循環流化床鍋爐斷煤檢測方法與流程

2023-05-27 06:48:56

本發明涉及CFB循環流化床鍋爐技術領域，尤其是涉及一種能夠快速、準確檢測CFB循環流化床鍋爐斷煤故障的循環流化床鍋爐斷煤檢測方法。

背景技術：
在能源與環境的雙重壓力下，循環流化床(CFB)鍋爐以其燃料適應性強、燃燒效率高、負荷調節性能好、汙染物排放低等顯著特點，在我國得到了快速的發展。截止2011年底，據不完全統計我國現有不同容量的循環流化床鍋爐3000多臺，超過90000MW投入商業運行。已投運的300MW級循環流化床鍋爐機組達到40多臺，已投運與在建的300MW等級循環流化床鍋爐機組總和則達到了110多臺。此外，世界上單機容量最大的600MW超臨界循環流化床鍋爐機組四川白馬循環流化床示範電站項目已於2013年4月順利通過168小時滿負荷試運行成功投運。因此，可以預見，循環流化床鍋爐將會在我國得到更大的發展。CFB鍋爐儘管在設計之初就採用了低流速、高爐膛、中物料循環倍率、敷設長衛燃帶等措施，但在運行中經常發生斷煤故障，發生斷煤故障的原因有：煤的水分過大、粒度不均堵塞、搭橋等。當發生斷煤故障時，如果處理不及時將會造成鍋爐運行狀態的波動，甚至造成停爐事故的發生。中國專利授權公開號：CN103439081A，授權公開日2013年12月11日，公開了一種生物質循環流化床鍋爐流動特性測量方法，其特徵在於，包括如下步驟：建立用於模擬生物質循環流化床鍋爐流動特性的歐拉雙流體模型；根據生物質循環流化床鍋爐的結構參數建立所述生物質循環流化床鍋爐的全尺寸模型；對所述生物質循環流化床鍋爐的全尺寸模型進行網格劃分建立所述生物質循環流化床鍋爐的網格模型；獲取所述生物質循環流化床鍋爐對應的氣體參數、顆粒參數、邊界條件參數、初始風速；根據所述歐拉雙流體模型、網格模型、氣體參數、顆粒參數、邊界條件參數、初始風速模擬所述生物質循環流化床鍋爐內的氣固兩相的流動過程；通過所述模擬的流動過程，測量爐膛內氣固兩相的速度場分布規律，得到生物質循環流化床鍋爐的流動特性。該發明的不足之處是，功能單一，不能用於檢測是否斷煤。

技術實現要素：
本發明的發明目的是為了克服現有技術中循環流化床鍋爐容易出現斷煤事故的不足，提供了一種能夠快速、準確檢測CFB循環流化床鍋爐斷煤故障的循環流化床鍋爐斷煤檢測方法。為了實現上述目的，本發明採用以下技術方案：一種循環流化床鍋爐斷煤檢測方法，包括報警器、分別設於鍋爐的m個煤倉下煤口處的m個攝像頭和與鍋爐中各個電器件電連接的控制器，控制器分別與報警器、存儲器和各個攝像頭電連接；所述檢測方法包括如下步驟：(1-1)圖像斷煤檢測：(1-1-1)m個攝像頭分別拍攝下煤口處煤流動的圖像，控制器將各個圖像存儲到存儲器中並對圖像進行如下處理：控制器利用脈衝響應函數yij＝medx(i+r，j+s(r，s)∈A)對圖像信號f(x，y)進行濾波；其中，A為濾波器窗口；{xij}為圖像數集，med為中值函數，(r，s)為坐標，xi+r，j+s為濾波窗口A中像素點對應的灰度值；(1-1-2)設置運動檢測區域參數：控制器將A設置為若干個矩形檢測區域，設定運動檢測的幀間隔為B；(1-1-3)運動功能檢測：控制器設定每個檢測區域中的每個宏塊內每個象素點為(x，y)，差值閾值為Ta；所述象素點在T時刻與T-n時刻亮度Y的差值為Mx，y(T)＝|Yx，y(T)-Yx，y(T-n)|；當||Yx，y(T)-Yx，y(T-n)||≥Ta，則設定L＝0；否則，設定L＝1；控制器利用公式IMsum＝∑L計算並得到宏塊差分係數IMsum；控制器計算每個檢測區域中各個宏塊差分係數IMsum之和，得到每個檢測區域的差分係數值，並進一步計算得到濾波器窗口A的差分係數Asum；(1-1-4)控制器每間隔B幀利用步驟(1-1-3)對當前圖像進行檢測；(1-1)軟體斷煤檢測：(1-2-1)存儲器中設有具有11個輸入節點X＝[X1，...，X11]、單隱藏層為9個節點Y＝[Y1，...，Y9]、1個輸出節點Z的BP神經網絡模型，其中，存儲器中存儲有q條學習樣本，網絡性能目標誤差SSE≤0.00001，訓練步數至少為d步；(1-2-2)初始化BP神經網絡模型：(1-2-2-1)權重與閥值初始化：控制器利用Gauss隨機函數產生滿足正態分布、均值為0、方差為1並且取值範圍在區間[0，1]中的隨機數初始化權重Wij、閥值θ和θj，i＝1，…，11；j＝1，..，9；設定網絡性能誤差為ε；(1-2-2-2)變量歸一化：控制器中設有與11個輸入節點X1，...，X11中分別對應的11組XMax和XMin，控制器利用公式X′＝(X-XMin)/(XMax-XMin)分別計算q條學習樣本的X1，...，X11的歸一化值X′1，X′2，...，X′11；控制器中設有與輸出節點Z相對應的Zmax和Zmin，控制器利用公式Z′＝(Z-ZMin)/(ZMax-ZMin)計算q條學習樣本的Z的歸一化值Z′；得到經過歸一化的s組學習樣本；(1-2-3)訓練BP神經網絡模型：(1-2-3-1)控制器向BP神經網絡模型中輸入第s組學習樣本，s初始值為1，設定第s組樣本的目標輸出值為Z′；利用公式計算隱藏層神經元輸出；利用公式計算輸出層神經元實際輸出Zr；其中，函數利用公式計算單個樣本偏差Es；(1-2-3-2)從輸出層開始逐層反向調整權重和閥值：控制器使輸出層的權重Wj增加0.6×δ×Yj+0.45×ΔWj，ΔWj為輸出層前次調整增加的權重，ΔWo＝0；其中，δ＝(Z′-Zr)×Zr×(1-Zr)，控制器使隱藏層的權重增加0.6×δj×Xi+0.45×ΔWij，ΔWij為隱藏層前次調整增加的權重，ΔWOO＝0；其中，δj＝Yj×(1-Yj)×(δj×Wj)；(1-2-3-3)當s＜q，使s值增加1，返回步驟(1-2-3-1)；否則轉入步驟(1-2-3-4)；(1-2-3-4)利用公式計算總誤差Et，其中p為樣本序號；當Et≤ε或學習步數小於d，訓練結束，得到訓練好的BP神經網絡模型；否則轉入步驟(1-2-3-1)；(1-2-4)控制器實時採集主汽流量、給水流量、給煤量、床溫、爐膛負壓、一次風壓、一次風機電流、二次風壓、二次風機電流、引風機電流和排煙溫度11個工藝參數，利用步驟(1-2-2-2)對11個工藝參數進行歸一化處理，並將各個經過歸一化處理的工藝參數送入訓練好的BP神經網絡模型的11個輸入節點中，得到模型輸出值Zr，再利用公式V＝Zr×(ZMax-ZMin)+ZMin反歸一化得到實時氧含量V，控制器計算其中V1為存儲器中設定的與當前主汽流量相關的目標氧含量；(1-3)當持續時間超過T1秒，並且任一個攝像頭的圖像的Asum＞閾值；則控制器控制報警器報警，c是實際氧含量與理論氧含量的比值。為規避單一斷煤檢測方法的不可靠及局限性，本發明將圖像和軟體檢測相結合，當圖像和軟體檢測同時滿足斷煤判定條件時，報警器才會發出報警信號，檢測更加準確，有效避免誤操作。因此，本發明具有檢測準確性高，有效避免誤操作；提高了鍋爐運行的安全性和穩定性的特點。作為優選，當主汽流量為28％至32％時，V1為8.3％至8.8％；當主汽流量為38％至42％時，V1為7.6％至8.0％；當主汽流量為48％至52％時，V1為6.8％至7.2％；當主汽流量為58％至62％時，V1為5.8％至6.2％；當主汽流量為68％至72％時，V1為4.6％至5.1％；當主汽流量為78％至82％時，V1為4.0％至4.3％；當主汽流量為88％至92％時，V1為3.6％至3.9％；當主汽流量為92％至100％時，V1為3.3％至3.5％。作為優選，q為500至550。作為優選，c為1.18至1.25。作為優選，T1為12至16。作為優選，B為2至3。作為優選，d為10000至11000。因此，本發明具有如下有益效果：(1)檢測準確性高，有效避免誤操作；；(2)提高了鍋爐運行的安全性和穩定性。附圖說明圖1是本發明的一種原理框圖；圖2是本發明的實施例的一種流程圖。圖中：報警器1、存儲器2、攝像頭3、控制器4。具體實施方式下面結合附圖和具體實施方式對本發明做進一步的描述。如圖1所示的實施例是一種循環流化床鍋爐斷煤檢測方法，斷煤檢測裝置包括報警器1、存儲器2、分別設於鍋爐的8個煤倉下煤口處的8個攝像頭3和與鍋爐中各個電器件電連接的控制器4，控制器分別與報警器、存儲器和各個攝像頭電連接；如圖2所示，檢測方法包括如下步驟：步驟100，圖像斷煤檢測：步驟110，8個攝像頭分別拍攝下煤口處煤流動的圖像，控制器將各個圖像存儲到存儲器中並對圖像進行如下處理：控制器利用脈衝響應函數yij＝med(xi+r，j+s(r，s)∈A)對圖像信號f(x，y)進行濾波；其中，A為濾波器窗口，其尺寸為N＝(2k+1)×(2k+1)；{xij}為圖像數集，med為中值函數，(r，s)為坐標，xi+r，j+s為濾波窗口A中像素點對應的灰度值；步驟120，設置運動檢測區域參數：控制器將A設置為60個矩形檢測區域，設定運動檢測的幀間隔為B；本實施例中，B為2幀。步驟130，運動功能檢測：控制器設定每個檢測區域中的每個宏塊內每個象素點為(x，y)，差值閾值為Ta；所述象素點T時刻與T-n時刻亮度Y的差值為Mx，y(T)＝|Yx，y(T)-Yx，y(T-n)|；當||Yx，y(T)-Yx，y(T-n)||≥Ta，則設定L＝0；否則，設定L＝1；控制器利用公式IMsum＝∑L計算並得到宏塊差分係數IMsum；控制器計算每個檢測區域中各個宏塊差分係數IMsum之和，得到每個檢測區域的差分係數值，並進一步計算得到濾波器窗口A的差分係數Asum；步驟140，控制器每間隔2幀利用步驟130對當前圖像進行檢測；步驟200，軟體斷煤檢測：步驟210，存儲器中設有具有11個輸入節點X＝[X1，...，X11]、單隱藏層為9個節點Y＝[Y1，...，Y9]、1個輸出節點Z的BP神經網絡模型，其中，存儲器中存儲有q＝500條學習樣本，網絡性能目標誤差SSE≤0.00001，訓練步數至少為d＝10000步；步驟220，初始化BP神經網絡模型：步驟221，權重與閥值初始化：控制器利用Gauss隨機函數產生滿足正態分布、均值為0、方差為1並且取值範圍在區間[0，1]中的隨機數初始化權重Wij、閥值θ和θj，i＝1，…，11；j＝1，..，9；設定網絡性能誤差為ε；步驟222，變量歸一化：控制器計算X1，...，X11中的XMax和XMin，利用公式X′＝(X-XMin)/(XMax-XMin)計算分別計算X1，...，X11的歸一化值X′1，X′2，...，X′11；步驟230，訓練BP神經網絡模型：步驟231，控制器向BP神經網絡模型中輸入第s組學習樣本，s初始值為1，設定第s組樣本的目標輸出值為Z′；利用公式計算隱藏層神經元輸出；利用公式計算輸出層神經元實際輸出Zr；其中，函數利用公式計算單個樣本偏差Es；步驟232，從輸出層開始逐層反向調整權重和閥值：控制器使輸出層的權重Wj增加0.6×δ×Yj+0.45×ΔWj，ΔWj為輸出層前次調整增加的權重，ΔWo＝0；其中，δ＝(Z′-Zr)×Zr×(1-Zr)，控制器使隱藏層的權重增加0.6×δj×Xi+0.45×ΔWij，ΔWij為隱藏層前次調整增加的權重，ΔWOO＝0；其中，δj＝Yj×(1-Yj)×(δj×Wj)；步驟233，當s＜q，使s值增加1，返回步驟231；否則轉入步驟234；步驟234，利用公式計算總誤差Et，其中p為樣本序號；當Et≤ε或學習步數小於d，訓練結束，得到訓練好的BP神經網絡模型；否則轉入步驟231；步驟240，控制器實時採集主汽流量、給水流量、給煤量、床溫、爐膛負壓、一次風壓、一次風機電流、二次風壓、二次風機電流、引風機電流和排煙溫度11個工藝參數，利用步驟(1-2-2-2)對11個工藝參數進行歸一化處理，並將各個經過歸一化處理的工藝參數送入訓練好的BP神經網絡模型的11個輸入節點中，得到模型輸出值Zr，再利用公式V＝Zr×(ZMax-ZMin)+ZMin反歸一化得到實時氧含量V，控制器計算其中V1為存儲器中設定的與當前主汽流量相關的目標氧含量；步驟300，斷煤判斷及報警：當持續時間超過T1秒，並且任一個攝像頭的圖像的Asum＞閾值；則控制器控制報警器報警，c是實際氧含量與理論氧含量的比值。其中，當主汽流量為28％至32％時，V1為8.3％至8.8％；當主汽流量為38％至42％時，V1為7.6％至8.0％；當主汽流量為48％至52％時，V1為6.8％至7.2％；當主汽流量為58％至62％時，V1為5.8％至6.2％；當主汽流量為68％至72％時，V1為4.6％至5.1％；當主汽流量為78％至82％時，V1為4.0％至4.3％；當主汽流量為88％至92％時，V1為3.6％至3.9％；當主汽流量為92％至100％時，V1為3.3％至3.5％；c為1.2，T1為12。應理解，本實施例僅用於說明本發明而不用於限制本發明的範圍。此外應理解，在閱讀了本發明講授的內容之後，本領域技術人員可以對本發明作各種改動或修改，這些等價形式同樣落於本申請所附權利要求書所限定的範圍。