰
许卷卷
刘焕永
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.)
Ji'nan As Technology Co Ltd
Original Assignee
Ji'nan As Technology 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 Ji'nan As Technology Co Ltd filed Critical Ji'nan As Technology Co Ltd
Priority to CN201710562120.4A priority Critical patent/CN107291944A/zh
Publication of CN107291944A publication Critical patent/CN107291944A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • F22B37/38—Determining or indicating operating conditions in steam boilers, e.g. monitoring direction or rate of water flow through water tubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开了一种锅炉主要受热面超前诊断分析方法及***，方法首先采用理论数学模型、动态专家知识库和数据挖掘三者有机融合的方式建立智能超前诊断模型，然后采用三维立体可视化的手段对锅炉内部结构进行展示，最后对预测后的锅炉主要受热面受损情况进行关联调整分析，进行锅炉主要受热面的超前诊断后的干预调整，形成闭环管理，以此来避免锅炉故障的发生。***包括数学模型建立模块、动态专家知识库建立模块、数据信息挖掘模块和故障超前诊断与预警模块。本发明能够预测锅炉四管未来受损情况，便于提前采取措施，减少或避免爆管事故的发生。

Description

锅炉主要受热面超前诊断分析方法及***
技术领域
本发明涉及一种锅炉主要受热面超前诊断分析方法及***，属于电站锅炉故障诊断技术领域。
背景技术
锅炉主要受热面包括汽包、过热器管、再热器管、省煤器管和水冷壁管等，它们除了要承受高温高压作用外，还受到来自工质侧或烟气侧的腐蚀、磨损和疲劳损伤等，工作条件比较恶劣。
统计表明，火力发电机组约40％的事故停机是由于锅炉故障引起的,而其中70％的故障是由受热面被破坏造成的。为了避免锅炉故障造成的非计划停机，电厂只能以保守的方式在日常运行和定期检修之间寻求平衡点。
目前，已经出现了一些锅炉故障诊断方法。根据德国学者Frank教授的观点,故障诊断的方法可以分为三大类:基于信号处理的方法、基于解析模型的方法和基于知识的方法。但是，电站锅炉内部燃烧环境恶劣，数据监测点缺乏，是一个复杂的工业***,其故障多性和复杂性,因此不可能仅通过某一类方法就解决锅炉中所有的故障检测与诊断问题,必须充分利用***所提供的各种信息,结合多种诊断方法,才能对其故障实现有效的诊断。
故障诊断技术发展至今,锅炉主要受热面的爆漏等事故始终没有得到有效控制，锅炉受热面有什么问题、什么时候会达到承受极限、如何预防、解决措施是什么等一系列问题不能得到根本性的解决。
发明内容
为了解决目前锅炉主要受热面故障不易诊断和超前预测的问题，本发明提供了一种锅炉主要受热面超前诊断分析方法及***，其能够有效的控制锅炉主要受热面的爆漏等事故的发生。
本发明解决其技术问题采取的技术方案是：
本发明的一种锅炉主要受热面超前诊断分析方法，它首先采用理论数学模型、动态专家知识库和数据挖掘三者有机融合的方式建立智能超前诊断模型，然后采用三维立体可视化的手段对锅炉内部结构进行展示，最后对预测后的锅炉主要受热面受损情况进行关联调整分析，进行锅炉主要受热面的超前诊断后的干预调整，形成闭环管理，以此来避免锅炉故障的发生。
本发明的一种锅炉主要受热面超前诊断分析方法，具体包括以下步骤：
(1)建立数学模型：获取锅炉实时监测点的数据信息，建立锅炉受热面主要受损类型的数学模型，进行劣损定量计算分析，获取锅炉主要受热面的实时受损情况；
(2)建立动态专家知识库：搜集整理针对所诊断锅炉四管故障的通用性理论知识和所诊断锅炉的历史检修资料，进行汇总得到适用所诊断锅炉四管故障相关的专家知识库，同时为专家知识库预留专家知识获取接口，不断动态更新专家知识库，用以提高预测准确率；
(3)挖掘数据信息：充分利用大数据挖掘技术对锅炉历史运行相关数据进行关联挖掘分析，找出锅炉失效时的相关运行参数的反应规律，以此倒推锅炉的受损与失效情况；
(4)故障超前诊断与预警：基于所述的数学模型、动态专家知识库和大数据挖掘信息进行有机融合，进行锅炉主要受热面超前诊断分析与预警。
进一步的，所述建立数学模型的具体过程为：输入锅炉实时监测点以及锅炉受热面管的压力、温度、运行时间、管子材质、厚度和管子氧化性能信息，建立锅炉受热面的蠕变、腐蚀、疲劳以及磨损量受损类型的数学模型，计算管子高温蠕断时间、低温腐蚀量、管壁减薄率、疲劳寿命和磨损量，进行劣损定量计算分析来获取锅炉主要受热面的实时受损情况；
所述数学模型中的计算公式为：
lgτ＝-c+Const/T
其中，T为钢材的使用温度，C为钢材常数，τ为钢材的蠕断时间；
其中，φr为材料的蠕变寿命损耗量，Δτr为在i参数下部件的运行时间，τri为在i参数下部件的蠕变断裂时间；
应力计算公式为：
其中，σp为管子计算应力，P为管子中工质的压力，Dn为管子的平均直径，S为管子的壁厚；
计算管子的实际薄厚公式为：
S＝Sb-Sw-Sn
其中，S为管子实际计算的壁厚，Sb为最初管子的壁厚，Sw为由于外部腐蚀管子减少的壁厚，Sn为由于内部腐蚀管子减少的壁厚；
其中，q1为由于内部腐蚀管子内表面的单位面积失重，q2为由于外部腐蚀管子外表面的单位面积失重，ρ为金属的密度；
δmax＝αηmkkμω3kν 3t
其中，δmax为磨损量，α为飞灰磨损性系数，η为飞灰的管壁撞击率，m为金属抗磨性系数，k为飞灰浓度，kμ为飞灰浓度场分布不均匀系数；kv为烟气速度场分布不均匀系数，t为时间，ω为飞灰速度。
进一步的，所述建立动态专家知识库的具体过程包括专家知识的获取过程、知识的表示及存储过程、知识的推理过程和专家知识库的动态更新过程；
所述专家知识的获取过程具体为：通过手工、半自动和自动三种方式中的一种或多种获取专家知识；a、手工获取专家知识：通过知识工程师和领域专家频繁而深入的交谈获得的专家知识，并由知识工程师把挖掘来的专家经验知识按规定的知识表示形式加工并输入到专家知识库中；b、半自动获取专家知识：利用具有一定知识编辑能力和知识库求精能力的知识工程语言和知识获取工具来进行专家知识的获取；c、自动获取专家知识：通过专家直接同***对话而无需知识工程师介入，对话内容自动变换成专家知识库中的知识，或进行知识库的修改；
所述知识的表示及存储过程为：专利知识库由案例库及诊断结论库组成，其中案例库存放由案例征兆表及结果表组成的案例规则，案例征兆表存放规则中的条件部分，结果表中存放结论部分，两表用“案例号"外键联系起来；所述知识的推理过程为：当从案例征兆表中找到故障现象时，可从结果表中找到对应的故障原因信息，知识库的推理结论可以直接存储到诊断结论库中；
所述专家知识库的动态更新过程为：为动态专家知识库预留专家知识获取接口，不断动态更新专家知识库，用以提高预测准确率。
进一步的，所述挖掘数据信息的具体过程为：大数据挖掘采用数据挖掘关联规则Apriori算法进行锅炉受热面失效关联信息的挖掘分析，关联规则指在同一个事件中出现的不同项的相关性，即出现失效现象时同时会出现哪种或哪几种参数的明显特征；寻找失效发生前、发生时、发生后的模式与规律；关联规则的挖掘分为两步：找出所有频繁项集，由频繁项集产生强关联规则。
进一步的，所述方法还包括以下步骤：
(5)锅炉结构展示：采用三维立体可视化的手段对锅炉内部结构进行展示。
进一步的，所述方法还包括以下步骤：
(6)在线关联调整：根据锅炉主要受热面预警结果，对劣损情况进行运行干预调整，以此形成闭环管理。
本发明提供的一种锅炉主要受热面超前诊断分析***，它包括：
数学模型建立模块，用以获取锅炉实时监测点的数据信息，建立锅炉受热面主要受损类型的数学模型，进行劣损定量计算分析获取锅炉主要受热面的实时受损情况；
动态专家知识库建立模块，用以搜集整理针对所诊断锅炉四管故障的通用性理论知识和所诊断锅炉的历史检修资料，进行汇总得到适用所诊断锅炉四管故障相关的专家知识库，同时为专家知识库预留专家知识获取接口，不断动态更新专家知识库，提高预测准确率；
数据信息挖掘模块，用以充分利用大数据挖掘技术对锅炉历史运行相关数据进行关联挖掘分析，找出锅炉失效时的相关运行参数的反应规律，以此倒推锅炉的受损与失效情况；
故障超前诊断与预警模块，用以基于所述的数学模型、动态专家知识库和大数据挖掘信息进行有机融合，进行锅炉主要受热面超前诊断分析与预警。
进一步的，所述***还包括
锅炉结构展示模块，用以采用三维立体可视化的手段对锅炉内部结构进行展示。
进一步的，所述***还包括在线关联调整模块，用以根据锅炉主要受热面预警结果，对劣损情况进行运行干预调整，以此形成闭环管理。
本发明的有益效果是：
本发明的锅炉主要受热面超前诊断分析方法通过理论数学模型+动态专家知识库+数据挖掘三者有机融合的方式，建立智能预测模型，实现锅炉主要受热面的超前诊断分析；该方法针对锅炉主要受热面存在监测点的部位，建立实时在线受损监视模型，计算锅炉主要受热面的热承受时间、腐蚀量、疲劳损耗等，根据受损标准实现锅炉主要受热面的定量化受损分析与预测；针对没有监测点的部位，根据从检修资料中获取的信息，结合现场汇总的宝贵实践经验，建立动态专家知识库，同时对历史故障关联数据进行数据挖掘，通过挖掘关联数据信息与专家知识库知识的融合，根据故障本身现象及关联特征倒推故障的演变规律，提供预测未来的智能模型。专家知识库预留专家知识获取接口，不断动态更新专家知识库，随着专家知识库的不断丰富与完善，***可实现智能自学习。锅炉主要受热面超前诊断分析方法采用以上智能预测模型实现了锅炉主要受热面的故障超前诊断分析与预测，并以三维可视化的方式进行结果展示，同时针对预测结果进行在线关联调整分析，提供优化调整方向，便于控制恶化速度，延缓事故的发生，形成管理的闭环。
通过本发明的锅炉主要受热面超前诊断分析方法，能够预测锅炉四管未来受损情况，便于提前采取措施，减少或避免爆管事故的发生；为运行人员提供维修与运行优化指导，防止恶化趋势的加剧，延长设备寿命；实时给出锅炉四管受损现状，便于把控总体形势；为检修人员提供辅助检修决策，提高检修精准性，预防欠维修及过维修；促使检修台帐、设备管理和运行规范化和标准化。
本发明的锅炉主要受热面超前诊断分析***采用智能预测模型实现了锅炉主要受热面的故障超前诊断分析与预测，并以三维可视化的方式进行结果展示，同时针对预测结果进行在线关联调整分析，提供优化调整方向，便于控制恶化速度，延缓事故的发生，形成管理的闭环。
附图说明
图1为本发明实施例1的方法流程图；
图2为本发明实施例2的方法流程图；
图3为本发明实施例3的***结构图；
图4为本发明实施例4的锅炉主要受热面超前诊断分析流程图；
图5为本发明实施例4中通过关联分析给出维修与运行优化建议示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式并结合其附图对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
如图1所示，本发明的一种锅炉主要受热面超前诊断分析方法，它首先采用理论数学模型、动态专家知识库和数据挖掘三者有机融合的方式建立智能超前诊断模型，然后采用三维立体可视化的手段对锅炉内部结构进行展示，最后对预测后的锅炉主要受热面受损情况进行关联调整分析，进行锅炉主要受热面的超前诊断后的干预调整，形成闭环管理，以此来避免锅炉故障的发生。
实施例2
如图2所示，本发明的一种锅炉主要受热面超前诊断分析方法，具体包括以下步骤：
(1)建立数学模型：获取锅炉实时监测点的数据信息，建立锅炉受热面主要受损类型的数学模型，进行劣损定量计算分析获取锅炉主要受热面的实时受损情况；
(2)建立动态专家知识库：搜集整理针对所诊断锅炉四管故障的通用性理论知识和所诊断锅炉的历史检修资料，进行汇总得到适用所诊断锅炉四管故障相关的专家知识库，同时为专家知识库预留专家知识获取接口，不断动态更新专家知识库，提高预测准确率；
(3)挖掘数据信息：充分利用大数据挖掘技术对锅炉历史运行相关数据进行关联挖掘分析，找出锅炉失效时的相关运行参数的反应规律，以此倒推锅炉的受损与失效情况；
(4)故障超前诊断与预警：基于所述的数学模型、动态专家知识库和大数据挖掘信息进行有机融合，进行锅炉主要受热面超前诊断分析与预警；
(5)锅炉结构展示：采用三维立体可视化的手段对锅炉内部结构进行展示；
(6)在线关联调整：根据锅炉主要受热面预警结果，对劣损情况进行运行干预调整，以此形成闭环管理。
上述方法中，所述建立数学模型的具体过程为：输入锅炉实时监测点以及锅炉受热面管的压力、温度、运行时间、管子材质、厚度和管子氧化性能信息，建立锅炉受热面的蠕变、腐蚀、疲劳以及磨损量受损类型的数学模型，计算管子高温蠕断时间、低温腐蚀量、管壁减薄率、疲劳寿命和磨损量，进行劣损定量计算分析来获取锅炉主要受热面的实时受损情况；
所述数学模型中的计算公式为：
lgτ＝-c+Const/T
其中，T为钢材的使用温度，C为钢材常数，τ为钢材的蠕断时间；
其中，φr为材料的蠕变寿命损耗量，Δτr为在i参数下部件的运行时间，τri为在i参数下部件的蠕变断裂时间；
应力计算公式为：
其中，σp为管子计算应力，P为管子中工质的压力，Dn为管子的平均直径，S为管子的壁厚；
计算管子的实际薄厚公式为：
S＝Sb-Sw-Sn
其中，S为管子实际计算的壁厚，Sb为最初管子的壁厚，Sw为由于外部腐蚀管子减少的壁厚，Sn为由于内部腐蚀管子减少的壁厚；
其中，q1为由于内部腐蚀管子内表面的单位面积失重，q2为由于外部腐蚀管子外表面的单位面积失重，ρ为金属的密度；
δmax＝αηmkkμω3kν 3t
其中，δmax为磨损量，α为飞灰磨损性系数，η为飞灰的管壁撞击率，m为金属抗磨性系数，k为飞灰浓度，kμ为飞灰浓度场分布不均匀系数；kv为烟气速度场分布不均匀系数，t为时间，ω为飞灰速度。
上述方法中，所述建立动态专家知识库的具体过程包括专家知识的获取过程、知识的表示及存储过程、知识的推理过程和专家知识库的动态更新过程；
所述专家知识的获取过程具体为：通过手工、半自动和自动三种方式中的一种或多种获取专家知识；a、手工获取专家知识：通过知识工程师和领域专家频繁而深入的交谈获得的专家知识，并由知识工程师把挖掘来的专家经验知识按规定的知识表示形式加工并输入到专家知识库中；b、半自动获取专家知识：利用具有一定知识编辑能力和知识库求精能力的知识工程语言和知识获取工具来进行专家知识的获取；c、自动获取专家知识：通过专家直接同***对话而无需知识工程师介入，对话内容自动变换成专家知识库中的知识，或进行知识库的修改；
所述知识的表示及存储过程为：专利知识库由案例库及诊断结论库组成，其中案例库存放由案例征兆表及结果表组成的案例规则，案例征兆表存放规则中的条件部分，结果表中存放结论部分，两表用“案例号"外键联系起来；所述知识的推理过程为：当从案例征兆表中找到故障现象时，可从结果表中找到对应的故障原因信息，知识库的推理结论可以直接存储到诊断结论库中；
所述专家知识库的动态更新过程为：为专家知识库预留专家知识获取接口，不断动态更新专家知识库，提高预测准确率。
上述方法中，所述挖掘数据信息的具体过程为：大数据挖掘采用数据挖掘关联规则Apriori算法进行锅炉受热面失效关联信息的挖掘分析，关联规则指在同一个事件中出现的不同项的相关性，即出现失效现象时同时会出现哪种或哪几种参数的明显特征；寻找失效发生前、发生时、发生后的模式与规律；关联规则的挖掘分为两步：找出所有频繁项集，由频繁项集产生强关联规则。充分利用大数据挖掘技术对锅炉历史运行相关数据进行关联挖掘分析，如主蒸汽相关参数、给水相关参数、阀门开度相关参数、抽汽相关参数等等。找出锅炉失效时的相关运行参数的反应规律，从而倒推锅炉受损与失效情况。比如：1)管壁温度急剧变化会最终会导致热疲劳损伤；2)长期给水温度低、过量空气系数过大等会造成低温腐蚀严重；3)热电联产运行中工业抽汽对再热器超温以及氧化之间的关联概率；4)检修历史中管子故障的间隔时间规律，同一部位或同一种类型的故障频次等等重要信息。
实施例3
如图3所示，本发明的一种锅炉主要受热面超前诊断分析***，它包括：
数学模型建立模块，用以获取锅炉实时监测点的数据信息，建立锅炉受热面主要受损类型的数学模型，进行劣损定量计算分析，获取锅炉主要受热面的实时受损情况；
动态专家知识库建立模块，用以搜集整理针对所诊断锅炉四管故障的通用性理论知识和所诊断锅炉的历史检修资料，进行汇总得到适用所诊断锅炉四管故障相关的专家知识库，同时为专家知识库预留专家知识获取接口，不断动态更新专家知识库，提高预测准确率；
数据信息挖掘模块，用以充分利用大数据挖掘技术对锅炉历史运行相关数据进行关联挖掘分析，找出锅炉失效时的相关运行参数的反应规律，以此倒推锅炉的受损与失效情况；
故障超前诊断与预警模块，用以基于所述的数学模型、专家知识库和大数据挖掘信息进行有机融合，进行锅炉主要受热面超前诊断分析与预警；
锅炉结构展示模块，用以采用三维立体可视化的手段对锅炉内部结构进行展示；
在线关联调整模块，用以根据锅炉主要受热面预警结果，对劣损情况进行运行干预调整，以此形成闭环管理。
实施例4
如图4所示，本发明的一种锅炉主要受热面超前诊断分析方法，它的实现过程包括以下步骤：(1)输入锅炉实时监测点以及锅炉受热面管的主要信息：压力、温度、运行时间、管子材质、厚度、管子氧化性能等，建立锅炉受热面主要受损类型(蠕变、腐蚀、疲劳以及磨损量)的数学模型，计算管子高温蠕断时间、低温腐蚀量、管壁减薄率、疲劳寿命、磨损量等，实现劣损定量计算分析，实时获取锅炉主要受热面的受损情况。数学模型建立的计算公式依次为：
lgτ＝-c+Const/T
其中，T为钢材的使用温度，K；C为钢材常数；τ为钢材的蠕断时间，h。
其中，φr为材料的蠕变寿命损耗量；Δτr为在i参数下部件的运行时间；τri为在i参数下部件的蠕变断裂时间。
应力计算公式为：
其中，σp为管子计算应力，MPa；P为管子中工质的压力，MPa；Dn为管子的平均直径，mm；S为管子的壁厚，mm。
计算管子的实际薄厚公式为：
S＝Sb-Sw-Sn
其中，S为管子实际计算的壁厚，mm；Sb为最初管子的壁厚，mm；Sw为由于外部腐蚀管子减少的壁厚，mm；Sn为由于内部腐蚀管子减少的壁厚，mm。
其中，q1为由于内部腐蚀管子内表面的单位面积失重，g/cm2；q2为由于外部腐蚀管子外表面的单位面积失重，g/cm2；ρ为金属的密度。
δmax＝αηmkkμω3kν 3t
其中，δmax为磨损量；α为飞灰磨损性系数；η为飞灰的管壁撞击率；m为金属抗磨性系数；k为飞灰浓度(g/m3)；kμ为飞灰浓度场分布不均匀系数；kv为烟气速度场分布不均匀系数；t为时间(h)；ω为飞灰速度(m/s)。
(2)搜集整理针对锅炉四管故障的通用性理论知识，整理本厂历史检修资料、与本厂专家交流与总结，得出适用本厂锅炉四管故障相关的实用知识库。使优秀经验得到传承，并可以通过***运行不断丰富和完善，同时专家知识库的后台模型会自动判断并修正知识，使超前诊断越来越精确。
动态专家知识库的建立过程包括专家知识的获取过程、知识的表示、存储过程、知识的推理过程和专家知识库的动态更新过程，具体步骤如下：
1)专家知识的获取过程
a、手工知识获取：就是通过计算机知识工程师和领域专家频繁而深入的交谈获得的。知识库中的知识便是由知识工程师把挖掘来的专家经验知识按规定的知识表示形式加工并输入到计算机的。
b、半自动知识获取：利用具有一定知识编辑能力和知识库求精能力的知识工程语言和知识获取工具来进行的知识获取方法。
c、自动知识获取：也称为机器学习。自动的知识获取机制能通过专家直接同***对话而无需知识工程师介入，对话内容便可自动变换成知识库中的知识，或进行知识库的修改。
2)知识的表示、存储过程
表1：锅炉典型故障案例
知识库由案例库及诊断结论库组成，其中案例库存放案例规则，由案例征兆表及结果表组成。案例征兆表存放规则中的条件部分，结果表中存放结论部分，两表用“案例号"外键联系起来。表2所示为两表的数据对应结构：
表2：案例征兆表和结果表的数据对应结构
3)知识的推理过程
推理预测时，当从案例征兆表中找到故障现象时，可从结果表中找到对应的故障原因等信息。对于某一个案例，相当于：
lF***名AND部件名AND故障现象THEN故障原因AND处理措施AND可信度＝概率
一条案例只存放一条规则关系，案例之问是相互独立的，但是一条案例的结论部分可能恰好是另一条案例的征兆部分，这样可以进行连锁诊断，直到找不到下一个合适的案例循环结束。知识库的推理结论可以直接存储到知识库，并可以进行现场人工修正和自主学习进行不断完善，从而提高预测的准确度。
4)专家知识库的动态更新过程
为专家知识库预留专家知识获取接口，不断通过手动录入或自动获取的方式动态更新专家知识库，提高预测准确率。
(3)充分利用大数据挖掘技术，对锅炉历史运行相关数据进行关联挖掘分析，如主蒸汽相关参数、给水相关参数、阀门开度相关参数、抽汽相关参数等等。找出锅炉失效时的相关运行参数的反应规律，从而倒推锅炉受损与失效情况。如通过数据挖掘发现氧化皮的故障征兆信息：
1)氧化皮大量脱落时间间隔：根据检修经验，粗粒奥氏体不锈钢，蒸汽出口设计温度为570℃的锅炉，运行10000h左右氧化皮开始发生脱落。
2)氧化皮脱落速度：氧化皮脱落量除以运行时间。
3)氧化皮脱落时温度变化情况：温度在0.5-1.0h内，变化幅度较大，一般大于50℃。
大数据Apriori关联规则挖掘算法实现过程：关联规则指在同一个事件中出现的不同项的相关性，即出现失效现象时，同时会出现哪种或哪几种参数的明显特征。寻找失效发生前、发生时、发生后的模式与规律。关联规则的挖掘分为两步：找出所有频繁项集；由频繁项集产生强关联规则。而其总体性能由第一步决定。
在搜索频繁项集的时候，最简单、基本的算法就是Apriori算法。它是R.Agrawal和R.Srikant于1994年提出的为布尔关联规则挖掘频繁项集的原创性算法。Apriori核心算法思想有两个关键步骤：连接步和剪枝步，对其简要描述如下：
1)连接步：为找出Lk(频繁k项集)，通过Lk-1与自身连接，产生候选k项集，该候选项集记作Ck，其中Lk-1的元素是可连接的。
2)剪枝步：Ck是Lk的超集，即它的成员可以是也可以不是频繁的，但所有的频繁项集都包含在Ck中。扫描数据库，确定Ck中每一个候选的计数，从而确定Lk(计数值不小于最小支持度计数的所有候选是频繁的，从而属于Lk)。然而，Ck可能很大，这样所涉及的计算量就很大。为压缩Ck，使用Apriori性质：任何非频繁的(k-1)项集都不可能是频繁k项集的子集。因此，如果一个候选k项集的(k-1)项集不在Lk中，则该候选项也不可能是频繁的，从而可以由Ck中删除。这种子集测试可以使用所有频繁项集的散列树快速完成。
(4)实现故障超前诊断与预警。基于以上建立的数学模型、动态专家知识库、大数据挖掘信息，进行有机融合，建立综合预测模型，根据如下受损标准或故障表征判断是否匹配，如果匹配给出预测预警。部分受损标准与故障表征如下：
1)碳钢管的壁厚减薄大于30％、合金钢管的壁厚减薄大于25％或计算剩余寿命小于一个大修间隔的；
2)低合金钢管外径蠕变应变大于2.5％，碳素钢管外径蠕变应变大于3.5％，T91、T122类管子外径蠕变应变大于1.2％；奥氏体不锈钢管子蠕变应变大于4.5％；
3)氧化皮脱落程度度量标准：根据经验，对于φ44.5x7.5的管子，氧化皮堆积30g，可达管径高度的1/3，有堵塞危险。
4)氧化皮脱落时温度变化情况：温度在0.5-1.0h内，变化幅度较大，一般大于50℃。
(5)给出维修与运行优化建议，指导生产检修。根据预警结果，对劣损情况进行运行干预调整，如下图所示根据产生蠕变的原因，进行层层分析，直至最终根源。从***性的角度提供安全、经济的调整操作指导，优化运行，延长受热部件使用年限，形成闭环管理。
图5为通过关联分析给出维修与运行优化建议示意图，如图5所示，当***预测某管段磨损严重时，即可对影响磨损的关联因素进行层层分析，如，飞灰浓度、烟气流速，烟气流速又与氧量、过量空气系数、送风量、引风量、煤量等有关系，实时关注这些参数的变化情况，给出应减少过量空气系数等类似的运行操作指导建议，使磨损情况有所缓冲。
此外，本发明的应用范围不局限于说明书中描述的特定实施例的工艺、机构、制造、物质组成、手段、方法及步骤。从本发明的公开内容，作为本领域的普通技术人员将容易地理解，对于目前已存在或者以后即将开发出的工艺、机构、制造、物质组成、手段、方法或步骤，其中它们执行与本发明描述的对应实施例大体相同的功能或者获得大体相同的结果，依照本发明可以对它们进行应用。因此，本发明所附权利要求旨在将这些工艺、机构、制造、物质组成、手段、方法或步骤包含在其保护范围内。

Claims (10)

1.锅炉主要受热面超前诊断分析方法，其特征是，首先采用理论数学模型、动态专家知识库和数据挖掘三者有机融合的方式建立智能超前诊断模型，然后采用三维立体可视化的手段对锅炉内部结构进行展示，最后对预测后的锅炉主要受热面受损情况进行关联调整分析，进行锅炉主要受热面的超前诊断后的干预调整，形成闭环管理，以此来避免锅炉故障的发生。
2.锅炉主要受热面超前诊断分析方法，其特征是，包括以下步骤：
(1)建立数学模型：获取锅炉实时监测点的数据信息，建立锅炉受热面主要受损类型的数学模型，进行劣损定量计算分析，获取锅炉主要受热面的实时受损情况；
(2)建立动态专家知识库：搜集整理针对所诊断锅炉四管故障的通用性理论知识和所诊断锅炉的历史检修资料，进行汇总得到适用所诊断锅炉四管故障相关的专家知识库，同时为专家知识库预留专家知识获取接口，不断动态更新专家知识库；
(3)挖掘数据信息：充分利用大数据挖掘技术对锅炉历史运行相关数据进行关联挖掘分析，找出锅炉失效时的相关运行参数的反应规律，以此倒推锅炉的受损与失效情况；
(4)故障超前诊断与预警：基于所述的数学模型、动态专家知识库和大数据挖掘信息进行有机融合，进行锅炉主要受热面超前诊断分析与预警。
3.根据权利要求2所述的锅炉主要受热面超前诊断分析方法，其特征是，
所述建立数学模型的具体过程为：输入锅炉实时监测点以及锅炉受热面管的压力、温度、运行时间、管子材质、厚度和管子氧化性能信息，建立锅炉受热面的蠕变、腐蚀、疲劳以及磨损量受损类型的数学模型，计算管子高温蠕断时间、低温腐蚀量、管壁减薄率、疲劳寿命和磨损量，进行劣损定量计算分析来获取锅炉主要受热面的实时受损情况；
所述数学模型中的计算公式为：
lgτ＝-c+Const/T
其中，T为钢材的使用温度，C为钢材常数，τ为钢材的蠕断时间；
<mrow> <msub> <mi>&amp;phi;</mi> <mi>r</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mfrac> <mrow> <msub> <mi>&amp;Delta;&amp;tau;</mi> <mi>r</mi> </msub> </mrow> <msub> <mi>&amp;tau;</mi> <mrow> <mi>r</mi> <mi>i</mi> </mrow> </msub> </mfrac> <mo>&amp;le;</mo> <mn>1.0</mn> </mrow>
其中，φr为材料的蠕变寿命损耗量，Δτr为在i参数下部件的运行时间，τri为在i参数下部件的蠕变断裂时间；
应力计算公式为：
<mrow> <msub> <mi>&amp;sigma;</mi> <mi>p</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>D</mi> <mi>n</mi> </msub> <mo>+</mo> <mi>S</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>2</mn> <mi>S</mi> </mrow> </mfrac> </mrow>
其中，σp为管子计算应力，P为管子中工质的压力，Dn为管子的平均直径，S为管子的壁厚；
计算管子的实际薄厚公式为：
S＝Sb-Sw-Sn
其中，S为管子实际计算的壁厚，Sb为最初管子的壁厚，Sw为由于外部腐蚀管子减少的壁厚，Sn为由于内部腐蚀管子减少的壁厚；
<mrow> <msub> <mi>S</mi> <mi>n</mi> </msub> <mo>=</mo> <mfrac> <mn>10</mn> <mi>&amp;rho;</mi> </mfrac> <msub> <mi>q</mi> <mn>1</mn> </msub> </mrow> 1
<mrow> <msub> <mi>S</mi> <mi>w</mi> </msub> <mo>=</mo> <mfrac> <mn>10</mn> <mi>&amp;rho;</mi> </mfrac> <msub> <mi>q</mi> <mn>2</mn> </msub> </mrow>
其中，q1为由于内部腐蚀管子内表面的单位面积失重，q2为由于外部腐蚀管子外表面的单位面积失重，ρ为金属的密度；
δmax＝αηmkkμω3kν 3t
其中，δmax为磨损量，α为飞灰磨损性系数，η为飞灰的管壁撞击率，m为金属抗磨性系数，k为飞灰浓度，kμ为飞灰浓度场分布不均匀系数；kv为烟气速度场分布不均匀系数，t为时间，ω为飞灰速度。
4.根据权利要求3所述的锅炉主要受热面超前诊断分析方法，其特征是，所述建立动态专家知识库的具体过程包括专家知识的获取过程、知识的表示及存储过程、知识的推理过程和专家知识库的动态更新过程；所述专家知识的获取过程具体为：通过手工、半自动和自动三种方式中的一种或多种获取专家知识；所述知识的表示及存储过程为：专利知识库由案例库及诊断结论库组成，其中案例库存放由案例征兆表及结果表组成的案例规则，案例征兆表存放规则中的条件部分，结果表中存放结论部分，两表用“案例号"外键联系起来；所述知识的推理过程为：当从案例征兆表中找到故障现象时，可从结果表中找到对应的故障原因信息，知识库的推理结论可以直接存储到诊断结论库中；所述专家知识库的动态更新过程为：为动态专家知识库预留专家知识获取接口，不断动态更新专家知识库。
5.根据权利要求4所述的锅炉主要受热面超前诊断分析方法，其特征是，所述挖掘数据信息的具体过程为：大数据挖掘采用数据挖掘关联规则Apriori算法进行锅炉受热面失效关联信息的挖掘分析，关联规则指在同一个事件中出现的不同项的相关性，即出现失效现象时同时会出现哪种或哪几种参数的明显特征；寻找失效发生前、发生时、发生后的模式与规律；关联规则的挖掘分为两步：找出所有频繁项集，由频繁项集产生强关联规则。
6.根据权利要求2至5任意一项所述的锅炉主要受热面超前诊断分析方法，其特征是，还包括以下步骤：
(5)锅炉结构展示：采用三维立体可视化的手段对锅炉内部结构进行展示。
7.根据权利要求6所述的锅炉主要受热面超前诊断分析方法，其特征是，还包括以下步骤：
(6)在线关联调整：根据锅炉主要受热面预警结果，对劣损情况进行运行干预调整，以此形成闭环管理。
8.锅炉主要受热面超前诊断分析***，其特征是，包括：
数学模型建立模块，用以获取锅炉实时监测点的数据信息，建立锅炉受热面主要受损类型的数学模型，进行劣损定量计算分析获取锅炉主要受热面的实时受损情况；
动态专家知识库建立模块，用以搜集整理针对所诊断锅炉四管故障的通用性理论知识和所诊断锅炉的历史检修资料，进行汇总得到适用所诊断锅炉四管故障相关的专家知识库，同时为专家知识库预留专家知识获取接口，不断动态更新专家知识库；
数据信息挖掘模块，用以充分利用大数据挖掘技术对锅炉历史运行相关数据进行关联挖掘分析，找出锅炉失效时的相关运行参数的反应规律，以此倒推锅炉的受损与失效情况；
故障超前诊断与预警模块，用以基于所述的数学模型、动态专家知识库和大数据挖掘信息进行有机融合，进行锅炉主要受热面超前诊断分析与预警。
9.根据权利要求8所述的锅炉主要受热面超前诊断分析***，其特征是，还包括：
锅炉结构展示模块，用以采用三维立体可视化的手段对锅炉内部结构进行展示。
10.根据权利要求9所述的锅炉主要受热面超前诊断分析***，其特征是，还包括：
在线关联调整模块，用以根据锅炉主要受热面预警结果，对劣损情况进行运行干预调整，以此形成闭环管理。
CN201710562120.4A 2017-07-11 2017-07-11 锅炉主要受热面超前诊断分析方法及*** Pending CN107291944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710562120.4A CN107291944A (zh) 2017-07-11 2017-07-11 锅炉主要受热面超前诊断分析方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710562120.4A CN107291944A (zh) 2017-07-11 2017-07-11 锅炉主要受热面超前诊断分析方法及***

Publications (1)

Publication Number Publication Date
CN107291944A true CN107291944A (zh) 2017-10-24

Family

ID=60101105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710562120.4A Pending CN107291944A (zh) 2017-07-11 2017-07-11 锅炉主要受热面超前诊断分析方法及***

Country Status (1)

Country Link
CN (1) CN107291944A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180142884A1 (en) * 2015-07-20 2018-05-24 Westinghouse Electric Company Llc Method of predicting wear on tubes of steam generator
CN108826266A (zh) * 2018-05-15 2018-11-16 中国石油化工股份有限公司 一种锅炉运行安全状态五维雷达图形监测方法
CN109521735A (zh) * 2018-10-25 2019-03-26 云达世纪（北京）科技有限公司 锅炉高温受热面使用状态风险在线评估方法及***
CN110955698A (zh) * 2019-11-20 2020-04-03 东莞理工学院 一种基于大数据收集***故障诊断修改***
CN111237737A (zh) * 2020-01-16 2020-06-05 上海锅炉厂有限公司 一种应用于锅炉智能运维的受热面管子分段定位方法
CN111241668A (zh) * 2020-01-07 2020-06-05 湖南大唐先一科技有限公司 一种电厂受热面失效分析方法、装置、设备及存储介质
CN111339178A (zh) * 2020-02-25 2020-06-26 上海锅炉厂有限公司 一种锅炉运维中受热面管子材质和检修状态的可视化方法
CN111612181A (zh) * 2020-05-22 2020-09-01 哈尔滨锅炉厂有限责任公司 基于故障树的锅炉异常工况诊断及运行优化方法
CN113175662A (zh) * 2021-05-20 2021-07-27 济南作为科技有限公司 一种基于机理和数理模型的工业锅炉防非停预警方法
CN113219058A (zh) * 2021-05-17 2021-08-06 华能国际电力股份有限公司上海石洞口第二电厂 一种锅炉受热面管减薄量的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808634A (zh) * 2015-04-24 2015-07-29 中国神华能源股份有限公司 一种基于虚拟现实的火电厂可视化管理***
CN105590146A (zh) * 2016-02-29 2016-05-18 上海带来科技有限公司 一种基于大数据的电厂设备智能预测检修方法和***
CN106568074A (zh) * 2016-11-18 2017-04-19 华电国际电力股份有限公司技术服务中心 锅炉受热面故障诊断方法、装置和***
CN206195827U (zh) * 2016-08-16 2017-05-24 北京大邦实创节能技术服务有限公司 一种工业锅炉监测及分析辅助决策云平台***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808634A (zh) * 2015-04-24 2015-07-29 中国神华能源股份有限公司 一种基于虚拟现实的火电厂可视化管理***
CN105590146A (zh) * 2016-02-29 2016-05-18 上海带来科技有限公司 一种基于大数据的电厂设备智能预测检修方法和***
CN206195827U (zh) * 2016-08-16 2017-05-24 北京大邦实创节能技术服务有限公司 一种工业锅炉监测及分析辅助决策云平台***
CN106568074A (zh) * 2016-11-18 2017-04-19 华电国际电力股份有限公司技术服务中心 锅炉受热面故障诊断方法、装置和***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘彤,徐钢,庞力平,梁志福: "锅炉炉内承压部件的蠕变分析及寿命计算", 《动力工程》 *
匡亚莉: "《跳汰分选机理及专家知识库研究》", 31 March 2006 *
山西省电力工业局: "《锅炉设备运行 高级工》", 31 March 1997 *
本书编写者: "《新版二十五项反措案例解析》", 30 June 2016 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10125975B2 (en) * 2015-07-20 2018-11-13 Westinghouse Electric Company Llc Method of predicting wear on tubes of steam generator
US20180142884A1 (en) * 2015-07-20 2018-05-24 Westinghouse Electric Company Llc Method of predicting wear on tubes of steam generator
CN108826266A (zh) * 2018-05-15 2018-11-16 中国石油化工股份有限公司 一种锅炉运行安全状态五维雷达图形监测方法
CN108826266B (zh) * 2018-05-15 2019-11-26 中国石油化工股份有限公司 一种锅炉运行安全状态五维雷达图形监测方法
CN109521735A (zh) * 2018-10-25 2019-03-26 云达世纪（北京）科技有限公司 锅炉高温受热面使用状态风险在线评估方法及***
CN110955698A (zh) * 2019-11-20 2020-04-03 东莞理工学院 一种基于大数据收集***故障诊断修改***
CN111241668A (zh) * 2020-01-07 2020-06-05 湖南大唐先一科技有限公司 一种电厂受热面失效分析方法、装置、设备及存储介质
CN111237737A (zh) * 2020-01-16 2020-06-05 上海锅炉厂有限公司 一种应用于锅炉智能运维的受热面管子分段定位方法
CN111237737B (zh) * 2020-01-16 2021-07-09 上海锅炉厂有限公司 一种应用于锅炉智能运维的受热面管子分段定位方法
CN111339178A (zh) * 2020-02-25 2020-06-26 上海锅炉厂有限公司 一种锅炉运维中受热面管子材质和检修状态的可视化方法
CN111339178B (zh) * 2020-02-25 2023-06-16 上海锅炉厂有限公司 一种锅炉运维中受热面管子材质和检修状态的可视化方法
CN111612181A (zh) * 2020-05-22 2020-09-01 哈尔滨锅炉厂有限责任公司 基于故障树的锅炉异常工况诊断及运行优化方法
CN113219058A (zh) * 2021-05-17 2021-08-06 华能国际电力股份有限公司上海石洞口第二电厂 一种锅炉受热面管减薄量的检测方法
CN113175662A (zh) * 2021-05-20 2021-07-27 济南作为科技有限公司 一种基于机理和数理模型的工业锅炉防非停预警方法

Similar Documents

Publication Publication Date Title
CN107291944A (zh) 锅炉主要受热面超前诊断分析方法及***
CN112906787B (zh) 一种工业锅炉故障识别方法及***
CN108596229B (zh) 在线异常的监测诊断方法和***
CN103455682B (zh) 一种预测高温高压井腐蚀套管剩余寿命的方法
JP6037954B2 (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。
CN110045594B (zh) 一种用于锅炉四管状态风险预测的智能管控***及方法
JP5469131B2 (ja) プラントの診断方法及び装置。
WO2011046869A2 (en) Targeted equipment monitoring system and method for optimizing equipment reliability
CN113095591B (zh) 一种用于火电机组运行参数自寻优的耗差分析方法
Di Maio et al. Condition-based probabilistic safety assessment of a spontaneous steam generator tube rupture accident scenario
CN103246801A (zh) 一种基于改进案例推理的竖炉炉况故障预报方法
Shi et al. Ash fouling monitoring and key variables analysis for coal fired power plant boiler
Rusin et al. Improving the availability and lengthening the life of power unit elements through the use of risk-based maintenance planning
CN109521735B (zh) 锅炉高温受热面使用状态风险在线评估方法
CN114429003A (zh) 锅炉四管寿命预测方法的***
JP7042056B2 (ja) プラントの運転支援装置及び運転支援方法
CN112489194A (zh) 在三维场景下台账信息和锅炉四管信息的展现方法及***
CN103714262B (zh) 一种基于缓冲块时序设计的热工软测量模型更新方法
JP6747810B2 (ja) 廃棄物焼却プラントの制御装置および制御方法
JP2010191494A (ja) 高温プラント機器の余寿命診断装置及び方法
Ismail et al. Adoption of Intelligent Computational Techniques for Steam Boilers Tube Leak Trip
JP2021050939A (ja) 予測モデル構築方法および予測方法
Xue et al. Reconstructing near-water-wall temperature in coal-fired boilers using improved transfer learning and hidden layer configuration optimization
Giro et al. Inspection and maintenance planning for offshore wind support structures: Modelling reliability and inspection costs at the system level
Jiang et al. Bayesian calibration for power splitting in single shaft combined cycle plant diagnostics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information

Inventor after: Liu Ruiping

Inventor after: Wang Zhongyu

Inventor after: Kong Xiangshan

Inventor after: Lu Chuanyou

Inventor after: Li Xiao

Inventor after: Yan Xiufeng

Inventor after: Xu Juanjuan

Inventor after: Liu Huanyong

Inventor before: Liu Ruiping

Inventor before: Li Xiao

Inventor before: Yan Xiufeng

Inventor before: Xu Juanjuan

Inventor before: Liu Huanyong

CB03 Change of inventor or designer information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination