CN101750150A - 基于红外阵列传感器的电站锅炉空气预热器热点检测方法 - Google Patents
基于红外阵列传感器的电站锅炉空气预热器热点检测方法 Download PDFInfo
- Publication number
- CN101750150A CN101750150A CN201010013501A CN201010013501A CN101750150A CN 101750150 A CN101750150 A CN 101750150A CN 201010013501 A CN201010013501 A CN 201010013501A CN 201010013501 A CN201010013501 A CN 201010013501A CN 101750150 A CN101750150 A CN 101750150A
- Authority
- CN
- China
- Prior art keywords
- formula
- focus
- reasoning
- theta
- probability
- 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
Images
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于红外阵列传感器的电站锅炉空气预热器热点检测方法,先通过多传感器融合技术,将相邻多个红外探头的测量值作D-S融合推理,然后根据推理得出的结果判断是否有热点,该方法按照以下步骤具体实施,第一步,测量点权值计算;第二步,热点A和非热点B概率计算;第三步,证据体的基本概率计算;第四步,D-S融合推理;第五步,热点A和非热点B判断。本发明的检测方法适合基于红外阵列传感器的电站锅炉空气预热器热点检测系统,具有检测准确度高,且在局部红外探头失效情况下仍然能做出正确判断的优点。
Description
技术领域
本发明属于检测技术领域,用于对电站锅炉的空气预热器进行热点检测,具体涉及一种基于红外阵列传感器的电站锅炉空气预热器热点检测方法。
背景技术
回转式空预器是火力发电机组中重要的换热设备,它的作用是提高锅炉燃烧的空气温度,降低排烟温度,减少排烟热损失,起到节能、降耗的作用。在实际运行过程中,由于自身结构的原因,空预器有发生自燃的隐患。当未充分燃烧的燃料附着在空预器的蓄热元件上,随着温度的升高,沉积物即被烘干并形成热点。当空预器内蓄热元件温度继续上升至700℃以上时,热点随之扩大并熔蚀蓄热元件,导致空预器起火。空预器发生再燃烧时,轻则半侧机组停运;重则会造成空预器严重损毁并导致机组长期停运,由此产生的损失巨大。因此尽早发现热点并采取有效控制措施,可以使火灾的危害减少到最小程度,给企业创造更大经济效益。
对于空气预热器热点检测系统,先进、可靠的检测方法是非常重要的,它关系到热点能否及早发现、准确检测的问题。目前应用在空预器热点检测中的方法有阈值检测、神经网络检测和支持向量机检测等方法。阈值检测方法是将测得的温度值与事先设定好的阈值进行比较,从而判断是否有热点,但是阈值的设定过多的依赖于经验和现场工况,容易发生漏报或误报。神经网络检测方法是利用现场获得的温度数据建立热点模型,从而判断是否有热点,但由于神经网络的结构过于复杂,泛化能力不够,限制了它在实际中的应用。支持向量机检测方法类似神经网络检测方法,同样是利用现场获得的温度数据建立热点模型来判断是否存在热点,该方法相比神经网络检测方法泛化能力强,而且结构不复杂,但是如果局部红外探头失效情况下,就不能保证检测方法仍然有效。
基于红外阵列传感器的检测系统,测量点较多,采集的数据相对较为可靠,但不宜使用支持向量机建立热点模型。因此,针对红外阵列传感器的测量特点,进一步探索可靠、准确的空气预热器热点检测方法是十分必要的。
发明内容
本发明的目的是提供一种基于红外阵列传感器的电站锅炉空气预热器热点检测方法,该方法既能准确检测空气预热器热点,又能在局部个别红外探头失效情况下,保证检测方法仍然有效。
本发明所采用的技术方案是,一种基于红外阵列传感器的电站锅炉空气预热器热点检测方法,该方法按照以下步骤具体实施,
第一步,采集并进行测量点权值计算
在空气预热器空气侧的转子下方相应位置安装多个红外阵列传感器,每个红外阵列传感器中设置有多个红外探头,即多个测量点,使相邻测量点的检测区域有重叠部分,设从第i+1到第i+k这k个探头检测到的区域是相同的,则第i+1,第i+2,…,第i+k个权值ωi+1,ωi+2,…,ωi+k按(1)、(2)和(3)式进行计算:
σi+j=(ti+j-t(Sl))2 (2)
式(1)表示区域Sl的平均温度,式(2)表示各个红外探头偏离平均温度的程度,用方差表示,式(3)是计算各个红外探头的权值,偏离平均值越远权值越小,反之越大,式中:ti+j表示第i+j个红外探头的温度测量值,j=1,2,…,k;t(Sl)表示由红外探头i+1,i+2,…,i+k测量得出区域Sl(l=1,2,3,…,n-k+1)的平均值;σi+j表示第i+j个红外探头的方差;
第二步,进行热点A和非热点B概率计算
定义热点局部决策函数f(t),概率f(t)的取值范围为[0,1],其中θ1、θ2为预先设定的温度阈值,θ1的取值范围为[130°,160°],θ2的取值范围为[190°,240°],该热点局部决策函数f(t)包括热点概率计算fA(t)和非热点概率计算fB(t),分别对应的表达式为(4)式和(5)式,利用fA(t)和fB(t)即可计算出第i+j个红外探头测量值是热点概率μA i+j,如式(6);还是非热点概率μB i+j,如式(7),
μA i+j=fA(ti+j) (6)
μB i+j=fB(ti+j) (7)
式中:ti+j表示第i+j个红外探头的温度测量值;
第三步,进行证据体的基本概率计算
用mi+j(a)、mi+j(B)表示第i+j个红外探头的热点证据体、非热点证据体的基本概率,用mi+j(U)表示第i+j个红外探头的不确定度,其中U={A,B}为论域集合,结合测量点的权值ωi+j,ωi+j表示第i+j个红外探头测量点的权值,由式(1)、式(2)和式(3)获得,其取值范围为(0,1),则第i+j个红外探头的热点证据体、非热点证据体的基本概率及不确定度可按(8)、(9)和(10)式分别进行计算:
mi+j(A)=ωi+j×μA i+j (8)
mi+j(B)=ωi+j×μB i+j (9)
mi+j(U)=1-ωi+j (10)
第四步,进行D-S融合推理
利用D-S证据理论组合两个证据,设m1和m2是两个相互独立的基本概率赋值,则m1和m2可以按(11)和(12)式合成一个新的基本概率赋值函数m:
式中:U为论域集合;Ei,Fj属于论域集合U里的子集,表示U中的证据体集合;G为Ei和Fj的交集,m(G)表示由m1(Ei)和m2(Ej)推理得出G的基本概率,在式(11)和式(12)中,K为Ei和Fj不相交子集的基本概率的和值,若K=1,则认为m1、m2矛盾,不能对基本概率赋值进行组合,
根据D-S证据理论的式(11)和式(12),对i+1,i+2,…,i+k这k个证据体按以下顺序进行两两组合推理:首先由第i+1和第i+2这两个证据体进行组合推理,如下式所示:
然后由第i+1和第i+2两个证据体推理得到的结果ml 1(A),ml 1(B),ml 1(U)与第i+3个证据体进行组合推理,将得到的推理结果再与下一个证据体进行组合推理,如此循环下去直到与最后一个证据体进行组合推理为止,如下式所示:
在式(13)到式(20)中,q=2,3,…,k-1,表示组合推理的次数;U={A,B}为论域集合;Kl q表示对区域Sl进行第q次组合推理的K值;ml q(A)表示对区域Sl进行第q次组合推理得到的热点A的基本概率;ml q(B)表示对区域Sl进行第q次组合推理得到的非热点B的基本概率;ml q(U)表示对区域Sl进行第q次组合推理得到的不确定度;式(13)和式(17)是根据式(11)获得的;式(14)和式(18)是当G=A时根据式(12)获得的;式(15)和式(19)是当G=B时根据式(12)获得的;式(16)和式(20)是当G=U时根据式(12)获得的,
通过k-1次组合推理后便获得i+1,i+2,…,i+k的k个证据体的推理结果,分别用ml k-1(A)、ml k-1(B)和ml k-1(U)表示区域Sl是热点、非热点的基本概率和不确定度;
第五步,进行热点A和非热点B的判断
根据ml k-1(A)、ml k-1(B)和ml k-1(U),采用式(21)到式(24)的决策方法判断是否存在热点:
如果ml k-1(A)满足
则判决结果为热点;
如果ml k-1(B)满足
则判决结果为非热点;
如果判断结果既不是热点又不是非热点,则判断结果为不确定,其中ε1、ε2为预先设定的门限,ε1的取值范围为[0.5,0.9],ε2的取值范围为[0.01,0.35]。
本发明检测方法的有益效果是,能够在一台以嵌入式控制器为硬件平台的检测装置上编程实现,检测精度较高,优于现有的阈值检测方法,并且能在局部探头失效的情况下做出正确检测,这是现有的阈值检测方法所达不到的。
附图说明
图1是本发明方法中所采用的红外阵列传感器布局示意图;
图2是本发明方法中基于D-S证据理论的空预器热点检测模型框图;
图3是本发明方法中所采用的流程图;
图4是本发明方法中所采用的热点局部决策函数曲线图。
图中,1.转子,2.红外阵列传感器。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
图1是本发明方法中所采用的红外阵列传感器的布局图,在空气预热器空气侧的转子1下方相应位置安装多个红外阵列传感器2,每个红外阵列传感器2中设置有7个红外探头,即7个测量点,每个测量点具有一定扇角的测量范围,使相邻测量点的检测区域存在重叠部分,该判断方法根据这一特点,将多个相邻测量点的测量值融合来推断某区域是否有热点,以达到可靠、准确检测热点的目的。
假设空预器半径为R,需要安装H个红外阵列传感器,每个红外阵列传感器有7个红外探头,则总共有n=7*H个红外探头,假设需要融合k个探头测量值来判断某区域是否有热点。设从第i+1到第i+k个探头能检测到空预器某个相同区域Sl(l=1,2,3,…,n-k+1),其中k表示需要融合推断的探头个数,H表示检测系统需要的红外阵列传感器个数,在7*H个探头中,每相邻k个探头需作融合推理;i=0,1,2,…,n-k,i+1,…,i+k表示探头顺序号。设f(t)为单个红外探头的热点局部决策函数,其中t为温度测量值,通过局部决策函数f(t)可以计算出某温度测量值属于热点的概率μA(符号A表示热点)和非热点的概率μB(符号B表示非热点)。在以上这些假设下,基于D-S证据理论的空预器热点检测模型如图2所示,其中xi+k为第i+k个红外探头感应到区域Sl辐射的红外线能量,红外探头将接收到的xi+k转化为相对应的温度值。见图2,基于D-S证据理论的热点判断过程为:利用热点局部决策函数f(t)计算第i+1,第i+2,…,第i+k个红外探头测量值的热点概率μA和非热点概率μB,然后将各个红外探头获得的局部结果利用D-S证据理论进行融合推理,最后根据推理结果判断是否有热点。
考虑到测量数据的准确度会影响推理结果,本检测方法在推理过程中,采用了一种决策作用不等同的策略,即可信度低测量数据所起的决策作用相对减少,而可信度高测量数据所起的决策作用相对提高,这样可以提高推理结果的准确度。为获得测量数据的可信度,本检测方法定义了测量数据的可信度计算方法,即测量点的权值计算,见公式(1)、(2)和(3)。
本检测方法是由测量点权值计算和D-S证据推理两部分组成,其中D-S证据推理部分涉及到证据体基本概率计算、证据体推理运算及结果判断等内容,算法流程图如图3所示,首先计算红外探头权值ω,接着利用热点局部决策函数f(t)计算测量值的热点概率μA和非热点概率μB,然后将权值ω与热点概率μA、非热点概率μB相乘作为D-S证据理论证据体的基本概率,再利用D-S证据理论对各证据体进行推理,最后根据推理结果判断是否有热点。
本发明的热点检测方法涉及到的计算有权值计算、局部决策函数的热点概率μA和非热点概率μB计算、D-S证据理论证据体的基本概率计算、推理运算及结果判断,具体按照以下步骤实施:
第一步,测量点权值计算。在转子1下方相应位置安装有多个红外阵列传感器2,每个红外阵列传感器2中设置有多个红外探头,即多个测量点,由于每个测量点具有一定扇角的测量范围,因此多个相邻测量点的检测区域存在重叠部分。设从第i+1到第i+k这k个探头检测到的区域是相同的,则第i+1,第i+2,…,第i+k个权值ωi+1,ωi+2,…,ωi+k可以按(1)、(2)和(3)式进行计算:
σi+j=(ti+j-t(Sl))2 (2)
式中:ti+j表示第i+j个红外探头的温度测量值,j=1,2,…,k;t(Sl)表示由红外探头i+1,i+2,…,i+k测量得出区域Sl(l=1,2,3,…,n-k+1)的平均值;σi+j表示第i+j个红外探头的方差。式(1)表示区域Sl的平均温度,式(2)表示各个红外探头偏离平均温度的程度,用方差表示,式(3)是计算各个红外探头的权值,偏离平均值越远权值越小,反之越大。
第二步,热点A和非热点B概率计算。为判断某个温度测量值是否是热点A,根据现场经验,定义了热点局部决策函数f(t),其函数曲线如图4所示,横坐标t表示温度值,单位为摄氏度,纵坐标f(t)表示概率,概率f(t)的取值范围为[0,1],其中θ1、θ2为预先设定的温度阈值,θ1的取值范围为[130°,160°],θ2的取值范围为[190°,240°]。该热点局部决策函数f(t)包括热点概率计算fA(t)和非热点概率计算fB(t),分别对应的表达式为(4)式和(5)式。利用fA(t)和fB(t)即可计算出第i+j个红外探头测量值是热点概率μA i+j(式(6))
还是非热点概率μB i+j(式(7))。
μA i+j=fA(ti+j) (6)
μB i+j=fB(ti+j) (7)
式中:ti+1表示第i+j个红外探头的温度测量值。
第三步,证据体的基本概率计算。应用D-S证据理论进行融合推理时,需要知道各证据体的基本概率,它直接影响融合决策的精度。用mi+j(A)、mi+j(B)表示第i+j个红外探头的热点证据体、非热点证据体的基本概率,用mi+j(U)表示第i+j个红外探头的不确定度,其中U={A,B}为论域集合,结合测量点的权值ωi+j(ωi+j表示第i+j个红外探头测量点的权值,由式(1)、式(2)和式(3)获得,其取值范围为(0,1)),则第i+j个红外探头的热点证据体、非热点证据体的基本概率及不确定度可按(8)、(9)和(10)式分别进行计算:
mi+j(A)=ωi+j×μA i+j (8)
mi+j(B)=ωi+j×μB i+j (9)
mi+j(U)=1-ωi+j (10)
第四步,D-S融合推理。D-S证据理论提供了组合两个证据的规则,设m1和m2是两个相互独立的基本概率赋值,则m1和m2可以按(11)和(12)式合成一个新的基本概率赋值函数m:
式中:U为论域集合;Ei,Fj属于论域集合U里的子集,表示U中的证据体集合;G为Ei和Fj的交集,m(G)表示由m1(Ei)和m2(Ej)推理得出G的基本概率。在上式中,K为Ei和Fj不相交子集的基本概率的和值,若K=1,则认为m1、m2矛盾,不能对基本概率赋值进行组合。根据D-S证据理论的式(11)和式(12),对i+1,i+2,…,i+k这k个证据体按以下顺序进行两两组合推理:首先由第i+1和第i+2这两个证据体进行组合推理,如下式所示:
然后由第i+1和第i+2这两个证据体推理得到的结果(ml 1(A),ml 1(B),ml 1(U))与第i+3个证据体进行组合推理,将得到的推理结果再与下一个证据体进行组合推理,如此循环下去直到与最后一个证据体进行组合推理为止,如下式所示:
在式(13)到式(20)中,q=2,3,…,k-1,表示组合推理的次数;U={A,B}为论域集合;Kl q表示对区域Sl进行第q次组合推理的K值;ml q(A)表示对区域Sl进行第q次组合推理得到的热点A的基本概率;ml q(B)表示对区域Sl进行第q次组合推理得到的非热点B的基本概率;ml q(U)表示对区域Sl进行第q次组合推理得到的不确定度;式(13)和式(17)是根据式(11)获得的;式(14)和式(18)是当G=A时根据式(12)获得的;式(15)和式(19)是当G=B时根据式(12)获得的;式(16)和式(20)是当G=U时根据式(12)获得的。
通过k-1次组合推理后便获得i+1,i+2,…,i+k这k个证据体的推理结果,分别用ml k-1(A)、ml k-1(B)和ml k-1(U)表示区域Sl是热点、非热点的基本概率和不确定度。
第五步,热点A和非热点B判断。根据ml k-1(A)、ml k-1(B)和ml k-1(U),采用式(21)到式(24)的决策方法判断是否存在热点。
如果ml k-1(A)满足
则判决结果为热点,
如果ml k-1(B)满足
则判决结果为非热点,
如果判断结果既不是热点又不是非热点,则判断结果为不确定,其中ε1、ε2为预先设定的门限,ε1的取值范围为[0.5,0.9],ε2的取值范围为[0.01,0.35]。
本发明的方法,先通过多传感器融合技术,将相邻多个红外探头的测量值作D-S融合推理,然后根据推理得出的结果判断是否有热点。这种检测方法的准确度依赖于推理过程的正确度,因此推理方法的选择非常重要。为获得较准确的推理,本检测方法是利用成熟的D-S证据理论实现推理。除此之外,测量数据的准确度也会影响推理结果,因此在推理过程中,应降低可信度低测量数据的决策作用,提高可信度高测量数据的决策作用。为获得测量数据的可信度,本检测方法定义了测量数据的可信度计算方法,即测量点的权值计算,见公式(1)、(2)和(3)。
实施例
本实施例从26组数据中抽取5组数据对相邻三个红外探头的融合结果实施测试。实验参数设置如下:θ1取150℃,θ2取200℃,ε1取0.5,ε2取0.3,阈值报警的阈值取200℃。表1为抽取出的5组数据,其中9号和10号样本为个别探头失效时的测量值。表2为基本概率计算结果。计算结果表明,引入权值后,有效降低了对有较大偏差甚至失效测量值的决策作用,加大了对正确测量值的决策作用,为应用D-S理论做出正确推理奠定了基础。表3为实验结果对照表。实验结果表明,阈值检测方法容易出现漏报和误报,如2号和9号样本实际是热点数据,但阈值检测方法的判断结果为非热点,出现漏报,而DS检测方法的检测结果与实际吻合。13号样本为18#探头失效时的非热点数据,阈值检测方法的判断结果为热点,出现误报,而DS检测方法的检测结果与实际吻合。
表1实验样本温度值
注:(1)探头已经失效;(2)探头严重漂移。
表2基本概率计算结果
表3实验结果对照
本实施例中的具体运算步骤是:
步骤1:将采集到的实验样本温度值代入式(1),式(2)和式(3)计算每个红外探头的权值。
步骤2:把设置的θ1=150,θ2=200代入式(4)和式(5)求出热点概率函数fA(t)和非热点概率函数fB(t)。
步骤3:将实验样本温度值代入式(6)和式(7)求出热点概率μA和非热点概率μB。
步骤4:按照(7)、(8)和(9)三式分别计算热点A证据体、非热点B证据体的基本概率和U={A,B}不确定度。
步骤5:先按式(13)、(14)、(15)和(16)获得红外探头i+1和红外探头i+2的推理结果(ml 1(A),ml 1(B),ml 1(U)),然后再按式(17)、(18)、(19)和(20)获得与红外探头i+3的推理结果(ml 2(A),ml 2(B),ml 2(U)),该结果即为这三个红外探头融合推理得到的结果。
步骤6:把ε1=0.5,ε2=0.3代入到式(22)和式(24),然后将由步骤5获得的结果(ml 2(A),ml 2(B),ml 2(U))按式(21)到式(24)进行判断,如果满足热点条件则判断为热点,满足非热点条件则判断为非热点,如既不满足热点条件又不非热点条件,则判断为不确定。
在上述模拟实验系统中,抽取5组数据对相邻三个红外探头的融合结果进行测试,这些数据包括热点数据、正常数据和个别探头失效数据。
将由本发明的D-S获得的结果与现有阈值检测方法获得的结果进行对比,其中阈值检测方法的计算为把三个红外探头的测量值作平均处理,然后将平均得到的结果与阈值(本例的阈值为200)比较,如果大于等于阈值,则认为热点,否则为非热点。实验结果表明,本方法的检测精度较高,优于现有的阈值检测方法,并且能在局部探头失效的情况下做出正确检测,这是现有的阈值检测方法所达不到的。
Claims (1)
1.一种基于红外阵列传感器的电站锅炉空气预热器热点检测方法,其特征在于,该方法按照以下步骤具体实施,
第一步,采集并进行测量点权值计算
在空气预热器空气侧的转子下方相应位置安装多个红外阵列传感器,每个红外阵列传感器中设置有多个红外探头,即多个测量点,使相邻测量点的检测区域有重叠部分,设从第i+1到第i+k这k个探头检测到的区域是相同的,则第i+1,第i+2,…,第i+k个权值ωi+1,ωi+2,…,ωi+k按(1)、(2)和(3)式进行计算:
σi+j=(ti+j-t(Sl))2 (2)
式(1)表示区域Sl的平均温度,式(2)表示各个红外探头偏离平均温度的程度,用方差表示,式(3)是计算各个红外探头的权值,偏离平均值越远权值越小,反之越大,式中:ti+j表示第i+j个红外探头的温度测量值,j=1,2,…,k;t(Sl)表示由红外探头i+1,i+2,…,i+k测量得出区域Sl(l=1,2,3,…,n-k+1)的平均值;σi+j表示第i+j个红外探头的方差;
第二步,进行热点A和非热点B概率计算
定义热点局部决策函数f(t),概率f(t)的取值范围为[0,1],其中θ1、θ2为预先设定的温度阈值,θ1的取值范围为[130°,160°],θ2的取值范围为[190°,240°],该热点局部决策函数f(t)包括热点概率计算fA(t)和非热点概率计算fB(t),分别对应的表达式为(4)式和(5)式,利用fA(t)和fB(t)即可计算出第i+j个红外探头测量值是热点概率μA i+j,如式(6);还是非热点概率μB i+j,如式(7),
式中:ti+j表示第i+j个红外探头的温度测量值;
第三步,进行证据体的基本概率计算
用mi+j(A)、mi+j(B)表示第i+j个红外探头的热点证据体、非热点证据体的基本概率,用mi+j(U)表示第i+j个红外探头的不确定度,其中U={A,B}为论域集合,结合测量点的权值ωi+j,ωi+j表示第i+j个红外探头测量点的权值,由式(1)、式(2)和式(3)获得,其取值范围为(0,1),则第i+j个红外探头的热点证据体、非热点证据体的基本概率及不确定度可按(8)、(9)和(10)式分别进行计算:
mi+j(U)=1-ωi+j (10)
第四步,进行D-S融合推理
利用D-S证据理论组合两个证据,设m1和m2是两个相互独立的基本概率赋值,则m1和m2可以按(11)和(12)式合成一个新的基本概率赋值函数m:
式中:U为论域集合;Ei,Fj属于论域集合U里的子集,表示U中的证据体集合;G为Ei和Fj的交集,m(G)表示由m1(Ei)和m2(Fj)推理得出G的基本概率,在式(11)和式(12)中,K为Ei和Fj不相交子集的基本概率的和值,若K=1,则认为m1、m2矛盾,不能对基本概率赋值进行组合,
根据D-S证据理论的式(11)和式(12),对i+1,i+2,…,i+k这k个证据体按以下顺序进行两两组合推理:首先由第i+1和第i+2这两个证据体进行组合推理,如下式所示:
然后由第i+1和第i+2两个证据体推理得到的结果ml 1(A),ml 1(B),ml 1(U)与第i+3个证据体进行组合推理,将得到的推理结果再与下一个证据体进行组合推理,如此循环下去直到与最后一个证据体进行组合推理为止,如下式所示:
在式(13)到式(20)中,q=2,3,…,k-1,表示组合推理的次数;U={A,B}为论域集合;Kl q表示对区域Sl进行第q次组合推理的K值;ml q(A)表示对区域Sl进行第q次组合推理得到的热点A的基本概率;ml q(B)表示对区域Sl进行第q次组合推理得到的非热点B的基本概率;ml q(U)表示对区域Sl进行第q次组合推理得到的不确定度;式(13)和式(17)是根据式(11)获得的;式(14)和式(18)是当G=A时根据式(12)获得的;式(15)和式(19)是当G=B时根据式(12)获得的;式(16)和式(20)是当G=U时根据式(12)获得的,
通过k-1次组合推理后便获得i+1,i+2,…,i+k的k个证据体的推理结果,分别用ml k-1(A)、ml k-1(B)和ml k-1(U)表示区域Sl是热点、非热点的基本概率和不确定度;
第五步,进行热点A和非热点B的判断
根据ml k-1(A)、m1 k-1(B)和ml k-1(U),采用式(21)到式(24)的决策方法判断是否存在热点:
如果ml k-1(A)满足
则判决结果为热点;
如果ml k-1(B)满足
则判决结果为非热点;
如果判断结果既不是热点又不是非热点,则判断结果为不确定,其中ε1、ε2为预先设定的门限,ε1的取值范围为[0.5,0.9],ε2的取值范围为[0.01,0.35]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100135015A CN101750150B (zh) | 2010-01-04 | 2010-01-04 | 基于红外阵列传感器的电站锅炉空气预热器热点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100135015A CN101750150B (zh) | 2010-01-04 | 2010-01-04 | 基于红外阵列传感器的电站锅炉空气预热器热点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101750150A true CN101750150A (zh) | 2010-06-23 |
CN101750150B CN101750150B (zh) | 2011-08-10 |
Family
ID=42477458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100135015A Expired - Fee Related CN101750150B (zh) | 2010-01-04 | 2010-01-04 | 基于红外阵列传感器的电站锅炉空气预热器热点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101750150B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457903A (zh) * | 2014-12-31 | 2015-03-25 | 上海电力学院 | 一种锅炉汽包水位保护方法 |
CN108693798A (zh) * | 2017-04-10 | 2018-10-23 | 佛山市顺德区美的电热电器制造有限公司 | 用于电烹饪器的锅具干烧判断方法、装置和电烹饪器 |
CN108960083A (zh) * | 2018-06-15 | 2018-12-07 | 北京邮电大学 | 基于多传感器信息融合的自动驾驶目标分类方法及系统 |
CN109857177A (zh) * | 2019-03-13 | 2019-06-07 | 吉林建筑大学 | 一种建筑电气节能监测方法 |
CN116755451A (zh) * | 2023-08-16 | 2023-09-15 | 泰山学院 | 一种智能巡逻机器人路径规划方法及系统 |
-
2010
- 2010-01-04 CN CN2010100135015A patent/CN101750150B/zh not_active Expired - Fee Related
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457903A (zh) * | 2014-12-31 | 2015-03-25 | 上海电力学院 | 一种锅炉汽包水位保护方法 |
CN108693798A (zh) * | 2017-04-10 | 2018-10-23 | 佛山市顺德区美的电热电器制造有限公司 | 用于电烹饪器的锅具干烧判断方法、装置和电烹饪器 |
CN108960083A (zh) * | 2018-06-15 | 2018-12-07 | 北京邮电大学 | 基于多传感器信息融合的自动驾驶目标分类方法及系统 |
CN109857177A (zh) * | 2019-03-13 | 2019-06-07 | 吉林建筑大学 | 一种建筑电气节能监测方法 |
CN109857177B (zh) * | 2019-03-13 | 2021-10-15 | 吉林建筑大学 | 一种建筑电气节能监测方法 |
CN116755451A (zh) * | 2023-08-16 | 2023-09-15 | 泰山学院 | 一种智能巡逻机器人路径规划方法及系统 |
CN116755451B (zh) * | 2023-08-16 | 2023-11-07 | 泰山学院 | 一种智能巡逻机器人路径规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101750150B (zh) | 2011-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101750150B (zh) | 基于红外阵列传感器的电站锅炉空气预热器热点检测方法 | |
CN110190306A (zh) | 一种用于燃料电池系统的在线故障诊断方法 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN103605042B (zh) | 基于自适应粒子群算法的接地网故障诊断方法 | |
KR102169452B1 (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
Candelieri et al. | Analytical leakages localization in water distribution networks through spectral clustering and support vector machines. The icewater approach | |
CN104601109A (zh) | 一种电-图模型的光伏热斑效应检测方法 | |
CN106713354A (zh) | 一种基于不可检测信息攻击预警技术的电力信息物理系统脆弱性节点评估方法 | |
CN103605096B (zh) | 在线调整电网状态检测系统参数的方法与系统 | |
CN107503854A (zh) | 确定增压柴油机排气温度传感器是否异常及故障诊断方法 | |
CN103884473B (zh) | 一种水冷系统的漏水判断方法 | |
CN101660951B (zh) | 一种检测热设备内部温度的方法 | |
CN112016251A (zh) | 一种核动力装置故障的诊断方法及系统 | |
CN109324241A (zh) | 一种变电站接地网腐蚀诊断预警方法及系统 | |
CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
CN108999758A (zh) | 风力发电机的叶片结冰监测方法和设备 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN106093516B (zh) | 基于多频带分解的输电线路故障电流行波波形的重现方法 | |
CN111412391B (zh) | 一种管网泄漏检测方法及系统 | |
CN111678366A (zh) | 一种蓄热管壳式换热器及泄漏检测方法 | |
CN111898843B (zh) | 利用虚警攻击模型评估电力系统抵抗网络攻击稳定的方法 | |
CN103743972A (zh) | 一种塔式太阳能热发电系统故障诊断方法 | |
CN115327438A (zh) | 一种储能电池组短路故障诊断方法、电池管理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110810 Termination date: 20140104 |