基于神经网络的锅炉故障检测与诊断003.docxVIP

绪 论1.1研究的背景及意义近些年，随着科技的进步，社会中人民生活水平得到很大提高和现代化建设逐渐完善，电力工业在提高人民生活水平以及致富上起着举足轻重的作用。并且电力一直人民主要能源消费之一，在终端能源市场占据着不可替代的位置。根据有关资料显示，在2014年对我国发电装机容量进行统计，其中火电装机容量9.1亿千瓦，占比 5.9%。我国在总装机容量和总用电量两项指标上均超越美国跃居世界第一，然而人均发电装机与人均年用电量上均处于偏下地位，每个人平均发电装机容量只有1千瓦，个人平均年用电量仅4千瓦时，但是在现代发达国家中，人均装机容量大约在2千瓦，其中最发达的国家美国甚至己经在3千瓦以上。作为世界第二大经济体，我国在人均用电量方面仅接近全球领先水平，又仅为一些发达国家的四分之一左右。基于以上情况，在“十三五规划”中，我国增加了发电装机容量，以便促进煤电的有序发展。根据有关数据统计，在能源结构构成方面，我国总装机容量为13.6亿千瓦，总发电量5.55万亿千瓦时。其中煤炭发电电量达到9. 16亿千瓦，其中，装机容量和发电量占各自总量的67.4%和75.2%左右。通过以上数据可知，目前在我国电力结构中，煤炭发电依然具有特别重要的地位。然而，在火力发电机组中，作为主要的关键和不稳定设备的锅炉具有系统复杂、运行表征量多等难以掌控的特点。同时，由于锅炉设备长期处在十分恶劣工作环境下，导致锅炉成为高故障率的生产设备。在锅炉设备中包括几个分系统，每个系统中又含有许多子集的设备，因此锅炉的大多数故障一般拥有两个特点：第一，多个故障具有同一个表象，但是表象在肉眼上无法具体分辨；第二，某些故障的现象和数据上很复杂，不能总结其规律，只能凭个人的经验与感觉进行操作控制。其表现在表征量上，大多具有非线性、模糊性等特点。目前，电力工业结构正面临调整升级，各种高水平、大容量、智能水平高的大型燃煤锅炉，锅炉内部构造更复杂，检测表征量更多元化。故障的规律也会变的更加复杂，故障特征表征量难以识别。因此对火电厂故障诊断过程要求会越来越高，特别是针对故障特征表征量的识别的速度和精度提出了挑战。从模式识别的角度看，故障诊断过程实质上就是对设备运行状态进行模式分类的过程。因为锅炉故障时，其动态平衡被破坏，故障发生迅速，其特征表征量会出现剧烈变化，甚至引起其他新的故障类型。所以在故障发生时，及时而且精确的识别故障信息是故障诊断系统研究的关键。然而，经过实地参观，国内大多数依然采用以计微处理机为基础的数字控制系统，仅具备报警和事故联锁功能，对于大部分复杂故障，必须依靠操作者通过显示屏等接口的对话监督方式实现故障的诊断，并且故障发生后依然主要通过操作者的工作经验判断分析故障。而对于单机大容量机组而言，一旦故障发生，中央控制系统的操作者需要对大量的故障特征表征量进行分析判断时，操作者已力不从心。本课题研究的主要目的是通过对锅炉故障特点和故障诊断方法的研究，建立更加智能化的诊断策略。研究的意义主要在于提高故障诊断的精度，识别出故障信息并及时反馈给操作者。此外，通过本论文的研究，还希望能够推广到其他类型的故障诊断中。1.2国内外研究现状近年来，国内外研究学者在对锅炉故障进行诊断的方方面面开展了大量研究也取得了明显的成就。1989年，利用人工智能系统，美国电力研究院开始研究的锅炉故障诊断专家系统ESCARTA在五个发电厂投入使用，取得了令人满意的效果。随后在锅炉系统中人工智能故障诊断系统开始兴起，研究的主要成果有，美国Lockheed Martin公司开发具有专家系统和神经网络技术混合模式的InEC系统、石川岛播磨重工开发锅炉支援系统等。美国西屋公司开发的汽轮发电机组专家系统是国外所有研究中最成功的故障诊断系统。该公司建立了自动诊断中心，监视三家主要发电厂的全工作状况。与此同时，国内的许多高校也开展了这方面的研究，并且取得了一些成果。在300MW的火电燃煤锅炉上的成果数清华大学李德英教授最为显著了，他对该容量的锅炉创新设计了在线监测和故障诊断分析平台。该平台通过对锅炉进行在线监测，实时把握锅炉的状态信息，利用采用深、浅原理相配合的复合诊断机理，确定锅炉可能出现的各种故障，然后由山东电力科学研究院对远程数据进行综合分析，从实践上取得了喜人的成绩。蒋东翔将现有诊断方法进行整合一起，提出了混合职能诊断的技术路线，该方法不但解决了故障诊断的单一性的弊端，同时还将模糊数学理论、人工智能新技术以及规则专家诊断知识多种方法融合到智能诊断方法里面来，很好的解决了电厂热力系统和机组动力系统的故障识别中的难题。1.3故障诊断特征识别方法研究对于故障诊断特征识别来说，因为诊断故障的过程实质上是对设备运行状态按照模式区别进行识别的过程。不同的故障诊断特征识别有虽有所不同，但大体分类过程相同。具体工作流程如图1