CN111626360A - 用于检测锅炉故障类型的方法、装置、设备和存储介质 - Google Patents

Abstract

本申请适用于分布式能源技术领域，提供了一种用于检测锅炉故障类型的方法、装置、设备和存储介质，其中，该方法包括：获取锅炉上不同观测点的数据，形成比较序列；基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度；根据所述关联程度确定所述标记序列所属的故障类型。本申请相比于通过专家系统来对锅炉进行故障诊断的方式，诊断手段更为简单和迅速，提高了锅炉故障类型检测的效率。

Description

用于检测锅炉故障类型的方法、装置、设备和存储介质

技术领域

本申请属于分布式能源技术领域，尤其涉及一种用于检测锅炉故障类型的方法、装置、设备和存储介质。

背景技术

分布式能源由于贴近用户端，具有高效、清洁等特点，随着其不断发展，分布式能源系统中涉及到的设备的故障监测以及诊断也越来越受到大家的关注。目前对于分布式能源的故障检测主要是基于专家系统来实现，即利用专家经验建立一系列规则，进行先关推理，这种故障检测要求大量的专业的技术人员，且周期较长。

因此，如何对分布式能效进行快速而有效的故障检测是当前本领域技术人员需要解决的技术难题。

发明内容

有鉴于此，本申请实施例提供了一种用于检测锅炉故障类型的方法、装置、设备和存储介质，以解决现有技术中如何对锅炉进行快速而有效的故障类型检测的问题。

本申请实施例的第一方面提供了一种用于检测锅炉故障类型的方法，其包括：获取锅炉上不同观测点的数据，形成比较序列；基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度；根据所述关联程度确定所述标记序列所属的故障类型。

在一些实施方案中，所述基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度，包括：获取标准序列；基于关联系数计算公式，计算所述标记序列和标准序列之间的关联系数；基于关联度计算公式，根据所述关联系数确定所述标记序列与标准序列的关联度大小。

在一些实施方案中，所述标准序列包括基于k-means聚类算法对所述锅炉的历史故障数据进行计算得到的簇的质心。

在一些实施方案中，所述基于k-means聚类算法对所述锅炉的历史故障数据集合进行计算得到的簇的质心的步骤，包括：获取锅炉的历史故障数据；按照不同时刻不同测点维度的数据结构将所述历史故障数据整理成故障数据序列；基于k-means聚类算法迭代计算该故障数据序列中各故障数据的距离，以划分得到设定个数的簇；获取各所述簇的质心，组成标准序列。

在一些实施方案中，所述簇的个数由所述历史故障数据集合中故障类型的数量一致。

在一些实施方案中，所述故障数据序列包括：分别以不同的第一设定参数表示不同历史故障数据，组成故障数据序列。

在一些实施方案中，所述第一设定参数由多个分别表示不同观测点数据的第二设定参数组成，所述不同观测点数据包括所述锅炉的出水温度、出水压力、上水压力、出水流量、上水温度、炉膛温度、排烟温度中的至少一种数据。

本申请实施例的第二方面提供了一种用于检测锅炉故障类型的装置，其包括：监测数据获取模块，被配置为获取锅炉上不同观测点的数据，形成比较序列；关联程度计算模块，被配置为基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度；故障类型确定模块，被配置为根据所述关联程度确定所述标记序列所属的故障类型。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一项实施方案中所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项实施方案中所述方法的步骤。

本申请的有益效果：上述方法通过对锅炉的历史故障数据进行整理形成标准序列，然后将锅炉实时运行数据整理为比较序列，并基于灰色关联度算法来确定比较序列与标准序列之间的关联程度，从而实现确定该比较序列是否为标准序列中的某一故障类型，以达到锅炉故障诊断的目的。相比于现有技术通过专家系统来对锅炉进行故障诊断的方法，本申请的诊断更加容易和迅速，提高了检测的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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它的附图。

图1为本申请提供的用于检测锅炉故障类型的方法在一实施例中的流程图；

图2为上述图1所示实施例中步骤S102中标准序列在一实施例中的实现流程图；

图3为上述图1所示实施例中步骤S102在一实施例中的流程图；

图4为本申请提供的用于检测锅炉故障类型的装置在一实施例中的结构原理图；

图5为本申请提供的终端设备在一实施例中的结构原理图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

申请创造构思过程

在技术研发过程中，申请人发现目前对于分布式能源的故障检测主要还是依靠专家系统或专业技术人员凭借积累的经验来进行诊断。对此，经申请人对各种分布式能源系统进行了深入地研究分析，发现现有分布式能源往往是由多个设备组成的系统，其输入和输出不能由独自完成，那么其故障一般也就会受到其他设备的影响，因此很难通过监测数据判断出来；但唯独锅炉比较特殊，在分布式能源领域锅炉的故障类型可以通过锅炉自己的属性即可分析出来，而不受其他设备的影响。因此，申请人针对锅炉提出一种锅炉故障类型检测的方法，通过利用人工智能算法对锅炉历史故障数据分析，形成故障判断的参考标准，然后将锅炉运行数据与该故障判断标准进行比较，以此来确定锅炉在发生故障时的具体类型。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

方法性实施例

请参见图1，示出了本申请提供的用于检测锅炉故障类型的方法在一实施例中的流程图，在实际应用中，该方法的执行主体可以为各种智能终端设备，例如工控机、服务器、手机等设备。

如图1所示，该用于检测锅炉故障类型的方法，具体包括以下步骤：

S101，获取锅炉上不同观测点的数据，形成比较序列。

具体的，锅炉上的观测点是对锅炉正常运行状态进行监测的数据采集点，即可以通过对观测点的数据采集来分析锅炉运行状态是否存在故障。例如，在一示例中，锅炉上的不同观测点可以包括：锅炉的出水温度、出水压力、上水压力、出水流量、上水温度、炉膛温度、排烟温度中的至少一种观测点。

其中，在获取到上述不同观测点的数据后，可以对该数据进行数组表示，从而形成数据序列，即比较序列，以便于后续进行关联程度计算。

S102，基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度。

具体的，灰色关联度算法的原理是基于数据序列的几何接近，可用于分析和确定数据序列之间影响程度或者是相关程度。

在一示例性实施例中，标准序列可以是通过对锅炉的历史故障数据进行聚类分析形成的多个聚类簇的质心的序列。例如，上述步骤S102中的标准序列包括基于k-means聚类算法对所述锅炉的历史故障数据集合进行计算得到的簇的质心，所述簇的个数由所述历史故障数据集合中故障类型的数量一致。

其中，请参见图2，示出了上述图1所示实施例中步骤S102中标准序列在一实施例中的实现流程图，该基于k-means聚类算法对所述锅炉的历史故障数据进行计算得到的多个故障类型的簇的质心序列的具体过程，可以包括以下步骤：

S201，获取锅炉的历史故障数据。

具体的，通过收集锅炉的历史故障数据形成故障数据集合，以便对数据进行分析整理，一方面可以确定锅炉的故障类型种类，另一方面便于将故障数据按一定的数据结构进行表示。

S202，按照不同时刻不同测点维度的数据结构将所述历史故障数据整理成故障数据序列。

具体的，由于锅炉的测点数据具有时间属性，因此可以对历史故障数据按照时间进行排列，另外由于锅炉的故障类型非常典型，可以从自身的测点数据中反映出来。由此，可以对历史故障数据按照不同时刻不同测点维度的数据结构来形成故障数据序列。

示例性的，可以分别以不同的第一设定参数表示不同历史故障数据，组成故障数据序列，假设以第一设定参数X表示某个故障数据，那么即可令X₁、X₂、…、X_n表示故障数据序列，n表示不同故障数据的数量；进一步的，每个故障数据还可以进一步由多个分别表示不同观测点数据的第二设定参数组成，例如，以故障数据X₁来说，假设设锅炉上设有用于获取以下至少一种数据的不同测点：出水温度、出水压力、上水压力、出水流量、上水温度、炉膛温度和排烟温度，那么此时以故障数据X₁可以进一步表示为：X₁＝[x₁₁,x₁₂,…,x_1k]，k表示数据序列中不同测点的数量，以上述示例来说，k＝7。通过本实施例，可以将过的历史故障数据整理成易于分析的数据结构，进而实现在后续聚类算法中快速实现簇的形成，并突出故障类型的属性。

S203，基于k-means聚类算法迭代计算该故障数据序列中各故障数据的距离，以划分得到设定个数的簇。

具体的，这里采用k-means聚类算法，该算法根据要得到的簇的个数，通过计算各个故障数据之间的距离，将不同的故障数据按照距离长短划分为不同的簇里面。其中，计算距离的方式可以采用欧氏距离或者余弦相似度均可，簇的个数的选取可以根据选取的故障数据序列涉及到的故障类型个数设定。正是由于锅炉的故障类型可以通过对故障数据集合分析来确定，因此选用k-means聚类算法可以实现K的准确确定，从而使算法凸显故障类型的属性。

S204，获取各个所述簇的质心，组成标准序列。

根据上述k-means聚类算法输出的结果即可得到每个簇的质心，如果设质心分别是y₁、y₂、…、y_i，由此组成的序列可作为标准序列，以供后续步骤进行关联程度计算，其中i表示簇的个数。

需要说明的是，聚类算法在人工智能领域非常普遍，且具体算法也非常多，上述示例采用k-means聚类算法，其中K值的确定非常重要，而申请人通过对锅炉示例故障数据的分析整理以后，发现锅炉的故障类型比较典型，可以通过既有历史故障数据确定故障类型的种类，因此如果采用k-means聚类算法可以很容易确定K值，从而可以有效突出故障类型的属性。

进一步的，在获取到比较序列与标准序列之后，即可采用灰色关联度算法来确定该比较序列与标准序列之间的关联程度。其中，该关联程度包括比较序列与标准序列之间的关联系数和关联度。

具体的，在一示例性实施例中，见图3，示出了上述步骤S102在一实施例中的流程图，如图3所示，基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度，可以具体包括以下步骤：

S301，获取标准序列。

该标准序列即可以为上述示例中根据k-means聚类算法确定的标准序列。

S302，基于关联系数计算公式，计算所述标记序列和标准序列之间的关联系数。

灰色关联度算法包括该关联系数计算公式，例如，设比较序列(即要判断的数据序列)y₀，那么基于灰色关联度算法，比较序列与标准序列之间的关联系数如下计算：

其中，ρ表示分辨系数，0<ρ<1，一般取0.5；k表示第k个测点，i表示某个簇，y₀(k)表示第k个测点的标准序列，y_i(k)表示i个簇的第k个测点的比较序列，max表示最大值，min_i表示最小值，即max_i、max_k、min_i、min_k分别表示i簇和第k个测点的最大值和最小值。应当理解，由于灰色关联度算法为现有算法，对于本领域技术人员来说上述公式是非常用以理解的，故这里对上述计算公式不再赘述。

S303，基于关联度计算公式，根据所述关联系数确定所述标记序列与标准序列的关联度大小。

在根据前述步骤计算得到关联系数以后，则可以进一步计算比较序列与标准序列的关联度，设关联度为Y_i，那么比较序列y₀和标准序列y_k的关联度可具体通过以下关联度计算公式获得：

其中，i表示个数，取正整数，根据该计算结果，Y_i越大表示关联程度越高。

S103，根据所述关联程度确定所述比较序列所属的故障类型。

根据上述灰色关联度算法示例中关联度的计算结果，即可按照关联度大小判断待测模式与哪个标准序列更接近，从而实现锅炉的故障类型的诊断。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

产品性实施例

基于与上述方法性实施例相同的申请构思，本实施例还提供了一种用于检测锅炉故障类型的装置，在实际应用中，该装置可以一般用于安装在各种终端设备中。

请参见图4，示出了本申请提供的用于检测锅炉故障类型的装置在一实施例中的结构原理图。

如图4所示，该用于检测锅炉故障类型的装置400，包括：监测数据获取模块401，被配置为获取锅炉上不同观测点的数据，形成比较序列；关联程度计算模块402，被配置为基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度；故障类型确定模块403，被配置为根据所述关联程度确定所述标记序列所属的故障类型。

在一些实施例中，上述关联程度计算模块，还可以具体包括：标准序列获取单元，被配置为获取标准序列；第一计算单元，被配置为基于关联系数计算公式，计算所述标记序列和标准序列之间的关联系数；第二计算单元，被配置为基于关联度计算公式，根据所述关联系数确定所述标记序列与标准序列的关联度大小。

在一些实施例中，上述装置还包括标准序列构建模块，被配置为基于k-means聚类算法对所述锅炉的历史故障数据集合进行计算得到的簇的质心，并将各所述质心作为所述标准序列。

在一些实施例中，上述标准序列构建模块可以具体包括：故障数据获取单元，被配置为获取锅炉的历史故障数据；故障数据整理单元，被配置为按照不同时刻不同测点维度的数据结构将所述历史故障数据整理成故障数据序列；聚类计算单元，被配置为基于k-means聚类算法迭代计算该故障数据序列中各故障数据的距离，以划分得到设定个数的簇；标准序列建立单元，被配置为获取各所述簇的质心，组成标准序列。

具体的，在一示例中，所述簇的个数由所述历史故障数据集合中故障类型的数量一致。

具体的，在一示例中，所述故障数据序列包括：分别以不同的第一设定参数表示不同历史故障数据，组成故障数据序列。

具体的，在一示例中，所述第一设定参数由多个分别表示不同观测点数据的第二设定参数组成，所述不同观测点数据包括所述锅炉的出水温度、出水压力、上水压力、出水流量、上水温度、炉膛温度、排烟温度中的至少一种数据。

执行主体实施例

本实施例还提供了可以用于执行上述方法性实施例的或用于安装产品性实施例中任一方案的终端设备，在实际应用中，该终端设备可以包括计算机。

请参见图5，示出了本申请提供的终端设备在一实施例中的结构原理图，如图5所示，该终端设备500包括：501、存储器502以及存储在所述存储器502中并可在所述501上运行的计算机程序503。所述501执行所述计算机程序503时实现上述各个用于检测锅炉故障类型的方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述501执行所述计算机程序503时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至403的功能。

示例性的，所述计算机程序503可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器502中，并由所述501执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序503在终端设备500中的执行过程。例如，所述计算机程序503可以被分割成监测数据获取模块401、关联程度计算模块402和故障类型确定模块403。

终端设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备500可包括，但不仅限于，501、存储器502。本领域技术人员可以理解，图5仅仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器502可以是终端设备500的内部存储单元，例如终端设备500的硬盘或内存。所述存储器502也可以是终端设备500的外部存储设备，例如终端设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括终端设备500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及终端设备500所需的其它程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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系统，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本申请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。

所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于检测锅炉故障类型的方法，其特征在于，所述方法包括：

获取锅炉上不同观测点的数据，形成比较序列；

基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度；

根据所述关联程度确定所述标记序列所属的故障类型。

2.根据权利要求1所述的用于检测锅炉故障类型的方法，其特征在于，所述基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度，包括：

获取标准序列；

基于关联系数计算公式，计算所述标记序列和标准序列之间的关联系数；

基于关联度计算公式，根据所述关联系数确定所述标记序列与标准序列的关联度大小。

3.根据权利要求1或2所述的用于检测锅炉故障类型的方法，其特征在于，所述标准序列包括基于k-means聚类算法对所述锅炉的历史故障数据进行计算得到的簇的质心。

4.根据权利要求3所述的用于检测锅炉故障类型的方法，其特征在于，所述基于k-means聚类算法对所述锅炉的历史故障数据集合进行计算得到的簇的质心的步骤，包括：

获取锅炉的历史故障数据；

按照不同时刻不同测点维度的数据结构将所述历史故障数据整理成故障数据序列；

基于k-means聚类算法迭代计算该故障数据序列中各故障数据的距离，以划分得到设定个数的簇；

获取各所述簇的质心，组成标准序列。

5.根据权利要求4所述的用于检测锅炉故障类型的方法，其特征在于，所述簇的个数由所述历史故障数据集合中故障类型的数量一致。

6.根据权利要求4所述的用于检测锅炉故障类型的方法，其特征在于，所述故障数据序列包括：分别以不同的第一设定参数表示不同历史故障数据，组成故障数据序列。

7.根据权利要求6所述的用于检测锅炉故障类型的方法，其特征在于，所述第一设定参数由多个分别表示不同观测点数据的第二设定参数组成，所述不同观测点数据包括所述锅炉的出水温度、出水压力、上水压力、出水流量、上水温度、炉膛温度、排烟温度中的至少一种数据。

8.一种用于检测锅炉故障类型的装置，其特征在于，所述装置包括：

监测数据获取模块，被配置为获取锅炉上不同观测点的数据，形成比较序列；

关联程度计算模块，被配置为基于灰色关联度算法，确定所述比较序列与标准序列之间的关联程度；

故障类型确定模块，被配置为根据所述关联程度确定所述标记序列所属的故障类型。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images