基于阀后温降模型的疏水阀门状态评判

张卫斌1，郑 熙1，吕 品2，展 元3

（1.国能黄金埠发电有限公司，江西 上饶 335100；2.北京品德技术有限公司，北京 102200；3.华北电力大学河北省发电过程仿真与优化控制技术创新中心，河北 保定 071000）

0 引言

阀门是电厂普遍使用的热力设备，作为管路中的控制装置在使用过程中起着开闭管路、控制流向、调节输送介质参数以及保护管路和设备正常运行[1]的作用。但由于阀门自身质量问题或者工作人员操作不当，可能会造成阀门的泄漏等许多问题，严重影响机组运行安全和效率[2,3]。有研究表明，当200MW机组和300MW机组的蒸汽泄漏量达到主蒸汽流量的2%时，机组煤耗率将分别上升4.01和4.53g/(kW·h)[4]。因此，若能提前发现阀门泄漏，不仅可以使阀门得到及时维修或更换，而且可以明显减少能耗。

目前，国内外对诸如阀门等设备的运行状态越来越重视，旨在确保设备的良好运行，延长使用寿命，减少故障发生率，提高机组运行的可靠性、安全性和生产效率[5]。吴祖斌等[6]通过大数据挖掘，展开发电设备状态监测与故障诊断的相关研究，结合专家知识库，针对电厂发电设备故障及异常情况，建立故障预警及诊断模型，并在监控画面进行设备状态监测和故障趋势预警。张云鹏等[7]利用基于数据驱动的故障诊断技术，通过采集设备实时状态数据，结合逻辑诊断模型和可视化技术对设备状态进行监控和故障诊断。王娜[8]分析深度学习的特点，结合卷积神经网络(CNN)和深度学习网络(DNN)，构建出基于多重卷积神经网络融合的模型，并对工业设备进行数据采集和分析，进行模型的训练和实验验证，实现设备状态的健康监测。林伟国等[9]通过对阀门不同状态下的信号时频域特征对比分析，提出了基于小波包能量分率的阀门内漏声波信号特征提取方法，可以对阀门不同状态进行有效区分。刘瑶等[10]提出了基于声发射技术和门控循环神经网络的故障检测方法，用重构的去噪数据进行处理来提高模型效果，从而提高检测精度。常毅君等[11]通过研究阀门前后管道温差以及阀门开关度扭矩，对阀门运行时的严密情况进行确认，判断阀门实时状态，实现阀门运行综合管理。许勇等[12]以核电设备为对象，从整体叙述基于数据驱动方法的状态评估研究内容，在介绍核电厂设备状态检修维护现状和故障模式的基础上，阐述了核电设备状态评估方法以及深度学习在该领域中的探索研究。陈玉昇等[13]基于深度信念网络(DBN)对事故进行研究，将深度学习应用于核电设备的状态评估。耿苏杰等[14]利用融合模糊函数改进的贝叶斯网络故障诊断和状态评估方法，构造特征信息，量化模糊状态，对电力设备进行故障诊断和全景状态评估。

现有方法多利用机器学习或者深度学习的方法实现阀门状态判断，存在计算量大、实时性差的缺点。本文从疏水阀门机理特性分析入手，建立阀后温降模型结构特征，利用数据驱动模型和机理模型串联的混合模型结构，保证模型精度的同时，提高状态判断的实时性。

1 管壁温度机理分析

当电厂中的疏水阀门管道内有工质流过时，会进行如图1所示的传热过程。首先，流经管道的工质与管道内壁发生对流换热，将热量传至管道内壁；然后管道内外壁之间以热传导的方式进行热量传递。同样地，热量在管道外壁与保温层之间也以热传导方式进行传递，最后保温层和外部环境进行对流换热，热量向外部环境散发，自此完成整个热量传递过程，通常认为以上4种方式传递的热量 Q相等。在图1中，T0、T1、T2、T3、T4依次表示工质、管道内壁、管道外壁、保温层外壁、外部环境的温度。

图1 传热过程图Fig.1 Heat transfer process

下面分别对上述传热过程进行分析，从而得出疏水阀后温降模型的结构特征。

1.1 保温层与周围空气的自然对流换热

保温层与周围空气的自然对流换热量为

式（1）中：c3为保温层比热；m3为所取工质质量；d3为保温层外径；l为计算时所取控制体长度；h1为换热系数；t3为保温层温度；t4为外部环境温度。

h1的计算式为

式（2）中 ：λa为空气导热系数；Nu为努塞尔数。

保温层与周围空气之间的传热情况属于横管大空间自然对流换热，有

式（3）中：Gr为格拉晓夫数，Pr为普朗特数，Pr和n根据层流和紊流状态取值。

Gr计算式为

式（4）中：g为重力加速度；α=1/T，T为周围空气的绝对温度；Δt=t3-t4；μa为空气动力黏度。

1.2 保温层、管道内壁与外壁之间的热传导

保温层与管道外壁之间的热传导可近似视为单层均质圆筒壁导热问题，热量传导公式

式（5）中：c2为管道外壁比热；ρ2为管道外壁密度；V2为管道外壁体积；λb为保温层导热系数；t2为管道外壁温度；d2既是保温层内壁直径，也是管道外壁直径。

同理，管道内、外壁之间的热量交换的传导公式表示为

式（6）中：c1为管道内壁比热；ρ1为管道内壁密度；V1为管道内壁体积；λg为管道导热系数；t1为管道内壁温度；d1为管道内壁直径。

1.3 管道内部流体强制对流换热

管道内部蒸汽或水流动属于强制对流换热。对于控制体，有

式（7）中：ρ0为流体密度 ；v0为流速；c0为流体定压比热容；h2为内部流体与管壁间的换热系数；t0为控制体中流体平均温度。

综上所述，单独的保温层与外部环境，管道外壁与保温层，管道内外壁之间以及管道内工质与管道内壁的传热方程如(1),(5),(6),(7)式所示。依据上述传热方程，将整个传热过程进行分析[15]，建立基于该过程的传热方程组

取初始条件温度均为Tk，记

并记

则式（8）可变为

对上式进行联立求解，得到关于Tout(t)和Tin(t)的关系式，对其做拉普拉斯变换得

其中：a=-τ0τ1τ2τ3，

式（10）表明，采用复合集总参数法所建立的整个换热过程的模型是四阶系统，系数计算复杂。为了方便工程实施，可近似描述为多容惯性环节的形式

同时，也可以描述成等容高阶惯性环节

其中：Tf=(Ta+Tb+Tc+Td)/4。

利用传递函数变换经验公式，等容高阶惯性环节可以通过提高惯性环节常数实现模型降阶，进一步把机理模型等效为具有大惯性的一阶环节。

2 阀后温降模型的建立

根据在现场输水管道布置的温度、压力、流量测点所采集到的历史数据进行分析与整理，利用两点法和最小二乘法对其中的部分疏水阀门的温降变化趋势进行拟合。基于以上机理分析，建立基于数据驱动的温降模型曲线如图2。

图2 疏水阀门温降模型图Fig.2 Trap valve temperature drop model

将图2所示的4个疏水阀后温降模型进行数值化的表达和展现，得出单位脉冲响应表达式和传递函数的归一化表达式，最终呈现出表1所示的温降模型结果。

表1 疏水阀门温降模型结果Table 1 Hydrophobic valve temperature drop model results

结合上述温降模型曲线图和温降模型表达式，可以看出，利用图3所示的数据驱动模型和机理模型串联的混合模型结构，所建立的疏水阀后温降模型的精准度较高，效果明显，相较于原始数据的趋势拟合是基本一致的，可以作为疏水阀门状态评判的可靠依据。

图3 串联型混合模型结构Fig.3 Structure of a tandem hybrid model

3 阀门状态评判

针对阀门状态的评判机制，引入有限状态机的概念。有限状态机[16]是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型，实则是一种逻辑模型，其表现形式有状态转换图和状态转移表，被应用于编程、电路、协议、状态评判等方面。

对于疏水阀门，其状态可呈现出关闭状态、正开状态、全开状态、正关状态、中间状态五种形态，系统在任意时刻都只会处于有限状态集合中的某一状态之下，并且这些不同状态之间满足一定的状态变化逻辑。由此，建立疏水阀门的有限状态机模型，将其用于疏水阀门状态整体的管理机制上，即建立不同状态之间的相互逻辑关系，当外部条件发生变化时，由所建状态机给出疏水阀门相应的处理动作或使其状态发生转移。图4为一个疏水阀门的有限状态机模型。

图4 疏水阀门的有限状态机模型Fig.4 Finite state machine model of a hydrophobic valve

结合疏水阀门的有限状态机模型图，建立如表2所示的疏水阀门状态判定表，对疏水阀门的5种不同状态的定义、表现与判定以及状态转移条件与逻辑进行详细的界定和说明。

表2 疏水阀门状态判定Table 2 Determination of the status of the trap valve

由上述有限状态机模型和状态判定表，可以明确不同状态之间的逻辑关系，便于对疏水阀门状态的判定和管理，更加有效地对阀门状态进行预测。

4 阀门状态评判实验结果

根据有限状态机和状态评定表，针对某疏水阀门进行状态评判实验，可得到图5所示的状态评判结果（部分区间未进行状态标注）。由图5可清晰看出，所建立的有限状态机模型和相关评判条件是合理的，对于疏水阀门的状态评判是可行和有效的。

图5 疏水阀门状态评判结果图Fig.5 Hydrophobic valve status evaluation result

5 结束语

以共性技术研究为基础，通过换热机理和数据驱动方法相结合的方式，建立了疏水阀后温降的混合模型，并将有限状态机模型引入到疏水阀门的状态评判中，结合所建混合模型，形成了疏水阀门状态之间的逻辑评判准则和机制，从而实现对各类疏水阀不同状态的准确评判和有效管理。因此，所做的基于阀后温降模型的疏水阀状态评判工作是可行和有益的，可以进一步提高阀门寿命，保障机组运行安全，增强节能降耗成效，具有良好的社会经济效益。