CN117113108A - 一种基于数据融合的电厂锅炉运行故障调节方法及*** - Google Patents
一种基于数据融合的电厂锅炉运行故障调节方法及*** Download PDFInfo
- Publication number
- CN117113108A CN117113108A CN202310892769.8A CN202310892769A CN117113108A CN 117113108 A CN117113108 A CN 117113108A CN 202310892769 A CN202310892769 A CN 202310892769A CN 117113108 A CN117113108 A CN 117113108A
- Authority
- CN
- China
- Prior art keywords
- fault
- boiler
- time
- power plant
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims description 52
- 238000010223 real-time analysis Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 3
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及设备智能监测技术领域,提供了一种基于数据融合的电厂锅炉运行故障调节方法及***,包括:采集锅炉运行故障记录;基于预定聚类方案得到样本聚类结果;提取样本聚类结果中的第一故障样本集;对第一故障样本集进行分析,组建电厂锅炉故障数据库,并存储至锅炉故障识别模型;基于预定故障类型监测得到目标实时运行参数;通过锅炉故障识别模型对目标实时运行参数进行动态分析,得到目标实时故障识别结果;若所述目标实时故障识别结果显示所述目标锅炉存在故障,发出第一预警指令,并进行故障调节。能够解决现有技术中存在锅炉故障识别准确率和及时性较低的技术问题,可以及时发现锅炉故障问题,提高锅炉故障识别的准确率。
Description
技术领域
本申请涉及设备智能监测技术领域,具体涉及一种基于数据融合的电厂锅炉运行故障调节方法及***。
背景技术
电厂锅炉是指发电厂中向汽轮机提供规定数量和质量蒸汽的中大型锅炉,是火力发电厂的主要热力设备之一,电厂锅炉的稳定运行是保障供电稳定性的重要基础。电厂锅炉在运行过程中经常会遇到各种各样的故障问题,对锅炉的稳定运行造成了严重影响。
传统的锅炉故障识别方法通常是通过锅炉外在异常特征对锅炉运行故障进行识别,由于电厂锅炉结构复杂,内部零部件种类较多,这种方法并不能及时准确地发现锅炉故障问题,对电厂锅炉的运行稳定性造成了很大影响。
综上所述,现有技术中存在锅炉故障识别准确率和及时性较低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种基于数据融合的电厂锅炉运行故障调节方法及***。
一种基于数据融合的电厂锅炉运行故障调节方法,包括:采集历史电厂锅炉运行故障记录,其中,所述历史电厂锅炉运行故障记录包括多个具备故障特征标识的电厂锅炉样本;读取预定聚类方案,并基于所述预定聚类方案对所述多个具备故障特征标识的电厂锅炉样本进行聚类,得到样本聚类结果;提取所述样本聚类结果中的第一聚类簇,其中,所述第一聚类簇是指具备第一故障特征标识的第一故障样本集;对具备所述第一故障特征标识的所述第一故障样本集进行分析,组建电厂锅炉故障数据库,并存储至锅炉故障识别模型;读取预定故障类型,并基于所述预定故障类型监测得到目标锅炉的目标实时运行参数;通过所述锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,得到目标实时故障识别结果;若所述目标实时故障识别结果显示所述目标锅炉存在故障,发出第一预警指令,并基于所述第一预警指令进行故障调节。
一种基于数据融合的电厂锅炉运行故障调节***,包括:
锅炉运行故障记录采集模块,所述锅炉运行故障记录采集模块用于采集历史电厂锅炉运行故障记录,其中,所述历史电厂锅炉运行故障记录包括多个具备故障特征标识的电厂锅炉样本;
样本聚类结果获得模块,所述样本聚类结果获得模块用于读取预定聚类方案,并基于所述预定聚类方案对所述多个具备故障特征标识的电厂锅炉样本进行聚类,得到样本聚类结果;
第一聚类簇提取模块,所述第一聚类簇提取模块用于提取所述样本聚类结果中的第一聚类簇,其中,所述第一聚类簇是指具备第一故障特征标识的第一故障样本集;
锅炉数据库组件模块,所述锅炉数据库组件模块用于对具备所述第一故障特征标识的所述第一故障样本集进行分析,组建电厂锅炉故障数据库,并存储至锅炉故障识别模型;
目标实时运行参数获得模块,所述目标实时运行参数获得模块用于读取预定故障类型,并基于所述预定故障类型监测得到目标锅炉的目标实时运行参数;
目标实时故障识别结果得到模块,所述目标实时故障识别结果得到模块用于通过所述锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,得到目标实时故障识别结果;
第一预警指令发出模块,所述第一预警指令发出模块用于若所述目标实时故障识别结果显示所述目标锅炉存在故障,发出第一预警指令,并基于所述第一预警指令进行故障调节。
上述一种基于数据融合的电厂锅炉运行故障调节方法及***,能够解决现有技术中存在锅炉故障识别准确率和及时性较低的技术问题,首先对电厂锅炉运行的历史故障记录进行采集,其中包括多个具备故障特征标识的电厂锅炉样本;基于锅炉运行故障类型设置预定聚类方案,并根据预定聚类方案对多个具备故障特征标识的电厂锅炉样本进行聚类,获得样本聚类结果;依次对样本聚类结果中的多个聚类簇进行分析,所述聚类簇是指具备故障特征标识的故障样本集,组件电厂锅炉故障数据库,并将所述电厂锅炉故障数据库存储至锅炉故障识别模型;设置预定故障类型,根据所述预定故障类型对目标锅炉进行监测,获得目标实时运行参数;通过锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,得到目标实时故障识别结果;当目标实时故障识别结果显示目标锅炉存在故障时,则发出第一预警指令,并根据所述第一预警指令对目标锅炉进行故障调节。可以及时发现锅炉故障问题,提高锅炉故障识别的准确率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种基于数据融合的电厂锅炉运行故障调节方法的流程示意图;
图2为本申请提供了一种基于数据融合的电厂锅炉运行故障调节方法中基于第二预警指令进行故障调节的流程示意图;
图3为本申请提供了一种基于数据融合的电厂锅炉运行故障调节方法中得到目标实时故障预测结果的流程示意图;
图4为本申请提供了一种基于数据融合的电厂锅炉运行故障调节***的结构示意图。
附图标记说明:锅炉运行故障记录采集模块1、样本聚类结果获得模块2、第一聚类簇提取模块3、锅炉数据库组件模块4、目标实时运行参数获得模块5、目标实时故障识别结果得到模块6、第一预警指令发出模块7。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种基于数据融合的电厂锅炉运行故障调节方法,包括:
步骤S100:采集历史电厂锅炉运行故障记录,其中,所述历史电厂锅炉运行故障记录包括多个具备故障特征标识的电厂锅炉样本;
具体而言,本申请提供的方法用于对电厂锅炉运行故障进行智能监测和故障预警,并根据故障预警结果对目标锅炉进行故障调节,从而提高锅炉故障识别的准确率和及时性。
首先,读取电厂锅炉的运行日志信息,所述电厂锅炉是指待进行运行故障调节的目标电厂锅炉,所述运行日志信息是指所述电厂锅炉历史工作过程中的运行记录数据。基于所述运行日志信息对电厂锅炉的历史运行故障记录进行采集,获得历史电厂锅炉运行故障记录,其中所述历史锅炉运行故障记录包括多个具备故障特征标识的电厂锅炉样本,所述故障特征标识是指电厂锅炉所出现的历史故障现象和历史故障现象对应的历史故障运行参数,所述历史故障现象包括给水流量大于蒸汽流量、暖风器有泄漏声或有明显的水汽冒出、照明忽明忽暗甚至熄灭、电流摆动过大超过额定值等现象。所述历史故障运行参数包括压力参数、蒸汽量参数、温度参数等多个故障参数。通过获得历史电厂锅炉运行故障记录,为下一步组建电厂锅炉故障数据库提供了原始数据支持。
步骤S200:读取预定聚类方案,并基于所述预定聚类方案对所述多个具备故障特征标识的电厂锅炉样本进行聚类,得到样本聚类结果;
具体而言,获取预定聚类方案,所述预定聚类方案是指所述电厂锅炉的故障类型,例如:锅炉满水、空气暖风机损坏、炉膛倒塌及裂纹、风机故障、***震荡、负荷骤减、锅炉结焦、蒸汽及给水管道损坏、过热器管损坏、省煤器损坏、水冷壁损坏等多个故障类型。根据所述预定聚类方案对多个具备故障特征标识的电厂锅炉样本进行聚类,所述聚类是指根据故障类型对电厂锅炉样本进行划分,将同一种锅炉故障类型对应的多个故障特征标识的电厂锅炉样本聚合为一类,例如:当电厂锅炉故障类型为锅炉满水时,所具备的故障特征标识包括汽包水位超过规定的最高水位、蒸汽含盐量增大、热工信号发出水位高信号且响铃、过热蒸汽温度下降、给水流量不正常大于蒸汽流量等多个故障现象,获得样本聚类结果,所述样本聚类结果包括多个故障类型和多个故障类型对应的故障现象以及历史故障运行参数。通过根据预定聚类方案对电厂锅炉样本进行聚类,为下一步构建电厂锅炉故障数据库提供了支持。
步骤S300:提取所述样本聚类结果中的第一聚类簇,其中,所述第一聚类簇是指具备第一故障特征标识的第一故障样本集;
步骤S400:对具备所述第一故障特征标识的所述第一故障样本集进行分析,组建电厂锅炉故障数据库,并存储至锅炉故障识别模型;
具体而言,对所述样本聚类结果中的第一聚类簇进行提取,所述第一聚类簇是指所述样本聚类结果中任意一个聚类簇,所述第一聚类簇是指具备第一故障特征标识的第一故障样本集,其中所述聚类簇与电厂锅炉故障类型具有对应关系。然后对所述样本聚类结果中的多个聚类簇依次进行提取,获得多个聚类簇,所述聚类簇中包括多个故障现象和对应的多个历史故障运行参数。构建电厂锅炉故障数据库,并将多个所述聚类簇依次存储于所述电厂锅炉故障数据库中,构建锅炉故障识别模型,所述锅炉故障识别模型包括数据存储单元、实时分析单元和实时预测单元,最后将所述电厂锅炉故障数据库存储进锅炉故障识别模型的数据存储单元之中。通过基于历史电厂锅炉运行故障记录构建电厂锅炉故障数据库,为下一步进行电厂锅炉故障识别提供了支持,可以提高电厂锅炉故障识别的效率和准确率。
步骤S500:读取预定故障类型,并基于所述预定故障类型监测得到目标锅炉的目标实时运行参数;
在一个实施例中,本申请步骤S500还包括:
步骤S510:所述预定故障类型是指电厂锅炉故障类型组中的任意一种锅炉故障类型,其中,所述电厂锅炉故障类型组包括汽包水位异常故障、蒸汽压力异常故障、温度异常故障。
具体而言,读取预定故障类型,所述预定故障类型是指电厂锅炉故障类型组中的任意一种锅炉故障类型,所述电厂锅炉故障类型组在本申请中包括汽包水位异常故障、蒸汽压力异常故障、温度异常故障,此外,本领域技术人员可基于电厂锅炉运行实际情况对电厂锅炉故障类型组进行自定义设置,例如:可增加炉膛压力异常故障、给水压力异常故障、给水温度异常故障等。
根据所述预定故障类型对目标锅炉的运行参数进行监测和运行参数采集,获得目标实时运行参数,通过获得目标实时运行数据,为下一步对所述目标锅炉进行预定故障类型的故障识别提供了支持。
步骤S600:通过所述锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,得到目标实时故障识别结果;
在一个实施例中,本申请步骤S600还包括:
步骤S610:所述实时分析单元中存储有所述预定故障指标集中各指标的标准阈值范围。
具体而言,基于电厂锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,其中所述实时分析单元中存储有所述预定故障指标集中各指标的标准阈值范围,所述动态分析是指根据各指标的标准阈值范围对所述目标实时运行参数中各指标的实际运行参数依次进行判断,当所述目标实时运行参数中的任意一个指标参数不满足对应的指标标准阈值范围时,则将所述指标标记为异常指标参数,获得多个指标判断结果,并根据多个指标判断结果生成目标实时故障识别结果。例如:当多个指标判断结果中蒸汽压力指标不满足蒸汽压力标准阈值时,则目标实时故障识别结果为蒸汽压力故障;当多个指标判断结果中多个指标均满足标准阈值范围时,则所述目标故障识别结果为目标电厂锅炉运行正常。通过锅炉故障识别模型中的实时分析单元对目标实时运行参数进行运行参数判断,并根据判断结果获得目标实时故障识别结果,可以提高目标实时故障识别结果获得的准确率,同时为下一步进行电厂锅炉故障调节提供了支持。
步骤S700:若所述目标实时故障识别结果显示所述目标锅炉存在故障,发出第一预警指令,并基于所述第一预警指令进行故障调节。
具体而言,当所述目标实时故障识别结果中显示目标锅炉存在运行故障时,生成第一预警指令,所述第一预警指令中包括故障类型,并将所述第一预警指令发送给所述目标电厂锅炉的运行负责人。最后根据所述第一预警指令对所述目标锅炉进行故障维修。通过上述方法解决了现有技术中存在锅炉故障识别准确率和及时性较低的技术问题,可以及时发现锅炉故障问题,提高锅炉故障识别的准确率。
如图2所示,在一个实施例中,本申请步骤S700还包括:
步骤S710:若所述目标实时故障识别结果显示所述目标锅炉不存在故障,发出第一预测指令;
步骤S720:根据所述第一预测指令,通过所述锅炉故障识别模型中的实时预测单元对所述目标实时运行参数进行预测分析,得到目标实时故障预测结果;
如图3所示,在一个实施例中,本申请步骤S720还包括:
步骤S721:在所述样本聚类结果中匹配所述预定故障类型的聚类簇,记作预定聚类簇,其中,所述预定聚类簇是指具备预定故障特征标识的预定故障样本集;
步骤S722:其中,所述预定故障特征标识包括预定故障指标集、预定故障诊断时间和所述预定故障类型;
具体而言,当所述目标实时故障识别结果为目标电厂锅炉运行正常,不存在运行故障时,则生成第一预测指令,所述第一预测指令用于对目标锅炉后续可能发生的故障问题进行预测。然后根据所述第一预测指令,通过所述锅炉故障识别模型中的实时预测单元对目标实时运行参数进行预测分析,所述实时预测单元是集成了神经网络、支持向量机等不同原理的模型的集成融合模型,通过构建所述实时预测单元,可以提高目标实时故障预测结果获得的效率和准确率。首先根据所述预定故障类型在所述样本聚类结果中匹配聚类簇,将所述样本聚类结果中聚类簇故障类型为汽包水位异常故障、蒸汽压力异常故障、温度异常故障的聚类簇标记为预定聚类簇,所述预定聚类簇是指具备预定故障特征标识的预定故障样本集,其中所述预定故障特征标识包括预定故障指标集、预定故障诊断时间和所述预定故障类型,所述预定故障指标集是指预定故障对应的指标参数,所述预定故障诊断时间是指所述预定故障的历史诊断时间,例如:目标工厂锅炉在第一时间已经发生故障,此时通过***采集目标锅炉的实时运行参数,对实时运行参数进行参数判断,并根据参数判断结果识别锅炉故障这一系列的流程需要10秒钟时间,则将这段时间作为目标锅炉的诊断时间。
步骤S723:分析具备所述预定故障特征标识的所述预定故障样本集,得到预定诊断周期,并将所述预定诊断周期添加至所述实时预测单元;
在一个实施例中,本申请步骤S723还包括:
步骤S7231:依次提取所述预定故障样本集中的第一样本和第二样本;
步骤S7232:结合所述预定故障诊断时间分别匹配所述第一样本的第一样本故障诊断时间和所述第二样本的第二样本故障诊断时间;
步骤S7233:基于所述第一样本故障诊断时间和所述第二样本故障诊断时间,计算得到所述预定诊断周期。
具体而言,对所述预定故障样本集中的第一样本和第二样本依次进行提取不放回,所述第一样本为所述预定故障样本集中的任意一个故障样本,所述第二样本为所述预定故障样本集中除所述第一样本之外的任意一个样本,根据所述预定故障诊断时间对所述第一样本和所述第二样本匹配故障诊断时间,获得第一样本故障诊断时间和第二样本故障诊断时间,然后再次从所述预定故障样本集中再次提取第三样本和第四样本,不断进行样本提取,直到所述预定故障样本集中的样本提取完毕,获得样本故障诊断时间集合。
然后将所述样本故障诊断时间集合中时间最大值和时间最小值进行剔除,并对剔除后的样本故障诊断时间集合求平均值,将样本故障诊断时间均值作为预定诊断周期。然后将所述预定诊断周期添加进所述实时预测单元中,并根据所述预定诊断周期对目标电厂锅炉的运行故障进行预测,例如:当所述预定故障诊断周期为10秒时,可提前10秒对目标电厂锅炉进行该故障的预测。通过样本故障诊断时间进行均值计算获得预定诊断周期,可以提高预定诊断周期获得的准确率。通过获得所述预定诊断周期,可以根据预定诊断周期提前对目标电厂锅炉对应的预定故障进行预测,从而提高锅炉运行故障发现的及时性。
步骤S724:通过所述实时预测单元对所述目标实时运行参数进行预测分析,得到所述目标实时故障预测结果。
在一个实施例中,本申请步骤S724还包括:
步骤S7241:组建锅炉运行候选指标集,并筛选得到锅炉运行目标指标集;
在一个实施例中,本申请步骤S7241还包括:
步骤S72411:所述锅炉运行候选指标集包括循环方式、过热蒸汽流量、再热蒸汽流量、过热蒸汽压力、再热蒸汽压力、过热蒸汽温度、再热蒸汽温度、给水温度、燃煤量、燃烧方式。
步骤S7242:其中,所述锅炉运行目标指标集包括多个独立运行指标;
具体而言,组建锅炉运行候选指标集,所述锅炉运行候选指标集包括循环方式、过热蒸汽流量、再热蒸汽流量、过热蒸汽压力、再热蒸汽压力、过热蒸汽温度、再热蒸汽温度、给水温度、燃煤量、燃烧方式。对所述锅炉运行候选指标集进行筛选,即将所述锅炉运行候选指标集中相互独立、不和其他运行指标耦合的独立指标进行提取,获得锅炉运行目标指标集,其中所述锅炉运行目标指标集包括多个独立运行指标。通过获得所述锅炉运行目标指标集,为下一步获得预定历史运行参数提供了筛选依据,可以提高预定历史运行参数获得的准确率。
步骤S7243:提取所述预定聚类簇中的第一预定历史样本,并获取所述第一预定历史样本的第一预定历史运行参数集;
步骤S7244:对所述第一预定历史运行参数集和所述预定故障类型进行相关性分析,并根据相关性分析结果确定所述预定故障指标集;
步骤S7245:基于所述预定故障指标集对所述目标锅炉进行动态监测,得到所述目标实时运行参数。
具体而言,对所述预定聚类簇中的第一预定历史样本进行提取,所述第一预定历史样本为所述预定聚类簇中的任意一个预定历史样本。对所述第一预定历史样本的历史运行参数集进行提取,并根据所述锅炉运行目标指标集对历史运行参数提取结果进行筛选,将满足所述锅炉运行目标指标集的历史运行参数作为第一预定历史运行参数。然后对所述第一预定历史运行参数集和所述预定故障类型进行相关性分析,所述相关性分析是指判断所述第一预定历史运行参数集中各运行参数与所述预定故障类型的关联程度,所述关联程度用关联系数表示,其中所述关联程度越大,则两者之间的关联系数越大,获得第一相关性分析结果,所述第一相关性分析结果中包括第一相关系数。
然后依次对所述预定聚类簇中的预定历史样本进行提取,获得多个预定历史样本和对应的多个相关系数,预设相关性判断阈值,所述相关性判断阈值本领域技术人员可基于实际情况自定义设置,例如:相关系数大于8。根据所述相关性判断阈值对所述预定历史运行参数集进行筛选,将大于所述相关性判断阈值的预定历史运行参数集对应的指标作为预定故障指标,获得预定故障指标集。然后根据所述预定故障指标集对目标电厂锅炉的运行参数进行监测,获得目标实时运行参数。
最后通过所述实时预测单元对所述目标实时运行参数进行预测分析,所述预测分析是指根据所述预定诊断周期对所述目标实时运行参数进行故障预测,即根据所述目标实时运行参数判断所述目标电厂锅炉在所述预定周期内是否会发生故障。获得目标实时故障预测结果。通过根据所述预定故障周期限定具体故障预测阶段,即预测所述预定故障周期内是否会发生该故障,而不是预测未来半小时或者自定义时间段内目标电厂锅炉是否会发生故障,从而可以提高预测精度和预测结果的有效性。
步骤S730:若所述目标实时故障预测结果显示所述目标锅炉存在故障,发出第二预警指令,并基于所述第二预警指令进行故障调节。
具体而言,当所述目标实时故障预测结果中显示所述目标锅炉在所述预定周期内存在锅炉运行故障时,则生成第二预警指令,所述第二预警指令中包括预定故障类型,并将所述第二预警指令发送给目标锅炉运行负责人,根据所述第二预警指令对所述目标电厂锅炉进行故障维修和调节。通过生成第二预警指令对所述目标锅炉进行故障调节,可以提高目标电厂锅炉故障发现的及时性,从而对运行故障隐患进行及时处理,保证目标电厂锅炉运行的稳定性。
在一个实施例中,如图4所示提供了一种基于数据融合的电厂锅炉运行故障调节***,包括:锅炉运行故障记录采集模块1、样本聚类结果获得模块2、第一聚类簇提取模块3、锅炉数据库组件模块4、目标实时运行参数获得模块5、目标实时故障识别结果得到模块6、第一预警指令发出模块7、其中:
锅炉运行故障记录采集模块1,所述锅炉运行故障记录采集模块1用于采集历史电厂锅炉运行故障记录,其中,所述历史电厂锅炉运行故障记录包括多个具备故障特征标识的电厂锅炉样本;
样本聚类结果获得模块2,所述样本聚类结果获得模块2用于读取预定聚类方案,并基于所述预定聚类方案对所述多个具备故障特征标识的电厂锅炉样本进行聚类,得到样本聚类结果;
第一聚类簇提取模块3,所述第一聚类簇提取模块3用于提取所述样本聚类结果中的第一聚类簇,其中,所述第一聚类簇是指具备第一故障特征标识的第一故障样本集;
锅炉数据库组件模块4,所述锅炉数据库组件模块4用于对具备所述第一故障特征标识的所述第一故障样本集进行分析,组建电厂锅炉故障数据库,并存储至锅炉故障识别模型;
目标实时运行参数获得模块5,所述目标实时运行参数获得模块5用于读取预定故障类型,并基于所述预定故障类型监测得到目标锅炉的目标实时运行参数;
目标实时故障识别结果得到模块6,所述目标实时故障识别结果得到模块6用于通过所述锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,得到目标实时故障识别结果;
第一预警指令发出模块7,所述第一预警指令发出模块7用于若所述目标实时故障识别结果显示所述目标锅炉存在故障,发出第一预警指令,并基于所述第一预警指令进行故障调节。
在一个实施例中,所述***还包括:
第一预测指令发出模块,所述第一预测指令发出模块用于若所述目标实时故障识别结果显示所述目标锅炉不存在故障,发出第一预测指令;
预测分析模块,所述预测分析模块用于根据所述第一预测指令,通过所述锅炉故障识别模型中的实时预测单元对所述目标实时运行参数进行预测分析,得到目标实时故障预测结果;
第二预警指令发出模块,所述第二预警指令发出模块用于若所述目标实时故障预测结果显示所述目标锅炉存在故障,发出第二预警指令,并基于所述第二预警指令进行故障调节。
在一个实施例中,所述***还包括:
预定聚类簇获得模块,所述预定聚类簇获得模块用于在所述样本聚类结果中匹配所述预定故障类型的聚类簇,记作预定聚类簇,其中,所述预定聚类簇是指具备预定故障特征标识的预定故障样本集;
预定故障特征标识模块,所述预定故障特征标识模块是指其中,所述预定故障特征标识包括预定故障指标集、预定故障诊断时间和所述预定故障类型;
预定诊断周期得到模块,所述预定诊断周期得到模块用于分析具备所述预定故障特征标识的所述预定故障样本集,得到预定诊断周期,并将所述预定诊断周期添加至所述实时预测单元;
预测分析模块,所述预测分析模块用于通过所述实时预测单元对所述目标实时运行参数进行预测分析,得到所述目标实时故障预测结果。
在一个实施例中,所述***还包括:
样本提取模块,所述样本提取模块用于依次提取所述预定故障样本集中的第一样本和第二样本;
故障诊断时间匹配模块,所述故障诊断时间匹配模块用于结合所述预定故障诊断时间分别匹配所述第一样本的第一样本故障诊断时间和所述第二样本的第二样本故障诊断时间;
预定诊断周期获得模块,所述预定诊断周期获得模块用于基于所述第一样本故障诊断时间和所述第二样本故障诊断时间,计算得到所述预定诊断周期。
在一个实施例中,所述***还包括:
运行目标指标集得到模块,所述运行目标指标集得到模块用于组建锅炉运行候选指标集,并筛选得到锅炉运行目标指标集;
锅炉运行目标指标集模块,所述锅炉运行目标指标集模块是指其中,所述锅炉运行目标指标集包括多个独立运行指标;
第一预定历史运行参数集获取模块,所述第一预定历史运行参数集获取模块用于提取所述预定聚类簇中的第一预定历史样本,并获取所述第一预定历史样本的第一预定历史运行参数集;
相关性分析模块,所述相关性分析模块用于对所述第一预定历史运行参数集和所述预定故障类型进行相关性分析,并根据相关性分析结果确定所述预定故障指标集;
动态监测模块,所述动态监测模块用于基于所述预定故障指标集对所述目标锅炉进行动态监测,得到所述目标实时运行参数。
在一个实施例中,所述***还包括:
锅炉运行候选指标集概括模块,所述锅炉运行候选指标集概括模块用于所述锅炉运行候选指标集包括循环方式、过热蒸汽流量、再热蒸汽流量、过热蒸汽压力、再热蒸汽压力、过热蒸汽温度、再热蒸汽温度、给水温度、燃煤量、燃烧方式。
在一个实施例中,所述***还包括:
预定故障类型模块,所述预定故障类型模块是指所述预定故障类型是指电厂锅炉故障类型组中的任意一种锅炉故障类型,其中,所述电厂锅炉故障类型组包括汽包水位异常故障、蒸汽压力异常故障、温度异常故障。
在一个实施例中,所述***还包括:
实时分析单元模块,所述实时分析单元模块是指所述实时分析单元中存储有所述预定故障指标集中各指标的标准阈值范围。
综上所述,本申请提供了一种基于数据融合的电厂锅炉运行故障调节方法及***具有以下技术效果:
1.解决了现有技术中存在锅炉故障识别准确率和及时性较低的技术问题,可以及时发现锅炉故障问题,提高锅炉故障识别的准确率。
2.通过基于历史电厂锅炉运行故障记录构建电厂锅炉故障数据库,为下一步进行电厂锅炉故障识别提供了支持,可以提高电厂锅炉故障识别的效率和准确率。
3.通过锅炉故障识别模型中的实时分析单元对目标实时运行参数进行运行参数判断,并根据判断结果获得目标实时故障识别结果,可以提高目标实时故障识别结果获得的准确率,同时为下一步进行电厂锅炉故障调节提供了支持。
4.通过基于神经网络、支持向量机等不同原理的模型进行集成融合构建实时预测单元,可以提高目标实时故障预测结果获得的效率和准确率。
5.通过获得所述预定诊断周期,可以根据预定诊断周期提前对目标电厂锅炉对应的预定故障进行预测,从而提高锅炉运行故障发现的及时性。
6.通过根据所述预定故障周期限定具体故障预测阶段,即预测所述预定故障周期内是否会发生该故障,而不是预测未来半小时或者自定义时间段内目标电厂锅炉是否会发生故障,从而可以提高预测精度和预测结果的有效性。
7.通过生成第二预警指令对所述目标锅炉进行故障调节,可以提高目标电厂锅炉故障发现的及时性,从而对运行故障隐患进行及时处理,保证目标电厂锅炉运行的稳定性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于数据融合的电厂锅炉运行故障调节方法,其特征在于,包括:
采集历史电厂锅炉运行故障记录,其中,所述历史电厂锅炉运行故障记录包括多个具备故障特征标识的电厂锅炉样本;
读取预定聚类方案,并基于所述预定聚类方案对所述多个具备故障特征标识的电厂锅炉样本进行聚类,得到样本聚类结果;
提取所述样本聚类结果中的第一聚类簇,其中,所述第一聚类簇是指具备第一故障特征标识的第一故障样本集;
对具备所述第一故障特征标识的所述第一故障样本集进行分析,组建电厂锅炉故障数据库,并存储至锅炉故障识别模型;
读取预定故障类型,并基于所述预定故障类型监测得到目标锅炉的目标实时运行参数;
通过所述锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,得到目标实时故障识别结果;
若所述目标实时故障识别结果显示所述目标锅炉存在故障,发出第一预警指令,并基于所述第一预警指令进行故障调节。
2.如权利要求1所述电厂锅炉运行故障调节方法,其特征在于,在所述得到目标实时故障识别结果之后,还包括:
若所述目标实时故障识别结果显示所述目标锅炉不存在故障,发出第一预测指令;
根据所述第一预测指令,通过所述锅炉故障识别模型中的实时预测单元对所述目标实时运行参数进行预测分析,得到目标实时故障预测结果;
若所述目标实时故障预测结果显示所述目标锅炉存在故障,发出第二预警指令,并基于所述第二预警指令进行故障调节。
3.如权利要求2所述电厂锅炉运行故障调节方法,其特征在于,所述根据所述第一预测指令,通过所述锅炉故障识别模型中的实时预测单元对所述目标实时运行参数进行预测分析,得到目标实时故障预测结果,包括:
在所述样本聚类结果中匹配所述预定故障类型的聚类簇,记作预定聚类簇,其中,所述预定聚类簇是指具备预定故障特征标识的预定故障样本集;
其中,所述预定故障特征标识包括预定故障指标集、预定故障诊断时间和所述预定故障类型;
分析具备所述预定故障特征标识的所述预定故障样本集,得到预定诊断周期,并将所述预定诊断周期添加至所述实时预测单元;
通过所述实时预测单元对所述目标实时运行参数进行预测分析,得到所述目标实时故障预测结果。
4.如权利要求3所述电厂锅炉运行故障调节方法,其特征在于,所述分析具备所述预定故障特征标识的所述预定故障样本集,得到预定诊断周期,包括:
依次提取所述预定故障样本集中的第一样本和第二样本;
结合所述预定故障诊断时间分别匹配所述第一样本的第一样本故障诊断时间和所述第二样本的第二样本故障诊断时间;
基于所述第一样本故障诊断时间和所述第二样本故障诊断时间,计算得到所述预定诊断周期。
5.如权利要求4所述电厂锅炉运行故障调节方法,其特征在于,所述通过所述实时预测单元对所述目标实时运行参数进行预测分析,包括:
组建锅炉运行候选指标集,并筛选得到锅炉运行目标指标集;
其中,所述锅炉运行目标指标集包括多个独立运行指标;
提取所述预定聚类簇中的第一预定历史样本,并获取所述第一预定历史样本的第一预定历史运行参数集;
对所述第一预定历史运行参数集和所述预定故障类型进行相关性分析,并根据相关性分析结果确定所述预定故障指标集;
基于所述预定故障指标集对所述目标锅炉进行动态监测,得到所述目标实时运行参数。
6.如权利要求5所述电厂锅炉运行故障调节方法,其特征在于,所述锅炉运行候选指标集包括循环方式、过热蒸汽流量、再热蒸汽流量、过热蒸汽压力、再热蒸汽压力、过热蒸汽温度、再热蒸汽温度、给水温度、燃煤量、燃烧方式。
7.如权利要求1所述电厂锅炉运行故障调节方法,其特征在于,所述预定故障类型是指电厂锅炉故障类型组中的任意一种锅炉故障类型,其中,所述电厂锅炉故障类型组包括汽包水位异常故障、蒸汽压力异常故障、温度异常故障。
8.如权利要求3所述电厂锅炉运行故障调节方法,其特征在于,所述实时分析单元中存储有所述预定故障指标集中各指标的标准阈值范围。
9.一种基于数据融合的电厂锅炉运行故障调节***,其特征在于,用于实施权利要求1-7所述的一种基于数据融合的电厂锅炉运行故障调节方法的任意一项,包括:
锅炉运行故障记录采集模块,所述锅炉运行故障记录采集模块用于采集历史电厂锅炉运行故障记录,其中,所述历史电厂锅炉运行故障记录包括多个具备故障特征标识的电厂锅炉样本;
样本聚类结果获得模块,所述样本聚类结果获得模块用于读取预定聚类方案,并基于所述预定聚类方案对所述多个具备故障特征标识的电厂锅炉样本进行聚类,得到样本聚类结果;
第一聚类簇提取模块,所述第一聚类簇提取模块用于提取所述样本聚类结果中的第一聚类簇,其中,所述第一聚类簇是指具备第一故障特征标识的第一故障样本集;
锅炉数据库组件模块,所述锅炉数据库组件模块用于对具备所述第一故障特征标识的所述第一故障样本集进行分析,组建电厂锅炉故障数据库,并存储至锅炉故障识别模型;
目标实时运行参数获得模块,所述目标实时运行参数获得模块用于读取预定故障类型,并基于所述预定故障类型监测得到目标锅炉的目标实时运行参数;
目标实时故障识别结果得到模块,所述目标实时故障识别结果得到模块用于通过所述锅炉故障识别模型中的实时分析单元对所述目标实时运行参数进行动态分析,得到目标实时故障识别结果;
第一预警指令发出模块,所述第一预警指令发出模块用于若所述目标实时故障识别结果显示所述目标锅炉存在故障,发出第一预警指令,并基于所述第一预警指令进行故障调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310892769.8A CN117113108A (zh) | 2023-07-19 | 2023-07-19 | 一种基于数据融合的电厂锅炉运行故障调节方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310892769.8A CN117113108A (zh) | 2023-07-19 | 2023-07-19 | 一种基于数据融合的电厂锅炉运行故障调节方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113108A true CN117113108A (zh) | 2023-11-24 |
Family
ID=88811785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310892769.8A Pending CN117113108A (zh) | 2023-07-19 | 2023-07-19 | 一种基于数据融合的电厂锅炉运行故障调节方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113108A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436593A (zh) * | 2023-12-18 | 2024-01-23 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉***故障预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740061A (zh) * | 2019-10-18 | 2020-01-31 | 北京三快在线科技有限公司 | 故障预警方法、装置及计算机存储介质 |
KR102123522B1 (ko) * | 2019-12-16 | 2020-06-16 | 주식회사 한국가스기술공사 | 고장 데이터의 군집에 기반한 고장 진단 방법 |
CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警*** |
-
2023
- 2023-07-19 CN CN202310892769.8A patent/CN117113108A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740061A (zh) * | 2019-10-18 | 2020-01-31 | 北京三快在线科技有限公司 | 故障预警方法、装置及计算机存储介质 |
KR102123522B1 (ko) * | 2019-12-16 | 2020-06-16 | 주식회사 한국가스기술공사 | 고장 데이터의 군집에 기반한 고장 진단 방법 |
CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436593A (zh) * | 2023-12-18 | 2024-01-23 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉***故障预测方法及*** |
CN117436593B (zh) * | 2023-12-18 | 2024-05-24 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉***故障预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596229B (zh) | 在线异常的监测诊断方法和*** | |
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN117113108A (zh) | 一种基于数据融合的电厂锅炉运行故障调节方法及*** | |
JP2010504501A (ja) | ボイラー管漏洩を検出するカーネルベースの方法 | |
CN110378042B (zh) | 基于scada数据的风电机组齿轮箱油温异常检测方法及*** | |
CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
CN112668870B (zh) | 一种核电厂设备状态在线智能监测方法及计算机终端 | |
JP2006057595A (ja) | ガスタービンの性能診断システム及び性能診断方法 | |
KR20190082715A (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN114738132B (zh) | 基于实船数据的增压器转速传感器故障诊断方法及*** | |
CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
CN117744925A (zh) | 热力机组运行监测管理方法及*** | |
CN115270069A (zh) | 一种汽轮发电机组功率异常变化的监测和预警方法 | |
CN117931925A (zh) | 节能设备运行远程管理信息方法及*** | |
CN112576454A (zh) | 基于多维预警策略的风电机组主轴温度预警方法及装置 | |
CN116929670A (zh) | 一种基于自更新mset的高压加热器泄漏诊断方法 | |
KR102561062B1 (ko) | 원전의 감시 시스템 및 방법 | |
CN115982591A (zh) | 变压器健康状态的检测方法及装置、设备及存储介质 | |
CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 | |
Aronson et al. | Adaptation of algorithms for diagnostics of steam turbine unit equipment to specific conditions at thermal power stations | |
RU2783863C1 (ru) | Способ комплексной оптимизации параметров энергоблока | |
KR102406994B1 (ko) | 빅데이터 기반의 설비 이상 진단 및 분석 시스템 및 방법 | |
CN116255608A (zh) | 一种低负荷工况下锅炉预警方法 | |
JP2004171425A (ja) | プラント信頼性評価方法及び性能評価システム |
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 |