基于机器学习的锅炉主辅机状态监测研究

摘要

近年来，我国清洁能源的崛起、新排放标准的颁布促使传统的火电机组担任更多的调峰任务、进行大量的环保改造，经常处于非设计工况运行，这样将对锅炉系统设备的安全可靠运行带来严峻考验。在此背景下，对锅炉的主机和辅机的运行状态进行在线实时监测，进而实现在线诊断和预测，对保障锅炉机组长期稳定运行具有重要意义，本文尝试引入机器学习方法建立锅炉主辅机的状态监测模型。
　　首先采用了基于聚类的炉膛稳态判别法，对实时的炉膛工况进行判别。通过采集大量的运行历史数据，引入K-Means方法和快速搜索密度峰值方法，建立稳态判别模型，结果显示采用改进型的快速搜索密度峰值方法建模效果较好。炉膛稳态的判定为下文主机燃烧状态监测提供了状态基础，在稳态的基础上才能实施主机的燃烧状态监测。
　　锅炉主机状态监测的关键问题是对炉膛内部燃烧状态的在线监测，本文提出一种基于数值模拟和机器学习的炉膛内部监测方法。首先，对炉膛进行模型构造、网格划分，尽量多地对变化参数设置模拟工况，然后，以模拟结果为数据源，采用 ELM和SVM来构建炉膛燃烧的回归模型，根据温度、速度和氮氧化物浓度的回归结果表明该方法效果较好。基于前述的锅炉稳态判别，应用此模型对当前的工况进行计算，快速获得当前的温度、速度、成分浓度的分布，使运行人员实时掌握燃烧状态。
　　锅炉辅机主要包括磨煤机、风机、给水泵等，根据对其故障树的分析可知振动是设备故障的主要原因之一。分析其振动的特征，本文提出了结合相空间重构和极限学习机的振动软测量方法，并以磨煤机的振动烈度为例，对该方法的结果进行验证分析，证明该方法具有较高的精度。对于其他重要的辅机参数，本文开发了基于ARMAX时序参数回归预测的软件工具，用户只需简单设置即可对参数进行趋势预测。

目录

封面

声明

中文摘要

英文摘要

目录

1绪论

1.1背景及意义

1.2研究概况

1.3本文主要研究内容

2基于聚类的炉膛稳态判断

2.1炉膛稳态

2.2聚类方法介绍

2.3炉膛稳态判断

2.4在线判别实例

2.5本章小结

3基于数值模拟的炉膛内部监测

3.1燃烧数值模拟

3.2回归模型建立

3.3炉膛温度、速度以及氮氧化物浓度结果分析

3.4炉膛监测流程

3.5本章小结

4锅炉辅机状态监测

4.1锅炉辅机概述

4.2振动软测量

4.3时序参数回归预测

4.4本章小结

5全文总结与展望

5.1全文总结

5.2展望

致谢

参考文献

附录一 攻读硕士学位期间发表论文