ИСПОЛЬЗОВАНИЕ ЦИФРОВЫХ ДВОЙНИКОВ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ КОТЛОАГРЕГАТА ТЭС Текст научной статьи по специальности «Строительство и архитектура»

УДК 621.311.22:004.032.26 Журавлев Т.С., Клименко Т.В.

Журавлев Т.С.

магистр, 2 курс кафедра теоретической электротехники и электрификации нефтяной и газовой промышленности Российский государственный университет нефти и газа им. И.М. Губкина (г. Москва, Россия)

Клименко Т.В.

студент, 2 курс электроэнергетический институт

Дальневосточный государственный университет путей сообщения

(г. Хабаровск, Россия)

ИСПОЛЬЗОВАНИЕ ЦИФРОВЫХ ДВОЙНИКОВ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ КОТЛОАГРЕГАТА ТЭС

Аннотация: объектом исследования является создание цифрового двойника основного оборудования ТЭЦ, котлоагрегата типа ТПЕ-215. Цель исследования -предложить варианты решений для создания цифрового двойника, с использованием математических моделей и нейросетевого моделирования.

Ключевые слова: нейронная сеть, котлоагрегат, цифровой двойник, ТЭЦ, математическая модель, уз-деффектоскопия.

Учитывая факторы и специфику данной тематики, было принято решение произвести выбор оптимальной технологии, для поставленной задачи.

Для удобства рассмотрим в отдельности тепло блок, а именно котел и турбогенератор, как составные части архитектуры общей сети [1].

Основой анализа технического состояния котла может быть:

1) Тепловизор/камеры наблюдения

2215

2) Магнитные поля, как средство наблюдения

3) Нейросеть, для анализа состояния

4) УЗ дефектоскоп

Стоит отметить, что температура внутри котла порядка 500-600 градусов Цельсия, следовательно, установка внутрь котла, какого-либо оборудования для анализа состояния невозможно. Большинство неисправностей котлоагрегата связана с нарушением работы трубок, образования свища, коррозии, либо же утонения, что приводит к разрыву, и аварийному состоянию.

Рассматривая описанные варианты тепловизионный анализ не подходит, из-за высоких температур, магнитные поля также не подойдут, магниты весьма чувствительны к высоким температурам. В связи с этим было решено остановиться на УЗ анализе, установив датчики по всему периметру котла можно получать четкую картину того, что происходит внутри с трубками, при этом не выводя оборудования из работы. Нейросеть, же должна быть средством анализа полученных данных, для сравнения состояния трубок при различных нагрузках, но для создания такой системы нужно иметь устойчивые параметры, ведь при замене каких-либо исходных значений придется начинать все заново. Поэтому было решено остановиться, на математической модели анализа состояния. Замерив изначальный ультразвуковой след, при наиболее идеальном состоянии котла, мы сможем определять отклонения от изначальных параметров, то есть предсказывать неисправности и вовремя сигнализировать оперативному персоналу, без вывода из работы, благодаря методу эталонов [2, с. 401].

На рисунке Рис. 1, показан котел, преобразованный в цилиндр, для большего удобства расчета математической модели, кольца, расположенные по его поверхности - УЗ датчики.

2216

Рис. 1. 3Д модель котла, для упрощенного математического анализа.

Для дальнейшего расчета, а также построение более уточненной модели, будет использоваться формула Стёрджесса (1) [3, с. 976]:

где 1тах - максимальное значение сканирования, 1тт -минимальное значение сканирования, 2 г - количество измерений.

На основе данной формулы мы сможем получить математическую модель, что в дальнейшем позволит выработать функцию изменения УЗ следа в зависимости от режима работы (рис. 2) [4, с. 670].

2217

Рис. 2. Математическая модель УЗ следа на основе формулы Стерджесса

Как итог, полученная математическая модель, достаточна гибка, м с помощью нее возможно провести анализ всей поверхности котлоагрегата за счет «вспышек вибрации». Для более детального анализа необходимо провести симуляцию, либо же получить реальные опытные данные.

СПИСОК ЛИТЕРАТУРЫ:

1. Tomin N., Kurbatsky V., Borisov V., Musalev S. Development of Digital Twin for Load Center on the Example of Distribution Network of an Urban District // E3S Web Conf. 209 02029 (2020), DOI: 10.1051/e3sconf/202020902029;

2. Прохоров А. Цифровой двойник. Анализ, тренды, мировой опыт / А. Прохоров, М. Лысачев, научный ред. проф. А. Боровков. - Москва: ООО «АльянсПринт», 2020. - 401 с;

3. Bulatov Yu.N., Kryukov A.V., Korotkova K.E. Digital Twin of the Distributed Generation Plant // IOP Conf. Series: Materials Science and Engineering, Vol. 976, 2020, pp.1-7. doi:10.1088/1757- 899X/976/1/012024;

4. Булатов Ю.Н., Крюков А.В. Алгоритмы построения цифрового двойника установки распределенной генерации // Журн. Сиб. федер. ун-та. Техника и технологии, 2020. 13(6). - С. 677-689. DOI: 10.17516/1999- 494X-0256

2218

Zhuravlev T.S., Klimenko T. V.

Zhuravlev T.S.

Russian State University of Oil and Gas named after I.M. Gubkina

(Moscow, Russia)

Klimenko T.V.

Far Eastern State Transport University (Khabarovsk, Russia)

USING DIGITAL TWINS TO INCREASE EFFICIENCY OF MAIN EQUIPMENT OF THERMAL PLANTS

Abstract: the object of the study is the creation of a digital twin of the main equipment of a thermal power plant, a boiler unit of the TPE-215 type. The purpose of the study is to propose solutions for creating a digital twin using mathematical models and neural network modeling.

Keywords: neural network, boiler unit, digital twin, heat power plant, mathematical model, ultrasonic flaw detection.

2219