(廣州市旺隆熱電有限公司，廣東 廣州 510660)
摘 要：
文章通過壁温計算來實現過熱器故障的預測性診斷，同時用神經網絡對發生故障進行及時的 診斷，二者結合將使過熱器事故發生率降低，並且將事故引起的損失控制在最低程度，從而 提高機組的經濟性和安全性。
關鍵詞：過熱器；
人工神經網絡；
故障診斷；
壁温計算
中圖分類號：TM41 文獻標識碼：A 文章編號：1007—6921(2009)18—0087—02
隨着我國電力工業的不斷髮展，機組容量的增大，系統和設備日趨複雜。電站鍋爐過熱器又 是工作在最惡劣條件下的受熱部件，出於經濟性的考慮，為了儘量避免使用更高級別的合金 鋼，設計過熱器時，選用的管子金屬幾乎都工作於接近其温度極限值。當過熱器運行偏離設 計工況時，就容易發生超温爆管事故，影響機組的安全經濟運行。輕微時鍋爐蒸汽的品質下 降，熱效率降低，使鍋爐機組運行不良；
嚴重時則必須緊急停爐檢查修理，會造成很大的經 濟損失。如爆管發現不及時、處理不當，甚至可能嚴重損壞爐內設備，直至出現人身傷亡。
從保證過熱器安全可靠運行的角度出發，對生產過程進行壁温檢測和故障診斷具有非常重要 的意義。
壁温監測能夠實現故障預預測性診斷的，對過熱器的運行進行及時的調整，減少過熱器超温 爆管事故的發生，但是壁温計算模型是建立在過熱器管子正常運行的情況下，不能很好的監 測過熱器爆管發生後的狀況；
而基於人工神經網絡的故障診斷，能夠利用神經網絡的模式識 別功能對過熱器爆管故障進行及時的診斷避免事故的進一步擴大化，但是隻能作為爆管後的 一種診斷方法，缺少預測性。鑑於二者的優缺點，將二者結合起來為過熱器的安全經濟運行 提供一種有效的方法。
1 壁温監測
本文的壁温計算基本公式［4］：
740)h=740" border=undefined>
式中：α2——管壁對受熱介質的放熱係數，W/(m2·℃)；
β——管子外徑與內徑的比值；
δ——管子壁厚，mm；
λm——管壁金屬導熱係數W/(m2·℃)；
q ——計算管段的實際熱負荷，kW/m2；
Δt——考慮管間工質温度偏離平均值的偏差，℃
qmax——在熱負荷最大的管子上，熱流密度的最大值，kW/m2；
μ——考慮沿管子周界方向的若傳遞係數。
式中各個參數可以根據經驗公式進行計算。管件中流動介質在計算斷面上的平均温度tpj，對於亞臨界壓力鍋爐機組的沸騰管μ＝1。管壁金屬導入係數λm，與鋼材和温度有關，温度取tjp+50，由此得出管壁金屬的導熱係數。管壁向被加熱介質的放熱係數α 2，跟熱負荷有關，根據經驗曲線來確定。管子外徑與內徑的比值β，按公式來計算β=d/ (d-2δ)。在熱負荷最大的管子上吸熱量最大處的熱負荷，qmax=
740)h=740" border=undefined>
出過熱器壁温，當有關參數發生變化 時，管壁温度跟着發生變化，管壁温度的變化嚴重影響着過熱器的安全性，所以對爐膛壁温 的監測具有重要的意義。
對壁温的監測，其一要調節爐內的燃燒狀況將壁温控制在允許範圍內，儘量防止或減少平行 管子之間的熱偏差。其二監測壁温的變化，不要出現頻繁的温度波動，這樣容易產生熱疲勞 使得過熱器管子應力下降，減小管子的使用壽命。
壁温的計算的模型是的建立在過熱器管子正常運行的基礎上，只適用於過熱器爆管發生前的 預測性診斷，對於出現爆管故障後的管子模型不再適用。針對這一點我們增加了基於神經網 絡的過熱器故障診斷，來增強過熱器故障的後期診斷。
2 故障診斷
故障診斷的問題實質上就是模式識別問題，故障診斷的關鍵，就是建立一個與診斷對象特性 相適應的模式識別數學模型。神經網絡具有很強的自學習、非線性映射以及模式識別能力以 及處理不確定信息的能力。將它應用於故障率高、結構複雜的電站鍋爐的故障診斷時，樣本 通過由三層BP網絡進行訓練，其中我們對傳統的網絡結構進行改進，利用自適應學習率和增 加動量項算法，以提高BP網絡學習速度和故障診斷精度。本文根據某大型電廠的鍋爐運行的 監測數據建立了鍋爐故障樣本，同時以三層BP網絡為基本模型建立了鍋爐過熱器故障診斷模 型。
2.1 網絡模型
由於過熱器工作條件惡劣，管內工質温度較高，在安裝測點時存在一定的困難，在機組的運 行中我們可以測量的相關參數［5］有：爐膛負壓X1、高温過熱器出口煙温X2、引風 機電流X3、主蒸汽流量X4、給水量X5將這五個參數作為輸入參數，並接對這些現場監測參數 進行歸一化處理即得網絡輸入值，網絡輸入Y為過熱器保管可能性。
該網絡的輸入層節點數為5，輸出層節點數為1，隱含層節點數根據網絡設計經驗公式以及網 絡訓練的最優結果選取為3，網絡模型如圖1所示。
740)h=740" border=undefined>
網絡學習所採用的自適應BP算法，包括網絡的前向計算和誤差的反向計算。
2.2 BP網絡計算
2.2.1 網絡的前向傳遞。
①隱含層節點i
740)h=740" border=undefined>
對上式進行處理，即可得到權值調整量與各層誤差分量的關係式，最終得到權值調整公式：
ΔW(t)=ηδX+αΔW(t-1)[JY]（7）
式中：W泛指各層間權值矩陣，δX為本次權值調整量；
t，t-1表時序，η表示率，α為動量 因子，α，η∈(0,1)。上式就是帶動量因子的BP學習算法。
在標準BP算法中學習率定為常數，然而在實際的應用中很難確定一個從始至終都很合適的最 佳學習率，從誤差曲面可以看出，在平坦區域內η太小會使訓練次數增加，因而希望增大η 值；
而在誤差變化劇烈的區域，η太大會因調整量過大而跨過窄的“坑窪”處，使訓練出現 震盪，反而使迭代次數增加。為了加速收斂過程，一個較好的方法就是改變學習率，使其該 大時增大，該小時減小。設定一初始學習率，經過一批次權值調整後使誤差增大，則 η=β η(B＜0)，β為速率減小因子；
若調整後誤差減小，則使η=θη(θ＞0)，θ為速率增加因 子［2］。
2.3 樣本訓練
參考文獻［1］中所提供的一部分數據（如表1所示），用MATLAB神經網絡工具 箱對網絡進行訓練，由於傳統BP網絡的種種缺陷，採用自適應學習率和增加動量項的算 法進行訓練，避免了在訓練過程中網絡陷入局部最小，找到全局的最小點。在表1中的樣本 最為訓練樣本，採用下面的參數進行訓練，選用的參數有：學習速率為0.01，速率增加比率 為1.05，速率減小比率0.07，動量常數0.9，訓練精度0.01。
740)h=740" border=undefined>
用訓練好的網絡對錶2中的五組樣本進行仿真，仿真結果如表2所示：其中Y表示過熱器 故障發生可能性的實際值，Y*表示用神經網絡的仿真值。樣本總體平均誤差為0.05，利用神 經網絡進行過熱器的故障診斷具有較小的樣本誤差，診斷訓練值與仿真值基本一致，網絡具 有一定的準確性，能夠對故障做出準確的診斷。
740)h=740" border=undefined>
3 結論
該系統的研究不僅能夠對過熱器的壁温進行監測，使它作為故障預測性診斷的依據，及時進 行運行調整，減少過熱器超温爆管事故的發生，延長過熱器的使用壽命，提高了運行的經濟 性；
同時我們利用人工神經網絡進行故障的在線診斷，利用神經網絡的模式識別功能對過熱 器爆管故障進行及時的診斷避免事故的進一步擴大化，造成更大的經濟損失和人員傷亡。二 者結合對過熱器進行很好的預測性監測，和及時的故障診斷，為過熱器的安全經濟運行提供 了一種有效的方法。
［參考文獻］
［1］ 熊浩，周潔，丁萃菁模塊化模糊網絡在電站鍋爐故障診斷中的應用研究［J ］計算機仿真，2004，(2).
［2］ 韓立羣人工神經網絡應用設計及應用［M］北京：化學工業出版社，2007.
［3］ 聞新，等MATLAB神經網絡應用設計［M］北京：科學出版社，2000.
［4］ 北京鍋爐廠譯鍋爐機組熱力計算——標準方法［M］北京：機械工業出版 社，1976.
［5］ 王利平電站鍋爐過熱器爆漏原因分析［J］電力學報，1998，(1).
人人簡歷網
