(广州市旺隆热电有限公司，广东 广州 510660)
摘 要：
文章通过壁温计算来实现过热器故障的预测性诊断，同时用神经网络对发生故障进行及时的 诊断，二者结合将使过热器事故发生率降低，并且将事故引起的损失控制在最低程度，从而 提高机组的经济性和安全性。
关键词：过热器；
人工神经网络；
故障诊断；
壁温计算
中图分类号：TM41 文献标识码：A 文章编号：1007—6921(2009)18—0087—02
随着我国电力工业的不断发展，机组容量的增大，系统和设备日趋复杂。电站锅炉过热器又 是工作在最恶劣条件下的受热部件，出于经济性的考虑，为了尽量避免使用更高级别的合金 钢，设计过热器时，选用的管子金属几乎都工作于接近其温度极限值。当过热器运行偏离设 计工况时，就容易发生超温爆管事故，影响机组的安全经济运行。轻微时锅炉蒸汽的品质下 降，热效率降低，使锅炉机组运行不良；
严重时则必须紧急停炉检查修理，会造成很大的经 济损失。如爆管发现不及时、处理不当，甚至可能严重损坏炉内设备，直至出现人身伤亡。
从保证过热器安全可靠运行的角度出发，对生产过程进行壁温检测和故障诊断具有非常重要 的意义。
壁温监测能够实现故障预预测性诊断的，对过热器的运行进行及时的调整，减少过热器超温 爆管事故的发生，但是壁温计算模型是建立在过热器管子正常运行的情况下，不能很好的监 测过热器爆管发生后的状况；
而基于人工神经网络的故障诊断，能够利用神经网络的模式识 别功能对过热器爆管故障进行及时的诊断避免事故的进一步扩大化，但是只能作为爆管后的 一种诊断方法，缺少预测性。鉴于二者的优缺点，将二者结合起来为过热器的安全经济运行 提供一种有效的方法。
1 壁温监测
本文的壁温计算基本公式［4］：
740)h=740" border=undefined>
式中：α2——管壁对受热介质的放热系数，W/(m2·℃)；
β——管子外径与内径的比值；
δ——管子壁厚，mm；
λm——管壁金属导热系数W/(m2·℃)；
q ——计算管段的实际热负荷，kW/m2；
Δt——考虑管间工质温度偏离平均值的偏差，℃
qmax——在热负荷最大的管子上，热流密度的最大值，kW/m2；
μ——考虑沿管子周界方向的若传递系数。
式中各个参数可以根据经验公式进行计算。管件中流动介质在计算断面上的平均温度tpj，对于亚临界压力锅炉机组的沸腾管μ＝1。管壁金属导入系数λm，与钢材和温度有关，温度取tjp+50，由此得出管壁金属的导热系数。管壁向被加热介质的放热系数α 2，跟热负荷有关，根据经验曲线来确定。管子外径与内径的比值β，按公式来计算β=d/ (d-2δ)。在热负荷最大的管子上吸热量最大处的热负荷，qmax=
740)h=740" border=undefined>
出过热器壁温，当有关参数发生变化 时，管壁温度跟着发生变化，管壁温度的变化严重影响着过热器的安全性，所以对炉膛壁温 的监测具有重要的意义。
对壁温的监测，其一要调节炉内的燃烧状况将壁温控制在允许范围内，尽量防止或减少平行 管子之间的热偏差。其二监测壁温的变化，不要出现频繁的温度波动，这样容易产生热疲劳 使得过热器管子应力下降，减小管子的使用寿命。
壁温的计算的模型是的建立在过热器管子正常运行的基础上，只适用于过热器爆管发生前的 预测性诊断，对于出现爆管故障后的管子模型不再适用。针对这一点我们增加了基于神经网 络的过热器故障诊断，来增强过热器故障的后期诊断。
2 故障诊断
故障诊断的问题实质上就是模式识别问题，故障诊断的关键，就是建立一个与诊断对象特性 相适应的模式识别数学模型。神经网络具有很强的自学习、非线性映射以及模式识别能力以 及处理不确定信息的能力。将它应用于故障率高、结构复杂的电站锅炉的故障诊断时，样本 通过由三层BP网络进行训练，其中我们对传统的网络结构进行改进，利用自适应学习率和增 加动量项算法，以提高BP网络学习速度和故障诊断精度。本文根据某大型电厂的锅炉运行的 监测数据建立了锅炉故障样本，同时以三层BP网络为基本模型建立了锅炉过热器故障诊断模 型。
2.1 网络模型
由于过热器工作条件恶劣，管内工质温度较高，在安装测点时存在一定的困难，在机组的运 行中我们可以测量的相关参数［5］有：炉膛负压X1、高温过热器出口烟温X2、引风 机电流X3、主蒸汽流量X4、给水量X5将这五个参数作为输入参数，并接对这些现场监测参数 进行归一化处理即得网络输入值，网络输入Y为过热器保管可能性。
该网络的输入层节点数为5，输出层节点数为1，隐含层节点数根据网络设计经验公式以及网 络训练的最优结果选取为3，网络模型如图1所示。
740)h=740" border=undefined>
网络学习所采用的自适应BP算法，包括网络的前向计算和误差的反向计算。
2.2 BP网络计算
2.2.1 网络的前向传递。
①隐含层节点i
740)h=740" border=undefined>
对上式进行处理，即可得到权值调整量与各层误差分量的关系式，最终得到权值调整公式：
ΔW(t)=ηδX+αΔW(t-1)[JY]（7）
式中：W泛指各层间权值矩阵，δX为本次权值调整量；
t，t-1表时序，η表示率，α为动量 因子，α，η∈(0,1)。上式就是带动量因子的BP学习算法。
在标准BP算法中学习率定为常数，然而在实际的应用中很难确定一个从始至终都很合适的最 佳学习率，从误差曲面可以看出，在平坦区域内η太小会使训练次数增加，因而希望增大η 值；
而在误差变化剧烈的区域，η太大会因调整量过大而跨过窄的“坑洼”处，使训练出现 震荡，反而使迭代次数增加。为了加速收敛过程，一个较好的方法就是改变学习率，使其该 大时增大，该小时减小。设定一初始学习率，经过一批次权值调整后使误差增大，则 η=β η(B＜0)，β为速率减小因子；
若调整后误差减小，则使η=θη(θ＞0)，θ为速率增加因 子［2］。
2.3 样本训练
参考文献［1］中所提供的一部分数据（如表1所示），用MATLAB神经网络工具 箱对网络进行训练，由于传统BP网络的种种缺陷，采用自适应学习率和增加动量项的算 法进行训练，避免了在训练过程中网络陷入局部最小，找到全局的最小点。在表1中的样本 最为训练样本，采用下面的参数进行训练，选用的参数有：学习速率为0.01，速率增加比率 为1.05，速率减小比率0.07，动量常数0.9，训练精度0.01。
740)h=740" border=undefined>
用训练好的网络对表2中的五组样本进行仿真，仿真结果如表2所示：其中Y表示过热器 故障发生可能性的实际值，Y*表示用神经网络的仿真值。样本总体平均误差为0.05，利用神 经网络进行过热器的故障诊断具有较小的样本误差，诊断训练值与仿真值基本一致，网络具 有一定的准确性，能够对故障做出准确的诊断。
740)h=740" border=undefined>
3 结论
该系统的研究不仅能够对过热器的壁温进行监测，使它作为故障预测性诊断的依据，及时进 行运行调整，减少过热器超温爆管事故的发生，延长过热器的使用寿命，提高了运行的经济 性；
同时我们利用人工神经网络进行故障的在线诊断，利用神经网络的模式识别功能对过热 器爆管故障进行及时的诊断避免事故的进一步扩大化，造成更大的经济损失和人员伤亡。二 者结合对过热器进行很好的预测性监测，和及时的故障诊断，为过热器的安全经济运行提供 了一种有效的方法。
［参考文献］
［1］ 熊浩，周洁，丁萃菁模块化模糊网络在电站锅炉故障诊断中的应用研究［J ］计算机仿真，2004，(2).
［2］ 韩立群人工神经网络应用设计及应用［M］北京：化学工业出版社，2007.
［3］ 闻新，等MATLAB神经网络应用设计［M］北京：科学出版社，2000.
［4］ 北京锅炉厂译锅炉机组热力计算——标准方法［M］北京：机械工业出版 社，1976.
［5］ 王利平电站锅炉过热器爆漏原因分析［J］电力学报，1998，(1).
