预览加载中,请您耐心等待几秒...
1/9
2/9
3/9
4/9
5/9
6/9
7/9
8/9
9/9

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115732044A(43)申请公布日2023.03.03(21)申请号202211513823.5G06F30/20(2020.01)(22)申请日2022.11.30G06F119/04(2020.01)G06F119/08(2020.01)(71)申请人浙江浙能技术研究院有限公司地址311121浙江省杭州市余杭区五常街道余杭塘路2159-1号1幢5楼申请人浙江浙能中煤舟山煤电有限责任公司(72)发明人周梵童小忠楼玉民赵宁宁鲍听闫飞黄炜强郭恩陶董旭光朱玉策严小华(74)专利代理机构杭州九洲专利事务所有限公司33101专利代理师张羽振(51)Int.Cl.G16C60/00(2019.01)权利要求书2页说明书5页附图1页(54)发明名称一种电站锅炉高温受热面管道蠕变寿命损耗动态预测方法(57)摘要本发明涉及一种电站锅炉高温受热面管道蠕变寿命损耗动态预测方法,包括:采集一段运行时间内锅炉受热面管道的管壁温度数据;计算得到该段运行时间内的管道受热面蠕变寿命损耗数据;使用管壁温度数据和管道受热面蠕变寿命损耗数据,建立径向基神经网络模型,计算得到锅炉受热面管道蠕变寿命预测结果。本发明的有益效果是:本发明可以实现对锅炉受热面管道蠕变寿命的精确预测,对火电机组延寿和保障机组长时间安全稳定运行具有重要意义。CN115732044ACN115732044A权利要求书1/2页1.一种电站锅炉高温受热面管道蠕变寿命损耗动态预测方法,其特征在于,包括:步骤1、通过炉内管道壁温测点,采集一段运行时间内锅炉受热面管道的管壁温度数据;步骤2、利用所述管壁温度数据,计算得到该段运行时间内的管道受热面蠕变寿命损耗数据;步骤3、使用所述管壁温度数据和所述管道受热面蠕变寿命损耗数据,建立径向基神经网络模型,计算得到锅炉受热面管道蠕变寿命预测结果。2.根据权利要求1所述的电站锅炉高温受热面管道蠕变寿命损耗动态预测方法,其特征在于,步骤1包括:步骤1.1、使用有限元软件计算分析锅炉受热面管道温度分布,根据计算结果确定N个不同锅炉部件壁温测点的安装位置;步骤1.2、根据步骤1.1确定的安装位置,使用N个一体式热电偶,从炉顶大罩和顶棚处开孔穿入,并将集热块定位到管组,然后使用两面焊将集热块焊接到管壁,使其与管壁充分传热;步骤1.3、将N个测点的数据采集速度设置为X分钟1次,运行M小时,得到N组测点温度数据。3.根据权利要求2所述的电站锅炉高温受热面管道蠕变寿命损耗动态预测方法,其特征在于,步骤1.2中,安装时将热电偶固定于管子背火侧,使用硅酸铝针刺毯包裹集热块,最后使用防磨瓦保护。4.根据权利要求3所述的电站锅炉高温受热面管道蠕变寿命损耗动态预测方法,其特征在于,步骤2包括:步骤2.1、完成锅炉受热面管道金属材料高温蠕变持久试验X组和单轴拉伸持久长时试验Y组,对试验结果进行多项式回归和最小二乘法处理,得到材料常数C和多项式系数c1、c2、c3、c4;步骤2.2、将步骤1.3中得到的测点温度数据和步骤2.1中得到的材料常数C、多项式系数c1、c2、c3、c4,代入式(1):式中,T为绝对温度,单位为K;C为材料常数;t为蠕变断裂时间,单位为h;σ为载荷应力,单位为MPa;c1、c2、c3、c4为常数;其中,载荷应力σ由测点的工质压力和管道直径、壁厚计算得到:式中,p为工质压力,单位为MPa;d为管道内半径,单位为mm;S为管道壁厚,单位为mm;步骤2.3、计算运行时间M小时内的锅炉受热面管道蠕变寿命损耗;根据式(1),将蠕变断裂时间表达为:式中,Ti为温度,Pi为压力;则采集一次数据间隔时间内管道损耗的蠕变寿命为:2CN115732044A权利要求书2/2页因此锅炉受热面管道在某段时间内损耗的蠕变寿命为:式中,n为测点温度数据的数量。5.根据权利要求4所述的电站锅炉高温受热面管道蠕变寿命损耗动态预测方法,其特征在于,步骤3包括:步骤3.1、根据炉内壁温采集时的运行温度、工质压力、蠕变寿命损耗,建立径向基神经网络模型,以运行温度、工质压力为输入,蠕变寿命损耗为输出;选取选择D组温度、压力、蠕变寿命数据进行数据归一化,归一化公式表示为:式中,x0为归一化后的数据,xp为数据组,xmax为矢量最大值,xmin为矢量最小值,为矢量平均值;并选取训练样本和测试样本;步骤3.2、选取径向基神经网络创建函数和散布常数SPREAD;使用步骤3.1中选取的训练样本对建立的径向基神经网络进行训练,训练完成后将步骤3.1中选取的测试样本带入建立的径向基神经网络;如果测试结果相对误差小于15%,则完成径向基神经网络建立,否则重新对径向基神经网络进行训练;步骤3.3、将系统中的历史运行温度、工质压力数据输入训练好的径向基神经网络,