Power industry boiler tube failures are a major cause of utility forced outages in the United States, with approximately 41,000 tube failures occurring every year at a cost of $5 billion a year. Accordingly, early tube leak detection and isolation is highly desirable. Early detection allows scheduling of a repair rather than suffering a forced outage, and significantly increases the chance of preventing damage to adjacent tubes. The instant detection scheme starts with identification of boiler tube leak process variables which are divided into universal sensitive variables, local leak sensitive variables, group leak sensitive variables, and subgroup leak sensitive variables, and which may be automatically be obtained using a data driven approach and a leak sensitivity function. One embodiment uses artificial neural networks (ANN) to learn the map between appropriate leak sensitive variables and the leak behavior. The second design philosophy integrates ANNs with approximate reasoning using fuzzy logic and fuzzy sets. In the second design, ANNs are used for learning, while approximate reasoning and inference engines are used for decision making. Advantages include use of already monitored process variables, no additional hardware and/or maintenance requirements, systematic processing does not require an expert system and/or a skilled operator, and the systems are portable and can be easily tailored for use on a variety of different boilers.

Les échecs de tube de chaudière d'industrie énergétique sont une cause importante des pannes forcées par utilité aux Etats-Unis, avec approximativement 41.000 échecs de tube se produisant chaque année à un coût de $5 milliards par année. En conséquence, la détection tôt de fuite de tube et l'isolement est fortement souhaitable. La détection tôt permet l'établissement du programme d'une réparation plutôt que de souffrir une panne obligatoire, et augmente de manière significative la chance d'empêcher des dommages aux tubes adjacents. L'arrangement instantané de détection commence par l'identification des variables de procédé de fuite de tube de chaudière qui sont divisées en variables sensibles universelles, variables sensibles de fuite locale, variables sensibles de fuite de groupe, et variables sensibles de fuite de sous-groupe, et qui peuvent être automatiquement soient obtenues en utilisant une approche conduite par données et une fonction de sensibilité de fuite. Une incorporation emploie les réseaux neurologiques artificiels (ANN) pour apprendre la carte entre les variables sensibles de fuite appropriée et le comportement de fuite. La deuxième philosophie de conception intègre ANNs avec le raisonnement approximatif en utilisant la logique floue et les ensembles brouillés. Dans la deuxième conception, ANNs sont employés pour l'étude, alors que des moteurs approximatifs de raisonnement et d'inférence sont utilisés pour la prise de décision. Les avantages incluent l'utilisation des variables de processus déjà surveillées, d'aucun matériel additionnel et/ou des besoins d'entretien, le traitement systématique n'exige pas un système expert et/ou un opérateur habile, et les systèmes sont portatifs et peuvent être facilement travaillés pour l'usage sur une variété de différentes chaudières.