Ocena sygnałów procesowych z kotła energetycznego pod względem ich przydatności diagnostycznej

• Autorzy: Jankowska A.

Warianty tytułu

EN

Evaluation of the power boiler process signals regarding their diagnostic applicability

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono zastosowanie sztucznych sieci neuronowych do wczesnej detekcji stanu narastania nieszczelności parowych w obrębie komory spalania kotła energetycznego. Zestaw proponowanych w literaturze sygnałów wrażliwych na przeciek rozszerzono o dalsze zmienne pomiarowe osiągając znacznie lepszą jakość klasyfikacji niż przy minimalnym zestawie 3-4 zmiennych. Jako sieci klasyfikujące zbadano struktury radialne Radial Basis Function (RBF) oraz struktury wielowarstwowego perceptronu Multilayer Perceptron (MLP) o jednej lub dwu warstwach ukrytych, uczone metodami z nauczycielem. Redukcję rozważanego początkowo zbioru zmiennych wejściowych prowadzono poprzez analizę wrażliwości uzyskanych sieci, testując ich zdolności generalizacji na nieznanych sytuacjach awarii tego samego typu. Uzyskano klasyfikację przekraczającą 90% poprawnego przyporządkowania stanów procesu na nieznanych na etapie uczenia przypadkach niesprawności. W niezależnych testach na 11 awariach potwierdzono większą przydatność w omawianym zadaniu struktur MLP niż RBF, mimo wyższej wrażliwości sieci RBF na sygnały wejściowe.

EN

An application of artificial neural networks for early detection of rising steam leaks and leaks within the combustion chamber of power unit, is presented. A set of signals sensitive to leakage proposed in the literature has been supplemented with further measuring variables enabling reaching significantly better classification quality than with the minimum set of 3-4 variables. As classification networks the Radial Basis Function (RBF) and Multilayer Perceptron (MLP) having one or two hidden layers trained with the teacher, were examined. Reduction of input variables belonging to the considered set was realised with sensitivity analysis of resulting networks, testing their generalisation ability on unknown failure situations of the same type. Classification exceeding 90% of proper process states attribution for unknown during the learning phase faults cases was obtained. The 11 independent test cases confirmed that for discussed tasks MLP structures were more useful than RBF ones, despite higher sensitivity of RBF networks to input signals.

Słowa kluczowe

PL

sztuczne sieci neuronowe; kotły fluidalne; wczesna detekcja awarii kotłów energetycznych; analiza wrażliwości

EN

artificial neural network; fluidized bed boiler; early boiler fault detection; sensitivity analysis

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2010
• Tom: R. 14, nr 11
• Strony: 79--83
• Opis fizyczny: Bibliogr. 14 poz., rys., wykr.

Twórcy

autor

Jankowska A.

• Instytut Automatyki i Robotyki Politechniki Warszawskiej,

Bibliografia

• 1. Alouani A. I., Shih-Yung Chang P.: Artificial Neural Network and Fuzzy Logic Based Boiler Tube Leak Detection Systems. USA Patent No: 6,192,352 B1, Feb 20, 2001.
• 2. Jankowska A., Kornacki S.: Artificial Neural Networks Approaches to Monitoring of Combustion In Fluid Boiler. PAK, Vol. 55, 3/2009, s. 149-151.
• 3. Jankowska A.: Approach to Early Boiler Leak Detection with Artificial Neural Networks. Recent Advances in Mechatronics, Springer Verlag, 2007, p. 57-61.
• 4. Kornacki S.: Neuronowe modele procesów o zmiennych właściwościach. VII Krajowa Konferencja Diagnostyka Procesów Przemysłowych, Rajgród 12-14.09.2005. PAK 9/2005.
• 5. Kościelny J.M.: Diagnostyka zautomatyzowanych procesów przemysłowych. Akadem. Oficyna Wyd. EXIT, Warszawa, 2001.
• 6. Lang ED., Rodgers D.A.T., Mayer L.E.: Detection of Tube Leaks and their Location Using Input/Loss Methods. Proc. of the Int. Joint Power Gener. Conf. Baltimore, Maryland, 03.30-04.01.2004 r., IJPGC2004-52027.
• 7. Olwert K.: Opracowanie i analiza modelu wilgotności spalin w zadaniu wczesnej detekcji nieszczelności parowej kotła bloku energetycznego, praca dyplomowa PW D-IAR-306, 2006, praca niepublikowana.
• 8. Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wyd. PW, Warszawa 2006.
• 9. Pawlik M., Strzelczyk E: Elektrownie. Wydanie 5, WNT, Warszawa 2009.
• 10. Patton R. J., Lopez-Toribio C.J., Uppa F.J.: Artificial Intelligence Approaches to Fault Diagnosis. Int. Journal of Applied Mathematics and Computer Science. Vol. 9, No 3. 471-518 (1999).
• 11. Xi Sun, Tongwen Chen, Marquez H. J.: Efficient modelbased leak detection in boiler steam-water system. Computers and Chemical Engineering 26(2002), p. 1642-1647.
• 12. Xi Sun, Marquez H. J., Tongwen Chen: An improved PCA method with application to boiler leak detection. ISA Transactions 44 (2005), p. 379-397.
• 13. http://energetyka.wnp.pl/kotly-fluidalne,4552_200.html
• 14. STATISTICA Neural Netwoks PL, Przewodnik problemowy, StatSoft Polska Sp. z o.o., 2004, Kraków.