基于深度学习的复杂工业过程软测量方法研究
发布时间：2022-01-17 10:09
软测量技术就是根据工业过程知识合理地选择其它易测变量,建立易测变量与难测变量间的软测量模型对难测变量进行最优估计,有效解决了在高温、密闭等恶劣环境下,由于硬件传感器的局限性而无法对那些重要过程变量进行直接测量的问题。软测量技术为现有传感器的检测和控制提供了有效手段,因而成为当前复杂工业控制领域的研究热点。近年来,随着智能学习算法的飞速发展,将深度学习应用到复杂工业现场已经成为热门研究方向。本文利用深度学习强大的学习能力,将软测量技术和深度学习相结合,提出一种基于深度学习的复杂工业过程软测量方法,并将此模型用于回转式空气预热器转子热变形预测中,为转子漏风技术提供较为准确的热变形量。本文具体研究如下:（1）本文首先将电厂600MW机组电站锅炉空气预热器的现场数据进行采集。然后采用灰色关联分析（Grey Relational Analysis,GRA）方法选取对转子热变形有显著影响的变量,为模型训练提供可靠的输入变量。最后将数据进行筛选以及归一化等操作,将处理后的数据利用“留出法”选取互斥的训练集和测试集作为网络模型样本数据。通过选定的样本数据,可以在同一样本数据集的前提下,进行不同模型方法...
【文章来源】：西安理工大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
软测量模型结构图
西安理工大学工程硕士专业学位论文4图1-2回转式空气预热器结构示意图Fig.1-2Schematicdiagramofrotaryair-preheater1.2.2转子热变形漏风原理空气预热器的空气侧压力大于烟气侧压力，两侧的压力差一般为8-10kPa。为了保证转子能够平稳转动，需要在转子与固定外壳之间留有间隙。当预热器热态工作时，高温烟气通过上部烟气通道进入转子，并与内部传热元件换热，从而使转子热端的温度升高。而转子冷端由于没有发生热量交换，因此温度较低。转子冷、热端的温度差使转子内部形成温度梯度，从而产生变形间隙，通常称为“蘑菇状”变形。空气预热器转子热变形如图1-3所示。如果转子在冷态下没有调整间隙，则在热态工作时某些地方的间隙会增加，而在某些地方间隙会变校在这种情况下，不但会使预热过的空气泄露，而且还可能引起摩擦甚至卡塞，严重时甚至会影响机组的安全以及稳定运行状态。由于预热器内部元件的温度不同，因此产生的热膨胀量和方向也不同。转子端面的径向间隙为各变量综合作用的结果，并且锅炉负荷越高，径向间隙变化越大。例如，600MW的预热器的径向间隙最大可达50mm。由于冷空气侧的压力高，而热烟气侧的压力低，因此，热变形产生的间隙和冷、热流体间的压差会导致漏风。烟气侧漏入空气过多，不仅会增加电耗，而且会减少燃料供风量，使锅炉负荷下降，从而影响机组的安全及稳定。因此，在机组运行过程中，如何准确地检测空气预热器转子的变形量，并通过自动调节装置将漏风降至最低，是漏风控制需要解决的主要问题[13,14]。
第1章绪论5图1-3回转式空气预热器转子热变形示意图Fig.1-3Rotorthermaldeformationdiagramofrotaryairpreheater1.2.3漏风控制的重点和难点由于空气预热器内部温度高、环境封闭，烟气中还含有大量的炉灰、粉尘和腐蚀性气体，环境恶劣、复杂，严重影响了测量传感器的可靠工作。例如，空气预热器内部温度高达400℃，大大超过了传感器正常工作的温度极限；空气预热器内部含有大量烟气带来的炉灰、粉尘和腐蚀性气体，长时间工作时，传感器的金属部件会遭到腐蚀性气体的腐蚀而损坏，从而造成传感器本身的损坏；由于空气预热器工作时内部处于密闭、高温的状态，当传感器发生故障时，一般难以进行维护和更换。在工程实际中对于转子变形的漏风问题有多种解决方案，但无论利用机械接触式测量方法还是利用传感器非接触检测方法，都会因为使用环境差、维护要求高而不同程度地影响其实际使用效果。空气预热器间隙测量尤其在高温的环境下，大多数传感器无法使用，可选择的余地较小，直接可以测量的只有电涡流传感器，但是探头线圈工作在高温环境下时导致涡流传感器的寿命大大地降低，甚至根本无法适应[15]。近年来，随着智能学习算法的发展，也为解决因转子变形而造成的漏风问题这一问题提供了新的思路。即，当锅炉负荷发生变化时，由于受热温度的变化，导致空气预热器转子产生变形，不同的温度会产生不同的变形量。同时，转子受热变形是一个缓慢的过程，若能够通过采集实际系统的运行数据实验，分析转子变形量与诸如温度、风压等物理量的关系，即可获得漏风间隙与相关参数的关系模型，这样就可以依据此模型实施对漏风间隙的调整，实现所谓非测量漏风控制[16]。1.3课题研究现状随着软测量技术的发展，其建模理论和过程优化方面都取得了巨大进步。随?
【参考文献】：
期刊论文
[1]Advanced algorithms for retrieving pileup peaks of digital alpha spectroscopy using antlions and particle swarm optimizations[J]. Mohamed S.ElTokhy. Nuclear Science and Techniques. 2020(04)
[2]基于DBN特征提取的雷达辐射源个体识别[J]. 徐宇恒,程嗣怡,董晓璇,周一鹏,董鹏宇. 空军工程大学学报(自然科学版). 2019(06)
[3]基于GA-SVR的海水养殖过程软测量建模[J]. 李康,王魏,林少涵. 控制工程. 2019(11)
[4]粒子群算法和支持向量机的网络入侵检测[J]. 余森,赵冉. 微型电脑应用. 2019(09)
[5]粒子群优化算法中惯性权重改进策略综述[J]. 杨博雯,钱伟懿. 渤海大学学报(自然科学版). 2019(03)
[6]基于深度置信网络的电力系统扰动后频率曲线预测[J]. 仉怡超,闻达,王晓茹,林进钿. 中国电机工程学报. 2019(17)
[7]基于深度置信网络的电力负荷识别[J]. 徐春华,陈克绪,马建,刘佳翰,吴建华. 电工技术学报. 2019(19)
[8]基于深度学习的复杂化工过程软测量模型研究与应用[J]. 耿志强,徐猛,朱群雄,韩永明,顾祥柏. 化工学报. 2019(02)
[9]回转式空气预热器漏风分析及安装质量控制要点[J]. 周锴. 中国石油和化工标准与质量. 2018(20)
[10]基于深度集成支持向量机的工业过程软测量方法[J]. 马建,邓晓刚,王磊. 化工学报. 2018(03)
硕士论文
[1]基于深度学习的工业过程软测量[D]. 伊金静.浙江大学 2019
[2]基于支持向量机的煤粉颗粒度在线软测量研究[D]. 黄平平.华北电力大学(北京) 2017
[3]深度学习算法在软测量建模中的应用研究[D]. 毛佳敏.南京邮电大学 2016
[4]电厂锅炉空气预热器漏风研究与改造[D]. 韩少非.大连理工大学 2015
[5]基于粒子群优化神经网络的电力短期负荷预测研究[D]. 姜林.辽宁工程技术大学 2011
本文编号：3594539
【文章来源】：西安理工大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
软测量模型结构图
西安理工大学工程硕士专业学位论文4图1-2回转式空气预热器结构示意图Fig.1-2Schematicdiagramofrotaryair-preheater1.2.2转子热变形漏风原理空气预热器的空气侧压力大于烟气侧压力，两侧的压力差一般为8-10kPa。为了保证转子能够平稳转动，需要在转子与固定外壳之间留有间隙。当预热器热态工作时，高温烟气通过上部烟气通道进入转子，并与内部传热元件换热，从而使转子热端的温度升高。而转子冷端由于没有发生热量交换，因此温度较低。转子冷、热端的温度差使转子内部形成温度梯度，从而产生变形间隙，通常称为“蘑菇状”变形。空气预热器转子热变形如图1-3所示。如果转子在冷态下没有调整间隙，则在热态工作时某些地方的间隙会增加，而在某些地方间隙会变校在这种情况下，不但会使预热过的空气泄露，而且还可能引起摩擦甚至卡塞，严重时甚至会影响机组的安全以及稳定运行状态。由于预热器内部元件的温度不同，因此产生的热膨胀量和方向也不同。转子端面的径向间隙为各变量综合作用的结果，并且锅炉负荷越高，径向间隙变化越大。例如，600MW的预热器的径向间隙最大可达50mm。由于冷空气侧的压力高，而热烟气侧的压力低，因此，热变形产生的间隙和冷、热流体间的压差会导致漏风。烟气侧漏入空气过多，不仅会增加电耗，而且会减少燃料供风量，使锅炉负荷下降，从而影响机组的安全及稳定。因此，在机组运行过程中，如何准确地检测空气预热器转子的变形量，并通过自动调节装置将漏风降至最低，是漏风控制需要解决的主要问题[13,14]。
第1章绪论5图1-3回转式空气预热器转子热变形示意图Fig.1-3Rotorthermaldeformationdiagramofrotaryairpreheater1.2.3漏风控制的重点和难点由于空气预热器内部温度高、环境封闭，烟气中还含有大量的炉灰、粉尘和腐蚀性气体，环境恶劣、复杂，严重影响了测量传感器的可靠工作。例如，空气预热器内部温度高达400℃，大大超过了传感器正常工作的温度极限；空气预热器内部含有大量烟气带来的炉灰、粉尘和腐蚀性气体，长时间工作时，传感器的金属部件会遭到腐蚀性气体的腐蚀而损坏，从而造成传感器本身的损坏；由于空气预热器工作时内部处于密闭、高温的状态，当传感器发生故障时，一般难以进行维护和更换。在工程实际中对于转子变形的漏风问题有多种解决方案，但无论利用机械接触式测量方法还是利用传感器非接触检测方法，都会因为使用环境差、维护要求高而不同程度地影响其实际使用效果。空气预热器间隙测量尤其在高温的环境下，大多数传感器无法使用，可选择的余地较小，直接可以测量的只有电涡流传感器，但是探头线圈工作在高温环境下时导致涡流传感器的寿命大大地降低，甚至根本无法适应[15]。近年来，随着智能学习算法的发展，也为解决因转子变形而造成的漏风问题这一问题提供了新的思路。即，当锅炉负荷发生变化时，由于受热温度的变化，导致空气预热器转子产生变形，不同的温度会产生不同的变形量。同时，转子受热变形是一个缓慢的过程，若能够通过采集实际系统的运行数据实验，分析转子变形量与诸如温度、风压等物理量的关系，即可获得漏风间隙与相关参数的关系模型，这样就可以依据此模型实施对漏风间隙的调整，实现所谓非测量漏风控制[16]。1.3课题研究现状随着软测量技术的发展，其建模理论和过程优化方面都取得了巨大进步。随?
【参考文献】：
期刊论文
[1]Advanced algorithms for retrieving pileup peaks of digital alpha spectroscopy using antlions and particle swarm optimizations[J]. Mohamed S.ElTokhy. Nuclear Science and Techniques. 2020(04)
[2]基于DBN特征提取的雷达辐射源个体识别[J]. 徐宇恒,程嗣怡,董晓璇,周一鹏,董鹏宇. 空军工程大学学报(自然科学版). 2019(06)
[3]基于GA-SVR的海水养殖过程软测量建模[J]. 李康,王魏,林少涵. 控制工程. 2019(11)
[4]粒子群算法和支持向量机的网络入侵检测[J]. 余森,赵冉. 微型电脑应用. 2019(09)
[5]粒子群优化算法中惯性权重改进策略综述[J]. 杨博雯,钱伟懿. 渤海大学学报(自然科学版). 2019(03)
[6]基于深度置信网络的电力系统扰动后频率曲线预测[J]. 仉怡超,闻达,王晓茹,林进钿. 中国电机工程学报. 2019(17)
[7]基于深度置信网络的电力负荷识别[J]. 徐春华,陈克绪,马建,刘佳翰,吴建华. 电工技术学报. 2019(19)
[8]基于深度学习的复杂化工过程软测量模型研究与应用[J]. 耿志强,徐猛,朱群雄,韩永明,顾祥柏. 化工学报. 2019(02)
[9]回转式空气预热器漏风分析及安装质量控制要点[J]. 周锴. 中国石油和化工标准与质量. 2018(20)
[10]基于深度集成支持向量机的工业过程软测量方法[J]. 马建,邓晓刚,王磊. 化工学报. 2018(03)
硕士论文
[1]基于深度学习的工业过程软测量[D]. 伊金静.浙江大学 2019
[2]基于支持向量机的煤粉颗粒度在线软测量研究[D]. 黄平平.华北电力大学(北京) 2017
[3]深度学习算法在软测量建模中的应用研究[D]. 毛佳敏.南京邮电大学 2016
[4]电厂锅炉空气预热器漏风研究与改造[D]. 韩少非.大连理工大学 2015
[5]基于粒子群优化神经网络的电力短期负荷预测研究[D]. 姜林.辽宁工程技术大学 2011
本文编号：3594539
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3594539.html
