CN106682422A - 一种基于决策树系统的锅炉火管水垢预警方法 - Google Patents

Abstract

本发明公开了一种基于决策树系统的锅炉火管水垢预警方法，包括如下步骤：步骤(1)、获取锅炉房环境与锅炉运行参数数据A，再获取锅炉火管水垢临界值B，建立火管水垢误差率表T；步骤(2)：建立决策树系统，建立对照系统，将决策树系统与对照系统进行逻辑匹配；步骤(3)：电子传感器获取实时锅炉火管数据传输至决策树系统，得到火管水垢高低值概率P；步骤(4)：如果P大于0.8，则锅炉火管水垢高于火管水垢临界值，中控台给出报警提示；步骤(5)：锅炉工作人员得到中控台发出的报警提示后进行确认，如果确认后锅炉火管水垢则说明决策树系统判断错误，修正决策树系统。本发明实现锅炉火管水垢的自动化判断，判断准确。

Description

一种基于决策树系统的锅炉火管水垢预警方法

技术领域

本发明属于预警技术领域，特别是涉及一种基于决策树系统的锅炉火管水垢预警方法。

背景技术

当前国内各火管水垢预警系统均设置了电子传感器提示系统。传统的电子传感器原理是在将火管水垢的高低值，通过电子传感器感知将每一段位的数值及时的反馈给中控系统。工作通过中控系统的图文提示得知锅炉火管水垢的高低值。但由于锅炉炉管的高温、炉水的腐蚀性，对电子传感器造成一定程度的影响，使得在火管水垢反馈值上造成错误估值，或者出现假值，以造成锅炉工作人员产生错误的判断导致出现重大事故。而且灵敏度高的电子传感器的价格不菲，更换不易，频繁地更换使得产家十分的头疼。所以目前的国内火管水垢预警系统无法精准的反应锅炉的火管水垢高低值。此前大部分的电子传感器使用电化学原理对水中的游离金属离子产生感电，通过电信号的传输来提示火管水垢的高低值。但是炉温过高是水中金属离子运动活跃对结果造成一定干扰性。

发明内容

本发明的目的就在于克服现有技术的不足，提供了一种基于决策树系统的锅炉火管水垢预警方法，能在各种环境下即时纠正电子传感器的数据误差，提醒锅炉工作人员火管水垢的情况，使得工作人员得到一个准确的火管水垢情况，来确保锅炉正常稳定的运行，以延长电子传感器的使用的寿命，降低锅炉的维护成本，实现锅炉火管水垢的自动化判断，判断准确，不再需人工判断，减轻工作人员的劳动强度。

为了实现上述目的，本发明提供了一种基于决策树系统的锅炉火管水垢预警方法，包括如下步骤：

步骤(1)、获取锅炉房环境与锅炉运行参数数据A，再获取锅炉火管水垢临界值B，根据数据A和临界值B中的相互学习速度对应出误差率表t，将误差率表t中的数值量化为0-1之间的小数后建立火管水垢误差率表T；

步骤(2)：根据步骤(1)中的火管水垢误差率表T作为决策树系统骨架，建立决策树系统，同时获取工作人员人工判断锅炉火管水垢高低值的历史数据建立对照系统，将决策树系统与对照系统进行逻辑匹配；

步骤(3)：通过电子传感器获取实时锅炉火管数据，并传输至决策树系统，决策树系统反复训练后得到火管水垢高低值概率P；

步骤(4)：决策树系统判断火管水垢高低值概率P的大小，如果P大于0.8，则说明锅炉火管水垢高于火管水垢临界值，决策树系统将结果传输给中控台，中控台给出报警提示；如果P小于0.8，则说明锅炉火管水垢低于火管水垢临界值，中控台不会给出报警提示；

步骤(5)：锅炉工作人员得到中控台发出的报警提示后，对锅炉实际火管水垢情况进行确认，如果确认后锅炉火管水垢低于火管水垢临界值则说明决策树系统判断错误，此时锅炉工作人员将正确结果输入给对照系统，此时将对照系统再次与决策树系统逻辑匹配后修正决策树系统；如果确认后锅炉火管水垢高于火管水垢临界值则说明决策树系统判断正确；

步骤(6)：重复步骤(3)-(5)，如此不断循环不断修正决策树系统直到决策树系统判断准确，不再需工作人员人工判断锅炉火管水垢情况。

进一步地，在步骤(2)中决策树系统的公式满足：

其中：X_S为反馈积分，X_BH为卷积常数，K_X为逆反馈层数，S_O为矢量卷积常数，K_OH为定义向量常数集，f_p为子集概率，b_H为计数次数，K_h为判断误差计数。

本发明的有益效果：本发明能在各种环境下即时纠正电子传感器的数据误差，提醒锅炉工作人员火管水垢的情况，使得工作人员户得到一个准确的火管水垢情况，来确保锅炉正常稳定的运行，以延长电子传感器的使用的寿命，降低锅炉的维护成本，实现锅炉火管水垢的自动化判断，判断准确，不再需人工判断，减轻工作人员的劳动强度。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的流程图。

具体实施方式

下面结合附图对发明进一步说明，但不用来限制本发明的范围。

实施例

如图1所示，本发明提供的一种基于决策树系统的锅炉火管水垢预警方法，包括如下步骤：

步骤(1)、获取锅炉房环境与锅炉运行参数数据A，再获取锅炉火管水垢临界值B，根据数据A和临界值B中的相互学习速度对应出误差率表t，将误差率表t中的数值量化为0-1之间的小数后建立火管水垢误差率表T；

锅炉房环境数据包括：锅炉房面积大小，有几台可使用的锅炉，锅炉的种类、使用时间、供能类型等等。锅炉运行参数数据包括：炉温、烟温、水压、蒸汽压、进水泵流量、燃烧机温度、风道数据、火管等等。

步骤(2)：根据步骤(1)中的火管水垢误差率表T作为决策树系统骨架，建立决策树系统，同时获取工作人员人工判断锅炉火管水垢高低值的历史数据建立对照系统，将决策树系统与对照系统进行逻辑匹配；

步骤(3)：通过电子传感器获取实时锅炉火管数据，并传输至决策树系统，决策树系统反复训练后得到火管水垢高低值概率P；

步骤(4)：决策树系统判断火管水垢高低值概率P的大小，如果P大于0.8，则说明锅炉火管水垢高于火管水垢临界值，决策树系统将结果传输给中控台，中控台给出报警提示；如果P小于0.8，则说明锅炉火管水垢低于火管水垢临界值，中控台不会给出报警提示；

步骤(5)：锅炉工作人员得到中控台发出的报警提示后，对锅炉实际火管水垢情况进行确认，如果确认后锅炉火管水垢低于火管水垢临界值则说明决策树系统判断错误，此时锅炉工作人员将正确结果输入给对照系统，此时将对照系统再次与决策树系统逻辑匹配后修正决策树系统；如果确认后锅炉火管水垢高于火管水垢临界值则说明决策树系统判断正确；

步骤(6)：重复步骤(3)-(5)，如此不断循环不断修正决策树系统直到决策树系统判断准确，不再需工作人员人工判断锅炉火管水垢情况。

在步骤(2)中决策树系统的公式满足：

其中：X_S为反馈积分，X_BH为卷积常数，K_X为逆反馈层数，S_O为矢量卷积常数，K_OH为定义向量常数集，f_p为子集概率，b_H为计数次数，K_h为判断误差计数。

本发明能在各种环境下即时纠正电子传感器的数据误差，提醒锅炉工作人员火管水垢的情况，使得工作人员户得到一个准确的火管水垢情况，来确保锅炉正常稳定的运行，以延长电子传感器的使用的寿命，降低锅炉的维护成本，实现锅炉火管水垢的自动化判断，判断准确，不再需人工判断，减轻工作人员的劳动强度。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (2)

1.一种基于决策树系统的锅炉火管水垢预警方法，其特征在于，包括如下步骤：

步骤(1)、获取锅炉房环境与锅炉运行参数数据A，再获取锅炉火管水垢临界值B，根据数据A和临界值B中的相互学习速度对应出误差率表t，将误差率表t中的数值量化为0-1之间的小数后建立火管水垢误差率表T；

步骤(2)：根据步骤(1)中的火管水垢误差率表T作为决策树系统骨架，建立决策树系统，同时获取工作人员人工判断锅炉火管水垢高低值的历史数据建立对照系统，将决策树系统与对照系统进行逻辑匹配；

步骤(3)：通过电子传感器获取实时锅炉火管数据，并传输至决策树系统，决策树系统反复训练后得到火管水垢高低值概率P；

步骤(4)：决策树系统判断火管水垢高低值概率P的大小，如果P大于0.8，则说明锅炉火管水垢高于火管水垢临界值，决策树系统将结果传输给中控台，中控台给出报警提示；如果P小于0.8，则说明锅炉火管水垢低于火管水垢临界值，中控台不会给出报警提示；

步骤(5)：锅炉工作人员得到中控台发出的报警提示后，对锅炉实际火管水垢情况进行确认，如果确认后锅炉火管水垢低于火管水垢临界值则说明决策树系统判断错误，此时锅炉工作人员将正确结果输入给对照系统，此时将对照系统再次与决策树系统逻辑匹配后修正决策树系统；如果确认后锅炉火管水垢高于火管水垢临界值则说明决策树系统判断正确；

步骤(6)：重复步骤(3)-(5)，如此不断循环不断修正决策树系统直到决策树系统判断准确，不再需工作人员人工判断锅炉火管水垢情况。

2.根据权利要求1所述的一种基于决策树系统的锅炉火管水垢预警方法，其特征在于，在步骤(2)中决策树系统的公式满足：

$\frac{{\mathrm{dX}}_S}{dt}=(1-f_p)b_H{X}_{BH}-k_h\left(\frac{\frac{X_S}{X_{BH}}}{K_X+\frac{X_S}{X_{BH}}}\right)\left(\frac{S_O}{K_{OH}+S_O}\right)X_{BH};$

其中：X_S为反馈积分，X_BH为卷积常数，K_X为逆反馈层数，S_O为矢量卷积常数，K_OH为定义向量常数集，f_p为子集概率，b_H为计数次数，K_h为判断误差计数。