基于证据驱动的超临界W火焰锅炉水冷壁健康状态诊断方法

The supercritical W-flame boiler plays a critical role in electric power generation when anthracite coal with low volatiles is combusted. Compared with.conventional boiler with tangentially fired furnace, the water-wall of W-fame boiler usually runs along with over-temperature, tension crack, and coke, etc. Based on theory of belief functions, this project proposes a new method used to diagnose the health status of the water wall in order to predict and thus avoid these faults. Interestingly, the proposed method is directly based on running data of the boiler rather than on collecting sample data of the typical faults, and can be feasible for complex industrial process in particular in imprecise and uncertain cases..The project first investigates the fault mechanisms as well as their representation for thermo-dynamic equipment under complex flow and non-uniform heat transfer. Then, how to construct evidence to interpret the health statuses of this kind of equipment is investigated via data mining technique. Finally, some issues such as combination of dependent evidences, diagnosis modeling, model identification, and inversion algorithm are studied for large-scale nonlinear dynamic process such as the water wall of supercritical W-flame boiler. This project aims to propose an efficient strategy used to diagnose the health statues of thermo-dynamic equipment. It suggests the importance of the proposed method on enhancing the safety and economy of boiler.

超临界W火焰锅炉是一种针对低挥发分无烟煤种研发设计的重要洁净煤发电技术，与其它超临界炉型相比，其水冷壁容易发生超温、拉裂和结焦等异常事故。针对此类问题，基于证据理论，本项目提出一种从锅炉水冷壁实时壁温等运行数据推演水冷壁健康状态的诊断方法。该方法可实现不精确、不确定性信息下复杂系统的状态诊断，能有效反映状态衍变过程及发展趋势，且不需要典型故障样本。.项目首先研究复杂流动与不均匀传热耦合作用下热力设备异常状态发生机理及其表征方法；接着基于数据挖掘分析，研究用于描述该设备健康状态的证据构建方法；最后围绕大范围非线性过程中涉及的耦合关联证据融合、诊断模型、参数辨识以及事故反演等问题开展状态诊断方法研究，并应用于超临界W火焰锅炉水冷壁健康状态的认知与评估。该方法可为热力设备状态诊断提供一种新的解决方案，具有重要的理论研究意义和实用价值。

水冷壁是超（超）临界的 W 火焰燃烧锅炉的重要组成部分，其工作性能的好坏对锅炉运行的安全性和经济性具有重要影响，与四角切圆及对冲燃烧方式超（超）临界锅炉普遍采用的螺旋管圈水冷壁技术相比，其水冷壁对炉内热负荷不均匀性的适应性差。因此超临界 W 火焰锅炉水冷壁（下文中简介为水冷壁）健康状态在线诊断和预警对实现机组的安全稳定和高效经济运行具有重要意义。针对上述问题，本项目围绕水冷壁运行状态证据库构建、水冷壁状态监测模型构建等科学问题开展研究，主要包括：.首先，提出了一种利用分布式证据聚类构建水冷壁大数据证据库的方法，该方法填补了现有聚类算法无法同时描述水冷壁状态不精确与不确定性的空白，同时突破了现有聚类算法在面对大数据时的计算瓶颈。.其次，针对在具备大规模计算资源的情况下，如何诊断水冷壁实时运行状态并实现实时异常状态预警的这一在线应用问题，提出了一种利用分布式证据K近邻分类建立水冷壁实时状态诊断模型的方法。该方法能够充分利用已构建的水冷壁大数据证据库中所描述的运行状态间的不精确与不确定信息，同时克服证据K近邻分类算法在面对大量可用有监督训练数据时参数估计复杂度高、生成分类结果缓慢的缺点。.第三，针对在不具备大规模计算资源导致分布式证据K近邻状态监测模型无法构建的情况下，如何最大化地缩减所构建的水冷壁有监督数据数量这一离线工程问题，提出了一种利用分布式证据样本选择精简水冷壁大数据证据库规模的方法。该方法能够在不降低水冷壁实时状态监测性能的前提下，最大化地剔除水冷壁大数据证据库中的冗余数据。.第四，针对在不具备大规模计算资源的情况下，如何基于精简证据库训练改进的证据K近邻算法建立设备状态监测模型这一在线应用问题，提出了一种利用稀疏重构证据K近邻分类建立设备实时状态诊断模型的方法。该稀疏重构证据K近邻算法能够克服传统EKNN算法中对超参数K过于敏感以及欧氏距离的使用所带来的“距离集中”问题，从而提升分类精度。.最后，基于多个多核服务器构建了集成数据采集数据处理的软硬件架构，通过大量的模拟仿真以及从现场获取的大量运行数据对提出的状态监测方法进行了理论验证和分析。研究结果表明，提出的方法从理论上能够解决超（超）临界的 W 火焰燃烧锅炉水冷壁的状态监测问题，提出的方法具有一定的普适性，具有重要的理论意义和应用价值。