高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法及系統制造方法及圖紙

本發明專利技術涉及一種高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法及系統，其中方法包括采集透平機數據，透平機數據包括透平機入口和出口的煤氣參數以及透平機運行參數和透平機靜葉厚度；利用自編碼器算法對采集到的透平機數據進行分析，提取透平機靜葉積灰的模式特征；根據透平機靜葉積灰的模式特征和透平機靜葉厚度，獲取透平機靜葉厚度的深度學習網絡模型，深度學習網絡模型以透平機數據為輸入，以透平機靜葉厚度為輸出；以深度學習網絡模型為基礎，以實時采集的透平機數據為輸入，對透平機靜葉厚度進行實時監測。采用該種方法及系統，能夠對透平機靜葉的厚度進行實時監測，解決透平機頻繁故障的問題，減小透平機維護費用，提高發電量。

Blast furnace gas turbine waste heat recovery device and system static leaf thickness monitoring method

The invention relates to a blast furnace gas turbine waste heat recovery device and system static leaf thickness monitoring method, which includes data acquisition method of turbine turbine turbine, data including the entrance and exit of the gas turbine and turbine parameters and operation parameters of static blade thickness; by analysis of self coding algorithm on the collected data of turbine characteristics of ash accumulation model. The extraction of turbine blade; turbine blade according to the characteristics and mode of product ash turbine static blade thickness, deep learning network model for turbine blade thickness, deep learning network model with the data as input to turbine, turbine static blade thickness output; with deep learning network model based on real-time data acquisition. As input, real-time monitoring of turbine blade thickness. The method and system of turbine vane thickness can be real-time monitoring, to solve the frequent faults of turbine turbine, reduce maintenance costs, improve power generation.

【技術實現步驟摘要】

本專利技術涉及煤氣能量回收
，尤其涉及透平機
，具體是指一種高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法及系統。
技術介紹
鋼鐵工業是我國國民經濟的重要基礎產業和實現新型工業化的支柱產業，同時又是世界耗能最大的工業之一。煉鐵是鋼鐵生產過程中能耗和資源消耗最大的工序，其能耗占鋼鐵聯合企業總能耗的60％左右，遠遠高于其他的鋼鐵制造工序。而在煉鐵過程中，其中39％的能耗都用在高爐上。高爐煤氣能量回收裝置主要是指高爐爐頂煤氣余壓回收透平發電裝置(BlastFurnaceTopGasRecoveryTurbine，簡稱TRT裝置)，該裝置是目前世界最有價值的二次能源回收裝置之一。它是利用除塵后的高爐爐頂煤氣中的壓力能及熱能，經透平膨脹機做功來驅動發電機發電。高爐煤氣能量回收裝置可回收高爐鼓風機耗能的30％左右，因此被廣泛的用于高爐冶煉工序的節能減排。TRT裝置噸鐵發電量可達到40kWh，如4000m3高爐配置TRT裝置后，每年發電可達1.6億kWh。據統計，目前我國高爐總數有900余座，因此TRT裝置對于鋼鐵工業的節能減排有重大的意義。2008年修訂的《高爐煉鐵工藝設計規范》(GB50427-2008)中已明確指出：高爐必須設置高爐爐頂煤氣余壓發電裝置，余壓透平發電裝置應與高爐同步投產。據統計，我國目前運行的TRT裝置有655套，平均噸鐵發電量低于30千瓦時/噸鐵，而日本的TRT裝置平均噸鐵發電量可達40千瓦時/噸鐵。盡管我國高爐煤氣工質達到設計值，但是TRT裝置發電量普遍偏低，TRT裝置都普遍存在透平膨脹機檢修頻繁的問題。透平膨脹機是TRT裝置的關鍵部機。目前TRT裝置透平膨脹機一般采用一級靜葉可調，這樣變工況范圍寬，改善變工況性能，并能全關閉，第二級靜葉揭蓋可調。高爐煤氣在透平膨脹機里進行膨脹對外做功，因此透平膨脹機是否正常運行對于能量回收具有重要的意義。透平膨脹機典型故障主要有轉子不平衡、轉子不對中、軸承損壞、聯軸節損壞、潤滑系統故障、軸承座松動、葉片積垢等，其中最常見的是由于轉子葉輪嚴重磨損或者葉片積垢造成的轉子不平衡。雖然高爐煤氣進入TRT裝置前有布袋除塵裝置，但是高爐煤氣不可能完全凈化，因此透平膨脹機在長期運行過程中，葉片容易出現積垢和磨損的現象。雖然采用葉片涂層、干式阻垢劑噴霧等技術可以一定程度的減小積垢和磨損，但是透平膨脹機葉片積垢磨損現象仍然存在。大多數轉子不平衡的故障診斷是從機組的振動信號出發，分析其振動頻譜特征來判斷是否出現故障。由于振動信號頻譜分析大部分都是離線進行的，對于葉片積垢和磨損缺乏實時在線的監測策略，無法滿足TRT裝置穩定運行的要求，而且振動分析系統價格昂貴，一般中小TRT裝置都沒有配置。因此，通過其他容易測量的參數對透平機靜葉厚度進行軟測量，為我們分析解決透平機靜葉厚度監測這一問題提供了一種分析思路。
技術實現思路
本專利技術的目的是克服了上述現有技術的缺點，提供了一種高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法及系統，能夠對透平機靜葉的厚度進行實時監測，解決透平機頻繁故障的問題，減小透平機維護費用。為了實現上述目的，本專利技術具有如下構成：該高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，所述的方法包括以下步驟：(1)采集透平機數據，所述透平機數據包括所述透平機入口和出口的煤氣參數以及透平機運行參數和透平機靜葉厚度；(2)利用自編碼器算法對采集到的透平機數據進行分析，提取透平機靜葉積灰的模式特征；(3)根據所述透平機靜葉積灰的模式特征和透平機靜葉厚度，獲取透平機靜葉厚度的深度學習網絡模型，所述深度學習網絡模型以所述透平機數據為輸入，以所述透平機靜葉厚度為輸出；(4)以所述深度學習網絡模型為基礎，以實時采集的所述透平機數據為輸入，對透平機靜葉厚度進行實時監測。較佳地，所述透平機入口和出口的煤氣參數包括入口處煤氣流量、入口處煤氣壓力、入口處煤氣溫度、入口處煤氣粉塵含量、出口處煤氣流量、出口處煤氣壓力和出口處煤氣溫度，所述透平機參數包括透平機轉速和透平機功率。較佳地，所述自編碼算法包括如下步驟：(2-1)采用編碼器對采集到的透平機數據進行編碼得到隱含層向量；(2-2)采用解碼器對所述隱含層向量進行解碼；(2-3)根據所述解碼器的解碼結果計算最小化重構誤差。更佳地，采用編碼器根據如下公式對采集到的透平機數據進行編碼：h＝f(x)＝Sf(Wx+bj)；其中，x為采集到的透平機數據所構成的特征向量，Wx為所述特征向量的權值，bj為第j個神經元的閾值，h為隱含層向量，Sf為所述編碼器的激活函數。更進一步地，采用解碼器根據如下公式對所述隱含層向量進行解碼：y＝g(h)＝Sg(Wh+bh)；其中，h為隱含層向量，Wh為所述隱含層向量的權值，bh為閾值，Sg為所述解碼器的激活函數。再進一步地，根據如下公式計算最小化重構誤差J：其中，x為采集到的透平機數據所構成的特征向量，D為訓練樣本集，g(f(x))為所述解碼器的解碼輸出值，L為重構誤差函數。更佳地，所述獲取透平機靜葉厚度的深度學習網絡模型，包括如下步驟：(3-1)輸入所述透平機數據，無監督訓練出第一個自編碼器；(3-2)以當前訓練得到的自編碼器的輸出作為下一個自編碼器的輸入，訓練出下一個自編碼器；(3-3)判斷是否已經完成了預設數量的隱含層的訓練，如果是，則繼續步驟(3-4)，否則繼續步驟(3-2)；(3-4)以透平機靜葉厚度為輸出，在最后一個隱含層上增加反向傳播神經網絡預測模型，對深度學習網絡模型進行權重調整。較佳地，所述對透平機靜葉厚度進行實時監測，具體為：利用多臺個人計算機，通過Hadoop開源軟件，以所述深度學習網絡模型為基礎，構建以實時采集的所述透平機數據為輸入，以透平機靜葉厚度為輸出的在線監測網絡。較佳地，所述方法還包括：用戶端采用SQL接口JDBC或ODBC進行透平機靜葉厚度的查詢。較佳地，所述方法還包括：當監測到透平機靜葉厚度超過系統預設閾值時，進行報警。本專利技術還涉及一種高爐煤氣余熱回收裝置的透平機靜葉厚度監測系統，用于所述的高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，所述系統包括：數據采集模塊，用以采集透平機數據，所述透平機數據包括所述透平機入口和出口的煤氣參數以及透平機運行參數和透平機靜葉厚度；自編碼器，用以利用自編碼器算法對采集到的透平機數據進行分析，提取透平機靜葉積灰的模式特征；深度學習網絡模型構建模塊，用以根據所述透平機靜葉積灰的模式特征和透平機靜葉厚度，獲取透平機靜葉厚度的深度學習網絡模型，所述深度學習網絡模型以所述透平機數據為輸入，以所述透平機靜葉厚度為輸出；在線監測網絡構建模塊，用以以所述深度學習網絡模型為基礎，以實時采集的所述透平機數據為輸入，對透平機靜葉厚度進行實時監測。采用了該專利技術中的高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法及系統，通過多臺個人計算機，利用Hadoop等開源軟件構建深度學習系統，基于深度學習算法對透平機靜葉的厚度進行實時監測，采取大數據驅動的方式，利用當前已有的海量數據進行分析，解決透平機頻繁故障而停機檢修的問題，減小透平機維護費用，從而有效提高透平機的維護效率，減少由于透平機維護帶來的浪費；提高發電量，為高爐煤氣回收裝置維護的優化提供工具，減少人力物力投入，適用于大本文檔來自技高網...

【技術保護點】
一種高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，其特征在于，所述的方法包括以下步驟：(1)采集透平機數據，所述透平機數據包括所述透平機入口和出口的煤氣參數以及透平機運行參數和透平機靜葉厚度；(2)利用自編碼器算法對采集到的透平機數據進行分析，提取透平機靜葉積灰的模式特征；(3)根據所述透平機靜葉積灰的模式特征和透平機靜葉厚度，獲取透平機靜葉厚度的深度學習網絡模型，所述深度學習網絡模型以所述透平機數據為輸入，以所述透平機靜葉厚度為輸出；(4)以所述深度學習網絡模型為基礎，以實時采集的所述透平機數據為輸入，對透平機靜葉厚度進行實時監測。

【技術特征摘要】
1.一種高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，其特征在于，所述的方法包括以下步驟：(1)采集透平機數據，所述透平機數據包括所述透平機入口和出口的煤氣參數以及透平機運行參數和透平機靜葉厚度；(2)利用自編碼器算法對采集到的透平機數據進行分析，提取透平機靜葉積灰的模式特征；(3)根據所述透平機靜葉積灰的模式特征和透平機靜葉厚度，獲取透平機靜葉厚度的深度學習網絡模型，所述深度學習網絡模型以所述透平機數據為輸入，以所述透平機靜葉厚度為輸出；(4)以所述深度學習網絡模型為基礎，以實時采集的所述透平機數據為輸入，對透平機靜葉厚度進行實時監測。2.根據權利要求1所述的高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，其特征在于，所述透平機入口和出口的煤氣參數包括入口處煤氣流量、入口處煤氣壓力、入口處煤氣溫度、入口處煤氣粉塵含量、出口處煤氣流量、出口處煤氣壓力和出口處煤氣溫度，所述透平機參數包括透平機轉速和透平機功率。3.根據權利要求1所述的高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，其特征在于，所述自編碼算法包括如下步驟：(2-1)采用編碼器對采集到的透平機數據進行編碼得到隱含層向量；(2-2)采用解碼器對所述隱含層向量進行解碼；(2-3)根據所述解碼器的解碼結果計算最小化重構誤差。4.根據權利要求3所述的高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，其特征在于，采用編碼器根據如下公式對采集到的透平機數據進行編碼：h＝f(x)＝Sf(Wx+bj)；其中，x為采集到的透平機數據所構成的特征向量，Wx為所述特征向量的權值，bj為第j個神經元的閾值，h為隱含層向量，Sf為所述編碼器的激活函數。5.根據權利要求4所述的高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，其特征在于，采用解碼器根據如下公式對所述隱含層向量進行解碼：y＝g(h)＝Sg(Wh+bh)；其中，h為隱含層向量，Wh為所述隱含層向量的權值，Sg為所述解碼器的激活函數。6.根據權利要求5所述的高爐煤氣余熱回收裝置的透平機靜葉厚度監測方法，其特征在于，根據如下公式計算最小化重構誤差J：J=Σx∈DL(x,g(f(x));]]>其中，x為采集到的透平機數據所構成的特...

【專利技術屬性】
技術研發人員：吳平，潘海鵬，陳亮，
申請(專利權)人：浙江理工大學，
類型：發明
國別省市：浙江;33