DEH阀门特性在线分析与诊断技术.pdfVIP

DEH阀门特性在线分析与诊断技术--第1页

DEH阀门特性在线分析与诊断技术

摘要：本文提出的DEH阀门特性在线分析与诊断方法，使用自学习回归神经

网络算法模型，以机组运行过程的历史数据为模型训练数据，以期望的特征变量

为响应输出和预测输出，在机组正常运行中求出DEH阀门开度-流量特性曲线，

从中分析诊断出阀门存在的问题和严重程度，指导运行人员有针对性将问题解决

在萌芽状态，杜绝小问题酿成大故障，为提高机组安全、稳定、高效、经济运行

水平提供切实可行的技术手段。

1.

背景

汽轮机电液调节系统（DEH）的关键执行机构-电液伺服阀、油动机及阀芯在

机组长期在线运行时始终处于开-关往复运动状态，由于反馈机构的机械漂移、

控制信号电气漂移、阀芯的机械磨损、汽蚀和故障造成的损伤等原因，造成当下

阀门实际流量特性曲线与当初设定值发生偏离，引起运行中阀门振荡，而这种振

荡故障若不早消除会加速发展，严重时会造成功率难以控制、单顺阀切换困难、

自动发电控制（AGC）和一次调频等调节性能下降、机组协调响应能力不足等现

象。常规解决办法是在机组停机时重新校正DEH系统，仍不能解决时申请调度安

排调阀流量测试试验，根据测试结果修改当初的设定曲线，还不能解决时将阀门

返厂处理。从整个常规解决过程看出，阀门特性出现问题时发现晚，总是在问题

比较严重时才能发现；解决问题费时，影响正常生产，经济性差。如何快速发现

问题并表达出问题的严重程度和解决办法而尽量不影响生产，是当下智能数字化

技术的一个研究方向。

1.

自学习回归神经网络算法

自学习回归神经网络模型描述响应（输出）变量与一个或多个预测（输入）

变量之间的关系。拟合模型后，就可以使用模型来预测或仿真响应，使用假设检

DEH阀门特性在线分析与诊断技术--第1页

DEH阀门特性在线分析与诊断技术--第2页

验来评估模型，或者使用绘图来可视化诊断、残差和交互作用。具体原理已有大

量文献介绍不再赘述，下面主要介绍基于该算法的2个典型应用案例。

1.

1.

故障阀门的在线分析与诊断

某C320/248-16.67/0.8/538/538型汽轮机DEH阀门配置如图：

图1DEH阀门配置

采集输入变量17个：电功率、主汽压力、主汽温度、调节级压力、调节级

温度、一抽压力、一抽温度、高排压力、高排温度、背压、GV1指令、GV2指令、

GV3指令、GV4指令、GV5指令、GV6指令、主汽流量。每个变量采集样本数8400

个，采样间隔2秒一个，共计总样本数142800个。

响应输出变量1个：主蒸汽流量。

DEH阀门特性在线分析与诊断技术--第2页

DEH阀门特性在线分析与诊断技术--第3页

预测输入变量6个：GV1指令、GV2指令、GV3指令、GV4指令、GV5指令、

GV6指令。

拟合自学习回归神经网络模型6个：

trainedModel_GV1_0~trainedModel_GV6_0。

基于自学习回归神经网络模型DEH阀门在线分析与诊断结果如图2所示：

图2GV1~GV6阀门特性分析诊断结果

由图2所示各阀特性曲线可知：

1）每个GV阀不同程度地存在不同位置的控制回差，沿阀门开度增长方向流

量波动剧烈。说明要么电液伺服阀校正不好，灵敏度差，阀门指令与实际阀门位

置线性度不好；要么在这些位置阀芯出现了问题。

2）个别GV阀预启行程大，最大GV1达到20%左右，其它也达10%。这在顺

阀运行时尤其是阀门重叠过渡