CN111027620A - 一种锅炉运行参数处理方法、装置、锅炉控制器及介质 - Google Patents
一种锅炉运行参数处理方法、装置、锅炉控制器及介质 Download PDFInfo
- Publication number
- CN111027620A CN111027620A CN201911250992.2A CN201911250992A CN111027620A CN 111027620 A CN111027620 A CN 111027620A CN 201911250992 A CN201911250992 A CN 201911250992A CN 111027620 A CN111027620 A CN 111027620A
- Authority
- CN
- China
- Prior art keywords
- boiler
- parameter
- parameters
- operation parameter
- long
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种锅炉运行参数处理方法,通过使用锅炉历史运行参数训练得到的长短期记忆网络,可以借助深度学习算法对锅炉运行参数进行更深层次的处理,挖掘到隐藏在数据表层下方的隐含特征,从而提取到能够更全面、更准确的反馈锅炉实际运行情况的参数,以便更加准确、更加及时的判断出锅炉是否存在安全隐患和即使调整运行状态。同时,区别于其它深度学习算法,长短期记忆网络可显著加强对出现频率低、间隔长、但会造成严重后果的运行参数的判别能力,尤其适合供热锅炉的实际使用情况。本申请还同时公开了一种锅炉运行参数处理装置、锅炉控制器及可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及供热锅炉运维技术领域,特别涉及一种锅炉运行参数处理方法、装置、锅炉控制器及可读存储介质。
背景技术
供热锅炉的负荷主要是基于供能需求,在需求一定的情况下,技术人员可通过调节一二次送风量配比,供燃料量的多少等一系列控制手段运维锅炉。同样一台锅炉,不同的运维手段,能耗产出比是不一样的。在保证锅炉运行安全的前提下,如何利用合适的控制手段提高供热的经济效益,成为供热企业和技术人员越发关注的话题。
锅炉是一个压力容器,安全生产是头等大事,每年在供暖季结束以后都会停炉进行全面检查。但并不排除锅炉在供暖季未结束时就有部件已经发生了很难被发现的问题,因此此类问题一般在短时间并不会对锅炉的运行造成较大的影响,即特征不明显。但这也埋下了安全隐患,同时存在的安全隐患的部件往往还会根据连带关系损伤其它部件,从而加剧锅炉的损坏程度。
但目前锅炉的运维,大多都是靠技术人员的经验,相关的操作细节并没有统一的标准。有经验的老师傅通过口口相传传授给新的技术人员。因此在有丰富经验技术人员离职的情况下,容易出现技术断层,导致锅炉供能经济效益的下滑,以及锅炉故障率的提高。
因此,如何尽可能的解决现有技术存在的各项技术缺陷,是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种锅炉运行参数处理方法、装置、锅炉控制器及可读存储介质,旨在通过对锅炉运行参数进行更深入、更全面的分析,发现隐含在数据表层之下更深处的特征,进而在无需长期经验的支持下也能够准确的判断出锅炉的运行状态,以便及时的进行故障维修和状态调整。
为实现上述目的,本申请提供了一种锅炉运行参数处理方法,包括:
获取锅炉的第一运行参数;
将所述第一运行参数作为输入数据输入训练后的长短期记忆网络;其中,所述长短期记录网络使用所述锅炉历史的第一运行参数训练得到;
获取所述长短期记忆网络输出的第二运行参数;
根据所述第二运行参数确定是否存在故障或能否调整运行状态。
可选的,在获取锅炉的第一运行参数之前,还包括:
获取与锅炉运行相关的全部物理变量;
通过多层流模型对所述全部物理变量进行筛选,得到初筛物理变量;
通过主成分分析技术对所述初筛物理变量进行筛选,得到关键物理变量;
对应的,获取锅炉的第一运行参数,包括:
获取所述关键物理变量的运行参数,得到所述第一运行参数。
可选的,在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,还包括:
利用正则表达式修正所述第一运行参数中的错误字符;
和/或
根据前后预设时长内的参数均值对中间的缺失部分进行填充;
和/或
利用莱以特规则剔除所述第一运行参数中的最大误差。
可选的,在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,还包括:
对所述第一运行参数中包含的各种类运行参数进行归一化处理。
可选的,该锅炉运行参数处理方法还包括:
利用序列到序列的模型统一所述第一运行参数与所述第二运行参数之间的种类数差。
可选的,根据所述第二运行参数确定是否存在故障,包括:
比较所述第二运行参数与标准运行参数,得到区别参数;其中,所述标准运行参数为所述长短期记忆网络对所述锅炉在正常工作状态下获取到的第一运行参数进行处理后得到的运行参数;
判断所述区别参数的参数差异大小是否大于预设阈值;
若是,则定位所述区别参数所属的目标锅炉部件,并发出包含所述目标锅炉部件的故障预警信息。
可选的,根据所述第二运行参数确定能否调整运行状态,包括:
判断所述第二运行参数是否大于节省工作模式下的运行参数阈值;
若是,则调整所述锅炉的控制参数直至最新的第二运行参数降至所述节省工作模式下的运行参数阈值。
为实现上述目的,本申请还提供了一种锅炉运行参数处理装置,包括:
第一运行参数获取单元,用于获取锅炉的第一运行参数;
参数输入单元,用于将所述第一运行参数作为输入数据输入训练后的长短期记忆网络;其中,所述长短期记录网络使用所述锅炉历史的第一运行参数训练得到;
第二运行参数获取单元,用于获取所述长短期记忆网络输出的第二运行参数;
第二运行参数应用单元,用于根据所述第二运行参数确定是否存在故障或能否调整运行状态。
可选的,该锅炉运行参数处理装置还包括:
全部物理变量获取单元,用于在获取锅炉的第一运行参数之前,获取与锅炉运行相关的全部物理变量;
多层流模型初筛单元,用于通过多层流模型对所述全部物理变量进行筛选,得到初筛物理变量;
主成分分析再筛单元,用于通过主成分分析技术对所述初筛物理变量进行筛选,得到关键物理变量;
对应的,所述第一运行参数获取单元包括:
关键物理变量运行参数获取子单元,用于获取所述关键物理变量的运行参数,得到所述第一运行参数。
可选的,该锅炉运行参数处理装置还包括:
错误字符修正单元,用于在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,利用正则表达式修正所述第一运行参数中的错误字符;
和/或
缺失数据填充单元,用于在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,根据前后预设时长内的参数均值对中间的缺失部分进行填充;
和/或
最大误差剔除单元,用于在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,利用莱以特规则剔除所述第一运行参数中的最大误差。
可选的,该锅炉运行参数处理装置还包括:
归一化处理单元,用于在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,对所述第一运行参数中包含的各种类运行参数进行归一化处理。
可选的,该锅炉运行参数处理装置还包括:
输入输出参数数量差异统一单元,用于利用序列到序列的模型统一所述第一运行参数与所述第二运行参数之间的种类数差。
可选的,所述第二运行分析参数应用单元包括:
标准参数比较子单元,用于比较所述第二运行参数与标准运行参数,得到区别参数;其中,所述标准运行参数为所述长短期记忆网络对所述锅炉在正常工作状态下获取到的第一运行参数进行处理后得到的运行参数;
参数差异大小判断子单元,用于判断所述区别参数的参数差异大小是否大于预设阈值;
故障锅炉部件定位及故障预警子单元,用于当所述区别参数的参数差异大小大于所述预设阈值时,定位所述区别参数所属的目标锅炉部件,并发出包含所述目标锅炉部件的故障预警信息。
可选的,所述第二运行分析参数应用单元包括:
节能工作模式参数阈值判断子单元,用于判断所述第二运行参数是否大于节能工作模式下的运行参数阈值;
控制参数调整子单元,用于当所述第二运行参数大于所述节能工作模式下的运行参数阈值时,调整所述锅炉的控制参数直至最新的第二运行参数降至所述节省工作模式下的运行参数阈值。
为实现上述目的,本申请还提供了一种锅炉控制器,包括:
存储器,用于存储计算机程序;
处理器,用于在执行所述计算机程序时实现如上述内容所描述的锅炉运行参数处理方法的各步骤。
为实现上述目的,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时实现如上述内容所描述的锅炉运行参数处理方法的各步骤。
本申请的提供了一种锅炉运行参数处理方法,包括:获取锅炉的第一运行参数;将所述第一运行参数作为输入数据输入训练后的长短期记忆网络;其中,所述长短期记录网络使用所述锅炉历史的第一运行参数训练得到;获取所述长短期记忆网络输出的第二运行参数;根据所述第二运行参数确定是否存在故障或能否调整运行状态。
显然,本申请通过使用锅炉历史运行参数训练得到的长短期记忆网络,可以借助深度学习算法对锅炉运行参数进行更深层次的处理,挖掘到隐藏在数据表层下方的隐含特征,从而提取到能够更全面、更准确的反馈锅炉实际运行情况的参数,以便更加准确、更加及时的判断出锅炉是否存在安全隐患和即使调整运行状态。同时,区别于其它深度学习算法,长短期记忆网络可显著加强对出现频率低、间隔长、但会造成严重后果的运行参数的判别能力,尤其适合供热锅炉的实际使用情况。
本申请同时还提供了一种锅炉运行参数处理装置、锅炉控制器及可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种锅炉运行参数处理方法的流程图;
图2为本申请实施例提供的一种获取第一运行参数的方法的流程图;
图3为本申请实施例提供的一种数据清洗方法的流程图;
图4为本申请实施例提供的一种根据第二运行参数判断是否存在故障的方法的流程图;
图5为本申请实施例提供的一种根据第二运行参数确定能否调整运行状态的方法的流程图;
图6为本申请实施例提供的一种序列到序列的模型的工作原理示意图;
图7为本申请实施例提供的一种锅炉运行参数处理装置的结构框图。
具体实施方式
本申请的目的是提供一种锅炉运行参数处理方法、装置、锅炉控制器及可读存储介质,旨在通过对锅炉运行参数进行更深入、更全面的分析,发现隐含在数据表层之下更深处的特征,进而在无需长期经验的支持下也能够准确的判断出锅炉的运行状态,以便及时的进行故障维修和状态调整。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例一
请参见图1,图1为本申请实施例提供的一种锅炉运行参数处理方法的流程图,其包括以下步骤:
S101:获取锅炉的第一运行参数;
本步骤旨在获取锅炉的第一运行参数,该第一运行参数在该锅炉处于实际运行状态下收集得到。具体的,该第一运行参数可以通过设置在锅炉上的各式传感器、指示仪表灯装置反馈或读取得到,此处并不做具体限定。
S102:将第一运行参数作为输入数据输入训练后的长短期记忆网络;
其中,该长短期记忆网络预先使用该锅炉在历史运行过程中的历史第一运行参数训练得到。
在S101的基础上,本步骤旨在将该第一运行参数作为输入数据输入经训练后的长短期记忆网络。
其中,长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,区别于常规的循环神经网络,其由于独特的结构非常适合于处理和预测时间序列中间隔和延迟非常长的重要事件。因为在常规的循环神经网络中,数据随着迭代次数的增加常常会忽略时间序列中间隔和延迟非常长的重要事件。
在本申请所针对的供热锅炉运维场景下,供热锅炉由于其特殊的使用周期,时间序列中间隔和延迟非常长的重要事件更加显得重要和不可忽视,因此,本申请选用了长短期记忆网络作为训练对象,以期通过其具有的特性避免时间序列中间隔和延迟非常长的重要事件被忽视,从而使得最终的判断结果更加准确。
S103:获取长短期记忆网络输出的第二运行参数;
在S102的基础上,本步骤旨在获取训练后的长短期记忆网络利用内部构造对输入数据进行处理后,输出的第二运行参数。应当理解的是,第二运行参数应为区别于第一运行参数的其它运行参数,但第一运行参数和第二运行参数之间存在关联,即一者会随着另一者的变化发生变化。
应当理解是,作为一种特殊的人工神经网络的长短期记忆网络,其在本申请中的作用为基于其仿自生物神经网络的构造,对输入数据通过诸如卷积、降维、变形等方式的处理,可挖掘到不容易发现的、隐藏在表层之下的更深层次的特征,而通过更深层次的特征就能可以发现不同数据中隐藏的相同之处,对对应关系有了更全面的认知。从而能够更好的实现更准确的判断。
S104:根据第二运行参数确定是否存在故障或能否调整运行状态。
在S103的基础上,本步骤旨在根据输出的第二运行参数确定锅炉当前是否存在故障(包括是否存在将要导致产生故障的安全隐患)或者锅炉能否调整运行状态。
具体的,判断是否存在故障是根据输出的第二运行参数的特征进行判断得到的,而确定能否调整运行状态则是针对第二运行参数是否为最优参数,以便通过调整控制参数来使得第二运行参数朝最优参数靠近,从而尽可能的维持锅炉持续、高效稳定运行的目的。
基于本实施例所提供的技术方案可知,通过使用锅炉历史运行参数训练得到的长短期记忆网络,可以借助深度学习算法对锅炉运行参数进行更深层次的处理,挖掘到隐藏在数据表层下方的隐含特征,从而提取到能够更全面、更准确的反馈锅炉实际运行情况的参数,以便更加准确、更加及时的判断出锅炉是否存在安全隐患和即使调整运行状态。同时,区别于其它深度学习算法,长短期记忆网络可显著加强对出现频率低、间隔长、但会造成严重后果的运行参数的判别能力,尤其适合供热锅炉的实际使用情况。
实施例二
在实施例一的基础上,考虑到在供热锅炉的实际使用状态,可作为输入参数的参数可能多达200个,但如果将这200个不同类型的锅炉物理变量的参数权作为输入参数输入长短期记忆网络,不仅需要极长的运算耗时,且考虑到有相当一部分与要作为输出参数的第二运行参数的相关不高,运算意义不大,反而会降低运算效率。
因此,本实施例在实施例一的基础上,通过图2所示的流程图提供了一种获取第一运行参数的方法的流程图,具体包括以下步骤:
S201:获取与锅炉运行相关的全部物理变量;
S202:通过多层流模型对全部物理变量进行筛选,得到初筛物理变量;
多层流模型(MFM,Multilevel Flow Models)是一种由多个处理层级构建器的处理模块,以期通过多个处理层级之间的关系逐层的对数据进行筛选。
为便于理解多层流模型的工作原理,本申请还结合一种具体应用场景进行了举例说明:
本申请建立的MFM模型主要用于描述锅炉中重要的物理设备、物理过程之间,以及物理设备与物理过程之间的联系。下面对该锅炉的MFM模型进行说明,该模型主要描述了热水锅炉应该实现的目标,以及热水锅炉需要注意到的影响安全生产的威胁:
锅炉中最主要的就是能量流ef1,质量流mf1和质量流mf2,其余的能量流主要是锅炉中的重要辅机正常运行的能量转换。锅炉的主要目标ob1和ob2主要是通过能量流ef1实现,维持ef1需要质量流mf1和质量流mf2的功能正常。
通过MFM模型,从质量守恒和能量守恒的角度,建立了锅炉的静态模型。该模型的目标,最终的输出量是锅炉供水温度和供水压力,筛选后的输入变量主要包括风机入口和出口的温度、压力、流量。供浆泵的压力和流量,以及锅炉回水的温度、压力和流量。其中锅炉回水的温度、压力和流量是与总预测目标密切相关的,这三个是模型必选的输入参数,不对其进行压缩降维。
由于MFM模型的工作原理,本申请在此处将其用于两步筛选操作的第一步,在某个热力公司采用的某个型号的供热锅炉所包含的224个物理变量中,通过MFM模型可最终将其减少至26个物理变量。
S203:通过主成分分析技术对初筛物理变量进行筛选,得到关键物理变量;
在S202的基础上,本步骤旨在通过主成分分析技术对通过MFM模型筛选后的物理变量进行再次筛选,以得到关键物理变量。
主成分分析是一种通过利用降维的思想,将多指标转化为少数几个综合指标的方法。主成分分析技术原属于统计学概念,表现为一种简化数据集的技术,并具体表现为线性变换过程:这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,依次类推。
主成分分析经常用于减少数据集的维数,同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分,忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。本申请正是利用这一特性对MFM模型筛选出的物理变量从另一角度进行再筛选,得到保留住数据的最重要方面的关键物理变量。
为便于理解,此处承接MFM模型部分的例子继续说明:
此处的筛选思路是对整体数据(不包括输出参数和输入必选参数)进行PCA计算,选择26个数据中蕴含信息量较大的参数。筛选方法是计算该维度对应的特征值,按特征值占特征值总和的比例进行筛选。
具体地,首先对26个参数进行分类,总共分为4类参数进行PCA计算。这四类分别是供浆泵参数,压力参数,流量参数和温度参数。其中,供浆泵参数共有4个,压力参数共有10个,流量参数共有6个,温度参数共有6个。这四类参数变化波动的范围大小不同,四类参数并没有太强的相关性,所以对其进行分类处理,若统一处理则会导致选取的变量数量过少,信息大量损失。现就温度参数的筛选进行举例说明,请参见下表1:
表1温度参数对应的特征值及信息量占比
在经过MFM模型初选的变量中,温度参数有:一次空预器出口风温、二次空预器出口风温、一次空预器进口风温、二次空预器出口风温、风室温度A,风室温度B六项。其经过PCA计算后的特征值及信息量占比如表1所示。其中,前四项信息量占比的总和达到99%以上,所以选取前四项为神经网络模型输入温度参数。
PCA算法对以上26个参数依据信息量占比做出了筛选,保留了包含信息量占比99%以上的参数。其中供浆泵参数保留2个,压力参数保留2个,流量参数保留2个,温度参数保留4个,共保留11个参数,另外还有锅炉回水压力,回水温度以及回水流量3个输入必选参数。
由此,确定了13个作为第一运行参数输入长短期记忆网络的参数,分别为:供浆流量A、供浆流量B、一次风机出口压力、二次风机出口压力、一次冷风风量、二次冷风风量、一次空预器出口风温、二次空预器出口风温、一次空预器进口风温、和二次空预器进口风温,锅炉回水压力,回水温度以及回水流量;2个输出参数,分别为:锅炉供水压力、锅炉供水温度。
S204:获取关键物理变量的运行参数,得到第一运行参数。
在S203的基础上,经上述数据筛选操作,S101将对应表现为将关键物理变量的运行参数作为第一运行参数。
在实施例一的基础上,先后MFM模型和PCA技术的筛选,从数量众多的全量物理变量中筛选得到最重要的部分,从而大大减少了作为输入数据的数据类型和数量,可在不降低最终准确度的前提下极大的减少运算量。
需要说明的是,本实施例先后使用了MFM模型和PCA技术来力求得到数量最少的第一运行参数,但并不限定一定要使用两个,完全可以单独使用其中一个。
实施例三
在上述任意实施例的基础上,本步骤考虑到包含多种类型数据的第一运行参数可能会因为各种原因导致存在诸如存在错误字符、丢失、无效数据的问题,本实施例在上述实施例的基础上,提供了一种如图3所示的一种数据清洗方法的流程图,包括如下步骤:
S301:获取锅炉的第一运行参数;
S302:利用正则表达式修正第一运行参数中的错误字符;
S303:根据前后预设时长内的参数均值对中间的缺失部分进行填充;
例如,针对缺失数据,用前后六十秒数据均值进行填充。
S304:利用莱以特规则剔除第一运行参数中的最大误差;
S305:将经数据清洗后的第一运行参数作为输入数据输入训练后的长短期记忆网络。
根据图3可以看出,本实施例在S301和S305之间,提供了并列的三种具体的数据清洗方法,分别针对的错误字符、缺失数据以及超过最大误差的无效数据。应当理解的是,图3所示的方式仅为一种并列的实现方式,但完全可以同时、分别执行多个数据清洗操作,也可以按预设排序依次执行,此处并不做具体限定,可根据实际应用场景下对数据“洁净度”的具体要求灵活选择。
在上述任意实施例的基础上,通过在将第一运行参数输入长短期记忆网络之前,对其进行数据清理,将能够在无效或错误数据更少的情况下使输出数据更加准确、错误更少。
进一步的,考虑到第一运行参数中包含的多个物理变量的参数的来源不同,有可能存在不同物理变量采用不同的量纲进行表示的情况,因此为了防止由于量纲不同造成的结果错误,还可以对各参数进行归一化处理。
具体的,可以将所有输入参数的训练数据整理为矩阵X,每一列对应为一个输入参数,将每一列的数据求平均值再将每一列的数据求标准差σx,最后计算得归一化后的数据这一步的目的是通过利用变量最大和最小值将原始数据转化为一定区间的数据,从而消除量纲影响。归一化后损失函数图像类似圆形,这样最优解寻优过程变得平缓,更容易收敛找到最优解。
实施例四
在上述任意实施例的基础上,本实施例从长短期记忆网络输出的第二运行参数的应用方面,针对故障判断和能否调整分别通过图4和图5提供了一种具体的实现方式,其中,图4提供了一种根据第二运行参数判断是否存在故障的方法的流程图,包括如下步骤:
S401:比较第二运行参数与标准运行参数,得到区别参数;
其中,标准运行参数为长短期记忆网络对锅炉在正常工作状态下获取到的第一运行参数进行处理后得到的运行参数。此处用其作为衡量实际第二运行参数是否存在问题的标准参数使用。
本步骤旨在通过输出的第二运行参数与标准运行参数之间的比较,得到存在区别的参数。
S402:判断区别参数的参数差异大小是否大于预设阈值,若是,执行S404,否则执行S403;
在S401的基础上,本步骤旨在判断区别参数的参数差异大小是否大于预设阈值。其中,考虑到区别参数可能不止一个,该预设阈值也应对应为与每各不同的区别参数分别对应的预设阈值。该预设阈值可预先根据实际情况设定得到。
S403:判定锅炉各部件正常;
本步骤建立在S402的判断结果为参数差异大小不大于预设阈值的基础上,说明虽然存在偏差,但偏差仍在允许范围内,因此将认为正常的差异,并进而在不存在一个区别参数的基础上判定锅炉各部件正常。
S404:定位区别参数所属的目标锅炉部件,并发出包含目标锅炉部件的故障预警信息。
本步骤建立在S402的判断结果为参数差异大小大于预设阈值的基础上,说明偏差已经超过了正常的允许范围内,因此将定位区别参数所属的目标锅炉部件,并发出包含目标锅炉部件的故障预警信息。该故障预警信息可通过各种方式进行传达,例如各式即时通讯应用、声、光、震动报警器等等,此处并不做具体限定。
具体的,可根据上述方案实现锅炉的预测性维护:将训练好的预测模型预测的输出参数与锅炉实际产生的数据进行对比,正常情况下趋势应该大致相同,数值误差范围不超过5%,但如果长期处于偏离状态,说明相关部位和设备处于非最佳工作状态,时间久了就会增大出现故障的可能性。通常情况下锅炉的检修都是在供暖季结束停炉之后进行的,通过上述方案可以实现在线的锅炉预警(重新点一次炉子费用高昂),可以尽早采取相应的措施,在线检修或者减小该部件损耗,起到保障运维安全,节约运维成本的作用。
图5为本申请实施例提供的一种根据第二运行参数确定能否调整运行状态的方法的流程图,包括如下步骤:
S501:获取长短期记忆网络输出的第二运行参数;
S502:判断第二运行参数是否大于节省工作模式下的运行参数阈值,若是,则执行S504,否则执行S503;
S503:判定锅炉不需要调整;
本步骤建立在S502的判断结果为第二运行参数不大于节省工作模式下的运行参数阈值的基础上,说明按照锅炉的当前控制参数,并没有产生浪费现象,因此判定锅炉不需要调整。
S504:调整锅炉的控制参数直至最新的第二运行参数降至节省工作模式下的运行参数阈值。
本步骤建立在S502的判断结果为第二运行参数大于节省工作模式下的运行参数阈值的基础上,说明说明按照锅炉的当前控制参数,产生了浪费现象,因此调整锅炉的控制参数直至最新的第二运行参数降至节省工作模式下的运行参数阈值。
图5所示的流程图以如何能够节省供热锅炉的燃料投放量为例,设置了节省工作模式和与该工作模式相对应的运行参数阈值,从而通过与输出的第二运行参数之间的比较,判断当前是否为同样投放量所能够得到的最好效果,或者是否为得到相同效果的最小投放量。
具体的,可根据上述方案实现提供一个可用于节约燃料的控制策略,将客户用能需求、锅炉实时运行的如供热水流量,温度等其他相关参数为输入量;以加燃料量,一二次风机开度等其他控制参数量作为输出量,可以通过模型得到在保证功能需求前提下,最优化控制策略,到达节煤的目的,并在前端页面生成设备的控制指导手册,也可以为没有运维经验的操作工人提供一定的操作指导。在日后保证信息安全的情况下,甚至可以通过MODBUS(一种工业控制协议)协议实现全自动化控制,无人工厂。
还需要说明的是,由于在供热锅炉这一场景下,作为输入数据的参数种类数往往远大于作为输出数据的参数种类数,而常规的长短期记忆网络在输入数据和输出数据之间为一一对应的关系。直接采用按照常规的长短期记忆网络来实现本申请目的,将会因为对应关系无法很好的按实际情况进行表达产生不准确的结果。
因此,本申请针对这一问题,采用了序列到序列的模型来解决这一问题。
序列到序列,seq2seq,其使用两个循环神经网络,从而实现将一个语言序列直接转换到另一个语言序列的目的。即一个神经网络负责接收源句子;另一个循环神经网络负责将句子输出成翻译的语言,这两个过程分别称为编码和解码的过程。在本申请中使用编码器与解码器解决输入与输出序列长度不同的问题,也就是所谓的Encoder-Decoder模型(请参见图6所示的编解码器工作原理图)。输入参数需要先进行编码,将输入数据编成一个上下文向量C,通过对所有隐状态做变换,得到向量C。然后通过C输入解码器,执行编码的逆过程从而得到序列长度不同的输出。
通过将序列到序列的模型应用在长短期记忆网络的处理过程,使得改进后的长短期记忆网络可以更好的描述多对一或的一对多的对应关系。
因为情况复杂,无法一一列举进行阐述,本领域技术人员应能意识到根据本申请提供的基本方法原理结合实际情况可以存在很多的例子,在不付出足够的创造性劳动下,应均在本申请的保护范围内。
下面请参见图7,图7为本申请实施例提供的一种锅炉运行参数处理装置的结构框图,该装置可以包括:
第一运行参数获取单元100,用于获取锅炉的第一运行参数;
参数输入单元200,用于将第一运行参数作为输入数据输入训练后的长短期记忆网络;其中,长短期记录网络使用锅炉历史的第一运行参数训练得到;
第二运行参数获取单元300,用于获取长短期记忆网络输出的第二运行参数;
第二运行参数应用单元400,用于根据第二运行参数确定是否存在故障或能否调整运行状态。
进一步的,该锅炉运行参数处理装置还可以包括:
全部物理变量获取单元,用于在获取锅炉的第一运行参数之前,获取与锅炉运行相关的全部物理变量;
多层流模型初筛单元,用于通过多层流模型对全部物理变量进行筛选,得到初筛物理变量;
主成分分析再筛单元,用于通过主成分分析技术对初筛物理变量进行筛选,得到关键物理变量;
对应的,该第一运行参数获取单元100可以包括:
关键物理变量运行参数获取子单元,用于获取关键物理变量的运行参数,得到第一运行参数。
进一步的,该锅炉运行参数处理装置还可以包括:
错误字符修正单元,用于在将第一运行参数作为输入数据输入训练后的长短期记忆网络之前,利用正则表达式修正第一运行参数中的错误字符;
和/或
缺失数据填充单元,用于在将第一运行参数作为输入数据输入训练后的长短期记忆网络之前,根据前后预设时长内的参数均值对中间的缺失部分进行填充;
和/或
最大误差剔除单元,用于在将第一运行参数作为输入数据输入训练后的长短期记忆网络之前,利用莱以特规则剔除第一运行参数中的最大误差。
进一步的,该锅炉运行参数处理装置还可以包括:
归一化处理单元,用于在将第一运行参数作为输入数据输入训练后的长短期记忆网络之前,对第一运行参数中包含的各种类运行参数进行归一化处理。
更进一步的,该锅炉运行参数处理装置还可以包括:
输入输出参数数量差异统一单元,用于利用序列到序列的模型统一第一运行参数与第二运行参数之间的种类数差。
其中,该第二运行分析参数应用单元400可以包括:
标准参数比较子单元,用于比较第二运行参数与标准运行参数,得到区别参数;其中,标准运行参数为长短期记忆网络对锅炉在正常工作状态下获取到的第一运行参数进行处理后得到的运行参数;
参数差异大小判断子单元,用于判断区别参数的参数差异大小是否大于预设阈值;
故障锅炉部件定位及故障预警子单元,用于当区别参数的参数差异大小大于预设阈值时,定位区别参数所属的目标锅炉部件,并发出包含目标锅炉部件的故障预警信息。
其中,该第二运行分析参数应用单元400可以包括:
节能工作模式参数阈值判断子单元,用于判断第二运行参数是否大于节能工作模式下的运行参数阈值;
控制参数调整子单元,用于当第二运行参数大于节能工作模式下的运行参数阈值时,调整锅炉的控制参数直至最新的第二运行参数降至节省工作模式下的运行参数阈值。
本实施例作为对应于上述方法实施例的装置实施例存在,具有方法实施例的全部有益效果,此处不再一一赘述。
基于上述实施例,本申请还提供了一种锅炉控制器,该锅炉控制器可以包括存储器和处理器,其中,该存储器中存有计算机程序,该处理器调用该存储器中的计算机程序时,可以实现上述任意实施例所提供的锅炉运行参数处理方法的各步骤。当然,该锅炉控制器还可以包括各种必要的网络接口、电源以及其它零部件等。
本申请还提供了一种可读存储介质,其上存有计算机程序,该计算机程序被执行终端或处理器执行时可以实现上述任意实施例所提供的锅炉运行参数处理方法的各步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种锅炉运行参数处理方法,其特征在于,包括:
获取锅炉的第一运行参数;
将所述第一运行参数作为输入数据输入训练后的长短期记忆网络;其中,所述长短期记录网络使用所述锅炉历史的第一运行参数训练得到;
获取所述长短期记忆网络输出的第二运行参数;
根据所述第二运行参数确定是否存在故障或能否调整运行状态。
2.根据权利要求1所述的锅炉运行参数处理方法,其特征在于,在获取锅炉的第一运行参数之前,还包括:
获取与锅炉运行相关的全部物理变量;
通过多层流模型对所述全部物理变量进行筛选,得到初筛物理变量;
通过主成分分析技术对所述初筛物理变量进行筛选,得到关键物理变量;
对应的,获取锅炉的第一运行参数,包括:
获取所述关键物理变量的运行参数,得到所述第一运行参数。
3.根据权利要求1所述的锅炉运行参数处理方法,其特征在于,在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,还包括:
利用正则表达式修正所述第一运行参数中的错误字符;
和/或
根据前后预设时长内的参数均值对中间的缺失部分进行填充;
和/或
利用莱以特规则剔除所述第一运行参数中的最大误差。
4.根据权利要求1所述的锅炉运行参数处理方法,其特征在于,在将所述第一运行参数作为输入数据输入训练后的长短期记忆网络之前,还包括:
对所述第一运行参数中包含的各种类运行参数进行归一化处理。
5.根据权利要求1至4任一项所述的锅炉运行参数处理方法,其特征在于,还包括:
利用序列到序列的模型统一所述第一运行参数与所述第二运行参数之间的种类数差。
6.根据权利要求5所述的锅炉运行参数处理方法,其特征在于,根据所述第二运行参数确定是否存在故障,包括:
比较所述第二运行参数与标准运行参数,得到区别参数;其中,所述标准运行参数为所述长短期记忆网络对所述锅炉在正常工作状态下获取到的第一运行参数进行处理后得到的运行参数;
判断所述区别参数的参数差异大小是否大于预设阈值;
若是,则定位所述区别参数所属的目标锅炉部件,并发出包含所述目标锅炉部件的故障预警信息。
7.根据权利要求5所述的锅炉运行参数处理方法,其特征在于,根据所述第二运行参数确定能否调整运行状态,包括:
判断所述第二运行参数是否大于节省工作模式下的运行参数阈值;
若是,则调整所述锅炉的控制参数直至最新的第二运行参数降至所述节省工作模式下的运行参数阈值。
8.一种锅炉运行参数处理装置,其特征在于,包括:
第一运行参数获取单元,用于获取锅炉的第一运行参数;
参数输入单元,用于将所述第一运行参数作为输入数据输入训练后的长短期记忆网络;其中,所述长短期记录网络使用所述锅炉历史的第一运行参数训练得到;
第二运行参数获取单元,用于获取所述长短期记忆网络输出的第二运行参数;
第二运行参数应用单元,用于根据所述第二运行参数确定是否存在故障或能否调整运行状态。
9.一种锅炉控制器,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于在执行所述计算机程序时实现如权利要求1至7任一项所述的锅炉运行参数处理方法的各步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时实现如权利要求1至7任一项所述锅炉运行参数处理方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250992.2A CN111027620A (zh) | 2019-12-09 | 2019-12-09 | 一种锅炉运行参数处理方法、装置、锅炉控制器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250992.2A CN111027620A (zh) | 2019-12-09 | 2019-12-09 | 一种锅炉运行参数处理方法、装置、锅炉控制器及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027620A true CN111027620A (zh) | 2020-04-17 |
Family
ID=70208568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911250992.2A Pending CN111027620A (zh) | 2019-12-09 | 2019-12-09 | 一种锅炉运行参数处理方法、装置、锅炉控制器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027620A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625966A (zh) * | 2020-05-29 | 2020-09-04 | 华润电力技术研究院有限公司 | 一种煤种信息库建立方法、装置、设备及可读存储介质 |
CN113610289A (zh) * | 2021-07-30 | 2021-11-05 | 新奥数能科技有限公司 | 工业锅炉的剩余维护时间预测方法、装置和计算机设备 |
-
2019
- 2019-12-09 CN CN201911250992.2A patent/CN111027620A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625966A (zh) * | 2020-05-29 | 2020-09-04 | 华润电力技术研究院有限公司 | 一种煤种信息库建立方法、装置、设备及可读存储介质 |
CN113610289A (zh) * | 2021-07-30 | 2021-11-05 | 新奥数能科技有限公司 | 工业锅炉的剩余维护时间预测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657031B (zh) | 基于数字孪生的供热调度自动化实现方法、系统及平台 | |
US11854360B2 (en) | Methods of smart gas terminal linkage disposal for indoor safety and internet of things systems thereof | |
Marseguerra et al. | Optimal reliability/availability of uncertain systems via multi-objective genetic algorithms | |
CN111027620A (zh) | 一种锅炉运行参数处理方法、装置、锅炉控制器及介质 | |
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN101893877A (zh) | 一种发电厂基于能耗分析的优化运行方法及其系统 | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
CN107291944A (zh) | 锅炉主要受热面超前诊断分析方法及系统 | |
US20240106897A1 (en) | Methods and smart gas internet of things systems for determining gas abnormity for safe gas use | |
WO2019051963A1 (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
KR20210054360A (ko) | 발전 설비 성능 감시 장치 | |
CN115439003A (zh) | 基于智慧燃气物联网的燃气表更换提示方法和系统 | |
CN117460129B (zh) | 基于物联网驱动的节能路灯控制方法及系统 | |
CN111080472A (zh) | 一种电力系统负荷预测和分析方法 | |
CN111210083A (zh) | 一种管网异常分析方法 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
KR102185017B1 (ko) | 가스공급시설 정보관리 및 예지보전 통합 시스템 | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
CN112329953A (zh) | 一种工业炉全流程智能诊断和优化运行系统 | |
CN117034763A (zh) | 一种数字能源空压系统的一站式智能管理系统 | |
CN109783959B (zh) | 基于阀门的联合多模型仿真平台及方法 | |
CN114969068B (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
CN116165976A (zh) | 生产系统的控制方法、装置、系统、设备及存储介质 | |
CN111162933B (zh) | 一种具有预测功能的云计算系统及其实现方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210602 Address after: 266073 room 402, Block E, 67 and 69 Yinchuan West Road, Shinan District, Qingdao City, Shandong Province Applicant after: Qingdao Trier Technology Co.,Ltd. Address before: 266071 e402, 403, No. 67, 69, Yinchuan West Road, Shinan District, Qingdao City, Shandong Province Applicant before: QINGDAO CLEAR ENVIRONMENTAL PROTECTION GROUP Co.,Ltd. |