汽轮机叶片温度预测方法

专利名称：汽轮机叶片温度预测方法
在汽轮机如汽轮发电机组的运行中，将操作参数(包括启动和关闭阶段)保持在确定的极限内以准确安全地操作是十分重要的。不安全的操作能够引起人员伤害及材料损坏这样的严重后果。
参考本申请的发明人同时提出的一篇题目是“用图表示的汽轮机运行条件用户接口系统”的申请，其所公开的内容在某种程度上包括在本文中，不与本申请相矛盾。
典型地，在汽轮机发电机组的运行中，汽轮机大约以全功率运行，或当对功率的要求不能满足时，切断汽轮机。特别是在作为大功率电网的一部分运行时，可能要求小于全负荷运行。在这样条件下，可能出现温度、压力、蒸汽湿度、二次加热、减压、加压的复杂模式，可能导致汽轮机叶片温度过高。这样的情况能够带来具有灾难性后果的叶片损坏。因此，在进气口蒸汽压力处于输出压力或小于输出压力的情况下监视运行实际上是十分重要的。可用的背景材料见W.W.Bathie，“Fundamentals of gas turbines”，John Wiley and Sons，1996；和H.Herlock，“Axial flow turbinesFluid mechanics andthermodynamics”，Butterworth，London，1960等书中。
仿真汽轮机在其整个操作定义域内蒸汽行为的良好数学模型是不容易获得的，特别是就主蒸汽压力接近或低于排气压力的期间来说。在这样的期间内，流体的流动行为是非常复杂的，因为与轴向速率分量相比径向速率分量变得非常明显。当吸入压力接近或小于输出压力时，典型地仿真正常载荷期间蒸汽行为的可利用的简化数学模型不能很好地执行操作。
在新近的大汽轮机中，温度检测装置安装在HP和LP机壳的相应地点。这些温度检测无论叶片温度何时超出其极限都给操作员或监视工程师提供指示。对较小较陈旧汽轮机叶片温度监视的需要，以及对比安装温度检测更实际和更有成本效益方法的需要，都会促使在运行期间对用于实时预测监视汽轮机叶片温度的实际系统的需要(在本文中所考虑的)。
本发明就是通过可编程计算机的应用来最好地实施上述的需要。
根据本发明的一个方面，汽轮机中叶片温度预测方法采用检测值，这些检测值包括场所的压力和温度，主要在输入和输出阶段，而不是叶片上直接的压力和温度。首先，通过使用水/蒸汽循环分析程序以及通过引导实验来模拟叶片的温度。通过给出检测温度和叶片温度训练人工神经网络(ANN)。在本发明的典型实施列中，会发现4个值给出满意的结果。在一个方法中，使用ANN直接获得运转叶片温度值。
根据本发明的另一方面，一个混合方法，使用5个检测值。例如，4个参数值的子集合用于训练ANN，例如另一个3个值的子集合用于执行另一个中间参数的计算。使用中间参数和5个检测值之一计算叶片温度。
根据本发明的又一个方面，用户接口为负责汽轮机运行的管理工程师提供实时信息显示，以便很容易地观察到主要参数值和不希望的运行条件的结合，且使偏差很明显以便能够快速地采取纠正行动。尽管能够很容易地给出参数的图形曲线，但这样的形式一般不容易给出有关扰动以及温度、压力、蒸汽湿度或过热及扰动效应的结合的汽轮机状态的整个图形。
根据本发明，在Mollier焓/熵曲线图上通过用线表示运行的减压和加压过程，可更容易地显示运行情况概观图。在结合中，也给出了实时参数值和参数趋势。将Mollier曲线图信息与趋势和实时信息结合使用，管理工程师能够更快速地识别和纠正不希望、潜在的棘手运行状态。
根据本发明的一个方面，系统利用基于混合ANN(artificialneural network)-算法的方案根据通常可获得的其它检测值预测叶片温度。本文中利用通常可使用的检测值。ANN的训练数据包括数学模型产生的数据和实验产生的数据。
由下面结合附图详细的描述将会更好地理解本发明，附图中

图1表示根据本发明的空气阻力模型的构造；图2表示根据本发明用于叶片温度预测的基于人工神经网络的方案；图3表示根据本发明人工神经网络的训练过程；图4表示可与本发明一同使用的图形用户接口结构；和图5表示可与本发明一同使用的图形接口图。
在汽轮机运行期间，必须通过操作方式将由于空气阻力产生的热量保持在允许的极限内。根据本发明的HP和LP汽轮机空气阻力模块将向操作者提供汽轮机各个不同阶段叶片温度的预测。本文中公开的交互式用户接口显示实时值、这些值的趋势图和在Mollier图表内相应的状态。可以根据预测和其它可使用的检测值推论出管理建议。
下面将给出空气阻力现象的例子。在HP汽轮机中，由于顺着行程没有蒸汽流过汽轮机，能量传递程度取决于汽轮机的压力和蒸汽密度。在全负荷行程中，首先给出相应的高冷再热器的压力。为了避免空气阻力损失带来的不允许的加热，需要足够的压力衰变或某种冷却蒸汽流。Mollier图表中的减压线表示在全负荷排斥空负荷之后足够HP蒸汽流的优点。通过这样的图形可更好地通知操作者。
减压/加压线的在线显示法对汽轮机的其它部分更有利，这些部分在本发明的具体情况中由于空气阻力现象要经受过热。当例如在跨过两个下部加热器的交叉管道的控制阀关闭时，为了加热汽轮机，LP汽轮机需要冷却蒸汽以将在最后阶段空气阻力引起的温度上升保持在允许的极限内。在这样的操作方式中，LP汽轮机中的蒸汽吸收由在最后阶段占明显优势的空气阻力损失引起的热量。
一般情况下空气阻力模块将遵循已知系统(如DIGEST系统)中使用的构造。DIGEST是发电厂的模块监视系统，由德国公司SiemensAktiengesellschaft(Siemens AG)的KWU-FTP组织开发的。DIGEST特征是模块系统构造，该构造能被分成6个不同的级，后面将简要解释每个级。模块成分用C表示，它在建立选择的任何结构中具有很大的适应性。
所提出的空气阻力模块系统构造如图1所示。前两个级已经作为DIGEST部分使用。管理级和数据级已经进行了修改。通讯级和数据级的修改包括参数的详细说明，这需要通过数据总线请求模块特殊数据，和产生数据服务器及数据库。主空气阻力模块的开发主要在行动级和显示级。
如图1所示，空气阻力模块中的6个级是1、获得级。该级管理数据的获得过程，它包括几个SiemensSimatic 5型的可编程逻辑控制器(PLC)2。Simatic 5的文件可由西门子工业自动化公司(Siemens Industrial Automation)获得。它的性能包括信号采样、A/D转换、限定计算、执行顺序过程行动、循环计时和打开通讯功能。在本文中它用作数据获得装置，其中它以预定的速率对检测数据进行采样，将采样的数据数字化，并通过以太网异步传送数据。
2、通讯级。该级主要是通讯服务器6，它管理网络和DEC(DigitalEquipment Corporation)数字工作站机器之间的信息传送。处理通讯发行的标准DEC模块被称为Omni-Sever/DECnet PhaseV。在DEC内部管理数据传送的过程用DEC-S5，8和S5-DEC，10表示。DEC-S5管理由管理级到S5的数据传送，S5-DEC管理由S5到管理级的数据传送。
3、管理级。控制管理级通过将正确格式的请求传送到通讯级来处理来自空气阻力过程的数据请求，这通过电报分配器模块12来进行。管理级也管理以某种格式到来的数据并将数据转送回过程控制以进行存储。这通过电报接受器模块14来进行。其它的功能包括管理缓冲器的容量(de-log)16、自检过程(watch-dog)18、和用于中断目的的几个计时器/时钟(time-control)20。自检过程主要检查系统内所有过程的状态，如果需要的话可重新启动系统。
4、行动级。行动级控制连续后台过程和计算。这包括数据请求的开始(发送RQTs)、到来数据的管理(RDTs)、数据存储、所有计算过程、和结果的存储。该级的详细说明见下面部分。该级也可以包括输出管理，它测试计算结果的正确性。在这样的配置中混合人工神经网络(ANN)预测器的结果总是与分析模块的结果相比较。需要这样的验证来检查可能出现的恶劣结果，该恶劣结果通常由远离ANN训练期间已经给出的所有采样值的输入值引起的。大的偏差可以表示进一步的再训练是必要的。
5、数据级。数据级处理有关数据存储和存取的所有过程。它包括数据服务器22和数据库24。对数据库的所有存取必须通过数据服务器22进行。一旦数据以正确的格式存储在数据库24中，所有的级就能够很容易地存取数据。
6、表示级。表示级提供图形用户接口，它允许用户观看几种不同方式的所有必要的信息，即当前值、趋势图和Mollier图。表示级包括空气阻力图形用户接口(Windage Graphical User Inteface)26、自由图形(Free Graphicas)28和用于存储用户接口所需要的中间参数值的共享存储器30。自由图形是独立的图形工具，用于绘制存储在数据库中的任何参数值。将该工具开发为初始DIGEST系统的一部分。
在以主空气阻力屏幕开始的几个层中表示信息，主空气阻力屏幕将主要显示叶片温度。连续层将显示每个汽轮机部分的详细状态。这些层将提供有关的所有参数值信息，所有参数值与作出关于汽轮机运行适当决定的操作员有关。在下面部分中将给出该级内有关过程的进一步详细说明。任选地提供有发展屏幕以存取一些内部模块和系统参数或过程；然而，主要因为安全原因，在实际工作方案中最好可以省略这个特征。
监视过程可以不必总是以同样的速率循环；它应当依靠汽轮机的操作条件而变化。对每个特殊的汽轮机能够预先确定几种情况。例如，空负荷、全负荷、在缓慢关闭、启动和负荷排斥期间的低负荷。监视周期应当根据不同条件的临界状态对不同的条件自动进行调节，将相应的显示安排给弹跳装置以帮助操作员。
空气阻力模块主要具有两个过程，后台过程和交互式显示过程。后台过程负责获得必须的参数值、以预定的速率计算叶片温度、将有关的信息记录在适当的共享存储器和数据库。交互式显示过程将在任何时间点以图形方式显示必须或请求的信息。在所有的检测稳定前用请求的最小时间量来限定过程速率，过程速率将根据汽轮机条件的严酷程度而改变。在临界叶片温度附近下的运行可能需要更快的过程速率。
在监视过程前，必须要训练ANN。训练的下层结构负责产生将在监视模块中使用的适当的加权和参数。这个过程离线进行，并且不能经过GUI接口进行控制。使用模拟数据和由现场实验获得的实际数据来训练网络，模拟数据是通过对希望的通常操作定义域使用分析方法计算所预测的温度来获得的。实验集中在诸如关闭、负荷损失、和启动等这样的特殊低蒸汽流条件下产生数据。希望这样的安排能够预测整个汽轮机操作范围的叶片温度。预测器的最小输入是主蒸汽压力的实时检测值、主蒸汽的温度、第三阶段的压力和排气压力。能够任选地提供和估计额外的输入。
后台过程将获得检测数据，计算叶片温度和其它需要的值，并在适当的位置存储这些值。过程顺序如下通过通讯(Communication)(使用DEC-S5协议)向获得级(Acquisition Level)和管理级(Administrative Levels)请求需要的检测数据。
由数据获得系统Simatic 5(Siemens PLC)接受检测的数据。通过以太网传送请求，使用S5-DEC协议进行通讯，并在管理级内通过远程采集来管理请求。检测参数的清单包括Pms＝主蒸汽的压力(bar)，Tms＝主蒸汽的温度(℃)，P1＝叶片装置前的蒸汽压力(bar)，T1＝叶片装置前的蒸汽温度(℃)，P3＝第三阶段的压力，Pex＝再加热器后的排气压力(bar)，Peh＝再加热器前的排气压力(bar)，Teh＝再加热器前的排气温度(℃)，Tcb＝底部套管温度(℃)，Tcu＝上部套管温度(℃)，Tci＝套管内部温度(℃)，Tco＝套管外部温度(℃)，N＝转动速度(RPM)，Pout＝输出功率(MW)。
将到来的数据预处理成希望的格式(解释器)。该过程主要是读取到来的数据串并将其重新格式化成标准的ASCII格式。
在中间文件中存储数据以备进一步进行处理。
预测器使用检测值计算叶片温度。用于预测叶片温度的输入检测值，对HP汽轮机来说至少是1、主蒸汽压力(Pms)，2、主蒸汽温度(Tms)，3、第三阶段的压力(P3rd)，和4、排气压力(Pex)，
5、转动速度。
一种方法使用易懂的3层ANN直接预测叶片温度，图2(a)。第二种方法使用混合技术，图2(b)，分解中间参数，其中a、使用等式1分析计算一个中间参数(T3)
其中n0是与具体的汽轮机尺寸有关的给定常数。
b、通过基于当前输入值训练的ANN计算另一个中间常数。
c、使用这两个中间值，然后使用下面的等式2计算当前叶片温度。
在这种方式中，将已知的模型与(数学上)未知的模型保持分离。在这种方式中，减少了“黑盒”ANN模型内的复杂性和非线性。另外，这也有助于根据具体的汽轮机参数减小ANN模型。这改善了整个预测方案包括不同汽轮机之间判断的准确性和鲁棒性。这允许该方法保持灵活性，如根据新知识改变中间参数，它也适用于输入参数。本文考虑了这样的灵活性。
然后将叶片温度预测和其它的检测参数存储在两个不同的位置数据库和中间共享存储器。
a.通过数据服务器将所有值存储在数据库。
b.在GUI内需要显示的值也存储在临时共享存储器。
然后这些值可用于GUI过程的读取。
图3表示用直接方法或混合方法适用于ANN-模块的一般的训练过程。唯一的不同在于如后台过程中所示的输入参数。该过程描述如下第一步骤是数据的构造，它主要将使用水/蒸汽循环分析模拟获得的数据和由实验获得的数据相结合。这样的分析例如包括在DIGEST系统中热力学模型内。在DIGEST系统中的热力学模型内部使用水/蒸汽循环分析。如已经解释的那样，DIGEST监视系统通过SIEMENS AG在市场上可以买到。
接着，数据重新格式化以便与ANN的输入格式一致。然后通过将数据分成两个单独的数据文件对数据进行再组织，其中一个数据文件用于训练和确认，一个用于测试。尽管没有某种规则用于重组可用的数据，但数据应当进行再组织以便充分地描绘所有的操作区域。根据本发明的典型实施例，可用数据的80％用于训练和确认，其余的用于测试。
ANN结构是标准的多层，具有一个隐藏层。隐藏单元的数量可以由4变到10，在性能上没有明显的改进训练期间越长，需要的隐藏单元数量越多，这会有应用过度的危险。
根据图3，以训练参数的初始集合开始，包括最优化算法类型、激活功能的类型、隐藏单元数、误差临界，训练过程开始。所用的最优化算法是在各种不同最优化或神经网络教科书中可以获得的标准技术。例如，见Hertz，A.Krogh，and R.G.Palmer，“Introduction tothe theory of neural computation”，讲稿将卷记录在Santa FeInstitute Studies in The Sciences of Complexity，Addison-Wesley Publishing Company，July 1991；和D.Rumelhart，J.L.Mcclelland，和PDP Reseach Group，“Paralleldistributed processingExploration in the mocrostructure ofcognition，volum 1Foundations”，MIT Press，Cambridge 1987。
和本发明的典型实施例一起研究了几种技术，包括梯度下降，和较少的变化梯度技术。通过应用变化梯度技术的一个改变来获得较快的收敛性。
如果系统满意地收敛以便确认误差临界值得到满足，那么存储ANN参数(关系加权和单元的临界值)以备测试。如果系统没有收敛，那么必须修改训练参数直到获得了解。
由于众所周知系统可以收敛于具有不同初始条件和训练参数的不同解，上述过程可以重复进行。获得大量的解可以增加寻找整体最优解的可能性。
然后使用数据测试文件测试这些解。在后台处理期间将在预测过程中使用具有最小误差的解。
除了当前值和趋势图外，图形用户接口也能够在蒸汽行为Mollier图表内显示汽轮机状态。该图表也被称为Mollier图表、焓/熵图表或整个热/熵图表，用作任何热力学工程师熟悉的环境，并更好地表示关于所有已知临界操作极限的汽轮机状态。因此，这种在线汽轮机状态的形象化将更好地帮助用户采取适当的控制行动。
通常，GUI过程必须由用户开始。如果需要它将存取后台过程存储的值。GUI过程遵循下列步骤(见图4中相应的说明)。
空气阻力图形用户接口模块能够独立地或由DIGEST内开始。这将自动地开始连接到共享存储单元。共享存储单元主要是程序，该程序管理GUI和存储单元外部(主要包括缓冲器)任何过程之间数据的存取和传送。
根据前页，图5(a)，用户能够通过‘TURBINE’菜单进行选择，以便观看以下汽轮机窗口的任何一个- HP汽轮机，- LP1汽轮机，LP2汽轮机，- 或任何其它汽轮机(可用的)。
对每个汽轮机来说，有三个窗口能够通过‘DIAGRAM’菜单进行选择-汽轮机概观(图5(b)-5(d))，-mollier图表(图5(e)-5(g))，或-趋势图表窗口(图5(h)-5(j))。
‘汽轮机概观窗口’给出当前的叶片温度值，以及对用户来说就汽轮机控制作出任何决定可能是重要的其它信息。
Mollier图表是基于诸如上述提到的书本之类的任何热力学教科书上可获得的标准热力学计算产生的。文中使用了程序，该程序将产生背景Mollier栅格，然后覆盖展开数据，这些数据是根据栅格上部中的当前检测值计算的。例如，这样的程序可从Siemems AG inVISUM、用户手册Version 3，October 1992获得。
建立Mollier图表窗口的几个特征包括1、在焓-熵图形内通过使用鼠标围绕需要的区域产生盒子对图象进行缩放的能力。
2、直接缩影趋势图表，这能够通过在相应参数值表/盒子处敲击激活。
3、Mollier选项接口，提供按照用户的偏好使观看参数个性化的方法。它也提供温度阈值，该温度阈值允许用户设定某个阈值用于激活报警标志并向操作者发送报警信号。
趋势图表允许同时选择多达10个参数。能够表示的参数的最大数量本质上不受限制；然而，大于10的任何数量将引起观看图象本身的困难。它具有与在Mollier图表中特征#2同样的特征。图象内的精确值能够通过在需要的点上敲击来获得。精确值将在相应的轴下显示。
根据趋势图表窗口，用户能够通过选择‘FREE GRAPHICS’进一步分析数据，‘FREE GRAPHICS’将允许用户访问完整的数据库。在DIGEST系统内具有这个部分。
GUI显示过程将由共享的存储器存取需要的数据，除了FREEGRAPHICS程序外，该程序将通过数据服务器由数据库存取数据。
尽管通过典型实施例已经描述了本发明，然而对熟悉本发明的本领域技术人员来说将会提出各种不同的改变和修改。例如，本文中进行的参数的选择能够改为选择或有用的内容。这些类似改变都应当看成是在下面权利要求限定的本发明的精神和范围内。
权利要求
1.一种汽轮机叶片温度预测方法，利用检测的参数值，检测参数值包括至少输入和输出阶段之一的场所的压力和温度，该方法包括以下步骤通过使用水/蒸汽循环分析程序和指导实验模拟叶片温度；通过向人工神经网络(ANN)提供所说检测值和所说叶片温度值来训练人工神经网络；和向所说ANN提供实时检测值。
2.根据权利要求1的叶片温度预测方法，其中所说检测值数量为4。
3.根据权利要求1的叶片温度预测方法，其中所说ANN直接用于推导运行叶片温度值。
4.根据权利要求3的叶片温度预测方法，包括以下步骤产生所说参数值的第一子集合；利用所说第一子集合训练所说ANN；产生所说参数值的第二子集合；利用所说第二子集合执行推导中间参数的计算；和利用所说中间参数和所说检测参数值之一计算叶片温度值。
5.根据权利要求4的叶片温度预测方法，其中利用5个检测参数值，所说第一子集合包括4个检测参数。
全文摘要
汽轮机叶片温度预测方法利用检测值,检测值包括主要在输入和输出阶段的场所的压力和温度,而不是叶片上的直接压力和温度。首先,通过使用水/蒸汽循环分析程序以及指导实验来模拟叶片温度,通过提供检测值和叶片温度值训练人工神经网络(ANN)。在混合方法中,利用5个检测值。4个参数值的子集合用于训练ANN,另一个3个值的子集合用于执行计算另一个中间参数。使用中间参数和5个检测值之一计算叶片温度。
文档编号F01D25/00GK1240521SQ97180635
公开日2000年1月5日 申请日期1997年12月5日 优先权日1996年12月13日
发明者N·I·桑托索, T·佩特舍 申请人:西门子共同研究公司