CN116037301B - 一种火电站磨煤机爆燃故障位置识别方法及系统 - Google Patents
一种火电站磨煤机爆燃故障位置识别方法及系统 Download PDFInfo
- Publication number
- CN116037301B CN116037301B CN202310206512.2A CN202310206512A CN116037301B CN 116037301 B CN116037301 B CN 116037301B CN 202310206512 A CN202310206512 A CN 202310206512A CN 116037301 B CN116037301 B CN 116037301B
- Authority
- CN
- China
- Prior art keywords
- time
- deflagration
- difference value
- parameter
- time difference
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种火电站磨煤机爆燃故障位置识别方法及系统,涉及数据智能处理技术领域,采集目标磨煤机压力参数的压变时间,获得第一时间参数、第二时间参数和第三时间参数,采集出口温度的温变时间作为第四时间参数,计算第一时间差值、第二时间差值和第三时间差值,采集爆燃音源提取音源频率参数,进行模型预测输出多个爆燃故障位置预测结果,将频次最高者作为爆燃故障位置识别结果,解决了现有技术中进行磨煤机故障位置识别时,实时数据的监测与处理流程智能度不足,使得故障识别结果不够精准,无法保障故障的实时性且存在一定的风险遗漏的技术问题,通过进行实时参数处理方式优化,以实现磨煤机的故障精准识别定位,最大化进行风险监控。
Description
技术领域
本发明涉及数据智能处理技术领域,具体涉及一种火电站磨煤机爆燃故障位置识别方法及系统。
背景技术
火电站的运行进程中,制粉系统的防爆问题属于燃用煤处理的重点管控方向,由于当前燃用煤质量的参差性,使得磨煤机的运行安全要求越来越高,为了进行磨煤机运行安全风险的最大化规避,需对磨煤机的爆燃故障进行精准位置识别,以进行设备优化运行管控,现如今,主要通过间歇式人工巡检与集控室表盘参数监控进行,由于周期性巡检存在一定的监测真空期,使得监测结果较之磨煤机的实际运行状态存在一定的差距,为降低磨煤机的运行风险,需对现有技术进行一定的提升。
现有技术中,进行磨煤机故障位置识别时,实时数据的监测与处理流程智能度不足,使得故障识别结果不够精准,无法保障故障的实时性且存在一定的风险遗漏。
发明内容
本申请提供了一种火电站磨煤机爆燃故障位置识别方法及系统,用于针对解决现有技术中存在的进行磨煤机故障位置识别时,实时数据的监测与处理流程智能度不足,使得故障识别结果不够精准,无法保障故障的实时性且存在一定的风险遗漏的技术问题。
鉴于上述问题,本申请提供了一种火电站磨煤机爆燃故障位置识别方法及系统。
第一方面,本申请提供了一种火电站磨煤机爆燃故障位置识别方法,所述方法包括:
在目标磨煤机发生爆燃时,通过预设的声音采集装置采集获得爆燃音源;
通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,获得第一时间参数、第二时间参数和第三时间参数;
通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,获得第四时间参数;
根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值;
根据所述爆燃音源进行频率参数提取,获得音源频率参数;
将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,获得多个爆燃故障位置预测结果,其中,所述爆燃故障位置预测模型包括多个爆燃故障位置预测单元;
获取所述多个爆燃故障位置预测结果内出现频率最多的爆燃故障位置预测结果,作为爆燃故障位置识别结果。
第二方面,本申请提供了一种火电站磨煤机爆燃故障位置识别系统,所述系统包括:
音源采集模块,所述音源采集模块用于在目标磨煤机发生爆燃时,通过预设的声音采集装置采集获得爆燃音源;
压变时间参数获取模块,所述压变时间参数获取模块用于通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,获得第一时间参数、第二时间参数和第三时间参数;
温变时间参数获取模块,所述温变时间参数获取模块用于通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,获得第四时间参数;
差值计算模块,所述差值计算模块用于根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值;
频率参数获取模块,所述频率参数获取模块用于根据所述爆燃音源进行频率参数提取,获得音源频率参数;
模型预测模块,所述模型预测模块用于将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,获得多个爆燃故障位置预测结果,其中,所述爆燃故障位置预测模型包括多个爆燃故障位置预测单元;
位置确定模块,所述位置确定模块用于获取所述多个爆燃故障位置预测结果内出现频率最多的爆燃故障位置预测结果,作为爆燃故障位置识别结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种火电站磨煤机爆燃故障位置识别方法,在目标磨煤机发生爆燃时,通过预设的声音采集装置采集获得爆燃音源;通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,获得第一时间参数、第二时间参数和第三时间参数,通过预设的温度采集装置采集出口温度出现预设温度变化时的时间,获得第四时间参数,进一步计算获得第一时间差值、第二时间差值和第三时间差值,对爆燃音源进行频率参数提取获得音源频率参数,将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,获得多个爆燃故障位置预测结果,获取出现频率最多的爆燃故障位置预测结果,作为爆燃故障位置识别结果,解决了现有技术中存在的进行磨煤机故障位置识别时,实时数据的监测与处理流程智能度不足,使得故障识别结果不够精准,无法保障故障的实时性且存在一定的风险遗漏的技术问题,通过进行实时参数处理方式优化,以实现磨煤机的故障精准识别定位,最大化进行风险监控。
附图说明
图1为本申请提供了一种火电站磨煤机爆燃故障位置识别方法流程示意图;
图2为本申请提供了一种火电站磨煤机爆燃故障位置识别方法中时间差值获取流程示意图;
图3为本申请提供了一种火电站磨煤机爆燃故障位置识别方法中爆燃故障位置预测模型构建流程示意图;
图4为本申请提供了一种火电站磨煤机爆燃故障位置识别系统结构示意图。
附图标记说明:音源采集模块11,压变时间参数获取模块12,温变时间参数获取模块13,差值计算模块14,频率参数获取模块15,模型预测模块16,位置确定模块17。
实施方式
本申请通过提供一种火电站磨煤机爆燃故障位置识别方法及系统,用于解决现有技术中存在的进行磨煤机故障位置识别时,实时数据的监测与处理流程智能度不足,使得故障识别结果不够精准,无法保障故障的实时性且存在一定的风险遗漏的技术问题。
实施例一
如图1所示,本申请提供了一种火电站磨煤机爆燃故障位置识别方法,所述方法包括:
步骤S100:在目标磨煤机发生爆燃时,通过预设的声音采集装置采集获得爆燃音源;
具体而言,由于当前燃用煤质量的参差性,使得磨煤机的运行安全要求越来越高,为了进行磨煤机运行安全风险的最大化规避,需对磨煤机的爆燃故障进行精准位置识别,以进行设备优化运行管控,本申请提供的一种火电站磨煤机故障位置识别方法,基于爆燃影响关联参数进行动态波动分析,进而建模进行客观性精准预测,输出爆燃故障位置识别结果。
首先,布设声音采集装置,在磨煤机的不同位置发生爆燃时,不同爆燃位置发出声音的特征不同,例如磨内发生的爆燃的声音的音调较低,粉管内发生的爆燃的声音的音调较高,基于采集的音源辅助进行燃爆位置的预测识别。示例性的,所述声音采集装置可布设于磨煤机作业的附近位置,例如厂房内靠近磨煤机的位置,所述目标磨煤机为待进行爆燃位置识别的设备,所述目标磨煤机发生爆燃时,基于所述声音采集装置进行实时爆燃声音采集,获取所述爆燃音源,将所述爆燃音源作为进行爆燃位置判定的源数据之一,为后续进行爆燃位置预测提供了基本判据。
优选地,由于磨煤机作业会产生一定噪音,本申请实施例中,在采集获得爆燃音源后,基于现有技术中的噪音消除技术,分析磨煤机作业噪音的特征,将爆燃音源内磨煤机作业的噪音进行降噪处理,以提升爆燃音源内磨煤机发生爆燃产生音频的清晰度,进而提升爆燃位置预测识别的准确度。
步骤S200:通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,获得第一时间参数、第二时间参数和第三时间参数;
步骤S300:通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,获得第四时间参数;
具体而言,磨煤机运行过程中,所述入口一次风压力、上下碗差压、分离器出口压力与出口温度为磨煤机爆燃的相关影响参数,于磨煤机的一次风室、磨碗与分离器出口位置分别进行所述压力采集站装置的布设,于出口温度区域进行所述温度采集装置的布设,进一步设定预设时间周期,一个完整的预设时间周期存在参数数据的双向波动,其中,压变参数呈先上升后下降趋势,温变参数呈先下降后上升趋势,以此为基准确定各参数的单向压变区间,分别确定所述入口一次风压力、上下碗差压与分离器出口压力对应变化的第一压力变化阈值、第二压力变化阈值与第三压力变化阈值,确定出口温度对应的预设温度阈值。
进一步基于所述预设时间周期,根据所述多个压力采集装置分别对上述压力参数进行实时数据采集,当采集的入口一次风压力的动态变化区间达到第一压力变化阈值时,将压力变化对应的时间区间作为所述第一时间参数;同理,当所述上下碗差压的动态变化区间达到所述第二压力变化阈值时对应的时间区间作为所述第二时间参数;将所述分离器出口压力达到所述第三压力变化阈值时对应的时间区间作为所述第三时间参数,基于所述温度采集装置对所述目标磨煤机的出口温度进行采集,当温度变化区间达到所述预设温度阈值时,将温度变化对应的时间区间作为所述第四时间参数,将上述时间参数作为判定依据,为后续进行爆燃故障位置预测夯实了基础。
进一步而言,通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,本申请步骤S200还包括:
步骤S210:获取预设时间周期;
步骤S220:获取所述入口一次风压力、上下碗差压和分离器出口压力在所述预设时间周期内发生预设压力变化的第一压力变化阈值、第二压力变化阈值和第三压力变化阈值;
步骤S230:根据所述多个压力采集装置,采集所述入口一次风压力、上下碗差压和分离器出口压力在所述预设时间周期内压力变化达到所述第一压力变化阈值、第二压力变化阈值和第三压力变化阈值的时间,获得所述第一时间参数、第二时间参数和第三时间参数。
具体而言,确定对磨煤机各部位压力进行变化检测的时间区间,作为所述预设时间周期,例如可为1s。基于所述预设时间周期对磨煤机的所述入口一次风压力、所述上下碗差压与所述分离器出口压力进行压力变化采集分析。确定上述压力变化的临界值,例如,将所述预设时间周期内压力变化的压力区间作为所述压力变化阈值,在预设时间周期内,若压力变化达到该临界值,即可认为磨煤机内发生了爆燃。上述的临界值可根据此前磨煤机发生爆燃时发生的压力变化进行采集,获取所述第一压力变化阈值、所述第二压力变化阈值与所述第三压力变化阈值,示例性地,第一压力变化阈值为3kPa。第一压力变化阈值、所述第二压力变化阈值与所述第三压力变化阈值分别与所述入口一次风压力、所述上下碗差压与所述分离器出口压力一一对应。
进一步的,分别于磨煤机的一次风室、磨碗与分离器出口位置进行压力采集装置布设,基于所述多个压力采集装置进行所述入口一次风压力、所述上下碗差压与所述分离器出口压力进行采集,通过进行实时压变监测,当所述入口一次风压力、所述上下碗差压与所述分离器出口压力在预设时间内的压力变化分别达到所述第一压力变化阈值、所述第二压力变化阈值与所述第三压力变化阈值时,将压力变化对应的时间作为所述第一时间参数、所述第二时间参数与所述第三时间参数,以保障上述时间参数的精准度,避免影响后续预测结果。
进一步而言,通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,本申请步骤S300还包括:
步骤S310:获取所述出口温度在所述预设时间周期内发生预设温度变化的预设温度阈值;
步骤S320:根据所述温度采集装置,采集所述出口温度在所述预设时间周期内温度变化达到所述预设温度阈值的时间,获得所述第四时间参数。
具体而言,在磨煤机内不同位置发生爆燃时,磨煤机出口的温度变化时间不同,确定所述预设时间周期内所述出口温度的温度变化区间,将其作为所述预设温度阈值,例如可为50℃,进一步于磨煤机出口温度位置进行所述温度采集装置的布设,将所述预设时间周期作为温度采集时间区间,将所述预设温度阈值作为采集标准,当磨煤机出口温度在预设时间周期内的变化达到所述预设温度阈值时,确定温度变化的时间,将其作为所述第四时间参数,出口温度作为磨煤机爆燃的影响参数,将对应的所述第四时间参数作为爆燃位置预测的判断依据。
步骤S400:根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值;
进一步而言,如图2所示,根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值,本申请步骤S400还包括:
步骤S410:计算所述第一时间参数和所述第二时间参数的差值,获得所述第一时间差值;
步骤S420:计算所述第一时间参数和所述第三时间参数的差值,获得所述第二时间差值;
步骤S430:计算所述第一时间参数和所述第四时间参数的差值,获得所述第三时间差值。
具体而言,获取所述第一时间参数、第二时间参数、第三时间参数、第四时间参数,上述参数分别与所述入口一次风压力、上下碗差压、分离器出口压力发生压力变化、出口温度发生温度变化的时间一一对应,由于上述参数的变化非同步,存在一定的先后次序,例如所述入口一次风压力的变化先于所述上下碗差压与所述分离器出口压力,则对应发生爆燃的位置为磨碗附近,本申请实施例根据各时间参数之间的前后顺序,进行爆燃位置的预测判断。
对所述第一时间参数与所述第二时间参数进行时间差值计算,将计算结果作为所述第一时间差值;对所述第一时间参数与所述第三时间参数进行时间差值计算,将计算结果作为所述第二时间差值;对所述第一时间参数与所述第四时间参数进行时间差值计算,将计算结果作为所述第三时间差值,第一时间差值、第二时间差值和第三时间差值存在正负,将所述第一时间差值、所述第二时间差值与所述第三时间差值作为评估数据进行分析,进行爆燃位置的预测判断,可有效提高分析准确度与分析效率。
步骤S500:根据所述爆燃音源进行频率参数提取,获得音源频率参数;
步骤S600:将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,获得多个爆燃故障位置预测结果,其中,所述爆燃故障位置预测模型包括多个爆燃故障位置预测单元;
步骤S700:获取所述多个爆燃故障位置预测结果内出现频率最多的爆燃故障位置预测结果,作为爆燃故障位置识别结果。
具体而言,基于所述声音采集装置进行爆燃音源采集,磨煤机爆燃过程中,由于爆燃位置的不同,对应的爆燃音源会存在差别,例如发生在粉管的爆燃音源的声调较高,发生在磨内的爆燃的音源声调较低。
基于现有技术对所述爆燃音源进行声音频率参数提取,确定当前爆燃音源的所述音源频率参数。
进一步的,获取多组样本数据,每组参数数据分别包括所述第一时间差值、所述第二时间差值、所述第三时间差值与所述音源频率参数,进而获取所述多组样本数据对应的故障位置识别结果,具体可根据此前磨煤机发生爆燃时检测到的数据以及检修位置获得该多组样本数据。
本申请实施例中,通过对多组样本数据进行数据对应标识生成构建数据集,基于所述构建数据集随机进行多组数据提取,重复多次生成多个子构建数据集,进一步基于所述多个子构建数据集分别进行单元构建,生成多个爆燃故障位置预测单元,进而对所述多个爆燃故障位置预测单元进行集成生成所述爆燃故障位置预测模型。
进一步的,将磨煤机当前的所述第一时间差值、所述第二时间差值、所述第三时间差值与所述音源频率参数输入所述爆燃故障位置预测模型中,基于模型中的多个爆燃故障位置预测单元分别进行多层级参数识别匹配,生成所述多个爆燃故障位置预测结果,由于所述多个爆燃故障位置预测单元的构建数据集不同,对应的单元分析机制存在差异性,使得最终的故障位置预测结果存在差异性,对所述多个爆燃故障位置预测结果进行出现频率分析,将出现频率最高的爆燃故障位置预测结果作为最终确定的所述爆燃故障位置识别结果,通过进行预测结果比对,使得所述爆燃故障位置识别结果的准确度与可信度较高。
进一步而言,如图3所示,将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,本申请步骤S600还包括:
步骤S610:获取多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值和多个样本音源频率参数;
步骤S620:获取多个样本爆燃故障位置识别结果;
步骤S630:对所述多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值、多个样本音源频率参数和多个样本爆燃故障位置识别结果进行数据标识,获得构建数据集;
步骤S640:采用所述构建数据集,构建所述多个爆燃故障位置预测单元;
步骤S650:集成所述多个爆燃故障位置预测单元,获得所述爆燃故障位置预测模型。
具体而言,对所述目标磨煤机进行历史运行记录数据采集,包括多组入口一次风压力、上下碗差压和分离器出口压力、出口温度与爆燃音源信息,分别对应多个预设时间周期,基于上述数据分析处理流程对所述历史运行记录数据进行分析转化,生成所述多个样本第一时间差值、所述多个样本第二时间差值、所述多个样本第三时间差值与所述多个样本音源频率参数,作为多组样本参数,进一步确定上述多组样本参数对应的爆燃故障位置识别结果,进一步对所述多组样本参数与所述多个样本爆燃故障位置识别结果进行对应标识,以便后续快速进行识别区分,将样本标识结果作为所述构建数据集,将所述构建数据集作为原始数据,有放回的随机提取小于所述构建数据集的数据量,构建爆燃故障位置预测单元,重复上述操作,获取所述多个爆燃故障位置预测单元,由于所述多个爆燃故障位置预测单元的构建数据集存在差异性,对应的预测单元的构架存在差别,使得同一输入数据的预测结果存在差别,对所述多个爆燃故障位置预测单元进行集成,将集成结果作为所述爆燃故障位置预测模型,以确保数据分析的完备性,提高模型输出结果的精准度。
进一步而言,采用所述构建数据集,构建所述多个爆燃故障位置预测单元,本申请步骤S640还包括:
步骤S641:有放回地从所述构建数据集中随机选择M组构建数据,作为第一子构建数据集,其中,M为正整数,且小于所述构建数据集内构建数据的数量;
步骤S642:采用所述第一子构建数据集,构建第一爆燃故障位置预测单元;
步骤S643:再次有放回地从所述构建数据集中随机选择M组构建数据,作为第二子构建数据集;
步骤S644:采用所述第二子构建数据集,构建第二爆燃故障位置预测单元;
步骤S645:继续获取多个子构建数据集,构建获得所述多个爆燃故障位置预测单元。
具体而言,通过对所述多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值、多个样本音源频率参数和多个样本爆燃故障位置识别结果进行对应标识生成所述构建数据集,基于所述构建数据集有放回的随机提取小于所述构建数据集数量的M组构建数据,作为所述第一子构建数据集,对所述第一子构建数据集中的多项参数进行划分,生成多层级决策节点与对应的多个决策结果,以此为基准进行所述第一爆燃故障位置预测单元的构建。
基于所述构建数据集,再次有放回的随机提取小于所述构建数据集的M组构建数据,作为所述第二子构建数据集,基于上述单元构建步骤,根据所述第二子构建数据集进行所述第二爆燃故障预测单元的构建,重复上述子构建数据集的获取与单元构建步骤,基于所述构建数据集获取所述多个子构建数据集,分别基于所述多个子构建数据集进行预测单元构建,生成所述多个爆燃故障位置预测单元,由于所述多个爆燃故障位置预测单元的构建数据不尽相同,使得最终的单元预测结果存在差异性,基于所述多个爆燃故障位置预测单元的预测结果进行参考评定,可有效提高模型的输出精准度。
进一步而言,采用所述第一子构建数据集,构建第一爆燃故障位置预测单元,本申请步骤S642还包括:
步骤S6421:将第一时间差值作为第一划分特征,将第二时间差值作为第二划分特征,将第三时间差值作为第三划分特征,将音源频率参数作为第四划分特征;
步骤S6422:根据所述第一划分特征、第二划分特征、第三划分特征和第四划分特征,采用所述第一子构建数据集,构建所述第一爆燃故障位置预测单元的多层决策节点和多个决策结果;
步骤S6423:根据所述多层决策节点和多个决策结果,获得所述第一爆燃故障位置预测单元。
具体而言,基于所述构建数据集进行数据随机提取,生成所述第一子构建数据集,将所述第一时间差值作为所述第一划分特征,将所述第二时间差值作为所述第二划分特征,将所述第三时间差值作为所述第三划分特征,将所述音源频率特征作为所述第四划分特征,基于各特征之间的关联关系以及决策树算法的思想,构建该第一爆燃故障位置预测单元。
具体地,基于该第一划分特征、第二划分特征、第三划分特征和第四划分特征,采用该第一子构建数据集,构建多级划分节点,对输入的数据进行多层级划分,得到多个最终划分结果,然后采用该第一子构建数据集内的M个样本爆燃故障位置识别结果作为多个决策结果,对多个最终划分结果进行标识。示例性的,设定时间差值划分节点分别进行多层级时间差值划分,对所述第一子构建数据集中的数据进行划分,以及设定音频频率划分节点,对音频频率进行划分,最终获得多个最终划分结果,并分别对应燃爆位置故障识别结果,将多层级参数划分节点作为所述多层决策节点,将多个样本爆燃故障位置识别结果作为所述多个决策结果,构建所述第一爆燃故障位置预测单元,可快速进行输入数据的逐层识别判定,上述单元构建方法为通用方法,分别对所述多个子构建数据集进行单元构建,生成所述多个爆燃故障位置预测单元。基于构建完成的多个爆燃故障位置预测单元进行集成,获得构建完成的该爆燃故障位置预测模型。
实施例二
基于与前述实施例中一种火电站磨煤机爆燃故障位置识别方法相同的发明构思,如图4所示,本申请提供了一种火电站磨煤机爆燃故障位置识别系统,所述系统包括:
音源采集模块11,所述音源采集模块11用于在目标磨煤机发生爆燃时,通过预设的声音采集装置采集获得爆燃音源;
压变时间参数获取模块12,所述压变时间参数获取模块12用于通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,获得第一时间参数、第二时间参数和第三时间参数;
温变时间参数获取模块13,所述温变时间参数获取模块13用于通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,获得第四时间参数;
差值计算模块14,所述差值计算模块14用于根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值;
频率参数获取模块15,所述频率参数获取模块15用于根据所述爆燃音源进行频率参数提取,获得音源频率参数;
模型预测模块16,所述模型预测模块16用于将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,获得多个爆燃故障位置预测结果,其中,所述爆燃故障位置预测模型包括多个爆燃故障位置预测单元;
位置确定模块17,所述位置确定模块17用于获取所述多个爆燃故障位置预测结果内出现频率最多的爆燃故障位置预测结果,作为爆燃故障位置识别结果。
进一步而言,所述系统还包括:
周期获取模块,所述周期获取模块用于获取预设时间周期;
压变阈值获取模块,所述压变阈值获取模块用于获取所述入口一次风压力、上下碗差压和分离器出口压力在所述预设时间周期内发生预设压力变化的第一压力变化阈值、第二压力变化阈值和第三压力变化阈值;
时间参数获取模块,所述时间参数获取模块用于根据所述多个压力采集装置,采集所述入口一次风压力、上下碗差压和分离器出口压力在所述预设时间周期内压力变化达到所述第一压力变化阈值、第二压力变化阈值和第三压力变化阈值的时间,获得所述第一时间参数、第二时间参数和第三时间参数。
进一步而言,所述系统还包括:
温变阈值获取模块,所述温变阈值获取模块用于获取所述出口温度在所述预设时间周期内发生预设温度变化的预设温度阈值;
参数获取模块,所述参数获取模块用于根据所述温度采集装置,采集所述出口温度在所述预设时间周期内温度变化达到所述预设温度阈值的时间,获得所述第四时间参数。
进一步而言,所述系统还包括:
第一时间差值计算模块,所述第一时间差值计算模块用于计算所述第一时间参数和所述第二时间参数的差值,获得所述第一时间差值;
第二时间差值计算模块,所述第二时间差值计算模块用于计算所述第一时间参数和所述第三时间参数的差值,获得所述第二时间差值;
第三时间差值计算模块,所述第三时间差值计算模块用于计算所述第一时间参数和所述第四时间参数的差值,获得所述第三时间差值。
进一步而言,所述系统还包括:
样本参数获取模块,所述样本参数获取模块用于获取多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值和多个样本音源频率参数;
位置识别模块,所述位置识别模块用于获取多个样本爆燃故障位置识别结果;
数据集构建模块,所述数据集构建模块用于对所述多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值、多个样本音源频率参数和多个样本爆燃故障位置识别结果进行数据标识,获得构建数据集;
预测单元构建模块,所述预测单元构建模块用于采用所述构建数据集,构建所述多个爆燃故障位置预测单元;
模型获取模块,所述模型获取模块用于集成所述多个爆燃故障位置预测单元,获得所述爆燃故障位置预测模型。
进一步而言,所述系统还包括:
第一子构建数据集获取模块,所述第一子构建数据集获取模块用于有放回地从所述构建数据集中随机选择M组构建数据,作为第一子构建数据集,其中,M为正整数,且小于所述构建数据集内构建数据的数量;
第一预测单元构建模块,所述第一预测单元构建模块用于采用所述第一子构建数据集,构建第一爆燃故障位置预测单元;
第二子构建数据集获取模块,所述第二子构建数据集获取模块用于再次有放回地从所述构建数据集中随机选择M组构建数据,作为第二子构建数据集;
第二预测单元构建模块,所述第二预测单元构建模块用于采用所述第二子构建数据集,构建第二爆燃故障位置预测单元;
多预测单元构建模块,所述多预测单元构建模块用于继续获取多个子构建数据集,构建获得所述多个爆燃故障位置预测单元。
进一步而言,所述系统还包括:
划分特征获取模块,所述划分特征获取模块用于将第一时间差值作为第一划分特征,将第二时间差值作为第二划分特征,将第三时间差值作为第三划分特征,将音源频率参数作为第四划分特征;
决策信息获取模块,所述决策信息获取模块用于根据所述第一划分特征、第二划分特征、第三划分特征和第四划分特征,采用所述第一子构建数据集,构建所述第一爆燃故障位置预测单元的多层决策节点和多个决策结果;
第一预测单元获取模块,所述第一预测单元获取模块用于根据所述多层决策节点和多个决策结果,获得所述第一爆燃故障位置预测单元。
本说明书通过前述对一种火电站磨煤机爆燃故障位置识别方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种火电站磨煤机爆燃故障位置识别方法及系统,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种火电站磨煤机爆燃故障位置识别方法,其特征在于,所述方法包括:
在目标磨煤机发生爆燃时,通过预设的声音采集装置采集获得爆燃音源;
通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,获得第一时间参数、第二时间参数和第三时间参数;
通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,获得第四时间参数;
根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值;
根据所述爆燃音源进行频率参数提取,获得音源频率参数;
将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,获得多个爆燃故障位置预测结果,其中,所述爆燃故障位置预测模型包括多个爆燃故障位置预测单元;
获取所述多个爆燃故障位置预测结果内出现频率最多的爆燃故障位置预测结果,作为爆燃故障位置识别结果;
其中,根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值,包括:
计算所述第一时间参数和所述第二时间参数的差值,获得所述第一时间差值;
计算所述第一时间参数和所述第三时间参数的差值,获得所述第二时间差值;
计算所述第一时间参数和所述第四时间参数的差值,获得所述第三时间差值;
其中,将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,包括:
获取多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值和多个样本音源频率参数;
获取多个样本爆燃故障位置识别结果;
对所述多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值、多个样本音源频率参数和多个样本爆燃故障位置识别结果进行数据标识,获得构建数据集;
采用所述构建数据集,构建所述多个爆燃故障位置预测单元;
集成所述多个爆燃故障位置预测单元,获得所述爆燃故障位置预测模型。
2.根据权利要求1所述的方法,其特征在于,通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,包括:
获取预设时间周期;
获取所述入口一次风压力、上下碗差压和分离器出口压力在所述预设时间周期内发生预设压力变化的第一压力变化阈值、第二压力变化阈值和第三压力变化阈值;
根据所述多个压力采集装置,采集所述入口一次风压力、上下碗差压和分离器出口压力在所述预设时间周期内压力变化达到所述第一压力变化阈值、第二压力变化阈值和第三压力变化阈值的时间,获得所述第一时间参数、第二时间参数和第三时间参数。
3.根据权利要求2所述的方法,其特征在于,通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,包括:
获取所述出口温度在所述预设时间周期内发生预设温度变化的预设温度阈值;
根据所述温度采集装置,采集所述出口温度在所述预设时间周期内温度变化达到所述预设温度阈值的时间,获得所述第四时间参数。
4.根据权利要求1所述的方法,其特征在于,采用所述构建数据集,构建所述多个爆燃故障位置预测单元,包括:
有放回地从所述构建数据集中随机选择M组构建数据,作为第一子构建数据集,其中,M为正整数,且小于所述构建数据集内构建数据的数量;
采用所述第一子构建数据集,构建第一爆燃故障位置预测单元;
再次有放回地从所述构建数据集中随机选择M组构建数据,作为第二子构建数据集;
采用所述第二子构建数据集,构建第二爆燃故障位置预测单元;
继续获取多个子构建数据集,构建获得所述多个爆燃故障位置预测单元。
5.根据权利要求4所述的方法,其特征在于,采用所述第一子构建数据集,构建第一爆燃故障位置预测单元,包括:
将第一时间差值作为第一划分特征,将第二时间差值作为第二划分特征,将第三时间差值作为第三划分特征,将音源频率参数作为第四划分特征;
根据所述第一划分特征、第二划分特征、第三划分特征和第四划分特征,采用所述第一子构建数据集,构建所述第一爆燃故障位置预测单元的多层决策节点和多个决策结果;
根据所述多层决策节点和多个决策结果,获得所述第一爆燃故障位置预测单元。
6.一种火电站磨煤机爆燃故障位置识别系统,其特征在于,所述系统包括:
音源采集模块,所述音源采集模块用于在目标磨煤机发生爆燃时,通过预设的声音采集装置采集获得爆燃音源;
压变时间参数获取模块,所述压变时间参数获取模块用于通过预设的多个压力采集装置采集所述目标磨煤机的入口一次风压力、上下碗差压和分离器出口压力出现预设压力变化时的时间,获得第一时间参数、第二时间参数和第三时间参数;
温变时间参数获取模块,所述温变时间参数获取模块用于通过预设的温度采集装置采集所述目标磨煤机的出口温度出现预设温度变化时的时间,获得第四时间参数;
差值计算模块,所述差值计算模块用于根据所述第一时间参数、第二时间参数、第三时间参数和第四时间参数,计算获得第一时间差值、第二时间差值和第三时间差值;
频率参数获取模块,所述频率参数获取模块用于根据所述爆燃音源进行频率参数提取,获得音源频率参数;
模型预测模块,所述模型预测模块用于将所述第一时间差值、第二时间差值、第三时间差值和音源频率参数输入预构建的爆燃故障位置预测模型,获得多个爆燃故障位置预测结果,其中,所述爆燃故障位置预测模型包括多个爆燃故障位置预测单元;
位置确定模块,所述位置确定模块用于获取所述多个爆燃故障位置预测结果内出现频率最多的爆燃故障位置预测结果,作为爆燃故障位置识别结果;
第一时间差值计算模块,所述第一时间差值计算模块用于计算所述第一时间参数和所述第二时间参数的差值,获得所述第一时间差值;
第二时间差值计算模块,所述第二时间差值计算模块用于计算所述第一时间参数和所述第三时间参数的差值,获得所述第二时间差值;
第三时间差值计算模块,所述第三时间差值计算模块用于计算所述第一时间参数和所述第四时间参数的差值,获得所述第三时间差值;
样本参数获取模块,所述样本参数获取模块用于获取多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值和多个样本音源频率参数;
位置识别模块,所述位置识别模块用于获取多个样本爆燃故障位置识别结果;
数据集构建模块,所述数据集构建模块用于对所述多个样本第一时间差值、多个样本第二时间差值、多个样本第三时间差值、多个样本音源频率参数和多个样本爆燃故障位置识别结果进行数据标识,获得构建数据集;
预测单元构建模块,所述预测单元构建模块用于采用所述构建数据集,构建所述多个爆燃故障位置预测单元;
模型获取模块,所述模型获取模块用于集成所述多个爆燃故障位置预测单元,获得所述爆燃故障位置预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206512.2A CN116037301B (zh) | 2023-03-07 | 2023-03-07 | 一种火电站磨煤机爆燃故障位置识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206512.2A CN116037301B (zh) | 2023-03-07 | 2023-03-07 | 一种火电站磨煤机爆燃故障位置识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116037301A CN116037301A (zh) | 2023-05-02 |
CN116037301B true CN116037301B (zh) | 2023-06-13 |
Family
ID=86127501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310206512.2A Active CN116037301B (zh) | 2023-03-07 | 2023-03-07 | 一种火电站磨煤机爆燃故障位置识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116037301B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8056396B2 (en) * | 2008-02-27 | 2011-11-15 | Denso Corporation | Knock detection device and knock detection system diagnosis device |
CN103909006B (zh) * | 2013-01-08 | 2016-12-28 | 宝山钢铁股份有限公司 | 磨煤机出口煤粉管道内爆燃检测方法及其检测系统 |
JP6362713B2 (ja) * | 2015-02-05 | 2018-07-25 | 日立オートモティブシステムズ株式会社 | ノック検出装置 |
CN106964474B (zh) * | 2017-05-16 | 2018-04-20 | 安徽工业大学 | 一种磨煤机防爆检测系统 |
CN107763657A (zh) * | 2017-11-08 | 2018-03-06 | 黄秀霞 | 一种火电厂等温线声波测温单元的锅炉燃烧优化系统 |
CN213255047U (zh) * | 2020-09-16 | 2021-05-25 | 华能湖南岳阳发电有限责任公司 | 一种磨煤机防爆控制系统 |
CN215296449U (zh) * | 2021-03-30 | 2021-12-24 | 北京京能电力股份有限公司 | 一种用于火电厂磨煤机故障监测的声音采集器 |
CN113418207B (zh) * | 2021-06-11 | 2022-08-30 | 北京必可测科技股份有限公司 | 一种电站炉膛燃烧监测诊断装置及方法 |
CN215353950U (zh) * | 2021-06-16 | 2021-12-31 | 华能太仓发电有限责任公司 | 一种基于压力信号的磨煤机防爆燃系统 |
CN113588308A (zh) * | 2021-07-22 | 2021-11-02 | 上海电力大学 | 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法 |
CN115731943A (zh) * | 2022-11-14 | 2023-03-03 | 湖南国科微电子股份有限公司 | 一种爆音检测方法、爆音检测系统、存储介质和电子设备 |
-
2023
- 2023-03-07 CN CN202310206512.2A patent/CN116037301B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116037301A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255795B (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
CN117034043A (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
CN116909339B (zh) | 基于人工智能的智能家居安全预警方法及系统 | |
CN116037301B (zh) | 一种火电站磨煤机爆燃故障位置识别方法及系统 | |
CN115511398A (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
CN116821685B (zh) | 一种巡航机器人的声信号识别方法及系统 | |
CN111124816B (zh) | 一种基于hdp算法的服务器日志分析方法及系统 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN117277566A (zh) | 基于大数据的电网数据分析电力调度系统及方法 | |
CN115186935B (zh) | 一种机电设备非线性故障预测方法及系统 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN114648157A (zh) | 一种基于k最近邻分类的光伏功率预测方法 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 | |
CN116209000B (zh) | 一种用于双模模块的载波通信质量检测分析方法及系统 | |
CN118152969B (zh) | 一种基于多传感器的温度监测方法及系统 | |
CN111931511A (zh) | 一种基于广域分布式架构的语义分析方法及系统 | |
CN117575165B (zh) | 一种数字化配电网的智能巡检管理方法及系统 | |
CN116405863B (zh) | 基于数据挖掘的舞台音响设备故障检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |