基于数字孪生的空气预热器预测性维护模式研究

doi:10.12096/j.2096-4528.pgt.23054

基于数字孪生的空气预热器预测性维护模式研究

刘旺¹, 陈连¹, 龚高阳², 李智华¹, 薛文华¹, 石金刚¹, 谢军¹, 李雷雷¹, 姚荣财¹, 王召鹏¹, 杨延西³, 邓毅³, 张晨辉³

1.国能寿光发电有限责任公司, 山东省寿光市 262714

2.东方电气集团东方锅炉股份有限公司, 四川省成都市 611731

3.西安理工大学自动化与信息工程学院, 陕西省西安市 710048

Research on Predictive Maintenance Mode of Air Preheater Based on Digital Twin

LIU Wang¹, CHEN Lian¹, GONG Gaoyang², LI Zhihua¹, XUE Wenhua¹, SHI Jingang¹, XIE Jun¹, LI Leilei¹, YAO Rongcai¹, WANG Zhaopeng¹, YANG Yanxi³, DENG Yi³, ZHANG Chenhui³

1.Guoneng Shouguang Power Generation Co. , Ltd. , Shouguang 262714, Shandong Province, China

2.DongFang Electric Corporation DongFang Boiler Group Co. , Ltd. , Chengdu 611731, Sichuan Province, China

3.School of Automation and Information Engineering, Xi’an University of Technology, Xi’an 710048, Shaanxi Province, China

收稿日期: 2023-04-28 修回日期: 2023-08-29

基金资助:

国家自然科学基金项目. 62273274. 62003261

Received: 2023-04-28 Revised: 2023-08-29

作者简介 About authors

刘旺(1995)，男，助理工程师，主要研究方向为机器视觉、智能控制，1246379141@qq.com；

陈连(1974)，男，助理工程师，主要研究方向为机务故障诊断，16085005@ceic.com；

杨延西(1975)，男，博士，教授，主要研究方向为复杂系统控制、机器视觉和智能机器人，本文通信作者，yangyanxi@xaut.edu.cn；

张晨辉(1999)，男，硕士研究生，主要研究方向为图像处理及三维重建，1951698491@qq.com。

摘要

目的为解决大型火电机组空气预热器传统预防性维护手段的弊端，提出了一种基于数字孪生预测性维护的一般模式，并基于数字孪生技术，构建空气预热器数字孪生系统。方法所提系统包括回转式空气预热器物理实体、实时数据采集与分析模块、数字孪生模型构建模块、热力参数状态监测、转子热场视频与热变形可视化及积灰预测模块；实时采集温度参数状态和视频数据，通过温度场、视频图像、漏风计算等模块，实现热力参数的计算并进行积灰的预测。同时，以3D组态画面实时显示数据，利用软件算法不断优化热力参数计算及积灰预测的准确度，实现吹灰策略自动优化。结果所提方案实现了空气预热器热力计算过程的状态监测与动态控制，解决现有电站中回转式空气预热器积灰因素影响火电机组安全可靠运行的问题。结论通过实际机组的工程测试，所提方案有效提高了火电机组空气预热器运行维护的效率，验证了所提方法的可行性，为后期智慧电厂系统的开发提供技术支撑。

关键词： 火电机组 ; 预防性维护 ; 预测性维护 ; 数字孪生 ; 空气预热器

Abstract

Objectives In order to solve the shortcomings of the traditional preventive maintenance method of air preheater in large thermal power unit, a general mode of predictive maintenance based on digital twin was proposed, and the digital twin system of air preheater was constructed based on digital twin technology. Methods The proposed system included physical entity of rotary air preheater, real-time data acquisition and analysis module, digital twin model construction module, thermal parameter state monitoring, rotor thermal field video and thermal deformation visualization and ash accumulation prediction module. By the real-time acquisition of temperature parameter state and video data, and through the temperature field, video image, air leakage calculation and other modules, the calculation of thermal parameters and the prediction of ash accumulation were realized. At the same time, the 3D configuration screen was used to display data in real time, continuously optimize the accuracy of thermal parameter calculation and ash accumulation prediction, and realize the automatic optimization of soot-blowing strategy. Results The proposed scheme realizes the state monitoring and dynamic control of the thermal calculation process of the air preheater, and solves the problem that the ash accumulation factor of the rotary air preheater in the existing power station affects the safe and reliable operation of the thermal power unit. Conclusions Through engineering testing of actual units, the proposed scheme effectively improves the operation and maintenance efficiency of the air preheater of thermal power units, verifies the feasibility of the proposed method, and provides technical support for the development of smart power plant systems in future.

Keywords： thermal power unit ; preventive maintenance ; predictive maintenance ; digital twin ; air preheater

PDF (4189KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

刘旺, 陈连, 龚高阳, 李智华, 薛文华, 石金刚, 谢军, 李雷雷, 姚荣财, 王召鹏, 杨延西, 邓毅, 张晨辉. 基于数字孪生的空气预热器预测性维护模式研究. 发电技术[J], 2024, 45(4): 622-632 DOI:10.12096/j.2096-4528.pgt.23054

LIU Wang, CHEN Lian, GONG Gaoyang, LI Zhihua, XUE Wenhua, SHI Jingang, XIE Jun, LI Leilei, YAO Rongcai, WANG Zhaopeng, YANG Yanxi, DENG Yi, ZHANG Chenhui. Research on Predictive Maintenance Mode of Air Preheater Based on Digital Twin. Power Generation Technology[J], 2024, 45(4): 622-632 DOI:10.12096/j.2096-4528.pgt.23054

0 引言

火力发电厂提供了全世界将近50%的电力，在我国超过半数以上的电力来源于火力发电。随着双碳政策^[1]的推行，在国家清洁能源消纳^[2]和环保的需求下，对火电厂在深度调峰^[3-4]、超低排放、灵活运行等方面提出了更高要求。与此同时，生产安全、安防监控也是工业领域的重中之重。传统的管理模式迫切需要转型，火电企业需要向智能化、数字化、安全化、绿色化的智慧电厂方向发展，而机组的主机与各辅机的信息感知与智能化是其实现的关键环节。

空气预热器是一个复杂物理换热系统^[5-7]，具有环境条件复杂、状态变化滞后时间长、参数检测难、干扰源多的特点，是在流-热、气-固等多场作用下实现换热的过程，其中涉及材料科学、控制科学、机械制造、热力学、流体力学、检测技术等多个科学技术领域，具有鲜明的多学科交叉融合性质。这些特征集中体现在变量检测难、建模难、控制难、品质管控难等多个方面，这些已成为大型火电机组节能降耗、低碳排放的技术难题。因此，探索和研究高性能空气预热器设计、热态状态性能分析基本理论与关键技术，创新空气预热工艺设计、智能控制与运行维护方法，实现空气预热器(空预器)系统由传统的单纯依赖经验设计的“事后评价”向以科学理论为指导、以先进数字孪生技术为依托的“即设即见即评价”转变，在此领域取得突破既是国际关注的热点，更是发展我国发电系统实现“碳中和、碳达峰”目标的急迫任务。

数字孪生(digital twin，DT)技术是智能制造领域技术问题与网络通信技术、控制技术、传感技术、信息处理技术以及人工智能技术深度融合的产物^[8-11]。相比于传统的物理系统，数字孪生系统具有以下优势：自主决策能力、人机交互性能、自主学习能力、自组织与超柔性、多维度视觉交互能力。数字孪生系统的核心问题是物理空间和数字空间的高度融合^[12-15]，这种融合具有虚实映射、数据驱动、系统自治等特征。与经典的物理机理模型驱动和低维统计指标驱动仿真方法难以处理复杂装备系统内中信息的多元化、环境的不确定性、各响应间的复杂耦合关系以及时空大数据结构这一劣势相比，数字孪生通过明确数据驱动、实时交互和闭环反馈三大特点，激发能源系统中存储的时空大数据福利；基于高维统计分析、人工智能等数据科学，全面、透明、多层次的观测/推演视角建模各功能单元及其交互机制。DT以实时态势感知、超实时虚拟推演2种手段实现系统的认知功能，提升系统热态运行的稳定性与经济性。另外，DT也容纳了传统的物理机理模型、低维统计模型、专家系统等，采用经典模型与高维数据模型双驱动，对空预器系统的功能单元及其互动机制进行深入实验与研究。

本文结合传统预测性维护模式和数字孪生模型原理，搭建了空预器数字孪生平台。平台包括数据存储系统、交互系统、数字孪生模型系统、业务系统4个模块，分别执行现场数据存储、现场与孪生模型数据交换、机理分析与数据修正、数据挖掘与故障诊断4类功能。不同于传统预测性维护模式，孪生模型结合了空预器历史数据、当前环境数据以及实时状态数据实现积灰面积计算、齿轮箱故障诊断，从而进行预测性维护。

1 设备传统预测性维护模式

设备预测性维护传统模式如图1所示，对设备进行预测性维护需要做到以下4点^[16-21]：1）对设备的故障原理和故障参数等属性进行分析，以满足预测性维护故障建模需求；2）在进行预测性维护之前，往往需要通过设备传感器对数据进行采集和状态监测；3）未经处理的数据一般情况下无法直接应用于建模、数据挖掘算法等过程，这时就需要对设备状态监测数据进行噪声去除、规范化等预处理，得到引发设备故障的某个或多个故障特征值；4）建立故障模型，运用数据挖掘、数据分析等算法对获取的故障特征值进行模式识别，实现故障诊断，或通过机器学习达到故障趋势预测的目的，该过程包含大量的样本训练，对算法多次优化才会使精度达到理想状态；5）根据不同的输出结果判断，提供故障维修或预测性维护的决策支持。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 设备预测性维护传统模式

Fig. 1 Traditional model of equipment predictive maintenance

虽然这种数据分析方法能够实现针对监测数据的定量分析，也提高了设备故障预测的精度，但仍有大量的设备在线状态数据、环境参数、设备历史记录等未在分析过程中使用，数据分析手段偏于单一，导致分析过程面向特定特征值，预测结果片面。如何利用虚拟仿真技术融合设备实时状态数据、环境参数、设备历史记录等进行全方位的故障预测，是智能制造领域一个重要的研究方向。

2 数字孪生系统技术原理

数字孪生的概念模型是Grieves教授在2003年提出的，是以数据与模型的集成融合为核心的新模式，通过在数字空间实时构建物理对象(包括资产、行为、过程等)的精准数字化映射^[8,20]，基于分析预测形成最佳综合决策，实现工业全业务流程的闭环优化。

数字孪生通过对物理对象采集感知和反馈控制与数字空间进行双向交互，构建面向物理对象数据互联、信息互通和模型互操作的精准数字化映射，从而形成描述、诊断、处置等综合决策，并反馈给物理对象。其原理如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 数字孪生五维模型

Fig. 2 Five-dimensional model of the digital twin

从图2可以看出，数字孪生是一系列技术的集成融合创新应用，技术体系如图3所示，包含基础技术和核心技术，以及感知控制、数据集成、建模分析、人机交互四大领域^[21-22]。其中，数字线程、模型融合、模型修正、管理壳是驱动数字孪生技术体系中的核心。数字线程是通过跨业务、跨流程全生命周期数据集成，实现数字孪生的虚实交互；模型融合是通过不同领域模型集成，构建更全面更复杂的数字孪生；模型修正是通过模型参数的调整实现数字孪生的动态更新；管理壳能够提供数字孪生基础管理环境，涵盖标识解析、数据管理、模型管理、工业通信等功能。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 数字孪生技术体系

Fig. 3 Digital twin technology system

3 空气预热器数字孪生预测性维护框架

3.1 系统框架及搭建

本文提出的空气预热器数字孪生预测性维护系统框架是：通过研究空气预热器各子系统机理模型和关键工艺参数协同优化方法，建立虚拟空气预热器系统平台；采用多源异构^[23]数据处理方法，构建数字孪生系统的数据处理平台，实现物理实体与虚拟实体的有效连接，进行基于数据驱动的空预器设备运行状态评估及安全监控；采用3D建模与可视化技术建立空预器运行状态的时空数据可视化模型和数据管理模型，构建空预器系统可视化平台；通过空预器性能实时评价与管控方法，建立能够准确对空预器状态进行实时评估的专家系统；对所构建的空预器数字孪生系统进行实验验证。总体框架如图4所示。本文方案开发采用微服务框架及DevOps服务^[24]，为开发者提供空预器数字孪生管理的一站式开发环境。其架构如图5所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 空气预热器数字孪生系统总体实施方案

Fig. 4 General embodiment of the digital twin system for air preheater

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 集成开发环境架构

Fig. 5 Integrated development environment architecture

1）底层代码开发工具

空预器数字孪生系统提供低代码图形化开发工具，以现有底层代码开发能力为基础，优化数据接入与大数据计算资源调用能力，以通道的形式，实时捕获并处理工业数据，并将产出的实时数据对接监控告警、数据报表、HTTP服务器等，最终实现建立工业现场、边缘端、大数据平台、云服务等多平台间实时的数据通信、流转、转换、处理与计算^[25-27]。

针对能源设备数据和IT系统数据开发的实际需求，底层低代码图形化开发工具主要分为2部分：一是边缘数据规则化预处理开发；二是复杂业务实时计算开发。

2）数据模型代码开发工具

空预器数字孪生系统提供数据模型代码开发工具，以现有模型代码开发工具为基础，通过增强数据采集能力、海量数据存储能力、多种高性能计算引擎，以及强大的能力开放平台(包括数据开放、工具开放、资源开放)，为企业内外部用户实现数据共享、开发大数据分析应用提供了良好的生态环境；同时通过优化数据资产管理，以实现数据标准管理、数据资产管理、数据质量管理等功能；通过增强系统运维与监控管理，实现对大数据平台进行部署安装、监控告警及日常管理^[28-29]。

从功能架构上看，数据模型代码开发工具分为数据集成、数据计算与存储、资源开放、数据资产管理和设备管理等部分。

3）低代码图形化算法建模工具

空预器数字孪生系统提供低代码图形化算法建模工具，以现有工具为基础，通过优化端到端的数据、算法、算力管理，自动化模型训练与交互式使用体验，为用户打造安全稳定的算法建模平台，降低用户建模门槛，实现能力和资源共享。

从功能架构上，低代码图形化算法建模工具主要分为底层算力资源管理、数据处理、人工智能核心技术、开发环境模块、人工智能资产管理模块、平台管理模块及工作台^[30]。

3.2 数字孪生预测性维护模式具体步骤

结合传统预测性维护模式，基于数字孪生模型的预测性维护模式主要有以下5个步骤^[19]：

1）构建孪生模型。与传统信息化平台开发不同，数字孪生模型不仅仅需要外观与空预器实体相似，还应当与其运行参数、实时状态等保持同步。在拥有充足设备参数的同时应当不断迭代优化模型参数，保持孪生模型与实体之间的一致性与完整性。

2）数据源构建。空预器孪生模型数据源包括：空预器结构参数；从分布式控制系统数据库里读取当前时刻以及之前的N组运行数据，具体包括空预器各分仓出入口温度、出入口表压力、引风机入口烟气体积流量、送风机出口二次风体积流量、各磨煤机处一次风体积流量、视频信息、齿轮箱温度等；设备故障数据等。

3）数据融合交互。上一步中数据为多源异构数据，无法直接进行利用，因此需要在本步骤进行清洗、集成、转化等处理。

4）模式识别。对融合后的空预器数据进行故障预测和故障诊断：利用相关数据建立空预器温度场模型，用于智能化积灰面积预测；利用齿轮箱温度和振动信息进行齿轮箱故障诊断。

5）设备维护。根据提前制定的维护策略，针对模式识别结果触发不同报警信息，对不同部件进行相应维护，从而减少空预器故障导致的停机维护损失。

3.3 空预器孪生模型的温度场计算

回转式空预器温度场的在线估计，可以用于空预器漏风、积灰和低温腐蚀的预测性维护问题。该模型包括初值选取、微元传热方程、气体和金属物性参数计算和迭代优化^[31]。

3.3.1 温度场计算模型

1）微元传热方程

将空预器各分仓按轴向和周向微元化生成传热微元，分别得到空预器金属壁矩阵和空预器流体矩阵，每个传热微元基本传热方程如下：

F \times ρ_{a i r} \times c_{p} \times (t_{i n} - t_{o u t}) = α \times

S \times (\frac{t_{i n} + t_{o u t}}{2} - \frac{T_{i, j} + T_{i, j + 1}}{2})

(1)

F \times ρ_{a i r} \times c_{p} \times (t_{i n} - t_{o u t}) + k_{i - 1, j} \times A_{s} \times (1 - e) \times \frac{N_{i}}{H_{i}} \times

(\frac{T_{i - 1, j} + T_{i - 1, j + 1}}{2} - \frac{T_{i, j} + T_{i, j + 1}}{2}) - k_{i, j} \times A_{s} \times (1 - e) \times

\frac{N_{i}}{H_{i}} \times (\frac{T_{i, j} + T_{i, j + 1}}{2} - \frac{T_{i + 1, j} + T_{i + 1, j + 1}}{2}) =

\frac{k_{2} \times A_{s} \times H_{i} \times (1 - e) \times ρ_{m} \times c_{m} \times (T_{i, j + 1} - T_{i, j})}{N_{i} \times n \times 60}

(2)

式中：F为气体体积流量； $ρ_{a i r}$ 为气体密度； $c_{p}$ 为气体比热容； $t_{i n}$ 、 $t_{o u t}$ 分别为入口、出口气体温度； $α$ 为气体对流放热系数；A_s为气体所通过空预器该分仓的流通面积；e为该分仓该段导热波纹板的孔隙比；S为微元体对流传热面积； $T_{i, j}$ 为金属壁微元温度；N_i 为该段微元轴向所分段数；H_i 为该段长度；k_i_,_j 为该微元体金属壁热传导系数；n为空预器转速；k₂为金属壁转动携带热量增量修正因子； $ρ_{m}$ 、 $c_{m}$ 分别为金属壁密度和比热容。

2）气体物性参数

对流放热系数α可表示为

α = k_{1} \times \frac{λ}{H_{d}} \times R e^{0.83} \times P r^{0.4}

(3)

式中：k₁为待辨识气体对流换热系数修正因子；λ为气体导热系数；H_d为该波纹板当量直径；Pr为普朗特数；Re为气体雷诺数。

雷诺数Re可表示为

R e = \frac{H_{d} \times u}{v}

(4)

式中：H_d为该波纹板当量直径；v为气体运动黏度；u为气体流速，其表达式为

u = \frac{F}{A_{s} \times e} S

(5)

3）金属物性参数

由于金属比热和导热系数在0~800 ℃呈线性关系，因此可以按照插值计算得到。

依据方程(1)—(5)可分别得到金属侧推导流体侧温度的矩阵方程和流体侧推导金属侧温度的矩阵方程。

4）迭代优化

为满足蓄热体温度的连续性，利用式(6)进行优化，当第一列金属壁温度 $T_{i}$ 和最后一列金属壁温度 $T_{i}^{'}$ 按式(6)计算，结果须小于一定阈值。

T_{d e v} = \sqrt[]{\frac{{\sum_{i = 1}^{N_{0}} (T_{i} - T_{i}^{'})}^{2}}{N_{0}}}

(6)

3.3.2 温度场估计

1）从数据库获得空预器物理结构参数，从DCS获得传感器当前时刻前N组历史数据，利用单纯形参数法辨识得到N组k₁和k₂，目标函数如式(7)所示。根据N组数值分别求取k₁、k₂均值用于下一步计算中。

J = \underset{k_{1}, k_{2}}{m i n} {\frac{1}{N} \sum_{i = 1}^{N} [{\hat{T}}_{o u t} (i) - T o u t {(i)]}^{2}

}(7)

式中：N为空预器分仓数目； ${\hat{T}}_{o u t}$ 为分仓出口气体温度实际值； $T o u t$ 为分仓出口气体温度计算值。

由传感器获得各仓出入口温度、压力、体积流量，设置初始k₁、k₂为1。根据空预器各分仓按轴向和周向微元化生成的传热微元，可以获得空预器金属壁温度矩阵和流体温度矩阵尺寸大小。按照线性分布初始化温度矩阵并计算各物性参数，按照烟气仓热端最左侧金属壁温度和入口烟气温度，依据式(1)、(2)计算出第一列热端微元烟气温度分布，再由此烟气温度计算右侧一列金属温度，依次滚动计算得到空预器所有微元气体和金属壁温度分布。最后，由式(6)检验结果是否符合实际。若不符合，则用当前温度矩阵重新计算流体和金属壁物性参数，直至温度矩阵收敛，得出最终不确定参数k₁和k₂。

2）从DCS读取当下时刻各传感器数据，包括各仓出入口温度、压力、体积流量，根据空预器温度场计算模型，计算温度场分布。根据计算结果，将输出口微元温度值进行平均，与实际测量值做差，若大于阈值，则重新返回步骤1），用当前温度矩阵更新物性参数以及不确定参数k₁、k₂；反之，则继续使用步骤1）得到的参数和当前传感器数据更新温度场。

4 应用效果分析

为验证方案的可行性，将该方案应用在山东某电厂1 000 MW机组中，基于3D组态构建了空预器数字孪生运维平台，系统架构如图6所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 空预器数字孪生预测性维护系统

Fig.6 The predictive maintenance system of the empty preset digital twins

数字孪生平台和空气预热器状态采集边缘设备通信连接进行数据交互。与实物空气预热器系统连接的目的是实时获取关键运行参数。在保证通信安全的前提下，数字孪生系统可以利用TCP/IP、UDP等通信方式，从现场设备的数据采集与监控系统(supervisory control and data acquisition，SCADA)及状态监测系统(condition monitoring system，CMS)实时获得视频、温度数据，以及相关运行参数和控制指令，实现数字孪生系统对空预器运行状态的实时感知。在边缘治理模式下，数字孪生平台通过空中下载(over the air technology，OTA)等远程升级技术保证边缘数据治理功能的在线更新。

数字孪生平台是整个数字孪生系统的核心，包括以下4个子系统：

1）存储系统。该子系统接收并存储现场设备传来的运行数据，为其他3个子系统提供数据存取、文件资料检索等服务。

本文中数据库包括MySQL、XML、Redis数据库，MySQL数据库存储的数据包含空气预热器参数、蓄热元件的换热阻力特性和不同板型蓄热元件的物性参数，XML数据库将数据整理归为分仓参数、层参数、其他基础参数3部分，Redis数据库将数据保存到在线实时监测系统的后台数据中心。

2）数据交互系统。该子系统对从存储系统获得的空预器运行源数据(如视频、进出口烟温、进出口风温等)进行数据清洗等预处理；业务系统、孪生模型产生的数据、资料均通过数据交互系统与存储系统进行数据交换，结合严格的信息安全管控措施，确保整个系统数据交互的安全性。

3）孪生模型系统。孪生模型是空气预热器数字孪生系统的核心。建模方法通常是机理分析+数据修正，目标是获得实时高精度的仿真模型，不仅能实现从孪生模型到实物空预器运行参数的精准映射，还可以衍生出一系列不可测关键状态参数；模型类型包括部件级、设备级、机组级等不同尺度，服务于不同的应用需求。模型系统中包含智能算法的应用程序编辑接口。

4）业务系统。根据应用需求，业务系统完成对实物空预器和孪生模型所产生数据的深度挖掘与特征提取，从而实现运行性能分析、状态监测、故障预警等功能。业务系统也是可视化交互、边缘治理的服务平台。

本文中以存储系统中存储的初始运行时空气预热器状态数据、积灰数据为输入，以数据库中存储的该参数下温度计算、阻力计算、漏风计算数据为输出。对空预器温度场模型计算中的不确定参数进行辨识，不断提高模型精度；以数据库中存储的分仓进出口时的参数状态数据为输入，以数据库中存储的温度传感器测量的实际温度数据为输出，对回转式预热器中积灰的部分不确定参数进行辨识，不断提高积灰计算的精度，并与实际视频数据进行对比分析，实现积灰分布状态可视化。实际运行中的平台软件主要结果如下：

A/B侧监控(多数火电机组设置2台空气预热器，行业区分为A侧空预器和B侧空预器，A/B侧代表的是A或B空预器)主界面如图7所示，每个主界面主要包括空预器3D实时模型、运行状态、故障报警界面、积灰程度界面、健康状态监控界面、温度监考曲线等。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 基于数字孪生的空气预热器运行维护平台界面

Fig. 7 Interface of air preheater operation and maintenance platform based on digital twin

主界面涵盖了A/B侧空预器冷热端视频画面，A/B侧空预器冷热端红外视频画面、A/B侧智能健康状态监控情况、A/B侧智能温度监控情况、A/B齿轮箱智能健康检测系统等。界面能够通过三维立体图呈现空气预热器的实时状态，更加立体生动地显示预期的当前工作状态。空预器三维模型如图8所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 空预器3D模型

Fig. 8 3D model of the empty preconditioner

运行状态包括有齿轮缺陷状态、销钉缺陷状态、振动状态等空预器设备健康状态，能够直观准确地掌握空预器关键设备的健康状态，方便管理。界面显示了冷热端沿径向划分的共计12个区域的冷热端积灰程度，能够直接便捷地掌握预热器的健康状态。其中冷热端积灰程度棒图如图9所示，同时界面能够实时显示冷热端温度场情况，直观地观察空预器转子温度分布情况，如图10所示。图11是根据四分仓划分的测点温度(单位℃)，能更加直观地实时显示预热器换热过程的温度变化。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 冷热端积灰程度棒图

Fig. 9 Rod diagram of the degree of ash accumulation at the cold and hot ends

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 转子温度场

Fig. 10 Rotor temperature field

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 冷热端温度分布

Fig. 11 Temperature distribution at the cold and hot ends

为了能够分析转子状态变化情况，记录转子温度、漏风间隙、齿轮箱温度，并将所有监测点的数据集中以曲线形式显示，如图12所示，方便直观地观察预热器的工作状态，以便更加准确地判断预热器的健康状态。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 空预器内部状态变化实时曲线

Fig. 12 Real-time curve of internal state change of empty preheater

5 结论

提出了一种基于数字孪生技术的空气预热器预测性维护模式，能够提高火电机组空气预热器运行维护效率，得到以下结论：

1）所建数字孪生系统平台，能够实时采集空气预热器的温度参数和视频数据。结合温度场、视频图像和漏风计算等模块，该平台对热力参数进行优化计算和积灰预测，并通过3D组态画面实时显示数据，解决了传统维护模式的片面性、盲目性和费时费工问题。

2）利用实时数据和先进计算模块，对热力参数进行优化，并对积灰情况进行准确预测。通过动态显示功能，维护人员可以快速识别和处理潜在问题，从而提升预警和维护的效率，减少积灰对电站火电机组安全可靠运行的负面影响。

3）未来，计划进一步结合DCS的机组数据和运行历史数据，通过AI算法提升智能运维性能。这将使得维护模式不仅限于实时数据处理，还能够通过大量历史数据分析和智能预测，优化维护决策和策略，进一步提高电厂的运行效率和安全性。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

由希江

．

我国火力发电企业的控碳策略分析

[J]．集成电路应用，2023，40(1)：124-125．