CN116738862A - 一种锅炉结垢故障预测方法、装置、设备和介质 - Google Patents
一种锅炉结垢故障预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116738862A CN116738862A CN202310854521.2A CN202310854521A CN116738862A CN 116738862 A CN116738862 A CN 116738862A CN 202310854521 A CN202310854521 A CN 202310854521A CN 116738862 A CN116738862 A CN 116738862A
- Authority
- CN
- China
- Prior art keywords
- thermal resistance
- boiler
- model
- dirt
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000002245 particle Substances 0.000 claims abstract description 137
- 238000004088 simulation Methods 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000011002 quantification Methods 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 42
- 238000005070 sampling Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000004140 cleaning Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 26
- 238000012546 transfer Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种锅炉结垢故障预测方法、装置、设备和介质，包括：采用锅炉的历史污垢热阻基于最小二乘法构建目标污垢热阻模型后，基于粒子群算法实时更新目标污垢热阻模型，将通过目标污垢热阻模型生成的多个仿真污垢热阻输入锅炉仿真回路得到的仿真温度，对全部仿真温度进行不确定性因素量化构建状态转移模型，根据状态转移模型和预设的温度失效限值进行多步预测确定锅炉的失效时刻，将失效时刻与预测时刻进行差值运算输出锅炉的剩余可用寿命。整个锅炉结垢故障预测过程中，对目标污垢热阻模型实时更新，并基于差分建模有效量化仿真温度的不确定性后进行多步预测，提高了锅炉结构故障预测的准确性。
Description
技术领域
本发明涉及锅炉技术领域，尤其涉及一种锅炉结垢故障预测方法、装置、设备和介质。
背景技术
在锅炉运行过程中，当大量污垢堵塞水冷壁管时，容易引发锅炉发生安全事故。为了防止和降低污垢对锅炉造成的不利影响，需要采取如定期清洗、处理处理致垢流体等防垢、除垢措施。虽然减轻了污垢危害，但频繁的启停容易影响设备的寿命从而缩短设备正常运行周期，因此采用故障预测技术预测污垢对锅炉换热性能的影响是科学安排污垢清洗的关键。
传统的故障预测技术通过采用大量的历史结垢故障数据构建故障预测模型，一方面历史结垢故障数据受限于部分实际运行中的关键设备数据获取代价高昂，另一方面获取到的历史结垢故障数据存在很强的不确定性，造成故障预测模型的建模误差从而导致降低污垢结垢故障预测的准确性。
发明内容
本发明提供了一种锅炉结垢故障预测方法、装置、设备和介质，解决了现有技术在构建故障预测模型对锅炉进行故障预测时，依赖于大量具有不完整性和不确定性的历史结垢故障数据，导致污垢结垢故障预测的准确性较低的技术问题。
本发明第一方面提供的一种锅炉结垢故障预测方法，包括：
采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新所述目标污垢热阻模型；
将通过所述目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度；
对全部所述仿真温度进行不确定性因素量化，构建状态转移模型；
根据所述状态转移模型和预设的温度失效限值进行多步预测，确定所述锅炉的失效时刻；
将所述失效时刻与所述预测时刻进行差值运算，输出所述锅炉的剩余可用寿命。
可选地，所述采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新所述目标污垢热阻模型的步骤，包括：
获取锅炉的历史污垢热阻和初始污垢热阻模型；
基于最小二乘法构建关于污垢热阻的损失函数，采用所述历史污垢热阻对所述损失函数进行方程求解，确定第一热阻参数；
采用所述第一热阻参数更新所述初始污垢热阻模型，生成目标污垢热阻模型；
实时获取锅炉的实际污垢热阻和所述实际污垢热阻的清洗后运行时间；
采用所述清洗后运行时间输入所述目标污垢热阻模型，求解出对应的理论污垢热阻；
当任一所述理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，基于粒子群算法更新所述目标污垢热阻模型，生成新的目标污垢热阻模型。
可选地，所述当任一所述理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，基于粒子群算法更新所述目标污垢热阻模型，生成新的目标污垢热阻模型的步骤，包括：
当任一所述理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，以所述第一热阻参数为中心构建邻域范围；
在所述邻域范围内生成粒子群，并初始化所述粒子中各初始粒子的速度和位置；
通过预设的适应度函数评估各所述初始粒子的适应度，以所述粒子群中适应度最小的初始粒子的位置作为全局最优位置，通过粒子群算法对各所述初始粒子的速度和位置进行迭代更新，将迭代更新至满足迭代停止条件时的全局最优位置作为第二热阻参数；
采用所述第二热阻参数更新目标污垢热阻模型，生成新的目标污垢热阻模型。
可选地，所述将通过所述目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度的步骤，包括：
获取所述锅炉的预测时刻，从所述预测时刻按照预设时间步长依次采用关联的目标污垢热阻模型进行运算，顺序生成多个仿真污垢热阻；
依次将所述仿真污垢热阻输入所述锅炉的锅炉仿真回路进行换热仿真，输出对应的多个仿真温度。
可选地，所述对全部所述仿真温度进行不确定性因素量化，构建状态转移模型的步骤，包括：
采用滤波拟合法对全部所述仿真温度进行数据光滑处理，对应生成多个光滑温度；
分别将各所述仿真温度与对应的光滑温度进行差值运算，确定多个第一温度差值；
采用全部所述第一温度差值进行方差运算确定第一方差，并构建满足第一方差的观测高斯不确定性；
对全部所述光滑温度执行差分操作得到多个差分温度，并采用全部所述差分温度进行曲线拟合生成差分模型；
分别将各所述差分温度与通过所述差分模型对应构建的差分拟合温度进行差值运算，确定多个第二温度差值；
基于全部所述第二温度差值进行方差运算确定第二方差，并构建满足第二方差的状态高斯不确定性；
根据所述观测高斯不确定性、所述差分模型和所述状态高斯不确定性进行差分建模，生成状态转移模型。
可选地，所述根据所述状态转移模型和预设的温度失效限值进行多步预测，确定所述锅炉的失效时刻的步骤，包括：
获取所述状态转移模型对应的先验概率分布和所述锅炉预设的温度失效限值，并由所述先验概率分布生成采样粒子集；
根据蒙特卡洛方法采用所述采样粒子集构建后验概率分布；
对所述采样粒子集进行权重归一化和粒子重采样，确定目标采样粒子集；
采用所述目标采样粒子集和所述后验概率分布进行多步预测，输出预测温度概率分布；
根据所述温度失效限值和所述预测温度概率分布计算所述目标采样粒子集的多个失效概率；
基于全部所述失效概率进行期望值计算，确定所述锅炉的失效时刻。
本发明第二方面提供的一种锅炉结垢故障预测装置，包括：
目标污垢热阻模型构建模块，用于采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新所述目标污垢热阻模型；
仿真温度生成模块，用于将通过所述目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度；
状态转移模型构建模块，用于对全部所述仿真温度进行不确定性因素量化，构建状态转移模型；
失效时刻确定模块，用于根据所述状态转移模型和预设的温度失效限值进行多步预测，确定所述锅炉的失效时刻；
剩余可用寿命输出模块，用于将所述失效时刻与所述预测时刻进行差值运算，输出所述锅炉的剩余可用寿命。
可选地，所述仿真温度生成模块具体用于：
获取所述锅炉的预测时刻，从所述预测时刻按照预设时间步长依次采用关联的目标污垢热阻模型进行运算，顺序生成多个仿真污垢热阻；
依次将所述仿真污垢热阻输入所述锅炉的锅炉仿真回路进行换热仿真，输出对应的多个仿真温度。
本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的锅炉结垢故障预测方法的步骤。
本发明第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明第一方面任一项所述的锅炉结垢故障预测方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明采用锅炉的历史污垢热阻基于最小二乘法构建目标污垢热阻模型后，基于粒子群算法实时更新目标污垢热阻模型，通过目标污垢热阻模型从预测时刻伊始生成多个仿真污垢热阻，将全部仿真污垢热阻输入锅炉仿真回路得到对应的仿真温度，对全部仿真温度进行不确定性量化构建状态转移模型，根据状态转移模型和预设的温度失效限值进行多步预测确定锅炉的失效时刻，将失效时刻与预测时刻进行差值运算，输出锅炉的剩余可用寿命。整个锅炉结垢故障预测过程中，根据锅炉的实际污垢热阻对目标污垢热阻模型实时更新，并基于差分建模有效量化仿真温度的不确定性后进行多步预测，提高了锅炉结构故障预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种锅炉结垢故障预测方法的步骤流程图；
图2为本发明实施例一提供的渐进型污垢热阻生长趋势示意图；
图3为本发明实施例一提供的锅炉全寿命周期下剩余可用寿命预测结果示意图；
图4为本发明实施例二提供的一种锅炉结垢故障预测方法的步骤流程图；
图5为本发明实施例二提供的理论污垢热阻和实际污垢热阻的变化曲线示意图；
图6为本发明实施例二提供的第一温度差值的示意图；
图7为本发明实施例二提供的观测高斯不确定性的概率分布示意图；
图8为本发明实施例二提供的差分模型曲线示意图；
图9为本发明实施例二提供的状态高斯不确定性的概率分布示意图；
图10为本发明实施例提供的一种锅炉结垢故障预测装置的结构框图。
具体实施方式
本发明实施例提供了一种锅炉结垢故障预测方法、装置、设备和介质，用于解决现有技术在构建故障预测模型对锅炉进行故障预测时，依赖于大量具有不完整性和不确定性的历史结垢故障数据，导致污垢结垢故障预测的准确性较低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种锅炉结垢故障预测方法的步骤流程图。
本发明提供的一种锅炉结垢故障预测方法，包括：
步骤101、采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新目标污垢热阻模型。
历史污垢热阻，指的是历史记载不同清洗后运行时间的时刻对应的实际污垢热阻。清洗后运行时间，指的是锅炉进行换热面污垢清洗后的运行时间。
初始污垢热阻模型，指的是反映污垢热阻随时间变化的渐进型经验模型。
目标污垢热阻模型，指的是反映锅炉实际的污垢热阻变化的初始污垢热阻模型。
在本发明实施例中，在锅炉水冷壁管的污垢形成过程中，可分为两种作用形式，一种作用形式为污秽物质沉积在换热表面从而导致热阻增加，另一种作用形式为在流体的冲刷作用下污垢部分被剥离换热表面导致热阻降低，污垢热阻的生长趋势如图2所示。采用污垢热阻的渐进型经验模型作为锅炉的初始污垢热阻模型，根据锅炉的历史污垢热阻，运用最小二乘法对初始污垢热阻模型更新为目标污垢热阻模型，然后利用粒子群算法对目标污垢热阻模型的参数进行滚动优化，以使得能够获取符合锅炉实际污垢热阻变化的目标污垢热阻模型。
优选地，污垢热阻模型可以基于数字孪生技术在不过于依赖大量历史污垢热阻的情况下进行建立，通过数字孪生体采用实时采集到的运行数据基于粒子群算法不断自动演化更新。
步骤102、将通过目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度。
预测时刻，指的是进行锅炉结垢预测的清洗后运行时间。
仿真污垢热阻，指的是进行锅炉结垢预测时通过目标污垢热阻模型生成的污垢热阻。
锅炉仿真回路，用于反映仿真机组锅炉在运行时中的动态过程，在仿真过程中，通过改变污垢热阻引起仿真机组锅炉的总传热系数变化，可获取相应变化的仿真温度。仿真温度，包括排烟温度、管壁温度等可表征结垢故障程度的状态指标，仅需选择任一温度值作为状态指标后进行续结垢预测。
可以理解的是，随着污垢热阻随时间变化，锅炉水冷壁管换热受到影响，通过受热面传导到冷却水的热量减少，降低传热效率，导致排烟温度增加，且从烟气中吸收的热量不能迅速经管壁传递到冷却水中，也会导致管壁的温度上升，处于超温状态。因此将管壁温度及排烟温度可以作为表征结垢故障程度的状态指标。
在本发明实施例中，从预测时刻伊始，按照预设的时间步长生成多个预测时刻，将全部预测时刻输入对应的目标污垢热阻模型中进行运算，输出多个对应的仿真污垢热阻，将全部仿真污垢热阻输入锅炉仿真回路中进行换热过程仿真，得到多个对应的仿真温度。
可以理解的是，对于锅炉水冷壁管的传热过程，总传热系数是组成整个传热过程的各个串联环节传热系数之和，即总传热系数具体为：
其中，Kg为总传热系数，Rg为总热阻，R0为烟气侧热阻，Rw为水冷壁壁面的热阻，R1为冷却工质侧热阻。
步骤103、对全部仿真温度进行不确定性因素量化，构建状态转移模型。
在本发明实施例中，对得到的多个随时间变化的仿真温度，通过差分模型分解的方式进行建模，并对建模中所存在的不确定性因素进行有效量化，构建出状态转移模型。
步骤104、根据状态转移模型和预设的温度失效限值进行多步预测，确定锅炉的失效时刻。
温度失效限值，指的是表征锅炉结垢故障程度达到失效而需要进行清洗的仿真温度。
失效时刻，指的是锅炉的仿真温度抵达温度失效限值的预测时刻。
在本发明实施例中，根据选择的仿真温度的数据种类获取对应的温度失效限值，根据状态转移模型采用粒子滤波算法以递归的方式进行多步预测，预测过程持续执行至预测值超过温度失效限值，则确定锅炉的失效时刻。
步骤105、将失效时刻与预测时刻进行差值运算，输出锅炉的剩余可用寿命。
剩余可用寿命RUL，指的是从预测时刻到失效时刻的时间长度。
在本发明实施例中，图3中CL of RUL指的是剩余可用寿命置信区间，RUL Predict指的是剩余可用寿命预测值，Accuracy limit指的是误差上下限，Ground turth指的是实际剩余可用寿命。如图3所示，在全寿命周期下进行预测操作，进行循环递推得到失效时刻，将失效时刻与预测时刻进行差值运算，可用得到预测时刻所对应的锅炉的剩余可用寿命，根据剩余可用寿命可以确定锅炉的结构故障情况以安排锅炉的维护时机。
在本发明实施例中，采用锅炉的历史污垢热阻基于最小二乘法构建目标污垢热阻模型后，基于粒子群算法实时更新目标污垢热阻模型，通过目标污垢热阻模型从预测时刻伊始生成多个仿真污垢热阻，将全部仿真污垢热阻输入锅炉仿真回路得到对应的仿真温度，对全部仿真温度进行不确定性量化构建状态转移模型，根据状态转移模型和预设的温度失效限值进行多步预测确定锅炉的失效时刻，将失效时刻与预测时刻进行差值运算，输出锅炉的剩余可用寿命。整个锅炉结垢故障预测过程中，根据锅炉的实际污垢热阻对目标污垢热阻模型实时更新，并基于差分建模有效量化仿真温度的不确定性后进行多步预测，提高了锅炉结构故障预测的准确性。
请参阅图4，图4为本发明实施例二提供的一种锅炉结垢故障预测方法的步骤流程图。
步骤401、采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新目标污垢热阻模型。
可选地，步骤401包括以下子步骤：
S1、获取锅炉的历史污垢热阻和初始污垢热阻模型；
S2、基于最小二乘法构建关于污垢热阻的损失函数，采用历史污垢热阻对损失函数进行方程求解，确定第一热阻参数；
S3、采用第一热阻参数更新初始污垢热阻模型，生成目标污垢热阻模型；
S3、实时获取锅炉的实际污垢热阻和实际污垢热阻的清洗后运行时间；
S4、采用清洗后运行时间输入目标污垢热阻模型，求解出对应的理论污垢热阻；
S5、当任一理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，基于粒子群算法更新目标污垢热阻模型，生成新的目标污垢热阻模型。
在本发明实施例中，初始污垢热阻模型具体为：Rf＝f(τ,A,B)＝A(1-exp(-Bτ))；其中，Rf为污垢热阻，τ为清洗后运行时间，A为第一初始子热阻参数，B为第二初始子热阻参数。可以理解的是，A和B是与锅炉结构设计、冷却水水质、冷却水流经换热面的速度等因素有关的参数，在实际运行中不方便直接测量，为能够预示锅炉的污垢特性，需要确定这两个参数。
实际污垢热阻，指的是锅炉实际运行过程中的污垢热阻。理论污垢热阻，指的是在目标热阻模型计算出的与实际污垢热阻对应的污垢热阻。
最小二乘法的目的在于使目标污垢热阻模型求解的理论污垢热阻与实际污垢热阻值之间的平方误差之和最小，即：其中，n为历史污垢热阻总数，Ri为第i个历史污垢热阻，θ为热阻参数集{A,B}，/>为平方误差之和最小时的θ。基于最小二乘法构建关于污垢热阻的损失函数E(θ)具体为：/>
可以理解的是，采用历史污垢热阻对损失函数进行方程求解，包括：将损失函数关于参数向量求导，并令导数为零得到方程组，将历史污垢热阻代入方程组进行求解得到第一热阻参数。
第一热阻参数包括第一子热阻参数A0和第二子热阻参数B0。当采用历史污垢热阻和初始污垢热阻模型运用最小二乘法进行曲线拟合确定出第一热阻参数后，采用第一子热阻参数更新第一初始子热阻参数、采用第二子热阻参数更新第二初始子热阻参数从而对初始污垢热阻模型进行更新。采用最小二乘法和历史污垢热阻确定的目标污垢热阻模型为一光顺曲线，具体为：Rf＝A0(1-exp(-B0τ))。
优选地，子步骤S5包括：
当任一理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，以第一热阻参数为中心构建邻域范围；
在邻域范围内生成粒子群，并初始化粒子群中各初始粒子的速度和位置；
通过预设的适应度函数评估各初始粒子的适应度，以粒子群中适应度最小的初始粒子的位置作为全局最优位置，通过粒子群算法对各初始粒子的速度和位置进行迭代更新，将迭代更新至满足迭代停止条件时的全局最优位置作为第二热阻参数；
采用第二热阻参数更新目标污垢热阻模型，生成新的目标污垢热阻模型。
热阻差值阈值，指的是理论污垢热阻与实际污垢热阻之间的差值处于正常范围时的差值阈值。
在本发明实施例中，采用最小二乘法确定出目标污垢热阻模型后，实时获取锅炉的实际污垢热阻和实际污垢热阻关联的清洗后运行时间，将实际污垢热阻关联的清洗后运行时间输入目标污垢热阻模型计算出对应的理论污垢热阻。如图5所示，纵坐标为污垢热阻，fit指的是理论污垢热阻，data指的是实际污垢热阻，理论污垢热阻与实际污垢热阻之间存在差异，计算理论污垢热阻与实际污垢热阻之间的差值，当任一差值超过预设的热阻差值阈值时，为了进一步适应锅炉实际污垢热阻变化，采用粒子群算法对第一热阻参数作进一步寻优处理。
分别以第一热阻参数A0和B0为中心构建邻域范围[A0-ε,A0+ε]和[B0-ε,B0+ε]，其中，ε为邻域半径，是一个大于0的任意值，设定用于生成粒子初始范围。在邻域范围内随机生成一定数量的初始粒子组成粒子群，初始化粒子群中各初始粒子的速度Vj＝(vAj,vBj)和位置Xj＝(Aj,Bj)，其中，j＝(1,2,L,N)，Aj∈[A0-ε,A0+ε]，Bj∈[B0-ε,B0+ε]，j为第j个初始粒子，N为初始粒子总数，Aj为第一子热阻参数的第j个初始粒子的位置，Bj为第二子热阻参数的第j个初始粒子的位置，Xj为第j个初始粒子的位置，vAj为第一子热阻参数的第j个初始粒子的速度，vBj为第二子热阻参数的第j个初始粒子的速度，Vj为第j个初始粒子的速度。
通过预设的适应度函数评估各初始粒子的适应度，适应度函数设置为由初始粒子计算得到的各个清理论污垢热阻与实际污垢热阻的平方误差和。以迭代过程中粒子群中适应度最小的初始粒子的位置作为全局最优位置，以迭代过程中每个初始粒子计算得到的适应度中最小值对应的位置作为个体历史最优位置。通过计算各初始粒子的第一适应度确定各初始粒子的第一个体最优位置和粒子群的第一全局最优位置，采用第一个体最优位置和第一全局最优位置更新初始粒子的速度和位置，并计算各初始粒子的第二适应度和统计迭代次数。遍历全部第二适应度，确定各初始粒子的第二个体最优位置和粒子群的第二全局最优位置。判断是否达到停止条件，若全部第二适应度未达到预设适应度阈值且迭代次数未达到预设次数阈值，将第二适应度、第二个体最优位置和和第二全局最优位置作为新的第一适应度、新的第一个体最优位置和新的的第一全局最优位置，并跳转执行采用第一个体最优位置和第一全局最优位置更新初始粒子的速度和位置的步骤；若全部第二适应度达到预设适应度阈值或迭代次数达到预设次数阈值，则将第二全局最优位置作为第二热阻参数。
其中，通过粒子群算法对各初始粒子的速度和位置进行迭代更新的过程包括：Vj＝wVj+c1r1(pbestj-Xj)+c2r2(gbest-Xj)；Xj＝Xj+Vj；其中，w为惯性权重，c1为第一学习因子，c2为第二学习因子，r1和r2为分布于[0,1]之间的随机数，pbestj为第j个初始粒子的个体历史最优位置，gbest为全局最优位置。
第二热阻参数包括第三子热阻参数Abest和第四子热阻参数Bbest，采用第三子热阻参数更新第一子热阻参数、采用第四子热阻参数更新第二子热阻参数从而对采用最小二乘法确定的目标污垢热阻模型进行更新，生成新的目标污垢热阻模型具体为：Rf＝Abest(1-exp(-Bbestτ))。若当理论污垢热阻与实际污垢热阻之间的差值再次超过热阻差值阈值时，则以上一轮寻优得到的第三子热阻参数Abest和第四子热阻参数Bbest为中心构建邻域范围，跳转执行基于粒子群算法更新目标污垢热阻模型生成新的目标污垢热阻模型的步骤。
可以理解的是，预设次数阈值指的是最大迭代次数，适应度阈值指的是适应度的目标值。
步骤402、获取锅炉的预测时刻，从预测时刻按照预设时间步长依次采用关联的目标污垢热阻模型进行运算，顺序生成多个仿真污垢热阻。
时间步长，指的是相邻两个预测时刻的单位时长。
在本发明实施例中，获取锅炉的预测时刻后，从预测时刻伊始，按照预设的时间步长构建多个预测时刻，将全部预测时刻依次输入对应的目标污垢热阻模型中进行运算，顺序生成多个对应的仿真污垢热阻。
可以理解的是，由于目标污垢热阻模型基于实际污垢热阻和理论污垢热阻处于实时更新状态，计算多个仿真污垢热阻时根据不同的预测时刻可能会对应更新前后的不同的目标污垢热阻模型。
步骤403、依次将仿真污垢热阻输入锅炉的锅炉仿真回路进行换热仿真，输出对应的多个仿真温度。
在本发明实施例中，将全部仿真热阻依次输入锅炉仿真回路进行换热过程的动态仿真，输出多个对应的仿真温度。
步骤404、对全部仿真温度进行不确定性因素量化，构建状态转移模型。
可选地，步骤404包括以下子步骤：
采用滤波拟合法对全部仿真温度进行数据光滑处理，对应生成多个光滑温度；
分别将各仿真温度与对应的光滑温度进行差值运算，确定多个第一温度差值；
采用全部第一温度差值进行方差运算确定第一方差，并构建满足第一方差的观测高斯不确定性；
对全部光滑温度执行差分操作得到多个差分温度，并采用全部差分温度进行曲线拟合生成差分模型；
分别将各差分温度与通过差分模型对应构建的差分拟合温度进行差值运算，确定多个第二温度差值；
基于全部第二温度差值进行方差运算确定第二方差，并构建满足第二方差的状态高斯不确定性；
根据观测高斯不确定性、差分模型和状态高斯不确定性进行差分建模，生成状态转移模型。
光滑温度，指的是进行数据光滑处理后的仿真温度。
滤波拟合法，指的是Savitzky-Golay算法，其基本方式是在一个滑动窗口内，用一个多项式函数对数据进行拟合，然后用该多项式函数的值来代表窗口中心的数据点，通过这种方式，可以利用多项式函数的平滑性来平滑数据，并且可以根据多项式函数的阶数和窗口大小来控制平滑程度。
观测高斯不确定性，指的是满足均值为0、方差为第一方差的高斯分布的观测不确定性。
状态高斯不确定性，指的是满足均值为0、方差为第二方差的高斯分布的状态不确定性。
在本发明实施例中，采用滤波拟合法对全部仿真温度进行数据光滑处理，消除各个仿真温度中所存在的不确定性因素，得到仍保留仿真温度中主要特征信息的多个光滑温度。如图6所示，将各仿真温度与对应的光滑温度相减得到多个第一温度差值，采用全部第一温度差值进行方差运算确定第一方差后，根据第一方差构建观测高斯不确定性，如图7所示为观测高斯不确定性的概率分布。如图8所示，对具有固定间隔的任意两个相邻时刻的光滑温度进行差分操作，得到具有时变规律的多个差分温度raw data，通过曲线拟合的方式构建对应的差分模型，。采用差分模型计算出各差分温度对应的差分拟合温度fit data，将各差分温度分别与对应的差分拟合温度进行相减确定多个第二温度差值，基于全部第一温度差值进行方差运算确定第二方差后，根据第二方差构建状态高斯不确定性，如图9所示。根据观测高斯不确定性、差分模型和状态高斯不确定性，基于任意两个相邻时刻之间的状态变化量进行近似描述所采用的差分规律进行差分建模，生成状态转移模型。
差分规律具体为：
状态转移模型包括状态模型和观测模型，状态模型具体为：
xt＝f′(xt,t-1)+xt-1+ωt；
观测模型具体为：
yt＝xt+vt；
其中，t为第t个预测时刻，xt为在预测时刻t的仿真温度的状态向量，xt-1为仿真温度在预测时刻t-1的状态向量，f′()为差分模型，ωt为观测高斯不确定性，yt为预测时刻t状态向量下的仿真温度的观测值，vt为状态高斯不确定性。
步骤405、根据状态转移模型和预设的温度失效限值进行多步预测，确定锅炉的失效时刻。
可选地，步骤405包括以下子步骤：
获取状态转移模型对应的先验概率分布和锅炉预设的温度失效限值，并由先验概率分布生成采样粒子集；
根据蒙特卡洛方法采用采样粒子集构建后验概率分布；
对采样粒子集进行权重归一化和粒子重采样，确定目标采样粒子集；
采用目标采样粒子集和后验概率分布进行多步预测，输出预测温度概率分布；
根据温度失效限值和预测温度概率分布计算目标采样粒子集的多个失效概率；
基于全部失效概率进行期望值计算，确定锅炉的失效时刻。
预测温度概率分布，指的是预测的仿真温度多步预测中的概率分布。
失效概率，指的是预测的仿真温度超过温度失效限值的概率。例如，预测时刻t的失效概率可以理解为所有粒子中在t时刻是到达温度失效限值的个数与总数的比值。
在本发明实施例中，粒子滤波算法采用蒙特卡洛方法来模拟实际的概率密度，利用一组粒子集来表示状态的后验概率分布，其中，仿真温度的历史最优状态向量序列可以用表示，仿真温度的历史观测值序列可以用y1:t＝{y1,y2,…,yt,}表示。通过状态转移模型确定对应的先验概率分布/>其中，/>为最优状态向量，y1:t-1为第1个预测时刻到第t-1个预测时刻的仿真温度的观测值。由先验概率分布生成采样粒子集/>其中，k为第k个采样粒子，M为采样粒子总数，/>为采样粒子集的采样粒子，/>为采样粒子的权重。根据蒙特卡洛方法采用采样粒子集构建后验概率分布其中/>其中，y1:t为第1个预测到第t个预测时刻的仿真温度的观测值，δ()为狄拉克函数。
狄拉克函数关系式具体为：
以状态模型定义的状态转移概率密度分布作为重要性分布，采样粒子的权重求取为：其中/>为由观测模型确定的观测过程的似然函数。
对采样粒子集进行权重归一化：
采用重采样的方式缓解粒子滤波中所存在的粒子退化现象：在区间[0,1]取一个随机数u，对采样粒子的权重进行顺序求和，当前D-1个采样粒子的权重和小于u即且前D个采样粒子的权重和大于等于u即/>时，其中D∈[0,N]，将第D个粒子作为重采样后的新采样粒子/>重复N次可得到重采样后的目标采样粒子集并将权重更新为/>/>
采用目标采样粒子集和后验概率分布进行多步预测，输出预测温度概率分布，预测温度概率分布的计算过程具体为：
其中，为p步后的仿真温度的状态向量，/>为p步后的预测温度概率分布，/>代表多步预测流程的状态转移过程。
根据温度失效限值和预测温度概率分布，计算目标采样粒子集对应的多个失效概率，失效概率的计算过程具体为：
其中，pf为失效概率，Ff为温度失效限值。
基于全部失效概率和对应的在多步预测中的各个预测时刻进行期望值计算，将期望值计算结果确定为锅炉的失效时刻。
步骤406、将失效时刻与预测时刻进行差值运算，输出锅炉的剩余可用寿命。
在本发明实施例中，步骤406的具体实施过程与步骤105类似，在此不再赘述。
在本发明实施例中，采用锅炉的历史污垢热阻基于最小二乘法构建目标污垢热阻模型后，基于粒子群算法实时更新目标污垢热阻模型，通过目标污垢热阻模型从预测时刻伊始生成多个仿真污垢热阻，将全部仿真污垢热阻输入锅炉仿真回路得到对应的仿真温度，基于全部仿真温度进行不确定性因素量化并执行差分建模构建状态转移模型，根据状态转移模型和预设的温度失效限值，采用粒子滤波算法进行多步预测确定锅炉的失效时刻，将失效时刻与预测时刻进行差值运算，输出锅炉的剩余可用寿命。整个锅炉结垢故障预测过程中，根据锅炉的实际污垢热阻对目标污垢热阻模型实时更新，并基于差分建模有效量化仿真温度的不确定性后进行多步预测，提高了锅炉结构故障预测的准确性。
请参阅图10，图10为本发明实施例提供的一种锅炉结垢故障预测装置的结构框图。
一种锅炉结垢故障预测装置，包括：
目标污垢热阻模型构建模块1001，用于采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新目标污垢热阻模型；
仿真温度生成模块1002，用于将通过目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度；
状态转移模型构建模块1003，用于对全部仿真温度进行不确定性因素量化，构建状态转移模型；
失效时刻确定模块1004，用于根据状态转移模型和预设的温度失效限值进行多步预测，确定锅炉的失效时刻；
剩余可用寿命输出模块1005，用于将失效时刻与预测时刻进行差值运算，输出锅炉的剩余可用寿命。
可选地，目标污垢热阻模型构建模块1001包括：
第一数据获取单元，用于获取锅炉的历史污垢热阻和初始污垢热阻模型；
第一热阻参数确定单元，用于基于最小二乘法构建关于污垢热阻的损失函数，采用历史污垢热阻对损失函数进行方程求解，确定第一热阻参数；
目标污垢热阻模型生成单元，用于采用第一热阻参数更新初始污垢热阻模型，生成目标污垢热阻模型；
第二数据获取单元，用于实时获取锅炉的实际污垢热阻和实际污垢热阻的清洗后运行时间；
理论污垢热阻计算单元，用于采用清洗后运行时间输入目标污垢热阻模型，求解出对应的理论污垢热阻；
目标污垢热阻模型更新单元，用于当任一理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，基于粒子群算法更新目标污垢热阻模型，生成新的目标污垢热阻模型。
可选地，目标污垢热阻模型更新单元具体用于：
当任一理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，以第一热阻参数为中心构建邻域范围；
在邻域范围内生成粒子群，并初始化粒子中各初始粒子的速度和位置；
通过预设的适应度函数评估各初始粒子的适应度，以粒子群中适应度最小的初始粒子的位置作为全局最优位置，通过粒子群算法对各初始粒子的速度和位置进行迭代更新，将迭代更新至满足迭代停止条件时的全局最优位置作为第二热阻参数；
采用第二热阻参数更新目标污垢热阻模型，生成新的目标污垢热阻模型。
可选地，仿真温度生成模块1002具体用于：
获取锅炉的预测时刻，从预测时刻按照预设时间步长依次采用关联的目标污垢热阻模型进行运算，顺序生成多个仿真污垢热阻；
依次将仿真污垢热阻输入锅炉的锅炉仿真回路进行换热仿真，输出对应的多个仿真温度。
可选地，状态转移模型构建模块1003具体用于：
采用滤波拟合法对全部仿真温度进行数据光滑处理，对应生成多个光滑温度；
分别将各仿真温度与对应的光滑温度进行差值运算，确定多个第一温度差值；
采用全部第一温度差值进行方差运算确定第一方差，并构建满足第一方差的观测高斯不确定性；
对全部光滑温度执行差分操作得到多个差分温度，并采用全部差分温度进行曲线拟合生成差分模型；
分别将各差分温度与通过差分模型对应构建的差分拟合温度进行差值运算，确定多个第二温度差值；
基于全部第二温度差值进行方差运算确定第二方差，并构建满足第二方差的状态高斯不确定性；
根据观测高斯不确定性、差分模型和状态高斯不确定性进行差分建模，生成状态转移模型。
可选地，失效时刻确定模块1004具体用于：
获取状态转移模型对应的先验概率分布和锅炉预设的温度失效限值，并由先验概率分布生成采样粒子集；
根据蒙特卡洛方法采用采样粒子集构建后验概率分布；
对采样粒子集进行权重归一化和粒子重采样，确定目标采样粒子集；
采用目标采样粒子集和后验概率分布进行多步预测，输出预测温度概率分布；
根据温度失效限值和预测温度概率分布计算目标采样粒子集的多个失效概率；
基于全部失效概率进行期望值计算，确定锅炉的失效时刻。
本发明实施例还提供了一种电子设备，包括存储器及处理器，存储器中储存有计算机程序，计算机程序被处理器执行时，使得处理器执行如本发明任一实施例所述的锅炉结垢故障预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如本发明任一实施例所述的锅炉结垢故障预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种锅炉结垢故障预测方法，其特征在于，包括：
采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新所述目标污垢热阻模型；
将通过所述目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度；
对全部所述仿真温度进行不确定性因素量化，构建状态转移模型；
根据所述状态转移模型和预设的温度失效限值进行多步预测，确定所述锅炉的失效时刻；
将所述失效时刻与所述预测时刻进行差值运算，输出所述锅炉的剩余可用寿命。
2.根据权利要求1所述的锅炉结垢故障预测方法，其特征在于，所述采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新所述目标污垢热阻模型的步骤，包括：
获取锅炉的历史污垢热阻和初始污垢热阻模型；
基于最小二乘法构建关于污垢热阻的损失函数，采用所述历史污垢热阻对所述损失函数进行方程求解，确定第一热阻参数；
采用所述第一热阻参数更新所述初始污垢热阻模型，生成目标污垢热阻模型；
实时获取锅炉的实际污垢热阻和所述实际污垢热阻的清洗后运行时间；
采用所述清洗后运行时间输入所述目标污垢热阻模型，求解出对应的理论污垢热阻；
当任一所述理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，基于粒子群算法更新所述目标污垢热阻模型，生成新的目标污垢热阻模型。
3.根据权利要求2所述的锅炉结垢故障预测方法，其特征在于，所述当任一所述理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，基于粒子群算法更新所述目标污垢热阻模型，生成新的目标污垢热阻模型的步骤，包括：
当任一所述理论污垢热阻与对应的实际污垢热阻之间的热阻差值超过预设热阻差值阈值时，以所述第一热阻参数为中心构建邻域范围；
在所述邻域范围内生成粒子群，并初始化所述粒子中各初始粒子的速度和位置；
通过预设的适应度函数评估各所述初始粒子的适应度，以所述粒子群中适应度最小的初始粒子的位置作为全局最优位置，通过粒子群算法对各所述初始粒子的速度和位置进行迭代更新，将迭代更新至满足迭代停止条件时的全局最优位置作为第二热阻参数；
采用所述第二热阻参数更新目标污垢热阻模型，生成新的目标污垢热阻模型。
4.根据权利要求1所述的锅炉结垢故障预测方法，其特征在于，所述将通过所述目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度的步骤，包括：
获取所述锅炉的预测时刻，从所述预测时刻按照预设时间步长依次采用关联的目标污垢热阻模型进行运算，顺序生成多个仿真污垢热阻；
依次将所述仿真污垢热阻输入所述锅炉的锅炉仿真回路进行换热仿真，输出对应的多个仿真温度。
5.根据权利要求1所述的锅炉结垢故障预测方法，其特征在于，所述对全部所述仿真温度进行不确定性因素量化，构建状态转移模型的步骤，包括：
采用滤波拟合法对全部所述仿真温度进行数据光滑处理，对应生成多个光滑温度；
分别将各所述仿真温度与对应的光滑温度进行差值运算，确定多个第一温度差值；
采用全部所述第一温度差值进行方差运算确定第一方差，并构建满足第一方差的观测高斯不确定性；
对全部所述光滑温度执行差分操作得到多个差分温度，并采用全部所述差分温度进行曲线拟合生成差分模型；
分别将各所述差分温度与通过所述差分模型对应构建的差分拟合温度进行差值运算，确定多个第二温度差值；
基于全部所述第二温度差值进行方差运算确定第二方差，并构建满足第二方差的状态高斯不确定性；
根据所述观测高斯不确定性、所述差分模型和所述状态高斯不确定性进行差分建模，生成状态转移模型。
6.根据权利要求1所述的锅炉结垢故障预测方法，其特征在于，所述根据所述状态转移模型和预设的温度失效限值进行多步预测，确定所述锅炉的失效时刻的步骤，包括：
获取所述状态转移模型对应的先验概率分布和所述锅炉预设的温度失效限值，并由所述先验概率分布生成采样粒子集；
根据蒙特卡洛方法采用所述采样粒子集构建后验概率分布；
对所述采样粒子集进行权重归一化和粒子重采样，确定目标采样粒子集；
采用所述目标采样粒子集和所述后验概率分布进行多步预测，输出预测温度概率分布；
根据所述温度失效限值和所述预测温度概率分布计算所述目标采样粒子集的多个失效概率；
基于全部所述失效概率进行期望值计算，确定所述锅炉的失效时刻。
7.一种锅炉结垢故障预测装置，其特征在于，包括：
目标污垢热阻模型构建模块，用于采用锅炉的历史污垢热阻和初始污垢热阻模型按照最小二乘法构建目标污垢热阻模型，并基于粒子群算法实时更新所述目标污垢热阻模型；
仿真温度生成模块，用于将通过所述目标污垢热阻模型生成的预测时刻关联的多个仿真污垢热阻输入锅炉仿真回路，确定多个仿真温度；
状态转移模型构建模块，用于对全部所述仿真温度进行不确定性因素量化，构建状态转移模型；
失效时刻确定模块，用于根据所述状态转移模型和预设的温度失效限值进行多步预测，确定所述锅炉的失效时刻；
剩余可用寿命输出模块，用于将所述失效时刻与所述预测时刻进行差值运算，输出所述锅炉的剩余可用寿命。
8.根据权利要求7所述的锅炉结垢故障预测装置，其特征在于，所述仿真温度生成模块具体用于：
获取所述锅炉的预测时刻，从所述预测时刻按照预设时间步长依次采用关联的目标污垢热阻模型进行运算，顺序生成多个仿真污垢热阻；
依次将所述仿真污垢热阻输入所述锅炉的锅炉仿真回路进行换热仿真，输出对应的多个仿真温度。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任一项所述的锅炉结垢故障预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-6任一项所述的锅炉结垢故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310854521.2A CN116738862B (zh) | 2023-07-12 | 2023-07-12 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310854521.2A CN116738862B (zh) | 2023-07-12 | 2023-07-12 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116738862A true CN116738862A (zh) | 2023-09-12 |
| CN116738862B CN116738862B (zh) | 2024-05-31 |
Family
ID=87901190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310854521.2A Active CN116738862B (zh) | 2023-07-12 | 2023-07-12 | 一种锅炉结垢故障预测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738862B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272844A (zh) * | 2023-11-22 | 2023-12-22 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133460A (zh) * | 2017-04-26 | 2017-09-05 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种锅炉飞灰含碳量在线动态预测方法 |
| US20200191380A1 (en) * | 2018-12-17 | 2020-06-18 | Doosan Heavy Industries & Construction Co., Ltd. | System and method for configuring boiler combustion model |
| CN112487694A (zh) * | 2020-11-29 | 2021-03-12 | 西北工业大学 | 一种基于多退化指标的复杂设备剩余寿命预测方法 |
| CN113011010A (zh) * | 2021-03-01 | 2021-06-22 | 常州英集动力科技有限公司 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断*** |
| CN114154419A (zh) * | 2021-12-06 | 2022-03-08 | 华润电力技术研究院有限公司 | 一种锅炉最优氧量预测方法及其*** |
| CN114429003A (zh) * | 2021-12-15 | 2022-05-03 | 国家能源集团新能源技术研究院有限公司 | 锅炉四管寿命预测方法的*** |
| CN114912697A (zh) * | 2022-05-26 | 2022-08-16 | 南方电网电力科技股份有限公司 | 一种基于pso算法的锅炉结渣程度预测方法及相关装置 |
| CN115291513A (zh) * | 2022-07-15 | 2022-11-04 | 国网河北能源技术服务有限公司 | 锅炉再热蒸汽温度预测方法、装置、终端设备及存储介质 |
| CN116046659A (zh) * | 2023-01-28 | 2023-05-02 | 山东蓝想环境科技股份有限公司 | 一种新型智能监测换热器及其状态监测方法 |
-
2023
- 2023-07-12 CN CN202310854521.2A patent/CN116738862B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133460A (zh) * | 2017-04-26 | 2017-09-05 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种锅炉飞灰含碳量在线动态预测方法 |
| US20200191380A1 (en) * | 2018-12-17 | 2020-06-18 | Doosan Heavy Industries & Construction Co., Ltd. | System and method for configuring boiler combustion model |
| CN112487694A (zh) * | 2020-11-29 | 2021-03-12 | 西北工业大学 | 一种基于多退化指标的复杂设备剩余寿命预测方法 |
| CN113011010A (zh) * | 2021-03-01 | 2021-06-22 | 常州英集动力科技有限公司 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断*** |
| CN114154419A (zh) * | 2021-12-06 | 2022-03-08 | 华润电力技术研究院有限公司 | 一种锅炉最优氧量预测方法及其*** |
| CN114429003A (zh) * | 2021-12-15 | 2022-05-03 | 国家能源集团新能源技术研究院有限公司 | 锅炉四管寿命预测方法的*** |
| CN114912697A (zh) * | 2022-05-26 | 2022-08-16 | 南方电网电力科技股份有限公司 | 一种基于pso算法的锅炉结渣程度预测方法及相关装置 |
| CN115291513A (zh) * | 2022-07-15 | 2022-11-04 | 国网河北能源技术服务有限公司 | 锅炉再热蒸汽温度预测方法、装置、终端设备及存储介质 |
| CN116046659A (zh) * | 2023-01-28 | 2023-05-02 | 山东蓝想环境科技股份有限公司 | 一种新型智能监测换热器及其状态监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| ZHANG, YIZHUO: "Optimization of Coal-fired Boiler on LS-SVM Model and PSO Algorithms", PROCEEDINGS OF THE 2015 6TH INTERNATIONAL CONFERENCE ON MANUFACTURING SCIENCE AND ENGINEERING, vol. 32, 14 December 2016 (2016-12-14), pages 329 - 334 * |
| 冯殿义;范佳;孙守仁;: "废热锅炉污垢热阻实时预测研究", 热能动力工程, no. 02, 20 March 2009 (2009-03-20), pages 196 - 199 * |
| 刘飞明;张雨飞;: "采用改进混沌粒子群算法的锅炉NO_x排放的LSSVM回归建模", 工业控制计算机, no. 01, 25 January 2017 (2017-01-25), pages 75 - 76 * |
| 李德波等: "改进粒子群算法在燃煤电厂中的应用现状及展望", 环境工程, vol. 41, no. 01, 30 May 2023 (2023-05-30), pages 354 - 362 * |
| 谢吉伟;刘君强;王小磊;: "应用交互式多模型算法的设备剩余寿命预测", 空军工程大学学报(自然科学版), no. 02, 25 April 2016 (2016-04-25), pages 98 - 102 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272844A (zh) * | 2023-11-22 | 2023-12-22 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
| CN117272844B (zh) * | 2023-11-22 | 2024-04-09 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116738862B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116738862B (zh) | 一种锅炉结垢故障预测方法、装置、设备和介质 | |
| CN109376401B (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
| CN114492675B (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
| CN112818595A (zh) | 一种火电厂蒸发区的数字孪生模型数据的修正方法及*** | |
| CN111461551B (zh) | 一种基于深度学习和spc准则的电潜泵故障预警方法 | |
| US20150269293A1 (en) | Diagnostic model generating apparatus and method, and abnormality diagnostic apparatus | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN112116069A (zh) | 一种基于Attention-LSTM的强化学习Agent知识推理方法 | |
| CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
| CN116048028A (zh) | 一种基于强化学习的工艺参数优化方法 | |
| CN108492026B (zh) | 一种基于集成正交成分最优化回归分析的软测量方法 | |
| CN114896712A (zh) | 基于基准贝叶斯原理与稀疏正则化的结构损伤识别方法 | |
| CN115421216A (zh) | 一种基于stl-arima-nar混合模型的中长期月降雨预报方法 | |
| CN114429003A (zh) | 锅炉四管寿命预测方法的*** | |
| CN109242142B (zh) | 一种面向基础设施网的时空预测模型参数优化方法 | |
| JP5582487B2 (ja) | プロセスの状態予測方法 | |
| JP4498666B2 (ja) | 予測装置、予測プログラム、および記録媒体 | |
| CN107688862A (zh) | 基于ba‑grnn的绝缘子等值盐密积累速率预测方法 | |
| CN114648178B (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
| CN116433219A (zh) | 一种工装更换策略动态搜索方法 | |
| CN113743022B (zh) | 一种高精度气候变化数据的存储和可视化方法 | |
| CN115481554A (zh) | ***熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法 | |
| CN114707664A (zh) | 一种基于图演化博弈模型的案件规模预测方法及*** | |
| CN113884936A (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
| JP4461245B2 (ja) | 株価変動数値解析装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |