凝汽器污脏程度在线监测仪的研制

>

4.1 神经网络模型的获取

现场试验在湘潭电厂N-3500-2型凝汽器上进行。

在保证凝汽器清洁的情况下，以Dc=135t/h、Dw=9400t/h、twi=15℃、ε=0.015%作为设定工况，获取凝汽器在不同工况下的试验数据来训练神经网络。表1为在凝汽器清洁时部分工况下神经网络的输出与实测数据的比较结果。从比较的结果可以看出，神经网络输出与实测端差基本一致，表明基于神经网络的建模方法能够获得具有较高精度的变工况端差模型。

表1 不同工况下的神经网络模型输出与实测数据的比较结果

蒸汽流量Dc(t/h) 冷却水量Dw（t/h） 入口水温tsi(℃) 空气漏入量ε（%） 实测端差
(℃) 模型输出端差(℃) 误差
(℃) 135
81.6
54.1
188.5
108.2
108.2
81.6
161.3 9400
9400
9400
9400
12350
12350
6800
6800 15.0
10.2
5.5
20.8
22.2
17.4
7.8
13.3 0.015
0.015
0.015
0.054
0.033
0.075
0.015
0.015 6.1
4.8
4.4
10.3
6.8
12.1
5.0
6.3 6.1
4.7
4.4
10.4
6.9
11.9
5.0
6.2 0
-0.1
0
0.1
0.1
-0.2
0
-0.1

4.2 污脏程度的在线监测

神经网络模型确定后，即可进行在线监测。为了验证该方法的准确性，在凝汽器的不同位置埋设了16只铠装热偶，以便与热阻法进行比较。试验分为两个部分：

（1）将凝汽器彻底清洗，测取清洗后24小时内的污脏系数变化。

（2）重新投运清洗装置，测取清洗时的污脏系数变化。

试验结果如表2、表3所示。其中，表2为停运清洗装置后，冷凝器的污脏系数变化情况；表3为重新投运清洗装置后，冷凝器的污脏系数变化情况。Dw=9400/h及ε=0.015%在试验过程中保持不变。清洁状态时，在设定工况下测得的端差为δtd=6.1℃。

表2 停运情况装置后冷凝器的污脏系数变化情况

距清洗后时间(h) 蒸汽流量Dc(t/h) 入口水温twi(℃） 出口水温two(℃) 蒸汽温度ts(℃) 端差δtf(℃) 污垢端差Δδ（℃） 污脏系数
本文方法   热阻法 0
2
4
6
8
10
12
14
16
20
24 108.2
108.2
108.2
108.2
108.2
108.2
108.2
108.2
108.2
135.0
135.0 13.5
13.5
12.8
12.3
12.0
11.6
11.1
11.1
10.9
12.3
14.2 23.5
23.5
22.6
22.1
21.7
21.3
20.7
20.6
20.4
23.7
25.5 29.0
29.4
29.3
29.1
29.0
28.8
28.4
28.3
28.3
32.3
33.8 5.5
5.9
6.7
7.0
7.3
7.5
7.7
7.7
7.9
8.6
8.3 0.00
0.48
1.02
1.44
1.52
1.71
1.78
1.84
1.93
1.99
2.15 0.00
0.079
0.167
0.236
0.25
0.28
0.291
0.302
0.316
0.326
0.352 0.000
0.063
0.164
0.225
0.265
0.282
0.288
0.318
0.327

《凝汽器污脏程度在线监测仪的研制(第3页)》