Результат интеллектуальной деятельности: АВТОМАТИЧЕСКАЯ СИСТЕМА ДИАГНОСТИКИ ПРОЦЕССА СЖИГАНИЯ ПЫЛЕУГОЛЬНОГО ТОПЛИВА В КАМЕРЕ СГОРАНИЯ

Изобретение относится к способам диагностики процесса сжигания пылеугольного топлива.

Известна система контроля для оптимизации горения в различных камерах сгорания (патент US 2001014436, F23N 1/022; F23N 5/08; 2001 г.), которая реализует оптимизацию процесса сжигания в различных реакторах, печах и двигателях внутреннего сгорания. Видеокамеры используются для оценки режима горения. Видеоустройства генерируют и выводят сигналы изображения пламени в разных местах процесса сжигания. Другие датчики контролируют и генерируют сигналы с датчиков, определяющие параметры сгорания, такие как расход воздуха, топлива, уровень турбулентности, состояние пусковых клапанов и др. Алгоритмы искусственной сверточной нейронной сети используются для анализа изображений и классификации режимов горения. Контролер определяет и генерирует управляющие сигналы, необходимые для оптимизации процесса сгорания.

Известно устройство контроля горения (патент ЕР 1108956, F23N 1/00; F23N 5/08; F23N 5/10, 2001 г. ), которое используют преимущественно для газовых горелок, содержащее в себе оптический датчик, состоящий из одного или несколько фотоприемников, ориентированных в направлении процесса горения. Электрические сигналы, подаваемые с фотоприемников, поступают на обработку в нейронную сеть, основанную на нечеткой логике. Упомянутая система используется для управления газовым котлом.

Наиболее близким по совокупности признаков к заявляемой системе контроля является автоматическая система управления процессом сжигания (патент US 5993194, F23N 5/08; F23N 5/02, 1999 г.). Видеокамеры используются для оценки режима горения. В зависимости от желаемой формы, стандартные или специальные видеоустройства, или устройства сканирования луча используются для изображения пламени горения и побочных продуктов. Видеоустройство генерирует и выводит сигналы изображения во время различных фаз и в различных местах процесса сжигания. Другие формы датчиков контролируют и генерируют сигналы данных, определяющие выбранные параметры процесса сгорания, такие как поток воздуха, поток топлива, турбулентность, выпускные отверстия и отверстия впускного клапана и т.д. В предпочтительной форме нейронные сети изначально обрабатывают данные изображения и характеризуют режим горения пламени. Контроллер нечеткой логики и связанная с ним база правил нечеткой логики анализируют данные выхода нейронной сети вместе с другой информацией о датчике. Контроллер нечеткой логики определяет и генерирует управляющие сигналы, определяющие корректировки, необходимые для оптимизации процесса горения.

Как правило, детекторы на основе алгоритмов машинного обучения характеризуются большим числом ложных срабатываний (уведомления о несуществующих отклонениях в работе пылеугольного котла). При большом количестве ложных срабатываний, пользователь подобных систем, как правило, отключает уведомления или отмечает их как «спам» или просто игнорирует. Такие системы являются малоэффективными. Разработка эффективных систем идентификации отклонений с небольшим числом ложных срабатываний на основе методов машинного обучения является актуальной задачей и в данный момент не решена.

Задачей настоящего изобретения является создание автоматической системы диагностики процесса сжигания пылеугольного топлива в камере сгорания, основанной на использовании сверточных и рекуррентных нейронных сетей с автоматическим выделением признаков из изображений пламени и направленной на обучение нейронной сети детектировать режимы горения путем визуального контроля и при помощи измерительных устройств, позволяющей обеспечить более эффективное и безопасное сжигание угольного топлива.

Поставленная задача решается тем, что в автоматической системе диагностики процесса сжигания пылеугольного топлива в камере сгорания, содержащей датчики температуры, видеокамеру, систему подачи воздуха и топлива, вычислительный сервер и монитор, где датчики выполнены с возможностью размещения в рабочей зоне для измерения значений рабочих параметров и преобразования их в цифровые сигналы, поступающие в нейронную сеть, расположенную на вычислительном сервере, причем цифровые сигналы формируются по команде от нейронной сети, согласно изобретению, автоматическая система диагностики процесса сжигания пылеугольного топлива в камере сгорания включает четыре датчика температуры, газоаналитический комплекс, нейронная сеть выполнена с возможностью регистрации аномалий в работе камеры сгорания пылеугольного топлива на основе диагностики совокупности сигналов входных данных, определяющих процесс сжигания, когда несколько параметров процесса превышают допустимые пороговые значения, при этом при расчете допустимых пороговых значений нейронной сетью учитываются начальные технические характеристики пылеугольного топлива такие как, зольность, влажность, теплотворная способность, способ измельчения, спектральный размер частиц.

Автоматическая система диагностики процесса сжигания пылеугольного топлива в камерах сгорания осуществляет одновременный мониторинг визуального состояния процесса сжигания с видеокамеры и собираемым данным процесса (поле температур, коэффициент избытка воздуха, концентрация уходящих газов) с датчиков температуры и газоаналитического комплекса, учитывая при этом расход воздуха и топлива, а также начальные технические характеристики пылеугольного топлива - зольность, влажность, теплотворная способность, способ измельчения, спектральный размер частиц. Система позволяет контролировать процесс сжигания топлива посредством моделирования кривых полноты выгорания механоактивированного угля, превентивного обнаружения значимых отклонений за счет анализа видео потока с видеокамеры и временных рядов измерений с датчиков температуры и газоаналитического комплекса.

Подход, который применен в автоматической системе диагностики, значительно уменьшает количество ложных срабатываний (уведомления о несуществующих отклонениях в работе пылеугольного котла), которые выводятся на монитор, и позволяет выявить только самые значительные коллективные (совместные) отклонения, когда несколько параметров процесса (поле температур, коэффициент избытка воздуха, концентрация уходящих газов, размер и форма факела) сразу превышают допустимые пороговые значения. Пороговые значения зависят от начальных технические характеристики пылеугольного топлива - зольность, влажность, теплотворная способность, способ измельчения, спектральный размер частиц. Уменьшение числа ложных срабатываний достигается за счет использования двухуровневого алгоритма машинного обучения нейронной сети. На первом уровне используется ансамбль стандартных апробированных алгоритмов машинного обучения One-Class SVM (одноклассовый метод опорных веторов), Local Outlier Factor (LOF) и изолирующий лес деревьев (Isolation Forest) для определения расширенного набора первичных отклонений в данных. Расширенный набор отклонений все еще содержит большое число ложных срабатываний, которые мы стремимся уменьшить. Для этого на втором уровне, на множестве данных временных рядов без обнаруженных отклонений (на первом уровне) обучается нейросетевой автоэнкодер (на основе рекуррентной и полносвязной нейронной сети), который запоминает нормальное (типичное) поведение временных рядов. Когда на вход обученного автоэнкодера приходит временная последовательность с отклонениями, то среднеквадратичная ошибка ее реконструкции будет значительно выше, чем при реконструкции нормальной последовательности, что обеспечивает возможность идентификации отклонений с меньшим числом ошибок первого рода (false positives).

Одним из основных преимуществ заявляемого решения является возможность предсказания отклонений, которые способствуют ухудшению работы камеры сгорания. Автоматическая система диагностики не только считывает показания с датчиков и видеокамеры, но и выстраивает зависимость от типа энергонапряженности мельничного устройства, которое измельчает угольное топливо, что существенно влияет на процессы, протекающие в камере сгорания.

На фиг. 1 показана схема автоматической системы диагностики процесса сжигания пылеугольного топлива в камерах сгорания.

На фиг. 2 представлена схема экспериментального стенда по факельному сгоранию пылеугольного топлива тепловой мощностью до 1 МВт.

На фиг. 3 представлена схема расположения температурных датчиков и газоаналитического комплекса на 1 МВт тепловом стенде.

Анализ данных по скорости воспламенения и горении пылеугольного факела, представленных на фиг. 4, а также общий вид факела одного и того же по степени метаморфизма бурого угля при разных способах помола существенно различны.

На фиг. 5 показаны три параметра процесса: температура (левая часть рисунка) и концентрации кислорода и диоксида углерода (правая часть) при сжигании угольного топлива.

Система работает следующим образом.

В заявленной системе оптический контроль факельного горения пылеугольного топлива осуществляется через смотровое окно 2 в камере сгорания пылеугольного топлива 1 с фото и видеофиксацией процесса горения, данные оптического контроля передаются на вычислительный сервер 7, где производится обработка набором компьютерных программ, включающих алгоритмы на основе нейронных сетей с выделением признаков характеризующих факельный процесс горения (фиг. 1).

Система диагностики процесса сжигания пылеугольного топлива осуществляет видеозапись факельного горения пылеугольного топлива исследуемой камеры сгорания 1 с выставленными известными режимами работы пылеугольного горелочного устройства. В процессе работы пылеугольной камеры сгорания производится отбор данных с установленных датчиков температуры 6 по длине камеры сгорания 1 и газоаналитического комплекса 4 в конце камеры сгорания 1. Полученные данные сопоставляются по времени с отснятыми изображениями факела и производится обработка данных для обучения нейронной сети классифицировать режимы горения. В процессе работы камеры сгорания 1 ведется постоянный обмен данными между видеокамерой 3, передающией видеопоток на вычислительный сервер 7, датчиками температуры 6, газоаналитическим комплексом 4 и системой подачи топлива и воздуха 5, при этом учитываются технические характеристики сжигаемого пылеугольного топлива -зольность, влажность, теплотворная способность, способ измельчения, спектральный размер частиц. Данные по техническим характеристикам топлива берутся в специализированных химических лабораториях. Сигналы диагностики отображаются на мониторе оператора в виде входных параметров работы котла.

Суть разработанного алгоритма работы нейронной сети заключается в следующем. Для каждого временного ряда физических параметров рассчитывается квадрат отклонения между последним и ожидаемым значениями (величина неожиданности), которое вычисляется посредством моделирования статистики измерений датчиков рекуррентной нейронной сетью. В каждый момент возникновения отклонений будет существовать большое значение неожиданности одновременно для нескольких параметров процесса. В случае обнаружение нескольких (по умолчанию 2-х) параметров с большим значением неожиданности будет отправлено уведомление об отклонении в работе камеры сгорания и наиболее вероятные причины возникновения отклонений на рабочий стол оператора. Для количественной оценки алгоритм вычисляет 90-ый перцентиль неожиданности по времени для всей статистики отдельных параметров. Отклонения фиксируется в том случае, когда текущее значение одновременно 2-х параметров более чем в три раза больше дисперсии среднего значения этого ряда. Указанные критерии являются настраиваемыми и могут быть подобраны для любого набора анализируемых параметров процесса. В значительном числе случаев отклонения могут быть обнаружены до того, как физические параметры процесса резко изменились, чтобы повлиять на работу печи.

Нейронная сеть состоит из слоя долгой краткосрочной памяти из 64 единиц (нейронов) и двух полносвязанных слоев из 32 и 8 нейронов и выхода с линейной функцией активации. Для предотвращения переобучения использовалась процедура dropout и L2-регуляризация для полносвязных слоев. Нейронная сеть обучается для воспроизведения и прогнозирования каждого временного ряда датчиков в течение следующих 5 мс. Нейронная сеть обучалась 25 эпох. Процедура обучения контролировалась с помощью алгоритма ранней остановки (early stopping). В качестве предикторов для обучения нейронной сети используются временные ряды 8 физических параметров (температура, концентрация компонент газовой смеси), собранных в ходе эксперимента, включая начальные технические характеристики пылеугольного топлива, а также их сдвиги и производные, и другие статистики (минимальное, максимальное, среднее значение, дисперсия) в рамках временных окон. Набор данных включал множество прогонов для различных типов углей и степеней фрезерования.

Для обоснования достижимости технического результата были выполнены экспериментальные исследования.

На фиг. 2 представлена схема экспериментального стенда по факельному сгоранию пылеугольного топлива тепловой мощностью до 1 МВт.

Проектный уголь подается через шнековый питатель в высоконапряженное измельчительное устройство типа дезинтегратор или виброцентробежная мельница (ВЦМ), где измельчается до угольной пыли среднего размера порядка 40 мкм. Угольная пыль из мельницы посредством разрежения создаваемого эжектором, поступает в смесительную камеру эжектора, где происходит смешение с потоком воздуха. Воздух подается воздуходувкой и регулируется частотным преобразователем, и контролируется с помощью расходомерной шайбы. Образованная пылевоздушная смесь подается в улиточный вход квадратного сечения с гранью 108 мм, где пылевоздушный поток закручивается и воспламеняется с помощью запального защитного устройства (ЗЗУ) с подачей пропана встроенного в улиточный завихритель. Пропан подается через ротаметр марки «Aalborg». Закрученный поток газов и угля поступает в камеру сгорания диаметром 155 мм и длиной 1,1 м, где замеряется его температура и отбирается проба газа для анализа. Затем поток поступает в камеру дожигания, в которой происходит дожигания угольных частиц. Регулируя количество подаваемого воздуха и угля, возможна работа в режимах с различными коэффициентами избытка воздуха, в том числе в режиме газификации. В дальнейшем сгоревшие продукты дожигаются в котле, после которого установлены центробежно-барботажный очиститель газа и дымосос.

Температура и концентрация уходящих газов по длине горелочного устройства контролируется термопарами и специальным многокомпонентным газоанализатором. На фиг. 3 представлена схема расположения температурных датчиков и забора газа на 1 МВт тепловом стенде.

Анализ данных по скорости воспламенения и горении пылеугольного факела, представленных на фиг. 4, а также общий вид факела одного и того же по степени метаморфизма бурого угля при разных способах помола существенно различны. Факел на угле после помола в дезинтеграторе по основным параметрам близок к газовому, т.е. видна очевидная реальность замещения газа и мазута углем микропомола.

Эксперимент проводился при одинаковых условиях инициирования пылеугольной смеси после мельницы, время работы ЗЗУ составляла 110 сек, после газ отключался и горение протекало в автотермическом режиме на угле после дезинтегратора и ВЦМ. Расход угля составлял 30 кг/час, коэффициент избытка воздуха 0,54, установка работала в режиме воздушной газификации.

Отклонения, возникшие в экспериментальной установке, были связаны с провалом подачи угля, избыточного воздуха и низкой степенью смешивания. В наших экспериментальных наборах данных мы наблюдали 9 выраженных отклонений.

Все временные ряды с явными отклонениями были помещены в пробы, на которых нейронная сеть не обучалась. Точность и отзыв алгоритма детектирования отклонений рассчитывали с использованием пробы-образца.

Например, на фиг. 5 показаны три параметра процесса: температура (левая часть рисунка) и концентрации кислорода и диоксида углерода (правая часть) при сжигании угольного топлива. Мы выбрали измерение, когда отклонения присутствовала в данных временных рядов, чтобы продемонстрировать работу алгоритма. Синие кривые показывают реальные значения физического параметра, а красные кривые соответствуют ожидаемому значению параметра, предсказанного нейронной сетью в течение 5 мс. Черные кривые показывают нормализованный квадрат отклонения двух кривых. На всех трех кривых момент начала и конца отклонения может быть четко обнаружен резким увеличением отклонения ошибки (оценка аномалии). Можно отметить, что на кривой температуры резкое падение температуры, связанное с отказом в подаче угля и плохим перемешиванием, предсказывает возникновение аномальных отклонений для измерений CO2 и O2.

Разработанная система обнаружила 9 из 9 коллективных аномальных отклонений.

Система позволяет производить мониторинг режимов горения в режиме реального времени. Применение сверточных и рекуррентных нейронных сетей позволяет идентифицировать близкие режимы горения, не различимые визуально, с точностью около 80%. Средняя точность классификации режимов горения составляет около 95%.