CN115470841A - 引风机系统的运行状况检测方法、装置、介质及设备 - Google Patents

引风机系统的运行状况检测方法、装置、介质及设备 Download PDF

Info

Publication number
CN115470841A
CN115470841A CN202211009167.5A CN202211009167A CN115470841A CN 115470841 A CN115470841 A CN 115470841A CN 202211009167 A CN202211009167 A CN 202211009167A CN 115470841 A CN115470841 A CN 115470841A
Authority
CN
China
Prior art keywords
induced draft
draft fan
real
data
target performance
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
Application number
CN202211009167.5A
Other languages
English (en)
Inventor
王双龙
李举
王德传
韩敏
孟衍
杨光军
田正学
张立乾
刘波
陈洪利
张玲利
孟庆辉
马善清
王庐山
高明珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHN Energy Liaocheng Power Generation Co Ltd
Original Assignee
CHN Energy Liaocheng Power Generation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHN Energy Liaocheng Power Generation Co Ltd filed Critical CHN Energy Liaocheng Power Generation Co Ltd
Priority to CN202211009167.5A priority Critical patent/CN115470841A/zh
Publication of CN115470841A publication Critical patent/CN115470841A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (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

本公开涉及一种引风机系统的运行状况检测方法、装置、介质及设备，所述方法包括：获取引风机系统的实时运行参数，所述实时运行参数包括目标性能影响因子的实时数据和目标性能评价参数的实时数据；根据预先训练的参数预测模型和所述目标性能影响因子的实时数据，确定所述目标性能评价参数的预测数据；确定所述目标性能评价参数的所述实时数据和所述预测数据之间的相关性系数；根据所述相关性系数确定所述引风机系统的运行状况。由此，通过确定目标性能评价参数的实时数据和预测数据的相关性系数，可实现对引风机系统的运行状况进行分析，能够及时发现引风机系统的异常状况以及采取相应的措施，保证了引风机系统的安全性。

Description

引风机系统的运行状况检测方法、装置、介质及设备
技术领域
本公开涉及工业控制技术领域，具体地，涉及一种引风机系统的运行状况检测方法、装置、介质及设备。
背景技术
目前，传统的火电厂引风机系统运行状况检测方法大多采用阈值报警方法，当检测参数实时值超出设定阈值后便会激发报警，这种报警方式虽然可以向运维人员提供一些判断信息，但是也存在一些问题。例如，当阈值报警触发后，系统可能早已处于异常状态，无法对系统异常进行提早判断和处理。
发明内容
本公开的目的是提供一种引风机系统的运行状况检测方法、装置、介质及设备，以对引风机系统的运行状况进行检测。
为了实现上述目的，第一方面，本公开提供一种引风机系统的运行状况检测方法，包括：
获取引风机系统的实时运行参数，所述实时运行参数包括目标性能影响因子的实时数据和目标性能评价参数的实时数据；
根据预先训练的参数预测模型和所述目标性能影响因子的实时数据，确定所述目标性能评价参数的预测数据；
确定所述目标性能评价参数的所述实时数据和所述预测数据之间的相关性系数；
根据所述相关性系数确定所述引风机系统的运行状况。
可选地，所述参数预测模型通过以下方式训练得到：
获取训练样本集，所述训练样本集包括所述引风机系统在正常工况下的历史运行数据，所述历史运行数据包括所述目标性能影响因子的历史数据和对应的所述目标性能评价参数的历史数据；
根据所述训练样本集，对神经网络模型进行训练；
响应于训练完成，将训练完成的模型确定为所述参数预测模型。
可选地，所述根据所述训练样本集，对神经网络模型进行训练，包括：
对所述训练样本集进行数据预处理，其中，所述数据预处理包括缺失值填补和/或离群点剔除；
根据所述数据预处理后的训练样本集，对所述神经网络模型进行训练。
可选地，所述根据所述相关性系数确定所述引风机系统的运行状况，包括：
确定所述相关性系数对应的分数；
若所述分数大于或等于第一预设分数阈值，则确定所述引风机系统的运行状况良好；
若所述分数大于或等于第二预设分数阈值并小于所述第一预设分数阈值，则确定所述引风机系统的运行状况合格；
若所述分数小于所述第二预设分数阈值，则确定所述引风机系统的运行状况异常。
可选地，所述方法还包括：
响应于确定所述引风机系统的运行状况异常，进行异常告警操作。
可选地，所述目标性能影响因子包括以下中的至少一者：引风机入口压力、引风机动叶阀位反馈、引风机入口温度、引风机油路温度。
可选地，所述目标性能评价参数包括以下中的至少一者：引风机出口电流、引风机出口压力、引风机二次风量、引风机的轴承温度、引风机的出口温度。
第二方面，本公开提供一种引风机系统的运行状况检测装置，包括：
获取模块，用于获取引风机系统的实时运行参数，所述实时运行参数包括目标性能影响因子的实时数据和目标性能评价参数的实时数据；
第一确定模块，用于根据预先训练的参数预测模型和所述目标性能影响因子的实时数据，确定所述目标性能评价参数的预测数据；
第二确定模块，用于确定所述目标性能评价参数的所述实时数据和所述预测数据之间的相关性系数；
第三确定模块，用于根据所述相关性系数确定所述引风机系统的运行状况。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面任一所述方法的步骤。
在上述技术方案中，首先，获取引风机系统的实时运行参数，然后根据参数预测模型和目标性能影响因子的实时数据，确定目标性能评价参数的预测数据，进而确定目标性能评价参数的实时数据和预测数据之间的相关性系数，进而根据相关性系数确定引风机系统的运行状况。由此，通过确定目标性能评价参数的实时数据和预测数据的相关性系数，可实现对引风机系统的运行状况进行分析，能够及时发现引风机系统的异常状况以及采取相应的措施，保证了引风机系统的安全性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开一种示例性实施方式提供的引风机系统的运行状况检测方法的流程图；
图2是本公开一种示例性实施方式提供的引风机系统的运行状况检测装置的框图；
图3是本公开一种示例性实施方式提供的电子设备的结构示意图；
图4是本公开一种示例性实施方式提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
在本实施例中提供了一种引风机系统的运行状况检测方法，图1是一种示例性实施方式提供的引风机系统的运行状况检测方法的流程图，如图1所述，该方法可以包括以下步骤：
步骤S101，获取引风机系统的实时运行参数。
其中，实时运行参数包括目标性能影响因子的实时数据和目标性能评价参数的实时数据。
其中，所述目标性能影响因子包括以下中的至少一者：引风机入口压力、引风机动叶阀位反馈、引风机入口温度、引风机油路温度。
其中，所述目标性能评价参数包括以下中的至少一者：引风机出口电流、引风机出口压力、引风机二次风量、引风机的轴承温度、引风机的出口温度。
其中，引风机的动叶阀位反馈为引风机的动叶开度，引风机的油路温度包括引风机的润滑油油温和液压油箱油温。
示例地，可通过分散控制系统(Distributed Control System，DCS)中的第一压力传感器、阀门位置电流信号变送器、第一温度传感器、第二温度传感器分别获取引风机入口压力、引风机动叶阀位反馈、引风机入口温度、引风机油路温度。可通过DCS系统中的电流传感器、第二压力传感器、风量传感器、第三温度传感器、第四温度传感器分别获取引风机出口电流、引风机出口压力、引风机二次风量、引风机的轴承温度、引风机的出口温度。
示例地，引风机系统在正常工况下，引风机出口电流、引风机出口压力、引风机二次风量、引风机的轴承温度、引风机的出口温度会在预设范围内波动。引风机系统运行状况异常时，引风机出口电流、引风机出口压力、引风机二次风量、引风机的轴承温度、引风机的出口温度会偏离正常工况下的数据，由此可通过检测引风机出口电流、引风机出口压力、引风机二次风量、引风机的轴承温度、引风机的出口温度的值，可确定引风机系统的运行状况。
引风机入口压力、引风机动叶阀位反馈、引风机入口温度、引风机油路温度都是影响引风机系统性能的因素，因此，可将引风机入口压力、引风机动叶阀位反馈、引风机入口温度、引风机油路温度设置为目标性能影响因子。
步骤S102，根据预先训练的参数预测模型和目标性能影响因子的实时数据，确定目标性能评价参数的预测数据。
示例地，参数预测模型可以是基于神经网络预先训练的、用于预测引风机系统的目标性能评价参数的模型。示例地，可以将目标性能影响因子的实时数据输入该参数预测模型，从而可确定目标性能评价参数的预测数据。
步骤S103，确定目标性能评价参数的实时数据和预测数据之间的相关性系数。
示例地，确定数据之间的相关性系数的方法有多种，如马氏距离、互信息、欧式距离、余弦相似度等。以马氏距离为例，可通过计算目标性能评价参数的实时数据和预测数据之间的马氏距离，利用马氏距离表征该实时数据与该预测数据的相关性。
步骤S104，根据相关性系数确定引风机系统的运行状况。
其中，相关性系数能够表征目标性能评价参数的实时数据和预测数据之间的相关性，即，二者之间的接近程度。如果预测数据与实时数据之间比较相关，表征二者之间较为接近，此时，说明引风机系统的运行状况较好。反之，如果预测数据与实时数据之间不太相关，表征二者之间不接近，也即，实时数据偏离理论上的预测数据较多，此时，说明引风机系统的运行状况很可能为异常。因此，通过相关性系数的大小，可以确定引风机系统的运行状况。
在上述技术方案中，首先，获取引风机系统的实时运行参数，然后根据参数预测模型和目标性能影响因子的实时数据，确定目标性能评价参数的预测数据，进而确定目标性能评价参数的实时数据和预测数据之间的相关性系数，进而根据相关性系数确定引风机系统的运行状况。由此，通过确定目标性能评价参数的实时数据和预测数据的相关性系数，可实现对引风机系统的运行状况进行分析，能够及时发现引风机系统的异常状况以及采取相应的措施，保证了引风机系统的安全性。
在一种可能的实施例中，所述参数预测模型可以通过以下方式训练得到：
获取训练样本集，所述训练样本集包括所述引风机系统在正常工况下的历史运行数据，所述历史运行数据包括所述目标性能影响因子的历史数据和对应的所述目标性能评价参数的历史数据；
根据所述训练样本集，对神经网络模型进行训练；
响应于训练完成，将训练完成的模型确定为所述参数预测模型。
示例地，可以通过引风机系统在正常工况下的历史运行数据来对神经网络模型进行训练。其中，可将目标性能影响因子的历史数据作为神经网络模型的输入，将与目标性能影响因子的历史数据对应的目标性能评价参数的历史数据作为神经网络的目标输出，对模型进行训练。例如，将目标性能影响因子的历史数据输入神经网络模型，基于对应的目标性能评价参数的历史数据和神经网络模型的输出结果进行损失计算，从而根据损失值对模型参数进行调节，使神经网络模型的精度满足要求。
当模型精度达到预设的精度要求、或者是训练次数达到预设的训练次数阈值，确定模型训练完成。在模型训练完成后，便可得到参数预测模型。
由此，通过上述方案，可将引风机系统在正常工况下的历史数据作为参数预测模型的训练样本集，从而可基于该训练样本集进行模型训练，以获得用于对引风机系统的目标性能评价参数进行准确预测的参数预测模块，从而提高预测的准确率，进而提高引风机系统的运行状况检测的准确度。
在一种可能的实施例中，所述根据所述训练样本集，对神经网络模型进行训练，包括：
对所述训练样本集进行数据预处理，其中，所述数据预处理包括缺失值填补和/或离群点剔除；
根据所述数据预处理后的训练样本集，对所述神经网络模型进行训练。
示例地，缺失值是指训练样本集中获取的某些因素的值为空值。如果训练样本集中的数据具有空值，则确定训练样本集中存在缺失值。针对此缺失数据可采用三次样条插值的方式进行填补。
离群点是指一个时间序列中，远离序列的一般水平的极端大值和极端小值的数据。示例地，可采用正态性检验分析方法对训练样本集中的离群点进行检测，将与其他数据的距离超过标准差的3倍所对应的点确定为离群点。针对此离群点，可通过拟合函数对离群点进行替换，进而实现了离群点剔除。
缺失值会使参数预测模型丢失有用信息，离群点会影响参数预测模型的拟合精度，甚至会得到一些偏差的数据，由此，通过上述方案，对训练样本集中的数据进行数据预处理，一定程度上保留了原始数据的全部信息，更真实地反应数值，并且可以提高参数预测模型的拟合精度，提高参数预测模型输出结果的准确性。
在一种可能的实施例中，所述根据所述相关性系数确定所述引风机系统的运行状况，包括：
确定所述相关性系数对应的分数；
若所述分数大于或等于第一预设分数阈值，则确定所述引风机系统的运行状况良好；
若所述分数大于或等于第二预设分数阈值并小于所述第一预设分数阈值，则确定所述引风机系统的运行状况合格；
若所述分数小于所述第二预设分数阈值，则确定所述引风机系统的运行状况异常。
示例地，可通过预设函数或对应关系确定相关性系数对应的分数。采用不同的方法确定出的相关性系数与分数值的对应关系不同。如以相关性系数为马氏距离为例，相关性系数越大，表明此时预测数据与实时数据相关性程度越低，相应地，此时对应的分数越低。再例如，以相关性系数为余弦相似度为例，相关性系数越大，表明此时预测数据与实时数据相关性程度越高，相应地，此时对应的分数越高。可以通过预先实验获得相关性系数和分数之间的对应关系。因此，在获得目标性能评价参数的实时数据和预测数据之间的相关性系数之后，可以查询该对应关系，以将从对应关系中查询到的分数值分别与第一分数阈值、第二分数阈值进行比较，进而确定引风机系统的运行状况。
示例地，第一预设分数阈值、第二预设分数阈值可基于实际应用场景进行设置，本公开在此未做限定。如第一预设分数阈值可以为90分，第二预设分数阈值可以为80分。
由此，通过上述方案，在确定出实时数据和预测数据之间的相关性系数时，可确定出相关性系数对应的分数，进而将此分数和预设分数阈值做比较，进而确定引风机系统的运行状况，从而提高了判断引风机系统运行状况的准确性。
在一种可能的实施例中，所述方法还包括：
响应于确定所述引风机系统的运行状况异常，进行异常告警操作。
示例地，可通过声音、灯光闪烁、声音加灯光闪烁等方法进行异常告警，以提醒工作人员注意引风机系统运行状况异常。
由此，通过上述方案，在确定引风机系统运行状况异常时，可进行异常报警操作，可以使用户及时了解到引风机系统的运行状况异常，进而及时排查引风机系统异常情况引起的原因，保证了引风机系统的安全性。
图2是本公开一种示例性实施方式提供的一种引风机系统的运行状况检测装置10的框图，该装置10包括：
获取模块500，用于获取引风机系统的实时运行参数，所述实时运行参数包括目标性能影响因子的实时数据和目标性能评价参数的实时数据；
第一确定模块510，用于根据预先训练的参数预测模型和所述目标性能影响因子的实时数据，确定所述目标性能评价参数的预测数据；
第二确定模块520，用于确定所述目标性能评价参数的所述实时数据和所述预测数据之间的相关性系数；
第三确定模块530，用于根据所述相关性系数确定所述引风机系统的运行状况。
可选地，所述参数预测模型通过训练模块得到，所述训练模块包括：
获取子模块，用于获取训练样本集，所述训练样本集包括所述引风机系统在正常工况下的历史运行数据，所述历史运行数据包括所述目标性能影响因子的历史数据和对应的所述目标性能评价参数的历史数据；
第一训练子模块，用于根据所述训练样本集，对神经网络模型进行训练；
第一确定子模块，用于响应于训练完成，将训练完成的模型确定为所述参数预测模型。
可选地，所述第一训练子模块包括：
处理子模块，用于对所述训练样本集进行数据预处理，其中，所述数据预处理包括缺失值填补和/或离群点剔除；
第二训练子模块，用于根据所述数据预处理后的训练样本集，对所述神经网络模型进行训练。
可选地，所述第三确定模块530包括：
第二确定子模块，用于确定所述相关性系数对应的分数；
第三确定子模块，用于若所述分数大于或等于第一预设分数阈值，则确定所述引风机系统的运行状况良好；
第四确定子模块，用于若所述分数大于或等于第二预设分数阈值并小于所述第一预设分数阈值，则确定所述引风机系统的运行状况合格；
第五确定子模块，用于若所述分数小于所述第二预设分数阈值，则确定所述引风机系统的运行状况异常。
可选地，所述装置10还包括：
告警模块，用于响应于确定所述引风机系统的运行状况异常，进行异常告警操作。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图3是根据一示例性实施例示出的一种电子设备700的框图。如图3所示，该电子设备700可以包括：第一处理器701，第一存储器702。该电子设备700还可以包括多媒体组件703，第一输入/输出(I/O)接口704，以及第一通信组件705中的一者或多者。
其中，第一处理器701用于控制该电子设备700的整体操作，以完成上述的引风机系统的运行状况检测方法中的全部或部分步骤。第一存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该第一存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在第一存储器702或通过第一通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。第一I/O接口704为第一处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。第一通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该第一通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的引风机系统的运行状况检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的引风机系统的运行状况检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的第一存储器702，上述程序指令可由电子设备700的第一处理器701执行以完成上述的引风机系统的运行状况检测方法。
图4是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括第二处理器1922，其数量可以为一个或多个，以及第二存储器1932，用于存储可由第二处理器1922执行的计算机程序。第二存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，第二处理器1922可以被配置为执行该计算机程序，以执行上述的引风机系统的运行状况检测方法。
另外，电子设备1900还可以包括电源组件1926和第二通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该第二通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括第二输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在第二存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的引风机系统的运行状况检测方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的第二存储器1932，上述程序指令可由电子设备1900的第二处理器1922执行以完成上述的引风机系统的运行状况检测方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的引风机系统的运行状况检测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种引风机系统的运行状况检测方法，其特征在于，包括：
获取引风机系统的实时运行参数，所述实时运行参数包括目标性能影响因子的实时数据和目标性能评价参数的实时数据；
根据预先训练的参数预测模型和所述目标性能影响因子的实时数据，确定所述目标性能评价参数的预测数据；
确定所述目标性能评价参数的所述实时数据和所述预测数据之间的相关性系数；
根据所述相关性系数确定所述引风机系统的运行状况。
2.根据权利要求1所述的方法，其特征在于，所述参数预测模型通过以下方式训练得到：
获取训练样本集，所述训练样本集包括所述引风机系统在正常工况下的历史运行数据，所述历史运行数据包括所述目标性能影响因子的历史数据和对应的所述目标性能评价参数的历史数据；
根据所述训练样本集，对神经网络模型进行训练；
响应于训练完成，将训练完成的模型确定为所述参数预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本集，对神经网络模型进行训练，包括：
对所述训练样本集进行数据预处理，其中，所述数据预处理包括缺失值填补和/或离群点剔除；
根据所述数据预处理后的训练样本集，对所述神经网络模型进行训练。
4.根据权利要求1所述的方法，其特征在于，所述根据所述相关性系数确定所述引风机系统的运行状况，包括：
确定所述相关性系数对应的分数；
若所述分数大于或等于第一预设分数阈值，则确定所述引风机系统的运行状况良好；
若所述分数大于或等于第二预设分数阈值并小于所述第一预设分数阈值，则确定所述引风机系统的运行状况合格；
若所述分数小于所述第二预设分数阈值，则确定所述引风机系统的运行状况异常。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于确定所述引风机系统的运行状况异常，进行异常告警操作。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述目标性能影响因子包括以下中的至少一者：引风机入口压力、引风机动叶阀位反馈、引风机入口温度、引风机油路温度。
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述目标性能评价参数包括以下中的至少一者：引风机出口电流、引风机出口压力、引风机二次风量、引风机的轴承温度、引风机的出口温度。
8.一种引风机系统的运行状况检测装置，其特征在于，所述装置包括：
获取模块，用于获取引风机系统的实时运行参数，所述实时运行参数包括目标性能影响因子的实时数据和目标性能评价参数的实时数据；
第一确定模块，用于根据预先训练的参数预测模型和所述目标性能影响因子的实时数据，确定所述目标性能评价参数的预测数据；
第二确定模块，用于确定所述目标性能评价参数的所述实时数据和所述预测数据之间的相关性系数；
第三确定模块，用于根据所述相关性系数确定所述引风机系统的运行状况。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202211009167.5A 2022-08-22 2022-08-22 引风机系统的运行状况检测方法、装置、介质及设备 Pending CN115470841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211009167.5A CN115470841A (zh) 2022-08-22 2022-08-22 引风机系统的运行状况检测方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211009167.5A CN115470841A (zh) 2022-08-22 2022-08-22 引风机系统的运行状况检测方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN115470841A true CN115470841A (zh) 2022-12-13

Family

ID=84366142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211009167.5A Pending CN115470841A (zh) 2022-08-22 2022-08-22 引风机系统的运行状况检测方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN115470841A (zh)

Similar Documents

Publication Publication Date Title
US10969774B2 (en) Computer system and method for monitoring the technical state of industrial process systems
CN107861915B (zh) 获取预警阈值的方法、装置以及存储介质
CN107977301B (zh) 设备异常的检测方法、装置、存储介质及电子设备
CN112231181B (zh) 数据异常更新检测方法、装置、计算机设备及存储介质
CN111414999B (zh) 一种设备运行状态的监测方法及装置
EP3696693A1 (en) Method and apparatus for monitoring state of device in process industry and medium
US20190164102A1 (en) Operational improvement effect calculation device, operational improvement effect calculation method and recording medium
CN112884199B (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
KR101915236B1 (ko) 스마트 팩토리를 위한 통합 보안 관리 시스템
CN110646229B (zh) 空气预热器故障诊断方法、装置及电子设备、存储介质
CN116050930A (zh) 监盘系统、方法、存储介质及电子设备
US11250349B2 (en) System for generating learning data
JP2023106444A (ja) 情報処理システム、情報処理方法及び情報処理装置
CN115909203A (zh) 建筑施工安全全景监控系统及方法
CN112380073B (zh) 一种故障位置的检测方法、装置及可读存储介质
CN115470841A (zh) 引风机系统的运行状况检测方法、装置、介质及设备
CN113123955B (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN111555899B (zh) 告警规则配置方法、设备状态监测方法、装置和存储介质
CN111108738B (zh) 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法
CN113051700B (zh) 设备可靠性监测方法及装置
KR20160053977A (ko) 모델 적응을 위한 장치 및 방법
CN107330051B (zh) 降噪数据库调用方法及装置
WO2020141372A1 (en) Method and system for detecting anomalies in a robotic system
CN114460918A (zh) 设备的检测方法、装置、设备和存储介质
CN118329254A (zh) 电厂高温管道应力监测系统、方法、存储介质及电子设备

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