AL-Dura发电厂的汽轮机(160 mw)中使用这类型的工作,一个汽轮机用于加压蒸汽的热能转移到有用的机械功。汽轮机包含三个部分,高、中、低压;第一个部分是高压部分由两个水平分割外壳;内心是放置在固定在轴向方向上,外壳与范围扩张向四面八方扩散。第二部分是水平分割中低压部分,由三个部分通过垂直法兰连接。出口部门与冷凝器连接刚性支持弹簧。在中间壳体,管巢的1号和2号低压加热器安装。外壳是紧密联系在一起的,指导键和不动点在轴向方向的中心部分低压套管( 1]。在这项研究中,我们提供最基本的问题解决方案和汽轮机动力装置的腐蚀。材料的化学和机械性能影响涡轮叶片的使用寿命。的应力腐蚀和裂纹转子和光盘是汽轮机的主要问题。在这项研究中我们讨论了补焊的蒸汽发生器组件的历史特别强调的细节修复焊接了汽轮机叶片的 2]。在这项研究中,我们计算了压力和温度使用有限元计算程序在寒冷的条件和使用通用的低循环疲劳寿命损失估计斜率法和局部应力和应变法1000 MW超超临界汽轮机转子( 3]。在这项研究中我们用人工神经网络来建立汽轮机转子的数学模型与外源输入非线性自回归(NARX)获得的温度和压力在关键的在线预测涡轮转子位置。电厂的测量高压级涡轮转子,速度、负荷、温度、和涡轮之前涡轮压力控制阀。我们使用铁的转子模型训练神经网络,不仅有非线性相关的非线性扩张的汽轮机还包括有限元法精度,在瞬态条件下非线性涡轮内部热量交换,和转子材料属性。在涡轮算法使用神经网络作为控制器实现。在工业发电厂汽轮机压力控制的神经网络应用( 4]。本研究使用了一个自适应neurofuzzy推理系统(简称ANFIS)建模预测汽轮发电机输出的1号机组的涡轮机周期Kuosheng NPP在台湾。这种植物操作信息收集在2006年和2011年之间使用线性回归模型验证了95%的置信区间。简称ANFIS的输入是节流压力、给水流量、给水温度和冷凝器的压力透平循环模型。结果表明,该简称ANFIS能够准确、可靠地显示涡轮周期模型计算汽轮发电机输出和比较这些结果与热力学透平循环模型。使用商业软件PEPSE模型应用。neurofuzzy是有效和演示了汽轮机循环模型使用的实际操作数据时Kuosheng NPP [ 5]。

本文的目的是改善AL-Dura电厂的性能通过使用人工神经网络(ANN)通过控制许多参数,如压力、温度、速度、和湿度。

人工神经网络试图模拟人类神经系统的一些特点。神经网络的起源追溯到1940年代当Mc Culloch和皮特建立第一个生物神经元的数学模型。创建一个模型,神经网络是使用分析工具最初人类大脑的认知功能。在其最一般的形式,神经网络是一个系统或机器,大脑是设计模型的方式执行一个特定的功能;人工神经网络建模是实现通过模拟软件在数字计算机上。人工神经网络采用大规模互连简单计算的细胞被称为“神经元”给一个好的性能。安是一个系统,执行输入和输出之间的映射模式,代表了一个问题。在训练过程中人工神经网络学习信息经过几次迭代。学习过程结束时,安准备新信息进行分类,预测新的行为,或非线性函数估计问题。其结构由一组神经元(由函数)连接等组织层( 6- - - - - - 9]。

汽轮机主要是应用于电厂由于成本效率的能力,应用程序,和期望的性能;不同程度的复杂性提供汽轮机的结构,提高热效率,使汽轮机由高压、中压、低压阶段由于涡轮使用人工神经网络结构的复杂性研究汽轮机的性能和更多的困难预测的影响,提出控制系统在电厂汽轮机,因此,发展非线性分析模型。设计、合成和执行实时模拟和监控所需的状态可以被使用,这些模型在电厂控制系统( 11- - - - - - 17]。的160 mw汽轮机动力装置由蒸汽拔牙、给水加热器,水分分隔符,和相关的动机。涡轮在拔牙和蒸汽条件的配置。本研究中的重要变量影响AL-Dura电厂汽轮机的诸如温度、压力、速度、和湿度,通过建模、模拟使用MATLAB程序(2014年版)根据结构控制语言,已被证明在操作确定基于获得的数据与实际电厂。

变量影响电厂的操作包括以下。

(一)温度输入变量。汽轮机的安全运行温度,以避免损害在AL-Dura电厂汽轮机叶片,涡轮和进入涡轮产生的温度必须小于550°C。

输入变量(b)的压力。汽轮机的安全运行,压力小于140条来自实际的发电厂。

(c)速度输入变量。速度是一个重要的变量,影响汽轮机AL-Dura电厂,因为它影响到机械功率,提高效率;涡轮机轴的速度必须超过3500 r.p.m。

(d)湿度输入变量。湿度是一个重要的变量,危害和影响在涡轮叶片旋转。湿度的值应该小于0.12;从实验数据范围的数据输入和输出参数用于神经网络训练如表所示 1。这些数据用于测试培训划分为50%和50%。

实验设备的接口部分,个人电脑,I / P用户,控制器。本研究包括两个部分:硬件和软件部分。硬件部分是温度、湿度、速度和压力传感器。处理这些信号的等效电路转移到接口单元。在接口单元的信号处理后进入计算机控制的应用程序与系统设计需求,因此向运营商提供了一个消息给你做出正确的选择。每个传感器包括变压器能够增加或减少电压和电流的供应水平,直流桥用于信号转换为连续电压信号来获取信号的逻辑价值由1和0,其中一个代表5伏,0代表零伏。插入连续电压信号的电压调节器7805型(5伏特或零伏特)。它的功能是提供一个稳定的电压,其作为稳定剂可能局限于确保输出保持在一定的范围内。模拟信号转换为数字信号,当传感器读高。图 2显示了图读出电路和读出电路的照片。软件部分包括流程图和算法编写的MATLAB(2014)计划。

的类型的神经网络控制器用于这种方法的非线性自回归移动平均(NARMA)是设计用来控制压力、湿度、速度和温度的涡轮机。神经网络工具箱提供的演示模型演示NARMA-L2控制器;NARMA的目的是控制磁铁的位置上面悬浮电磁铁,磁铁的限制,只能在垂直方向移动;NARMA安工具箱实现的MATLAB仿真。系统辨识的神经网络模型的植物。控制器的NARMA块如图 3。

植物识别的框图涡轮机的NARMA模型通过调整参数来生成数据的插入、最小值和最大值的值输入和输出,和最小和最大时间间隔值为0.1秒,1秒。隐层的大小,延迟植物输入和输出,采样间隔,最后trainlm培训功能。选择的培训网络然后反应生成的植物模型的显示。独立的情节进行验证数据,训练数据和测试数据如图 4(一)和 4(b)说明NARMA运行的流程图。

涡轮模型被开发在这项研究基于实验装置的数据训练和测试使用MATLAB神经网络基于神经网络模型的模拟 。平衡训练效率有限数量的隐层神经元通过试验和错误神经网络训练过程,增加隐层的节点数是用来给在网络良好的精度 。在这里,两层的神经网络(隐层),3 - 14神经元,研究和均方误差表中列出的结果 2。

培训的目的是要找到一个最佳的答案的神经网络。图 5最好的训练性能表明,开发的神经网络两个隐藏层后300时代。图 6说明了良好的实验数据之间的协议和用于训练神经网络的预测。在程序中我们使用两个隐藏层,但每个变量控制在NARMA使用14隐藏层。这个数字隐藏层的错误率最低。

涡轮设计控制的仿真软件模型的输入变量(温度、压力、速度和湿度),影响汽轮机AL-Dura电厂。图 7显示了汽轮机使用NARMA模型。在这个数字控制我们建议设计和建筑模型的每个信号的安分别然后求和所有信号在中央过程中减少使用的时间决定。这个建议系统代表了涡轮发电厂的信号,如压力、温度、湿度、和速度。处理所有信号在一个系统中需要很长时间,因为这需要重复的权重安所有系统和培训和学习,直到达成决定。因此,这个模型在稳态工作;当一个问题或意外事故或改变的信号发生问题是解决忽视这种情况下,减少处理时间,所有部件在系统保持稳定状态。

(1)温度。汽轮机在电厂的温度应该是550°C使涡轮叶片和涡轮设计工作温度从520°C到550°C。图 8显示温度的输入变量。

(2)速度。涡轮工作在稳定状态下的速度从2500年到3000年r.p.m。图 8显示输入变量的速度。

(3)湿度。湿度允许在汽轮机工作在稳定状态从0到0.12。图 8显示了湿度的输入变量。

(4)压力。压力在所有部分的涡轮工作从140年开始栏,然后减少到6栏进入冷凝器。图 8显示了AL-Dura电厂的输入变量的压力。

图 9显示实际的压力信号测量的实验装置。这个信号解释的容许极限涡轮工作在稳定状态。压力温度的增加而增加。

从实验也显示实际温度信号测量电路和允许的极限工作的涡轮500和550°C之间保护爆炸和融化的涡轮机。

同时,湿度信号取自实验设备。最大限度地允许涡轮工作在正常情况下是0.12。当温度和压力增加湿度降低和保护涡轮的叶片腐蚀和侵蚀并显示实际速度信号取自实验设备。允许的操作限制从2500年r.p汽轮机安全状态。m 3000 r.p.m。

图 10显示比较结果湿度之间的汽轮机为例安和电路设计;它们之间的误差为1%。当使用电路为控制植物,它给了一个好的结果,因为这条赛道是真正在巴格达百事公司申请。

人工神经网络的应用过程控制是一个最好的方法治疗任何复杂的问题,准备足够的训练数据和节点数来表示的内部特征和关系,连接输入和输出变量的自动化工程师自己构建控制器基于他在工厂信息和经验;人工神经网络的训练取决于输入变量的值的数量影响时代的双曲正切函数的神经网络由于减少训练时间通过使用最大和最小输入和目标值之间的归一化法与其他标准化方法。与反向传播神经网络训练算法 ;这种技术控制最优值的数据取自真实植物(140条,550 c, 0.12, 300 r.p.m 。