Advanced condition monitoring methods in thermal power plants
Juselius, Juha (2018)
Diplomityö
Juselius, Juha
2018
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe201804046337
https://urn.fi/URN:NBN:fi-fe201804046337
Tiivistelmä
Power plant maintenance has been traditionally organized according to corrective and preventive maintenance strategies, which both have their limitations that can lead to high costs due to low availability and inefficiently timed maintenance actions. Condition based maintenance is considered an advanced maintenance strategy and is already applied in many critical components in modern power plants. Extending condition monitoring and more efficient maintenance practices to a wider range of equipment is desirable but requires advanced condition monitoring methods that can detect changes in process parameters indicating faults and malfunctions. These methods include different mathematical models that can be classified as physics-based, data-driven and hybrid models.
This thesis presents the theoretical background of different modelling approaches in condition monitoring applications. The theoretical part of this work also presents different maintenance strategies and the role of condition monitoring in power plant maintenance. The main objective of this thesis is to evaluate a commercial condition monitoring software based on recursive neural networks, called Intelligent Health Monitor, in a case study where boiler’s increased flue gas temperature is monitored. 96 models with different training parameters are created and evaluated during training, healthy state monitoring and fault detection phases. The results showed that reliable models with good fault detection capability can be trained with automatically chosen input variables based on principal component analysis and correlation analysis. The results also showed great variation and underlined the importance of model verification. Based on the case study results and literature, several aspects that need to be considered when applying artificial neural network based condition monitoring software are discussed. Voimalaitosten kunnossapito on perinteisesti noudattanut korjaavia tai ennakoivia kunnossapitostrategioita. Perinteisten strategioiden puutteiden ja niistä aiheutuvien korkeiden kustannusten vuoksi kuntoon ja kunnonvalvontaan perustuvia kunnossapitostrategioita tarvitaan. Monien kriittiseksi luokiteltujen komponenttien kunnossapito perustuu jo kunnonvalvonnan tuloksena saatuun komponentin kunnon arvioon, mutta kunnonvalvonnan kattavuutta tulisi laajentaa myös ei-kriittiseksi luokiteltuihin komponentteihin. Tämä edellyttää kehittyneitä kunnonvalvontamenetelmiä, kuten matemaattisia mallinnusmenetelmiä, joilla pystytään havaitsemaan prosessidatasta poikkeavuuksia, jotka indikoivat vikatiloja. Kunnonvalvonnassa käytetyt mallit voidaan luokitella fysikaalisiin malleihin, data-pohjaisiin malleihin ja hybridimalleihin.
Tämän työn teoriaosassa esitellään eri kunnossapitostrategiat, kunnonvalvonnan merkitys voimalaitosten kunnossapidossa sekä eri mallinnusmenetelmien teoreettinen tausta. Työn päätavoitteena on testata ja arvioida kaupallista neuroverkkoihin perustuvaa kunnonvalvontaohjelmistoa Intelligent Health Monitoria. Ohjelmiston soveltuvuutta arvioidaan case-tapauksessa, jossa voimalaitoskattilan savukaasun lämpötila on noussut laskien kattilahyötysuhdetta. Savukaasun lämpötilaa seurataan 96 mallilla, joiden tarkkuus arvioidaan kolmena ajanjaksona: koulutusjakso, vikaantumattoman tilan jakso sekä vikatilanteen jakso. Tulokset osoittavat, että luotettava neuroverkkopohjainen malli voidaan luoda käyttämällä automaattisesti valittuja itsenäisiä muuttujia. Tulokset kuitenkin vaihtelivat huomattavasti mallien välillä, mikä korostaa käytettävien mallien verifioinnin tarpeellisuuden. Case-tapauksen tulosten sekä kirjallisuuden perusteella nostetaan esiin useita näkökulmia, jotka tulee huomioida käytettäessä neuroverkkopohjaista ohjelmistoa kunnonvalvonnassa.
This thesis presents the theoretical background of different modelling approaches in condition monitoring applications. The theoretical part of this work also presents different maintenance strategies and the role of condition monitoring in power plant maintenance. The main objective of this thesis is to evaluate a commercial condition monitoring software based on recursive neural networks, called Intelligent Health Monitor, in a case study where boiler’s increased flue gas temperature is monitored. 96 models with different training parameters are created and evaluated during training, healthy state monitoring and fault detection phases. The results showed that reliable models with good fault detection capability can be trained with automatically chosen input variables based on principal component analysis and correlation analysis. The results also showed great variation and underlined the importance of model verification. Based on the case study results and literature, several aspects that need to be considered when applying artificial neural network based condition monitoring software are discussed.
Tämän työn teoriaosassa esitellään eri kunnossapitostrategiat, kunnonvalvonnan merkitys voimalaitosten kunnossapidossa sekä eri mallinnusmenetelmien teoreettinen tausta. Työn päätavoitteena on testata ja arvioida kaupallista neuroverkkoihin perustuvaa kunnonvalvontaohjelmistoa Intelligent Health Monitoria. Ohjelmiston soveltuvuutta arvioidaan case-tapauksessa, jossa voimalaitoskattilan savukaasun lämpötila on noussut laskien kattilahyötysuhdetta. Savukaasun lämpötilaa seurataan 96 mallilla, joiden tarkkuus arvioidaan kolmena ajanjaksona: koulutusjakso, vikaantumattoman tilan jakso sekä vikatilanteen jakso. Tulokset osoittavat, että luotettava neuroverkkopohjainen malli voidaan luoda käyttämällä automaattisesti valittuja itsenäisiä muuttujia. Tulokset kuitenkin vaihtelivat huomattavasti mallien välillä, mikä korostaa käytettävien mallien verifioinnin tarpeellisuuden. Case-tapauksen tulosten sekä kirjallisuuden perusteella nostetaan esiin useita näkökulmia, jotka tulee huomioida käytettäessä neuroverkkopohjaista ohjelmistoa kunnonvalvonnassa.