CN114484409B - 一种火电厂炉管泄漏事故的预警方法及装置 - Google Patents
一种火电厂炉管泄漏事故的预警方法及装置 Download PDFInfo
- Publication number
- CN114484409B CN114484409B CN202210160456.9A CN202210160456A CN114484409B CN 114484409 B CN114484409 B CN 114484409B CN 202210160456 A CN202210160456 A CN 202210160456A CN 114484409 B CN114484409 B CN 114484409B
- Authority
- CN
- China
- Prior art keywords
- furnace tube
- temperature
- data
- furnace
- time sequence
- 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
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
- F22B37/06—Flue or fire tubes; Accessories therefor, e.g. fire-tube inserts
-
- 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
- F22B37/47—Applications, arrangements, or dispositions of alarm or automatic safety devices responsive to abnormal temperature, e.g. actuated by fusible plugs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种火电厂炉管泄漏事故的预警方法及装置,包括:S1、调用基于岭回归算法线性拟合工况与炉管温度数据的各炉管预测模型;S2:利用模型实时预测炉管温度:其中模型的输入为实时时序工况数据;模型的输出为根据时序工况数据预测出来的炉管时序温度数据;S3:模糊阈值报警:当炉管的实时时序温度数据与预测模型预测出来的时序温度数据差值的平均值大于第一阈值时,且当相邻炉管的实时时序温度数据与当前炉管的实时时序温度数据差值的平均值大于第二阈值时,进行炉管泄露事故的预警。本发明首次提出基于时间相关性和空间相关性的锅炉“四管”壁温模糊阈值模型预警方法,具有事故识别准确率高且提前预警事故时间长的优点。
Description
技术领域
本发明涉及火力发电安全监测领域,特别是涉及一种火电厂炉管泄漏事故的预警方法及装置。
背景技术
火力发电是我国主要的电力来源。全国火电机组的装机量十分庞大,据统计目前全国火电机组装机超过2千台,锅炉是火力发电厂的重要设备之一。锅炉"四管"是指锅炉水冷壁、过热器、再热器和省煤器,锅炉四管涵盖了锅炉的全部受热面,它们内部承受着蒸汽压力和一些化学成分的作用,外部承受着高温、侵蚀和磨损的环境,在水与火之间进行调和,是能量传递集中的所在,长时间处于高温高压、腐蚀等非常恶劣的工作环境,导致其***泄露等事故频繁发生。对电厂的安全稳定运行带来了很大的隐患。据统计炉管爆管导致的非计划停炉占电厂非停事故的50%~70%左右,单次爆管的经济损失接近千万元。
关于火力发电中炉管的安全监测,目前有锅炉炉管泄露预警和锅炉高温承压部件的寿命研究两大方向。
其中,炉管泄露预警主要分为两种:
(1)基于固定温度阈值的超温超限报警。利用温度传感器监测炉管内部温度的变化情况,针对‘四管’中炉管的位置以及型号设置固定的炉管超温报警阈值。
(2)基于声波传感器的振动信号早期报警。利用声学监测原理,由特制的增强型声波传感器采集炉内各种声信号,并转换成电流信号;检测报警***经快速傅立叶变换技术分析得到声信号的频谱,并以棒图形式显示;通过对噪声强度、频谱特征及持续时间的分析计算判断炉管是否发生泄漏。
国内对锅炉高温承压部件的寿命研究开始于上世纪八十年代,1994年我国颁布了推荐性的锅炉承压部件寿命评估标准,此后陆续开发并投运了一批用于锅炉个别部件的实时寿命监测***,如:东方锅炉集团在天津杨柳青电厂投运的集汽联箱寿命管理***;由西安交通大学开发用于渭河电厂 3 号机组锅炉汽包的疲劳寿命管理***等2005 年,华北电力大学的高建强等人在借鉴过程仿真和热力***分析方法的基础上,以一体化过程模型开发平台(IMMS)及其算法库为模块编制了针对某电厂 200MW 锅炉的高温受热面金属壁温在线监测***,利用该厂 MIS 采集到的在线运行数据通过模型计算确定了受热面管壁温度分布,并采用 B/S 结构对实时监测信息进行了显示。此外,上海发电设备成套所凭借其对热偏差理论和管壁金属温度算法的多年研究开发了数套成功应用于大型电站锅炉的受热面高可靠性寿命在线监测***。
上述四管壁温超温监测和寿命评估的软件的设计思想大多采用的是苏联1973年版热力计算标准《锅炉机组热理计算标准方法》。这种传统方法在准确性上和实用性上存在以下缺陷和不足:
(1)准确性不足。传统方法在校核界面的平均气温时,在计算该校核管段的管间对流换热和辐射换热量时,没有充分考虑各管段的吸热能力不同。
(2)理论计算原理复杂,使用门槛高。现有的基于传统机理计算的炉管安全监测***计算模型复杂,使用门槛高,校验成本大,一般电厂难以承担高额的软件费用。
(3)优化空间小。基于传统机理的在线监测软件在建模的过程中使用了基于大量假设的热力学模型,在实际使用中对机组型号、传感器安装位置等条件要求很高,实际使用中软件的监测效果一般。
基于固定温度阈值的超温超限报警无法提前预警,炉管已经处于危险温度才能发出警报,且无法区分工况、报警具有滞后性,无法预防、没有故障分类能力,依赖人工区分测点异常和设备异常,误报率高。
基于声波传感器的振动信号早期报警主要是检测炉管早期泄露的炉管振动信号,是炉管泄露事故已经发生的事故早期状态的检测方法,无法提前预警炉管泄露事故的发生,报警后留给现场专工处理事故的时间短。
由此可见,上述现有的火电厂炉管泄露事故的预警方法和装置显然仍存在有不便与缺陷,而亟待加以进一步改进。如何能创设一种事故识别准确率高、提前预警事故时间长的火电厂炉管泄露事故的预警方法和装置,实属当前重要研发课题之一。
发明内容
本发明要解决的技术问题是提供一种火电厂炉管泄露事故的预警方法和装置,使其事故识别准确率高且提前预警事故时间长,从而克服现有技术存在的不足。
为解决上述技术问题,采用如下技术方案:
一种火电厂炉管泄漏事故的预警方法,所述炉管为锅炉水冷壁、过热器、再热器和省煤器的炉管,所述方法包括:S1、调用基于岭回归算法线性拟合工况与炉管温度数据的各炉管预测模型。S2: 利用各炉管预测模型实时预测炉管温度:其中模型的输入为实时时序工况数据;模型的输出为根据时序工况数据预测出来的炉管时序温度数据。S3: 模糊阈值报警:当炉管的实时时序温度数据与预测模型预测出来的时序温度数据差值的平均值大于第一阈值时,则认为炉管温度变化趋势不符合火电机组在正常情况下,炉管温度应随工况变化的趋势,满足报警条件一;当相邻炉管的实时时序温度数据与当前炉管的实时时序温度数据差值的平均值大于第二阈值时,则认为当前炉管温度变化趋势不满足相邻区域中的炉管温度变化趋势,满足报警条件二;所述第二阈值大于第一阈值;满足报警条件一和报警条件二时,进行炉管泄露事故的预警。
作为本发明进一步地改进,所述S1中,各炉管预测模型的获取方法为:
S101、选取1年的历史数据,包括:所有工况数据及所有炉管的温度数据;经过下式计算,得到每个月的炉管温度和不同工况相关系数的平均值;
其中:
:每个月,所有炉管温度和不同工况相关系数的平均值;
n :炉管总数量;
T :单根炉管一个月的温度数据;
C :某工况一个月的数据;
:相关系数;
其中,Cov(X,Y)为X、Y的协方差,D(X)、D(Y)分别为X、Y的方差。
S102、选取1年中相关系数的平均值最大的3个工况作为模型训练步骤里的工况参数。
S103、选择时序工况数据和炉管时序温度数据进行模型训练,模型采用岭回归模型,训练得到每根炉管随工况变化而温度变化的线性模型。
进一步地,所述S101中,所有工况包括:a.省煤器左侧出口烟气温度,b.炉膛低温再热器进口烟气温度, c.炉膛红外烟温测量温度信号,d.锅炉主蒸汽温度,e.锅炉主蒸汽压力,f.总风量,g.锅炉左侧再热蒸汽温度,h.中间点过热度,i.高再出口管左侧安全阀后温度,j.再热蒸汽温度,k.原烟气温度,l.炉捞渣机工频电流,m.所有磨瞬时给煤量,n.机组负荷。
进一步地,工况数据及炉管温度数据的来源为火电厂SIS/DCS***。
进一步地,所述S2中,模型的输入中的时序工况数据采用机组负荷、主蒸汽压力和总风量数据。
进一步地,所述时序工况数据及时序温度数据的时序长度为2小时。
进一步地,所述S3中,相邻炉管来自于如下列表清单:根据锅炉水冷壁、过热器、再热器和省煤器的炉管的空间排列顺序,生成的每根炉管物理上左右相邻炉管的列表清单。
进一步地,所述左右相邻炉管的列表清单包括左边3根、右边3根共6根;当任意一边相邻炉管数量缺少n根,另一边则取3+n根炉管,共6根。
进一步地,所述S3中,第一阈值为30℃,第二阈值为35℃。
本发明还提供了一种火电厂炉管泄漏事故的预警装置,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的火电厂炉管泄漏事故的预警方法。
通过采用上述技术方案,本发明至少具有以下优点:
本发明首次提出基于时间相关性和空间相关性的锅炉“四管”壁温模糊阈值模型预警方法,利用海量工况、温度、位置等历史数据,基于机器学习岭回归线性模型这一算法,对电厂海量历史数据进行学习和规律性总结,从而获得每根炉管在不同工况下的专用模型,使得模型可以动态建立报警阈值,预测“四管”泄漏事故的发生。本发明所提出的预警方法识别炉管泄露事故准确度高,能在事故发生前预警,提前预警事故时间长,为火电站监盘人员提前预警炉管隐患并采取相关处置措施提供宝贵时间,挽回不必要的经济损失。
附图说明
上述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,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明一实施例中火电厂炉管泄露事故的预警方法的逻辑框图。
图2是本发明处理器的原理以及处理器和外部交互的逻辑框图。
具体实施方式
本实施例提供了一种火电厂炉管泄漏事故的预警方法。该预警方法是针对锅炉四管(锅炉水冷壁、过热器、再热器和省煤器的)的所有炉管的壁温进行预测、判断及预警的方法。配合图1、2所示,其主要是使用岭回归模型预测炉管温度并结合空间上相邻炉管的温度数据综合判断炉管状态的方法。
该方法包括: S1、调用基于岭回归算法线性拟合工况与炉管温度数据的各炉管预测模型。S2: 利用各炉管预测模型实时预测炉管温度:其中模型的输入为时序工况数据;模型的输出为根据时序工况数据预测出来的炉管时序温度数据。S3: 模糊阈值报警。
下面对其进行展开描述:
S1中的基于岭回归算法线性拟合工况与炉管温度数据的各炉管预测模型需要先构建好,具体各炉管预测模型的获取方法为:
S101、选取1年的历史数据,包括:所有工况数据及所有炉管的温度数据。其中,工况数据及炉管温度数据为火电厂SIS/DCS***获取到的锅炉‘四管’工况数据以及炉管温度数据。
工况数据筛选:不同的电厂之间的工况存在差异,本发明筛选的所有工况包括:
a. 省煤器左侧出口烟气温度,
b. 炉膛低温再热器进口烟气温度,
c. 炉膛红外烟温测量温度信号,
d. 锅炉主蒸汽温度,
e. 锅炉主蒸汽压力,
f. 总风量,
g. 锅炉左侧再热蒸汽温度,
h. 中间点过热度,
i. 高再出口管左侧安全阀后温度,
j. 再热蒸汽温度,
k. 原烟气温度,
l. 炉捞渣机工频电流,
m. 所有磨瞬时给煤量;
n. 机组负荷(火电厂的烧煤量与对应的发电量)。
对上述所有工况按一定的规则进行筛选,筛选原则是能够反应炉管温度的变化情况,两者之间呈现强相关关系,炉管的温度数据随工况测点数值的波动而变化。
在本发明中采用如下特殊的筛选方法:经过下式计算,得到每个月的炉管温度和不同工况相关系数的平均值;
其中:
:每个月,所有炉管温度和不同工况相关系数的平均值;
n :炉管总数量;
T :单根炉管一个月的温度数据;
C :某工况一个月的数据;
:相关系数;
其中,Cov(X,Y)为X、Y的协方差,D(X)、D(Y)分别为X、Y的方差。
S102、选取1年中表现最为稳定的3个工况作为模型训练步骤里的工况参数。最为稳定的3个工况选取方式为:12个月不同工况计算出来的 计算平均值,平均值最大的三个工况。在本发明中,经过上述筛选方法获得的3个工况为机组负荷、主蒸汽压力和总风量。
S103、选择时序工况数据和炉管时序温度数据进行模型训练,模型采用岭回归模型,使用的数据长度为10天。选取岭回归模型主要是因为考虑到目前火电厂数据的质量相对不高,而岭回归算法可以减少因模型误学习低质量数据造成的预测准确率低的问题,可以获得完全适合火电厂的工业大数据模型。具体训练步骤为:将工况数据作为模型预测变量,炉管的温度数据作为模型目标变量,放入岭回归模型线性拟合预测变量和目标变量,训练得到每根炉管随工况变化而温度变化的线性模型。将训练好的岭回归模型打包成文件,供实时预测炉管温度时使用。
S2: 利用各炉管预测模型实时预测炉管温度:
其中模型的输入为实时时序工况数据;其中工况数据为筛选出来的机组负荷、主蒸汽压力和总风量数据。时序数据长度优选但不限于2小时,如可以按2分钟一次的间隔获取2小时的数据。2小时为根据经验获取的最优数值,该数据长度的选取能够记录炉管从正常工作的温度范围突变到异常温度区域的变化趋势,同时又避免过量数据导入处理器造成数据量过多影响处理速度的问题。
模型的输出为根据时序工况数据预测出来的炉管时序温度数据;时序数据长度与时序工况的数据长度对应一致,在本实施例中为2小时。
S3: 模糊阈值报警:
判断条件一:当炉管的2小时实时时序温度数据与岭回归模型预测出来的2小时时序温度数据差值的平均值第一阈值,则认为炉管温度变化趋势不符合火电机组在正常情况下,炉管温度应随工况变化的趋势,满足报警条件一。
判断条件二:相邻炉管的实时时序温度数据与当前炉管的实时时序温度数据差值的平均值大于第二阈值,则认为当前炉管温度变化趋势不满足相邻区域中的炉管温度变化趋势,满足报警条件二。其中,相邻炉管的确定方式是,根据锅炉水冷壁、过热器、再热器和省煤器的炉管的空间排列顺序,生成一个每根炉管物理上左右相邻炉管的列表清单。左右相邻炉管的列表清单优选但不限于左边3根、右边3根共6根;当任意一边相邻炉管数量缺少n根,另一边则取3+n根炉管,共6根。经过大量的实验验证,相邻6根炉管的温度与目标炉管的温度在炉管正常工作情况下温度趋势一致性最高。另外,前述的第一阈值大于第二阈值,且第一阈值与第二阈值可以根据火电厂的实际装机容量进行确定,如在本实施例中,采用的是4*1000MW的超超临界燃煤机组锅炉,根据经验值确定第一阈值为30℃,第二阈值为35℃。
模糊阈值算法推送报警:
满足报警条件一和报警条件二时,算法则推送炉管泄露事故的预警。
由于锅炉水冷壁、过热器、再热器和省煤器中每一个都含有大量炉管,如果处理器识别某一根炉管温度异常变化,则会进行具体到炉管编号的精确预警,如预测水冷壁前墙第418根炉管会出现泄露事故等等。
对应地,本实施例还提供了一种火电厂炉管泄漏事故的预警装置,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的火电厂炉管泄漏事故的预警方法。由于***硬件部分的设置属于本领域的常规设置,在此不再详述。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (5)
1.一种火电厂炉管泄漏事故的预警方法,所述炉管为锅炉水冷壁、过热器、再热器和省煤器的炉管,其特征在于,包括:
S1、调用基于岭回归算法线性拟合工况与炉管温度数据的各炉管预测模型;所述各炉管预测模型的获取方法为:
S101、选取1年的历史数据,包括:所有工况数据及所有炉管的温度数据;计算得到每个月的炉管温度和不同工况相关系数的平均值;
S102、选取1年中相关系数的平均值最大的3个工况作为模型训练步骤里的工况参数;所述3个工况为机组负荷、主蒸汽压力和总风量数据;
S103、选择时序工况数据和炉管时序温度数据进行模型训练,模型采用岭回归模型,使用的数据长度为10天,训练得到每根炉管随工况变化而温度变化的线性模型;
S2:利用各炉管预测模型实时预测炉管温度:
其中模型的输入为实时时序工况数据,模型的输入中的时序工况数据采用机组负荷、主蒸汽压力和总风量数据;模型的输出为根据时序工况数据预测出来的炉管时序温度数据;所述时序工况数据及时序温度数据的时序长度为2小时,按2分钟一次的间隔获取2小时的数据;
S3:模糊阈值报警:
当炉管的实时时序温度数据与预测模型预测出来的时序温度数据差值的平均值大于第一阈值时,则认为炉管温度变化趋势不符合火电机组在正常情况下,炉管温度应随工况变化的趋势,满足报警条件一;
当相邻炉管的实时时序温度数据与当前炉管的实时时序温度数据差值的平均值大于第二阈值时,则认为当前炉管温度变化趋势不满足相邻区域中的炉管温度变化趋势,满足报警条件二;所述第二阈值大于第一阈值;
满足报警条件一和报警条件二时,进行炉管泄露事故的预警;
所述相邻炉管来自于如下列表清单:根据锅炉水冷壁、过热器、再热器和省煤器的炉管的空间排列顺序,生成的每根炉管物理上左右相邻炉管的列表清单;所述左右相邻炉管的列表清单包括左边3根、右边3根共6根;当任意一边相邻炉管数量缺少n根,另一边则取3+n根炉管,共6根。
3.根据权利要求2所述的火电厂炉管泄漏事故的预警方法,其特征在于,所述S101中,所有工况包括:
a.省煤器左侧出口烟气温度,
b.炉膛低温再热器进口烟气温度,
c.炉膛红外烟温测量温度信号,
d.锅炉主蒸汽温度,
e.锅炉主蒸汽压力,
f.总风量,
g.锅炉左侧再热蒸汽温度,
h.中间点过热度,
i.高再出口管左侧安全阀后温度,
j.再热蒸汽温度,
k.原烟气温度,
l.炉捞渣机工频电流,
m.所有磨瞬时给煤量,
n.机组负荷。
4.根据权利要求1所述的火电厂炉管泄漏事故的预警方法,其特征在于,工况数据及炉管温度数据的来源为火电厂SIS/DCS***。
5.一种火电厂炉管泄漏事故的预警装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至4任一项所述的火电厂炉管泄漏事故的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160456.9A CN114484409B (zh) | 2022-02-22 | 2022-02-22 | 一种火电厂炉管泄漏事故的预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160456.9A CN114484409B (zh) | 2022-02-22 | 2022-02-22 | 一种火电厂炉管泄漏事故的预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114484409A CN114484409A (zh) | 2022-05-13 |
CN114484409B true CN114484409B (zh) | 2023-04-07 |
Family
ID=81482360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160456.9A Active CN114484409B (zh) | 2022-02-22 | 2022-02-22 | 一种火电厂炉管泄漏事故的预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114484409B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115165461B (zh) * | 2022-07-01 | 2023-02-17 | 佳木斯大学 | 智能化血浆取样装置及其操作*** |
CN115563819B (zh) * | 2022-12-06 | 2023-04-07 | 北京博数智源人工智能科技有限公司 | 一种基于温度变化的火电站炉管损耗评估方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3643241B2 (ja) * | 1998-08-07 | 2005-04-27 | バブコック日立株式会社 | 漏洩位置検出装置 |
CN102052662B (zh) * | 2010-10-26 | 2014-10-08 | 华南理工大学 | 超临界锅炉高温管内氧化皮堵塞在线预警装置及预警方法 |
CN106918033A (zh) * | 2017-03-21 | 2017-07-04 | 山东中实易通集团有限公司 | 三冲量锅炉炉管泄漏报警控制***及方法 |
CN108644752B (zh) * | 2018-05-11 | 2019-09-13 | 中国神华能源股份有限公司 | 用于分析锅炉四管泄露的方法、装置和机器可读存储介质 |
CN111120988A (zh) * | 2019-12-11 | 2020-05-08 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于炉膛温度场分布的锅炉受热面管壁超温预警方法 |
CN112685964B (zh) * | 2021-03-19 | 2021-06-08 | 浙江浙能技术研究院有限公司 | 一种基于卷积神经网络的锅炉受热面管壁泄漏预测方法 |
CN113361192A (zh) * | 2021-05-31 | 2021-09-07 | 浙江大学 | 一种锅炉内受热面壁温安全监测评估*** |
-
2022
- 2022-02-22 CN CN202210160456.9A patent/CN114484409B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114484409A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114484409B (zh) | 一种火电厂炉管泄漏事故的预警方法及装置 | |
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。 | |
CN106249728B (zh) | 一种基于部件特性的火力发电机组在线性能监测方法 | |
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***和方法 | |
CN105992977B (zh) | 成套设备的诊断装置和诊断方法 | |
CN113705924B (zh) | 一种热控设备智能诊断方法和*** | |
JP6884078B2 (ja) | プラント異常監視システム | |
CN104090560B (zh) | 一种监测供电综合环境评价指标的设备 | |
CN102444885A (zh) | 避免电站锅炉管系炉内超温爆管的方法 | |
CN106642059A (zh) | 一种电站锅炉高温受热面安全性在线监测方法 | |
CN113418207B (zh) | 一种电站炉膛燃烧监测诊断装置及方法 | |
EP0925491A1 (en) | Event detection system and method | |
Cui et al. | Data-driven modeling-based digital twin of supercritical coal-fired boiler for metal temperature anomaly detection | |
Shi et al. | Ash fouling monitoring and key variables analysis for coal fired power plant boiler | |
Panday et al. | Leak detection in a subcritical boiler | |
WO2024061196A1 (zh) | 一种核电站蒸汽发生器的智能监测方法及*** | |
CN111898794B (zh) | 一种大型燃煤锅炉热效率的异常监测方法 | |
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*** | |
JP7438679B2 (ja) | ボイラチューブリーク早期検知システム及びその方法 | |
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 | |
Jianqiang et al. | Research on fuzzy recognition method of boiler four-tube leakage | |
Wang et al. | Knowledge-inspired data-driven prediction of overheating risks in flexible thermal-power plants | |
Ivanitckii et al. | Development of a mathematical model for evaluating the technical condition of boiler plants in terms of reliability and efficiency | |
JP2003193808A (ja) | 発電プラントの診断方法および診断システム |
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 |