摘? 要: 提出了一種在線監測" title="在線監測">在線監測凝汽器" title="凝汽器">凝汽器污臟程度的新方法。該方法將傳熱端差作為研究對象,綜合考慮各因素對端差的影響,運用神經網絡建模技術成功地實現了凝汽器污臟、工況參數變化對端差影響的分離,可準確地在線監測凝汽器污臟程度。介紹了根據此方法研制的以DSP為核心的監測儀" title="監測儀">監測儀,并進行了現場試驗,試驗結果證明了該儀器的有效性。

　　關鍵詞: 凝汽器污臟? 傳熱端差? 在線監測? 神經網絡? DSP

?

　　凝汽器是火力發電廠的大型換熱設備,其作用是將汽輪機做功后的低溫蒸汽凝結為水,以提高熱力循環的效率。圖1為表面式凝汽器的結構示意圖。

?

　　凝汽器運行時,冷卻水從前水室的下半部分進來,通過冷卻水管[換熱管" title="熱管">熱管]進入后水室,向上折轉,再經上半部分冷卻水管流向前水室,最后排出。低溫蒸汽則由進汽口進來,經過冷卻水管之間的縫隙往下流動,向管壁放熱后凝結為水。在此工作過程中,由于冷卻水質的不潔凈,致使銅管內壁積聚了一些不利于傳熱的固態混合物(稱之為污垢)。污垢的存在降低了換熱面的傳熱能力,從而降低了汽輪機效率,因此必須對其進行清洗。如何定量地測定凝汽器的污臟程度,以便為凝汽器的合理清洗提供依據,是許多學者都在探討的問題。歸納起來,已提出的方法大致有以下幾種:

　　(1) 通過測量污垢熱阻來判斷凝汽器污臟程度。

　　(2) 通過測量凝汽器出口、入口水室之間的水流阻力來判斷凝汽器污臟程度。

　　(3)通過計算傳熱系數" title="傳熱系數">傳熱系數來判斷凝汽器污臟程度。

　　熱阻法能較準確地測定凝汽器的污臟程度,但需在換熱管上埋設鎧裝熱偶以檢測管壁溫度,凝汽器換熱管數量眾多,在工程上較難實現;水流阻力可反映污垢的數量,但不能體現出污垢的導熱性質,用該方法確定凝汽器污臟程度顯然不夠準確;傳熱系數體現了凝汽器的換熱性能,但目前計算傳熱系數均采用傳統的經驗公式,而且未考慮蒸汽中不凝結氣體(空氣)對傳熱效果的影響,因而當凝汽器變工況運行時,存在較大誤差。

　　傳熱端差是反映凝汽器熱交換狀況的重要性能指標,與傳熱系數相比,該參數容易測量,能夠連續觀察其變化而積累數據,因而本文選用它來體現凝汽器的污臟狀態。但傳熱端差除了主要取決于換熱面的污臟程度外,還與凝汽器的工況參數如蒸汽流量、冷卻水量等密切相關,因此,如何從眾多參數中分離出換熱面污臟對端差的影響,成為準確測定凝汽器污臟程度的關鍵。

1 測量原理

　　傳熱端差定義為:

　　分析換熱過程可知,當冷凝器的冷卻面積一定時,δ_t可表示為:

　　設凝汽器被徹底清洗后,在某一給定的蒸汽流量Dc、冷卻水流量Dw、冷卻水入口溫度t_wi、空氣含量ε下測得的端差為δ_td(δ_td可看作清潔狀態下該工況對應的端差),改變工況并運行一段時間后測得的端差為δ_tf,顯然,δ_td與δ_tf之間的差值Δδ既有因換熱面污臟引起的,也有因工況參數變化而引起的,可表示為:

　　?

　　由上式可看出,要確定c,需求出Δδ_g。由于Δδ_g=f(ΔD_s,ΔD_w,Δt_wi,Δε)描述的是一非常復雜的傳熱過程,其精確數學模型很難獲取,為此本文根據輸入、輸出測量數據,采用神經網絡建立變工況端差模型,實現了凝汽器污臟程度的準確測量。

2 神經網絡建模

　　變工況端差Δδ_g=f[ΔD_s,ΔD_w,Δt_wi,Δε]可由三層前饋神經網絡來逼近,如圖2所示。

　　選擇Sigmoid函數作為隱層神經元的激勵函數:

式中，a=1.716

????? b=2/3

　　以凝汽器在清潔狀態下不同工況的試驗數據作為訓練數據,采用BP算法訓練神經網絡。學習的目標函數為:

???

　　神經網絡的權值修正采用最速梯度下降法。神經網絡訓練好后即可投入應用。根據由神經網絡求得的變工況端差及^[4]式,即可計算出污臟系數。

3 儀器結構

3.1 硬件設計

　　在線監測儀以DSP為核心,實時采集各有關參數,計算出污臟系數并作動態顯示。其硬件結構如圖3所示。

?

　　圖中,t_p為汽氣混合物在測量處的溫度;p為汽氣混合物在測量溫度處的壓力。空氣含量由如下方法求得:

??? 在凝汽器抽氣設備的出口處測量汽水混合物的壓力,并同時測出汽水混合物的溫度,則汽水混合物中的空氣含量由下式得出:?? ??????

　　其中,p_s——汽氣混合物出口溫度所對應的水蒸氣飽和壓力,可通過查表求得。

　　DSP選用TMS320F240,其結構為:(1)32位CPU;(2)554字的雙口RAM,16K字的FLASH EEPROM;(3)兩個10位的A/D轉換器;(4)串行通訊接口。該芯片通過串行通訊接口可與控制室主機交換數據。

3.2 軟件設計

　　軟件設計采用模塊化結構,主要包括:(1)數據采集、處理模塊:(2)神經網絡計算模塊;(3)顯示模塊;(4)通信模塊。

4 試驗結果

4.1神經網絡模型的獲取

　　現場試驗在湘潭電廠N-3500-2型凝汽器上進行。

　　在保持凝汽器清潔的情況下,以D_c=135t/h、D_w=9400t/h、t_wi=15℃、ε=0.015%作為設定工況,獲取凝汽器在不同工況下的試驗數據來訓練神經網絡。表1為在凝汽器清潔時部分工況下神經網絡的輸出與實測數據的比較結果。從比較的結果可以看出,神經網絡輸出與實測端差基本一致,表明基于神經網絡的建模方法能夠獲得具有較高精度的變工況端差模型。

4.2 污臟程度的在線監測

　　神經網絡模型確定后,即可進行在線監測。為了驗證該方法的準確性,在凝汽器的不同位置埋設了16只鎧裝熱偶,以便與熱阻法進行比較。試驗分為兩個部分:

　　(1)將凝汽器徹底清洗,測取清洗后24小時內的污臟系數變化。

　　(2)重新投運清洗裝置,測取清洗時的污臟系數變化。

　　試驗結果如表2、表3所示。其中,表2 為停運清洗裝置后,冷凝器的污臟系數變化情況;表3為重新投運清洗裝置后,冷凝器的污臟系數變化情況。D_w=9400t/h及ε=0.015% 在試驗過程中保持不變。清潔狀態時,在設定工況下測得的端差為δ_td=6.1℃。

　　從表2、表3可以看出,由本文介紹的方法求得的污臟系數與熱阻法基本一致,而且污臟系數的變化趨勢符合凝汽器換熱管污垢的積聚與清洗特性,表明用該方法求得的污臟系數是可信的。

?

　　本文針對現有監測凝汽器換熱管污臟程度方法的不足,提出了一種在線監測污臟程度的新方法。根據此方法研制了在線監測儀,并進行了現場試驗,試驗結果證明該儀器能準確地在線監測凝汽器污臟。由于測量儀所需的許多信號[如蒸汽流量、冷卻水入口溫度等]在現場已具備,可直接或以通信方式引入,因此測量儀成本低、安裝簡便,具有良好的應用前景。本監測儀同樣適用于其它行業的大型換熱設備。

?

參考文獻

1 楊善讓.換熱設備的污垢與對策.北京:科學出版社,1997

2 李 勇,曹祖慶.凝汽器清潔率的概念及測試方法.汽輪機技術,37(2):73～76

3 張智星,孫春在.神經-模糊和軟計算.西安:西安交通大學出版社,2000

4 P.Warch. New Techniques for Monitoring Condenser Flowrate