DETECTING SENSOR FAILURES BASED ON ENVIRONMENTAL AND ECONOMIC PARAMETERS OF BOILER ROOM OPERATION USING NEURAL NETWORK
Journal: VESTNIK OF ASTRAKHAN STATE TECHNICAL UNIVERSITY. SERIES: MANAGEMENT, COMPUTER SCIENCE AND INFORMATICS
№ 2
, 2022
Rubrics: MANAGEMENT, MODELING, AUTOMATION
Authors:
1.
Astrakhan State University
(Senior Lecturer of the Department of Electrical Engineering, Electronics and Automation)
Russian Federation
Russian Federation
2.
Astrakhan State University
(Doctor of Technical Sciences, Professor; Professor-consulter of the Department of Physics)
3.
Astrakhan State Technical University
(Candidate of Technical Sciences, Assistant Professor; Head of the Department of Automation and Control)
Russian Federation
Russian Federation
4.
Astrakhan State University
(Engineer of the Department of Machine Learning)
Russian Federation
Russian Federation
5.
Astrakhan State University
(Engineer of the Department of Machine Learning)
Russian Federation
Russian Federation
Type:
Article
Pages:
from 14
to 21
Status:
Published
Received:
29.10.2021
Accepted:
05.04.2022
Published:
22.04.2022
Subject area:
UDK 004.942 Исследование поведения объекта на основе его математической модели
Language:
Russian
Keywords:
boiler unit, sensor, process-dependent parameters, oxygen content, steam production, nitrogen oxides, temperature, measurement error, neural network, decision support system
Abstract (English):
Operation of boiler units is often followed by the sensors failure, their readings are not true by any reason. At the Ulyanovsk TPP-1 in January 2021, an experiment was carried out to clear the main technological parameters of the boiler unit No. 1. The statistical data obtained in the experiment formed the basis of the training sample for the neural network. To solve the problem of predicting one of the parameters, it was decided to create a single-layer neural network based on regression of many variables. The content of oxides in flue gases was taken as a predicted parameter. A neural network is a single-layer network with one output neuron and four input neurons. After fully training of the neural network, a prediction accuracy test was performed based on test data. The test prediction error was 0.0076, which indicates the high accuracy of the developed neural network. For the convenience of obtaining predictions using a neural network and outputting additional data (efficiency), a function was developed that takes the following values at the input: natural gas consumption, O2 content in flue gases, steam consumption behind the boiler and temperature of flue gases. Based on the input data, a prediction of the NOx content in the flue gas is made. This predicted parameter value is compared with the actually measured value, and based on this, it is concluded that the sensor needs to be replaced or calibrated. This function allows improving the existing decision support systems by reducing the percentage of false prompts
Operation of boiler units is often followed by the sensors failure, their readings are not true by any reason. At the Ulyanovsk TPP-1 in January 2021, an experiment was carried out to clear the main technological parameters of the boiler unit No. 1. The statistical data obtained in the experiment formed the basis of the training sample for the neural network. To solve the problem of predicting one of the parameters, it was decided to create a single-layer neural network based on regression of many variables. The content of oxides in flue gases was taken as a predicted parameter. A neural network is a single-layer network with one output neuron and four input neurons. After fully training of the neural network, a prediction accuracy test was performed based on test data. The test prediction error was 0.0076, which indicates the high accuracy of the developed neural network. For the convenience of obtaining predictions using a neural network and outputting additional data (efficiency), a function was developed that takes the following values at the input: natural gas consumption, O2 content in flue gases, steam consumption behind the boiler and temperature of flue gases. Based on the input data, a prediction of the NOx content in the flue gas is made. This predicted parameter value is compared with the actually measured value, and based on this, it is concluded that the sensor needs to be replaced or calibrated. This function allows improving the existing decision support systems by reducing the percentage of false prompts
Keywords:
boiler unit, sensor, process-dependent parameters, oxygen content, steam production, nitrogen oxides, temperature, measurement error, neural network, decision support system
boiler unit, sensor, process-dependent parameters, oxygen content, steam production, nitrogen oxides, temperature, measurement error, neural network, decision support system
Введение
Существующие системы поддержки принятия решений (СППР) помогают сделать лицам, принимающим решение (ЛПР) на стационарных источниках загрязнений (котельных и тепловых электростанциях), правильный, математически обоснованный выбор по использованию того или иного способа снижения величины выбросов вредных веществ в атмосферу [1–3]. Часто при работе котлоагрегатов датчики, задействованные в работе СППР, по тем или иным причинам выходят из строя, либо их показания не соответствуют действительности. Например, содержание кислорода в дымовых газах измеряют с помощью установленных в дымовом тракте котлоагрегата «твердоэлектролитных датчиков» с платиновым напылением с внутренней
и внешней сторон. Часто в момент растопки котлоагрегата на датчике скапливается влага из продуктов сгорания, вследствие чего датчик выдает
некорректный сигнал. На основе подсказки от СППР оператор может ошибочно принять то или иное решение, не подвергнув критическому анализу показания с датчика кислорода.
Если же оператор котельной имеет большой опыт, он вызывает группу режимной наладки, которая с помощью переносного газоанализатора измеряет истинное значение концентрации кислорода. Проблема состоит в том, что с момента вызова группы режимной наладки может пройти несколько часов (и даже несколько дней – если растопка котла происходит в праздничные или выходные дни), что может привести к значительным финансовым потерям из-за ошибочных решений, поэтому найти способ уйти от проблем
с входными показаниями для СППР – важная производственная задача. Кроме того, в статье предлагается перейти от экологических показателей работы энергогенерирующего предприятия
к экономическим. По нашему мнению, именно это может оказаться действенным и быть выгодным как владельцу предприятия, так и окружающей среде в вопросах, связанных со снижением экологического воздействия.
Эксперимент по снятию характеристик процесса горения в котлоагрегате
На Ульяновской ТЭЦ-1 в январе 2021 г. был проведен эксперимент по снятию основных технологических параметров котлоагрегата № 1. Этими основными параметрами были расход природного газа, содержание кислорода в дымовых газах, содержание оксидов азота в дымовых газах, паропроизводительность, температура дымовых газов tyx за водяным экономайзером. Фиксация данных происходила в автоматическом режиме каждые 30 с. Данные архивировались в формат xls. На основе экспериментальных данных авторы также рассчитали КПД котлоагрегата по методике Равича.
При расчете КПД использовалась следующая формула:
η = 100 – q2 – q3 – q4 – q5 – q6,
где q2 – потери тепла с уходящими из котла газа-ми, %; q3 – потери тепла от химической неполноты сгорания топлива, %; q4 – потери тепла от механической неполноты сгорания топлива, %; q5 – потери тепла всеми элементами котельного агрегата
в окружающую среду, %; q6 – потери теплоты
с физическим теплом шлаков, %.
При составлении баланса для газообразного топлива q4 и q6 были приняты равными 0, q2 = 0,01 ∙ z(tyx – tв), значение z для природного газа было принято равным 5,1. Ввиду отсутствия точных данных температура воздуха после воздухоподогревателя tв принята равной 150 °С.
На основании РД 34.26.706 «Типовая энергетическая характеристика котла ТГМ-96Б при сжигании мазута» значение q5 принято изменяющимся линейно от 0,75 до 0,38 % по мере увеличения паропроизводительности D от 195 до 500 т/ч. Математически это описывается формулой q5 = 0,0012 ∙ D + 0,75. Кроме того, удобно работать не с параметром «Содержание кислорода в дымовых газах, %», а с коэффициентом избытка воздуха α. Для этого был осуществлен переход от одного параметра к другому
с помощью формулы
,
где О2 – содержание кислорода в дымовых газах, %. В процессе эксперимента коэффициент находился в диапазоне 1–1,15. Потери тепла q3 из-за химического недожога рассчитаны по общеизвестной [4] формуле
q3 = 0,01 (3 016 ∙ CO' + 2 576 ∙ H'2 + 8 558 ∙ CH'4) / р ∙ 100.
Ввиду того, что в ходе эксперимента в продуктах сгорания отсутствовал водород H'2 и метан СH'4, формула упрощается:
q3 = 3016CO' / р,
где р – количество тепла, выделяемое при полном сгорании топлива в теоретически необходимом объеме воздуха, отнесенное к 1 м3 сухих продуктов горения ( = 1), ккал/м3:
p = Qн / Vcr,
где Qн – низшая теплота сгорания природного газа, принятая равной 8 115 ккал/м3; Vcr – объем сухих продуктов горения. Значения Qн и Vcr взяты из табл. 7 методики Равича [4]:
р = 8180 / 8,3 = 985;
q3 = 3016CO' / 985.
Именно таким образом величина q3 была применена при расчете КПД котла. В ходе эксперимента ввиду отсутствия автоматической фиксации показаний концентрации C угарного газа, ppm, его концентрация была принята на основании режимной карты котла следующим образом:
Для перехода от ppm к % использовалось соотношение 1 % = 10 000 ppm.
Обработка результатов эксперимента
Согласно рис. 1, по мере увеличения содержания кислорода в дымовых газах КПД котлоагрегата падает, при этом КПД не зависит от паропроизводительности котла (рис. 2).
Рис. 1. Зависимость КПД от содержания кислорода в дымовых газах
Fig. 1. Dependence of efficiency on the oxygen content in flue gases
Рис. 2. Зависимость КПД от паропроизводительности котлоагрегата
Fig. 2. Dependence of efficiency on the boiler unit steam output
Однако в распоряжении авторов есть режимная карта котлоагрегата, которая однозначно показывает, что по мере роста паропроизводительности КПД должен расти. Выявленное несоответствие может свидетельствовать о необходимости проведения внеплановой режимной наладки котлоагрегата.
Концентрация кислорода в дымовых газах не зависит от паропроизводительности (рис. 3), а концентрация оксидов азота экспоненциально зависит от паропроизводительности (рис. 4).
Рис. 3. Зависимость концентрации кислорода в дымовых газах от паропроизводительности
Fig. 3. Dependence of oxygen concentration in flue gases on steam capacity
Рис. 4. Зависимость концентрации оксидов азота в дымовых газах от паропроизводительности
Fig. 4. Dependence of nitrogen oxides concentration in flue gases on steam output
Такая ситуация обусловлена тем, что увеличивается теплонапряжение в топке, способствующее более активному протеканию процесса связывания азота с кислородом и образованию тепловых оксидов азота. Общеизвестен способ снижения тепловых оксидов азота за счет снижения удельной тепловой нагрузки топки котлоагрегата [5].
Также в процессе эксперимента были сняты зависимости концентрации оксидов азота, %, от температуры за котлом, °С, и температуры за котлом, °С,
от паропроизводительности, т/ч (рис. 5 и 6).
Рис. 5. Зависимость концентрации оксидов азота от температуры за котлом
Fig. 5. Dependence of nitrogen oxides concentration on temperature behind the boiler
Рис. 6. Зависимость температуры за котлом от паропроизводительности
Fig. 6. Dependence of temperature behind the boiler on steam output
Было выявлено, что концентрация оксидов азота в дымовых газах растет с увеличением температуры за котлоагрегатом, которая, в свою очередь, почти прямо пропорционально зависит от паропроизводительности котла.
Из рис. 1–6 можно проследить связь между технологическими и экологическими параметрами.
Разработка нейронной сети
Полученные в ходе эксперимента статистические данные могут лечь в основу обучающей выборки для нейронной сети. Такая программа может помочь решить ряд задач. Пример решения одной из задач описан ниже.
На практике соответствующие службы котельных и ТЭЦ ежедневно проводят калибровку и ремонт приборов и датчиков, установленных на котлоагрегатах. Однако с момента обнаружения неисправного датчика до момента восстановления его работоспособности проходит некоторое время. Длительность этого времени (времени восстановления) есть случайная величина, которая зависит от множества факторов. В связи с этим актуальным выглядит вопрос быстрого обнаружения неисправного датчика. Сложность проблемы заключается в том, что параметры неисправного датчика могут не выходить за пределы погрешности измерения, а также наоборот, при определенных режимах выйти за пределы погрешности измерений при работоспособном состоянии датчика. Необходимо научиться предсказывать показание датчика на основе имеющихся показаний от других датчиков. Если предсказанное значение выходит за границы доверительного интервала, датчик будет считаться неисправным. Математически это условие выглядит так: если
где yизм – измеренное значение того или иного параметра; yпредс – предсказанное значение того или иного параметра; σ – относительная погрешность средства измерения, взятая на основе технической документации на средство измерения, то датчик неисправен.
Для решения проблемы с предсказанием одного из параметров было принято решение о создании однослойной нейронной сети, основанной на регрессии многих переменных. В качестве предсказываемого параметра приняли содержание оксидов в дымовых газах. Языком написания сети был выбран Python версии 3.8, использованные библиотеки – TensorFlow в качестве основы и Pandas для обработки имеющихся данных. В качестве входных параметров используются следующие пара-метры, значения которых поступают со считывающих датчиков: расход газа, содержание О2
в уходящих газах, расход пара за котлом и температура уходящих дымовых газов. Общее количество данных, собранных с датчиков, составило
1 114 строк в таблице Excel, в связи с чем было принято решение о разбиении данных следующим образом: 80 % данных будут являться обучающим набором, 10 % – валидационным набором, оставшиеся 10 % – тестовым набором для проверки
на точность.
Сначала была проведена операция по очистке от лишних данных в таблице Excel, а именно удаление неполных данных, удаление недопустимых значений и т. п. Далее была проведена нормализация имеющихся данных к заданному диапазону,
а именно от 0 до 1 для более удобного вывода
и понятия данных.
Нейронная сеть представляет собой однослойную сеть с одним выходным нейроном и четырьмя входными. В качестве оптимизатора был выбран «adamax», а в качестве функции потерь – «mean_squared_error», т. к. при выборе других параметров оптимизации сеть неправильно обрабатывала данные и при обучении выдавалось значение «NaN».
Для более точного обучения было принято решение выбрать количество эпох, равное 500. По окончании обучения был построен график, демонстрирующий соотношение потери при обучении
и ошибки при валидации (рис. 7).
Рис. 7. Демонстрация соотношения ошибок
Fig. 7. Error ratio demonstration
Как видно из рис. 7, графики количества ошибок при обучении и валидации совпадают и уменьшаются с увеличением количества эпох обучения,
а выбранное количество эпох слишком велико, можно было обойтись и меньшим количеством (например, 200).
После полного обучения был проведен тест на правильность предсказания на основе тестовых данных (рис. 8).
Рис. 8. Результаты тестовых предсказаний
Fig. 8. Making test predictions
Таким образом (см. рис. 8), ошибка тестовых предсказаний составляет 0,0076, что свидетельствует о высокой точности разработанной нейронной сети.
Для удобства получения предсказания с помощью нейросети и вывода дополнительных данных (КПД) была разработана функция, которая на вход принимает следующие значения: расход природного газа, содержание О2 в уходящих газах, расход пара за котлом и температура уходящих дымовых газов. На основе входных данных делается предсказание содержания NOx в уходящих газах. Данное предсказанное значение параметра сравнивается с фактически измеренным и на основе этого делается вывод о необходимости замены или калибровки датчика. Данная функция позволяет усовершенствовать существующие СППР, снизив процент ложных подсказок.
Заключение
Существующие методики оценки экологического воздействия процесса горения в котлоагрегатах на воздушный бассейн имеют ряд недостатков, среди которых генерация ложных сообщений СППР, связанная с неисправностью датчика.
Неисправность датчика зачастую сложно диагностируемая ситуация. Датчик может быть физически неразрушенным, но при этом выдавать неверную информацию. Чтобы избежать подобных ситуаций, с точки зрения теории надежности, необходимо использовать избыточные (дублирующие элементы). Однако избыточный элемент, находясь в тех же условиях эксплуатации, из-за одних и тех же явлений окружающей среды может выдавать искаженную информацию. Чтобы избежать эксплуатации нескольких элементов (основного и избыточного) в одних и тех же ненормированных условиях, целесообразно применять дублирующий элемент в виде виртуального прибора, который выдает сигнал о состоянии объекта измерения на основе вычислений. Статья посвящена разработке метода повышения точности работы СППР за счет применения нейросети, оперативно отслеживающей состояние датчиков СППР. Данный метод
в конечном итоге позволяет снизить негативное экологическое воздействие на воздушный бассейн, а также снизить плату [6] за негативное воздействие на окружающую среду.
1. Vent D. P., Volkov V. Yu., Lue Hu Dyk. Intellek-tual'naya sistema vyrabotki rekomendaciy po snizheniyu vybrosov v atmosferu // Izv. Tul. gos. un-ta. Tehnicheskie nauki. 2012. № 3. S. 263-271.
2. Volkov V. Yu., Batyshkina V. V. Intellektual'naya sistema ekologicheskogo menedzhmenta atmosfernogo vozduha promyshlennogo klastera // Izv. Tul. gos. un-ta. Tehnicheskie nauki. 2012. № 3. S. 272-281.
3. Filinkov L. I., Lihter A. M. Analiz podhodov k sozdaniyu sistemy podderzhki prinyatiya resheniy po snizheniyu vybrosov v vozduh ot kotel'nyh // Prikasp. zhurn.: upravlenie i vysokie tehnologii. 2019. № 3. S. 10-17.
4. Metoika Ravicha. URL: https://www.analitech.ru/files/Ravich_sm.pdf (data obrascheniya: 24.09.2021).
5. Taymarov M. A., Ahmetova R. V., Sungatullin R. G., Chiklyaev D. E., Chiklyaev E. G. Obrazovanie i sposoby snizheniya oksidov azota v kotlah TG-104 s pryamotochno-vihrevymi gorelkami i periferiynoy podachey gaza // Problemy energetiki. 2016. № 9-10. S. 83-90.
6. O stavkah platy za negativnoe vozdeystvie na okruzhayuschuyu sredu i dopolnitel'nyh koefficientah: Postanovlenie Pravitel'stva RF ot 13 sentyabrya 2016 g. № 913 (red. ot 24 yanvarya 2020 g.). URL: https://docs.cntd.ru/document/420375216 (data obrascheniya: 24.09.2021)
