| 摘要:火电锅炉管道长期在温度与压力不断变化的条件下工作,目前电厂多采用机械指针式位移指示器来监测管道位移,该方式效率低、滞后性高,且不能准确反映管道健康状态。设计了一种自编码卷积位移神经网络(Autoencoder Convolutional Displace-ment Neural Network,ACDNN)来实时监测电厂锅炉管道三维热位移。ACDNN以CAESARII计算不同温度压力下管道各个节点的三维热位移,并在相应建立的数据集上进行训练,将训练好的模型应用于电厂锅炉管道位移在线监测。同时开发了一套基于立体视觉理论和人工神经网络的实时立体位移测量装置(Stereo Displacement Measurement Device,SDMD)。通过SDMD所测量实时管道三维热位移对ACDNN进行验证。现场应用结果表明:ACDNN与传统机械指针相比,SDMD绝对误差最大值为2mm;CAESAR II的仿真结果有着良好的精度,与SDMD相比相对误差最大值为9.6%,稳定运行期间误差最大值为3.5%;ACDNN的残差连接可以有效降低预测误差;ACDNN的预测值与仿真结果相比,预测值的相对误差小于4%,绝对误差小于2mm,且在长时间内具有稳定性;最后用所提出的系统对火电厂内的恒力吊架进行了状态判断,发现位移值逼近恒力吊架设计位移值处的吊架弹簧同样逼近安全行程的最大阈值,需要进行安全性荷载校验,证明了所提出的系统在火电厂有很好的可用性。 |
| 关键词: 管道位移 火力发电厂 立体位移测量 残差连接 深度学习 |
|
|
|
|
| Abstract: |
| Key words: |