CN116381480A - 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 - Google Patents
一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 Download PDFInfo
- Publication number
- CN116381480A CN116381480A CN202310323238.7A CN202310323238A CN116381480A CN 116381480 A CN116381480 A CN 116381480A CN 202310323238 A CN202310323238 A CN 202310323238A CN 116381480 A CN116381480 A CN 116381480A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic valve
- denitrification
- fault
- population
- sub
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 36
- 230000023556 desulfurization Effects 0.000 title claims abstract description 36
- 239000000428 dust Substances 0.000 claims abstract description 67
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 229910052742 iron Inorganic materials 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007789 sealing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000035800 maturation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003340 mental effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000007664 blowing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
- G01M3/2876—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for valves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Abstract
本发明公开了一种智能化脱硫脱硝除尘设备的监测方法，通过多传感器对电磁阀数据进行采集分析，判断故障发生和故障类型，根据多信息融合，采用智能算法对除尘电磁阀的使用寿命进行预测，实现了对脱硫脱硝除尘设备的除尘电磁阀进行故障监测和预警，实现了自动化巡检，节约了人力巡检模式的人力资源，并且有利于即时发现故障和解决故障，提高了设备的可靠性。本发明还公开了一种智能化脱硫脱硝除尘设备的监测系统，系统通过获取电磁阀传感器信息对除尘电磁阀工作状态进行监测和预测，并将获取的数据结果发送至用户手机APP或上位机等终端，实现自动化监测和预警。
Description
技术领域
本发明涉及脱硫脱硝设备领域，尤其是一种智能化脱硫脱硝除尘设备的监测方法和系统。
背景技术
燃料发电厂是我国能源消耗和污染物排放量最大的源头，燃料电厂的生产系统急需进行脱硫脱硝改造和烟气除尘技术的改造，以此减少电厂生产过程中排放的污染量，使能源利用效率得以提升。由于燃煤而产生的硫和硝若是不经过一系列的净化处理就直接排放到大气中，这样做肯定会对周围环境和大气带来严重的影响，还会破坏整个生态系统的平衡。
煤炭脱硫脱硝设备中，在生产过程中必然伴随着巨大的粉尘，除尘问题的解决迫在眉睫，目前，在设备中常采用的电磁阀吹扫的方式，通过通入高压气流对设备的各个点位进行除尘，由于电磁阀数量巨大，现场巡检需要耗费大量的人力物力，并且由于吹扫电磁阀数量大，现场环境恶劣，巡检人员无法仔细对每个吹扫电磁阀进行检测维护，因此，吹扫电磁阀无法得到及时维护，造成故障的出现，从而导致设备整机故障的情况时有发生，并且故障后，维修人员可以很难迅速发现故障电磁阀数量和位置以及故障类型，无法及时有效地解决故障问题。
发明内容
(一)解决的技术问题
为了解决上述技术问题，本发明提供一种智能化脱硫脱硝除尘设备的监测方法和系统，通过多传感器对电磁阀数据进行采集分析，判断故障发生和故障类型，根据多信息融合，采用智能算法对除尘电磁阀的使用寿命进行预测，实现了对脱硫脱硝除尘设备的除尘电磁阀进行故障监测和预警，实现了自动化巡检，节约了人力巡检模式的人力资源，并且有利于即时发现故障和解决故障，提高了设备的可靠性。
(二)技术方案
为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
智能化脱硫脱硝除尘设备的监测方法包括如下步骤：
步骤S1：获取除尘电磁阀传感器数据，包括除尘电磁阀控制电压、流量计测量数据以及电流传感器数据。
步骤S2：根据传感器数据判断电磁阀状态是否故障，若电磁阀故障，则进入S3，否则进入S4。
步骤S3：判断电磁阀故障类型，根据获取的传感器数据判断故障类型，主要分为电磁阀控制器故障、电磁阀线圈短路或者断路、主阀芯或铁动芯的密封件损坏或者电磁阀门卡住、主阀芯或铁动芯或弹簧损坏。
步骤S4：预测电磁阀正常使用次数。通过神经网络算法得到的预测值。计算电磁阀预计剩余使用寿命：将电磁阀预测寿命减去已使用寿命，并将设定的固定上限值减去已使用寿命；选择二者最小值为剩余使用寿命；
步骤S5：发送信息至控制器和远程终端。若检测出故障，将故障信息，检出时间发送到系统服务器，由服务器保存信息并将信息发送到用户终端；若未检测出故障，则将预测信息发送到服务器，并在预计使用寿命小于一定阈值时，发送警告信息给用户终端。
进一步地，步骤S3还包括：
(1)根据步骤S1获取的电磁阀控制电压与正常控制电压比较，判断电磁阀控制电压是否正常，若不正常，则初步判定为电磁阀控制器故障；
(2)根据电流传感器检测电磁阀线圈电流，判断除尘电磁阀线圈是否发生短路或者断路故障；若电流为零，则初步判定为除尘电磁阀线圈发生断路，若电流为无穷大，则初步判定为线圈发生短路；
(3)流量计测量喷出气体的流量，通过获取电磁阀控制信号与喷出气体流量相对比，判断电磁阀是否存在漏气或者气量不正常的情况；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀关闭，而流量计检测到有气体流量流出，则初步判定主阀芯或铁动芯的密封件损坏或者电磁阀门卡住；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀开启，而流量计检测到气体流量不稳定或流量偏离正常值较大，则初步判定电磁阀内部故障，如主阀芯或铁动芯或弹簧损坏。
进一步地，步骤S4还包括：
S41：调取服务器中存储的历史故障的除尘电磁阀控制电压、流量计测量数据以及电流传感器数据三个监测参数，并进行标准化处理：
具体计算如下公式进行标准化：
其中，xi i j为标准化后的数据，E(Xj)为向量Xj的均值，S2(Xj)为向量Xj的方差；
S42：建立RBF网络模型
建立三层神经网络，分别为输入层，隐含层和输出层。其中，三个监测参数作为输入层的输入，输出层为预测的电磁阀寿命；
隐含层的输出为：
其中，σi为第i个隐节点的标准化常数，Xp为输入径向量，Ci为对应的高斯函数的中心向量；
输出层输出为：
其中，wij为加权系数。
S43：训练并验证预测模型
将训练样本分为两个部分，以最新时刻的n个样本作为验证样本测试网络性能，而非传统的采用全部样本进行测试，这样能够使得网络结构更加适应设备最新状态的变化。当初始训练模型验证时精度不满足要求时，重新训练确定模型结构，确保模型预测结果匹配设备当前状态。并且，基于数据时间赋予不同时间的样本权重，对于时间距离较近的数据赋予较重的权重，时间距离较远的赋予较轻的权重，从而突出距离当前时刻较近的信息，抑制距离较远的信息，达到数据信息高效利用。具体如下公式表示：
其中，δ为样本x对应的权重，p为固定值，N为样本x的时间序列，Num为训练样本数。
模型训练步骤如下：
a.通过思维进化算法生成神经网络的初始权值和阈值：
(1)在解空间内随机生成一定数量的接，通过适用度函数确定得分高的M个优胜个体与T个临时个体。
b.趋同操作：各子群体内部个体为成为胜者而进行局部竞争的过程为趋同过程，每个种群中的局部子种群Si的个体进行斗争，获得局部最优个体Ni,nb,在迭代的过程中，当最优个体不再发生改变时，可认为子种群发展成熟，以子种群中的最优个体x的得分作为该子种群的得分；子种群Si的个体Ni服从正态分布：
Ni(μi,Ci)
其中，μi为最优个体Ni,nb的坐标，即神经网络的权值和阈值，Ci为协方差矩阵。
c.异化操作。异化操作是子群体成熟后，临时子群体替换和子群体释放的过程，从而完成全局寻优。即比较优胜子种群与临时子种群的得分，保留得分高的子种群，另一个子种群则被释放，被释放于解空间的个体形成了新的临时子种群，从而完成优胜子种群与临时子种群的更替。
d.不断重复b、c，直到所有种群的最优得分不能进一步提高或全局迭代次数达到上限，则可得到全局最优解Nnb，将其作为神经网络的初始权值以及阈值，从而缩短神经网络的训练时间，提高优化选择效率。
接着验证预测模型，以最新时刻的n个样本作为验证样本测试网络性能，若检测结果误差小于误差阈值，则保留模型参数，否则更新参数。
S44：使用预测模型计算当前在使用的电磁阀的预测寿命
将监测数据带入上述步骤得到的预测模型，计算出除尘电磁阀的预测寿命。
本发明还提供一种智能化脱硫脱硝除尘设备的监测系统，其具体包括：
信号获取模块：用于获取除尘电磁阀传感器数据，包括除尘电磁阀控制电压、流量计测量数据、电流传感器数据。
故障判断模块：用于根据传感器数据判断电磁阀状态是否故障。
故障类型判断模块：用于基于不同的故障类型表现出不同的特征，根据信号获取模块获取的传感器数据可以对故障类型进行初步判断。
具体为：
(1)根据步骤S1获取的电磁阀控制电压与正常控制电压比较，判断电磁阀控制电压是否正常，若不正常，则初步判定为电磁阀控制器故障；
(2)根据电流传感器检测电磁阀线圈电流，判断除尘电磁阀线圈是否发生短路或者断路故障；若电流为零，则初步判定为除尘电磁阀线圈发生断路，若电流为无穷大，则初步判定为线圈发生短路；
(3)流量计测量喷出气体的流量，通过获取电磁阀控制信号与喷出气体流量相对比，判断电磁阀是否存在漏气或者气量不正常的情况；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀关闭，而流量计检测到有气体流量流出，则初步判定主阀芯或铁动芯的密封件损坏或者电磁阀门卡住；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀开启，而流量计检测到气体流量不稳定或流量偏离正常值较大，则初步判定电磁阀内部故障，如主阀芯或铁动芯或弹簧损坏。
电磁阀寿命预测模块：
基于RBF网络的预测算法，根据历史信息预测除尘电磁阀的使用寿命，具体包括调取服务器中存储的历史故障的除尘电磁阀控制电压、流量计测量数据以及电流传感器数据三个监测参数，并进行标准化处理；建立RBF网络模型；训练并验证预测模型；使用预测模型计算当前在使用的电磁阀的预测寿命。计算电磁阀预计剩余使用寿命：将电磁阀预测寿命减去已使用寿命，并将设定的固定上限值减去已使用寿命；选择二者最小值为剩余使用寿命；
控制模块：其包括服务器和无线通信模块，用于将故障类型判断模块以及电磁阀寿命预测模块得到的信息存储至服务器以及通过无线通讯的方式将上述故障类型判断模块以及电磁阀寿命预测模块得到的信息发送至用户终端，用户终端包括手机APP或电脑上位机终端。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有脱硫脱硝除尘设备监测方法，所述基于脱硫脱硝除尘设备监测方法程序指令可被一个或者多个处理器执行，以实现如上所述的脱硫脱硝除尘设备监测方法的步骤。
(三)有益效果
与现有技术相比，本发明的有益效果为：
(1)通过多传感器对电磁阀数据进行采集分析，判断故障发生和故障类型，根据多信息融合，采用智能算法对除尘电磁阀的使用寿命进行预测，实现了对脱硫脱硝除尘设备的除尘电磁阀进行故障监测和预警，实现了自动化巡检，节约了人力巡检模式的人力资源，并且有利于即时发现故障和解决故障，提高了设备的可靠性。
(2)对神经网络算法进行改进，根据获取信息的时间先后赋予不同权重，达到数据信息动态利用，提高预测算法的准确性。
(3)采用思维进化算法优化神经网络算法，加快网络训练收敛速度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的智能化脱硫脱硝除尘设备的监测方法流程图；
图2是根据本申请实施例的神经网络模型示意图；
图3是根据本申请实施例的系统示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
参见图1，智能化脱硫脱硝除尘设备的监测方法包括如下步骤：
根据日常的生产经验，除尘电磁阀常见故障主要有：工作电压不正常、电磁线圈短路或短路故障、由于流体中的杂质使电磁阀中主阀芯和动铁芯卡死、主阀芯或动铁芯密封件损坏等故障问题。针对上述常见的问题设置相应的检测传感器，检测电磁阀状态。
步骤S1：获取除尘电磁阀传感器数据。
(1)获取除尘电磁阀控制电压，电磁阀控制电压如果长期处于大于正常控制电压的情况，则会对除尘电磁阀造成损坏，并且也可能出现电磁阀的误触发；如果控制电压小于正常电压，则会造成电磁阀触发不灵敏，错误率升高，从而对整个脱硫脱硝设备造成不良的影响。
(2)获取流量计测量数据，所述流量计检测电磁阀出口气体流量；
由于在有些情况下，除尘电磁阀已经出现了初期的问题，但是其还未表现出吹扫故障，因此，还应当对电磁阀的电参数进行检测，进一步判断电磁阀是否存在故障。
(3)获取电流传感器数据，所述电流传感器检测电磁阀线圈电流；
电磁阀故障原因多样，在现有技术中，一般是依靠人员到现场进行检测才能判断故障原因，而不同的故障维修需要不同的器材设备和维修策略或者不同的维修人员，则就需要维修人员多次到现场才能解决问题。例如，如果是电磁线圈出现短路断路的问题，则对线圈进行重新焊接或者更换线圈；如果工作电压不合适，则调整压差或者更换相称的电磁阀；如果是主阀芯或铁动芯的密封件损坏，则需要更换损坏密封件，如果是有杂质进入主阀芯或铁动芯，则就需要携带清洗设备进行清洗。
因此，在故障后，判断故障类型显得尤为重要，明确故障类型才能选择合适的维修人员到现场维修，并且携带相关的维修设备，节约人力资源。
步骤S2：根据传感器数据判断电磁阀状态是否故障，若电磁阀故障，则进入S3，否则进入S4。
基于不同的故障类型表现出不同的特征，因此，基于步骤S1获取的传感器数据可以对故障类型进行初步判断。
步骤S3：判断电磁阀故障类型，具体为：
(1)根据步骤S1获取的电磁阀控制电压与正常控制电压比较，判断电磁阀控制电压是否正常，若不正常，则初步判定为电磁阀控制器故障；
(2)根据电流传感器检测电磁阀线圈电流，判断除尘电磁阀线圈是否发生短路或者断路故障；若电流为零，则初步判定为除尘电磁阀线圈发生断路，若电流为无穷大，则初步判定为线圈发生短路；
(3)流量计测量喷出气体的流量，通过获取电磁阀控制信号与喷出气体流量相对比，判断电磁阀是否存在漏气或者气量不正常的情况；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀关闭，而流量计检测到有气体流量流出，则初步判定主阀芯或铁动芯的密封件损坏或者电磁阀门卡住；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀开启，而流量计检测到气体流量不稳定或流量偏离正常值较大，则初步判定电磁阀内部故障，如主阀芯或铁动芯或弹簧损坏。
步骤S4：预测电磁阀剩余正常使用次数。通过获取各个电磁阀历史信息以及开关次数预测电磁阀正常使用次数。
正常情况下，由于电磁阀老化等原因，为保证其使用准确率，对于开关超过使用次数的的电磁阀强制更换，使用上限次数根据经验选择，一般地，开关次数为50万次。
在未达到使用上限次数的情况下，采用基于RBF网络的预测算法，根据历史信息预测除尘电磁阀使用寿命，最后计算电磁阀预计剩余使用寿命：将电磁阀预测寿命减去已使用寿命，并将设定的固定上限值减去已使用寿命；选择二者最小值为剩余使用寿命；特别地，固定上限值为50万次；
具体步骤如下：
S41：调取服务器中存储的历史故障的除尘电磁阀控制电压、流量计测量数据以及电流传感器数据三个监测参数，并进行标准化处理：
设所获得的数据为向量Vn＝(X1，X2，X3，…Xm),其中X1-Xm都为长度为n的向量，即
其中m为监测指标的个数，n为每个监测指标获取的监测值数量；对Vn进行标准化处理，求取标准化处理之后的数据xij’，具体计算如下公式：
其中，E(xj)为输入变量xj的数学期望；S2(xj)为输入变量xj的方差，因此，标准化之后的向量为
S42：建立RBF网络模型
如图2所示为本发明的神经网络模型示意图，建立三层神经网络，分别为输入层，隐含层和输出层。其中，三个监测参数作为输入层的输入，输出层为预测的电磁阀寿命；
隐含层的输出为：
其中，σi为第i个隐节点的标准化常数，Xp为输入径向量，Ci为对应的高斯函数的中心向量；
输出层输出为：
其中，wij为加权系数。
S43：训练并验证预测模型
现有技术构建预测模型时，采用所有训练样本来确定网络输出权值，且输出模型的权值不会再进行调整。这样就会造成：由于利用全部样本进行训练，造成网络结构缺乏自适应调整能力，且使用全部训练样本评价泛化性能无法保证网络拥有良好的动态适应性；其无法随着设备的使用时间的变化而更新，由于随使用时间逐渐退化的设备或装置各项参数都会发生变化，固定的模型造成建立的模型的预测准确率逐渐下降，因此应当对模型进行实时动态训练。
具体地：将训练样本分为两个部分，以最新时刻的n个样本作为验证样本测试网络性能，而非传统的采用全部样本进行测试，这样能够使得网络结构更加适应设备最新状态的变化。当初始训练模型验证时精度不满足要求时，重新训练确定模型结构，确保模型预测结果匹配设备当前状态。并且，基于数据时间赋予不同时间的样本权重，对于时间距离较近的数据赋予较重的权重，时间距离较远的赋予较轻的权重，从而突出距离当前时刻较近的信息，抑制距离较远的信息，达到数据信息高效利用。具体如下公式表示：
其中，δ为样本x对应的权重，p为固定值，N为样本x的时间序列，Num为训练样本数。
RBF神经网络虽然可以很好地处理非线性问题,具有良好的泛化能力,但是由于其隐含层径向基函数中心、标准化常数以及隐含层到输出层的加权系数等几个重要参数难以确定，神经网络训练速度慢，容易陷入局部极小点，因此，本发明对RBF神经网络进行改进，采用思维进化算法优化神经网络算法，将每一代的个体集合群体分为优胜子群体和临时子群体，优胜子群体记录全局竞争的优胜者信息，临时子群体记录全局竞争过程。
模型训练步骤如下：
a.通过思维进化算法生成神经网络的初始权值和阈值：
(1)在解空间内随机生成一定数量的接，通过适用度函数确定得分高的M个优胜个体与T个临时个体。
b.趋同操作：各子群体内部个体为成为胜者而进行局部竞争的过程为趋同过程，每个种群中的局部子种群Si的个体进行斗争，获得局部最优个体Ni,nb,在迭代的过程中，当最优个体不再发生改变时，可认为子种群发展成熟，以子种群中的最优个体x的得分作为该子种群的得分；子种群Si的个体Ni服从正态分布：
Ni(μi,Ci)
其中，μi为最优个体Ni,nb的坐标，即神经网络的权值和阈值，Ci为协方差矩阵。
c.异化操作。异化操作是子群体成熟后，临时子群体替换和子群体释放的过程，从而完成全局寻优。即比较优胜子种群与临时子种群的得分，保留得分高的子种群，另一个子种群则被释放，被释放于解空间的个体形成了新的临时子种群，从而完成优胜子种群与临时子种群的更替。
d.不断重复b、c，直到所有种群的最优得分不能进一步提高或全局迭代次数达到上限，则可得到全局最优解Nnb，将其作为神经网络的初始权值以及阈值，从而缩短神经网络的训练时间，提高优化选择效率。
接着验证预测模型，以最新时刻的n个样本作为验证样本测试网络性能，若检测结果误差小于误差阈值，则保留模型参数，否则更新参数。
S44：使用预测模型计算当前在使用的电磁阀的预测寿命
将监测数据带入上述步骤得到的预测模型，计算出除尘电磁阀的预测寿命。
步骤S5：发送信息至控制器和远程终端。若检测出故障，将故障信息，检出时间发送到系统服务器，由服务器保存信息并将信息发送到用户终端；若未检测出故障，则将预测信息发送到服务器，并在预计使用寿命小于一定阈值时，发送警告信息给用户终端；
上述用户终端包括手机APP或电脑上位机终端。
在本实施方式中，通过获取监测数据对除尘电磁阀运行状态进行自动监测，并且对故障类型进行了初步判断，同时，通过改进的神经网络对除尘电磁阀的寿命进行预测，节约了大量的人力物力，帮助维修人员迅速判断故障并进行维修，同时通过预测除尘电磁阀寿命，在未发生故障之前及时预警，保证了脱硫脱硝设备的稳定运行。
在本实施方式中，通过获取监测数据对除尘电磁阀运行状态进行自动监测，并且对故障类型进行了初步判断，同时，通过改进的神经网络对除尘电磁阀的寿命进行预测，节约了大量的人力物力，帮助维修人员迅速判断故障并进行维修，同时通过预测除尘电磁阀寿命，在未发生故障之前及时预警，保证了脱硫脱硝设备的稳定运行。
本发明实施例还提出一种智能化脱硫脱硝除尘设备的监测系统，系统示意图如图3所示，其具体包括：
信号获取模块：用于获取除尘电磁阀传感器数据，包括除尘电磁阀控制电压、流量计测量数据、电流传感器数据。
故障判断模块：用于根据传感器数据判断电磁阀状态是否故障。
故障类型判断模块：用于基于不同的故障类型表现出不同的特征，根据信号获取模块获取的传感器数据可以对故障类型进行初步判断。
具体为：
(1)根据步骤S1获取的电磁阀控制电压与正常控制电压比较，判断电磁阀控制电压是否正常，若不正常，则初步判定为电磁阀控制器故障；
(2)根据电流传感器检测电磁阀线圈电流，判断除尘电磁阀线圈是否发生短路或者断路故障；若电流为零，则初步判定为除尘电磁阀线圈发生断路，若电流为无穷大，则初步判定为线圈发生短路；
(3)流量计测量喷出气体的流量，通过获取电磁阀控制信号与喷出气体流量相对比，判断电磁阀是否存在漏气或者气量不正常的情况；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀关闭，而流量计检测到有气体流量流出，则初步判定主阀芯或铁动芯的密封件损坏或者电磁阀门卡住；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀开启，而流量计检测到气体流量不稳定或流量偏离正常值较大，则初步判定电磁阀内部故障，如主阀芯或铁动芯或弹簧损坏。
电磁阀寿命预测模块：
用于基于RBF网络的预测算法，根据历史信息预测除尘电磁阀的使用寿命，具体包括调取服务器中存储的历史故障的除尘电磁阀控制电压、流量计测量数据以及电流传感器数据三个监测参数，并进行标准化处理；建立RBF网络模型；训练并验证预测模型；使用预测模型计算当前在使用的电磁阀的预测寿命。计算电磁阀预计剩余使用寿命：将电磁阀预测寿命减去已使用寿命，并将设定的固定上限值减去已使用寿命；选择二者最小值为剩余使用寿命；
控制模块：其包括服务器和无线通信模块，用于将故障类型判断模块以及电磁阀寿命预测模块得到的信息存储至服务器以及通过无线通讯的方式将上述故障类型判断模块以及电磁阀寿命预测模块得到的信息发送至用户终端，用户终端包括手机APP或电脑上位机终端。
此外，本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有脱硫脱硝除尘设备监测方法，所述基于脱硫脱硝除尘设备监测方法程序指令可被一个或者多个处理器执行，以实现如上所述的脱硫脱硝除尘设备监测方法的步骤。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种智能化脱硫脱硝除尘设备的监测方法，其特征在于，包括以下步骤：
步骤S1：获取除尘电磁阀传感器数据，包括除尘电磁阀控制电压、流量计测量数据以及电流传感器数据；
步骤S2：根据传感器数据判断电磁阀状态是否故障，若电磁阀故障，则进入S3，否则进入S4；
步骤S3：判断电磁阀故障类型，根据获取的传感器数据判断故障类型，主要分为电磁阀控制器故障、电磁阀线圈短路或者断路、主阀芯或铁动芯的密封件损坏或者电磁阀门卡住、主阀芯或铁动芯或弹簧损坏；
步骤S4：预测电磁阀剩余正常使用次数；通过神经网络算法得到的预测值；计算电磁阀预计剩余使用寿命：将电磁阀预测寿命减去已使用寿命，并将设定的固定上限值减去已使用寿命；选择二者最小值为剩余使用寿命；
步骤S5：发送信息至控制器和远程终端；若检测出故障，将故障信息，检出时间发送到系统服务器，由服务器保存信息并将信息发送到用户终端；若未检测出故障，则将预测信息发送到服务器，并在预计使用寿命小于一定阈值时，发送警告信息给用户终端。
2.根据权利要求1所述的智能化脱硫脱硝除尘设备的监测方法，其特征在于，所述步骤S3还包括：
根据步骤S1获取的电磁阀控制电压与正常控制电压比较，判断电磁阀控制电压是否正常，若不正常，则初步判定为电磁阀控制器故障；
根据电流传感器检测电磁阀线圈电流，判断除尘电磁阀线圈是否发生短路或者断路故障；若电流为零，则初步判定为除尘电磁阀线圈发生断路，若电流为无穷大，则初步判定为线圈发生短路；
流量计测量喷出气体的流量，通过获取电磁阀控制信号与喷出气体流量相对比，判断电磁阀是否存在漏气或者气量不正常的情况；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀关闭，而流量计检测到有气体流量流出，则初步判定主阀芯或铁动芯的密封件损坏或者电磁阀门卡住；
若电磁阀线圈电流正常，电磁阀控制信号控制电磁阀开启，而流量计检测到气体流量不稳定或流量偏离正常值较大，则初步判定电磁阀内部元件故障。
3.根据权利要求1所述的智能化脱硫脱硝除尘设备的监测方法，其特征在于，所述步骤S4还包括：S41：调取服务器中存储的历史故障的除尘电磁阀控制电压、流量计测量数据以及电流传感器数据三个监测数据，并进行标准化处理；S42：建立RBF网络模型；S43：训练并验证预测模型；S44：使用预测模型计算当前在使用的电磁阀的预测寿命。
4.根据权利要求3所述的智能化脱硫脱硝除尘设备的监测方法，其特征在于，所述步骤S41还包括：采用如下公式进行标准化：
其中，xi i j为标准化后的数据，E(xj)为输入变量xj的数学期望；S2(xj)为输入变量xj的方差。
5.根据权利要求3所述的智能化脱硫脱硝除尘设备的监测方法，其特征在于，所述步骤S42还包括：
神经网络隐含层的输出为：
其中，σi为第i个隐节点的标准化常数，Xp为输入径向量，Ci为对应的高斯函数的中心向量；
输出层输出为：
其中，wij为加权系数。
6.根据权利要求3所述的智能化脱硫脱硝除尘设备的监测方法，其特征在于，所述步骤S43还包括：
对数据基于时间先后赋予不同的权值，具体为：
其中，δ为样本x对应的权重，p为固定值，N为样本x的时间序列，Num为训练样本数。
7.根据权利要求6所述的智能化脱硫脱硝除尘设备的监测方法，其特征在于，所述步骤S43还包括：通过思维进化算法生成神经网络的初始权值和阈值。
8.根据权利要求7所述的智能化脱硫脱硝除尘设备的监测方法，其特征在于，所述通过思维进化算法生成神经网络的初始权值和阈值具体包括：
a.通过思维进化算法生成神经网络的初始权值和阈值：
在解空间内随机生成一定数量的子群，通过适用度函数确定得分高的M个优胜个体与T个临时个体；
b.趋同操作：各子群体内部个体为成为胜者而进行局部竞争的过程为趋同过程，每个种群中的局部子种群Si的个体进行斗争，获得局部最优个体Ni,nb,在迭代的过程中，当最优个体不再发生改变时，可认为子种群发展成熟，以子种群中的最优个体x的得分作为该子种群的得分；子种群Si的个体Ni服从正态分布：
Ni(μi,Ci)
其中，μi为最优个体Ni,nb的坐标，即神经网络的权值和阈值，Ci为协方差矩阵；
c.异化操作：异化操作是子群体成熟后，临时子群体替换和子群体释放的过程，从而完成全局寻优；即比较优胜子种群与临时子种群的得分，保留得分高的子种群，另一个子种群则被释放，被释放于解空间的个体形成了新的临时子种群，从而完成优胜子种群与临时子种群的更替；
d.不断重复b、c，直到所有种群的最优得分不能进一步提高或全局迭代次数达到上限，则可得到全局最优解Nnb，将其作为神经网络的初始权值以及阈值，从而缩短神经网络的训练时间，提高优化选择效率。
9.一种如权利要求1-8任意项所述的运行智能化脱硫脱硝除尘设备的监测系统，其特征在于，所述系统包括：
信号获取模块：用于获取除尘电磁阀传感器数据，包括除尘电磁阀控制电压、流量计测量数据、电流传感器数据；
故障判断模块：用于根据传感器数据判断电磁阀状态是否故障；
故障类型判断模块：用于基于不同的故障类型表现出不同的特征，根据信号获取模块获取的传感器数据可以对故障类型进行初步判断；
电磁阀寿命预测模块：
基于RBF网络的预测算法，根据历史信息预测除尘电磁阀的使用寿命，具体包括调取服务器中存储的历史故障的除尘电磁阀控制电压、流量计测量数据以及电流传感器数据三个监测参数，并进行标准化处理；建立RBF网络模型；训练并验证预测模型；使用预测模型计算当前在使用的电磁阀的预测寿命；计算电磁阀预计剩余使用寿命：将电磁阀预测寿命减去已使用寿命，并将设定的固定上限值减去已使用寿命；选择二者最小值为剩余使用寿命；
控制模块：其包括服务器和无线通信模块，用于将故障类型判断模块以及电磁阀寿命预测模块得到的信息存储至服务器以及通过无线通讯的方式将上述故障类型判断模块以及电磁阀寿命预测模块得到的信息发送至用户终端，用户终端包括手机APP或电脑上位机终端。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有脱硫脱硝除尘设备监测方法，所述基于脱硫脱硝除尘设备监测方法程序指令可被一个或者多个处理器执行，以实现如上所述的脱硫脱硝除尘设备监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310323238.7A CN116381480A (zh) | 2023-03-30 | 2023-03-30 | 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310323238.7A CN116381480A (zh) | 2023-03-30 | 2023-03-30 | 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116381480A true CN116381480A (zh) | 2023-07-04 |
Family
ID=86980082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310323238.7A Pending CN116381480A (zh) | 2023-03-30 | 2023-03-30 | 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381480A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117687394A (zh) * | 2024-01-27 | 2024-03-12 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
| CN106357184A (zh) * | 2016-11-01 | 2017-01-25 | 安徽大学 | 基于神经网络的车用永磁同步电机输出转矩的温度补偿方法 |
| CN106958484A (zh) * | 2017-03-17 | 2017-07-18 | 中国人民解放军重庆通信学院 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
| CN108197744A (zh) * | 2018-01-02 | 2018-06-22 | 华北电力大学（保定） | 一种光伏发电功率的确定方法及系统 |
| CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
| CN109615169A (zh) * | 2018-11-08 | 2019-04-12 | 国家电网有限公司 | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 |
| CN113360555A (zh) * | 2021-04-30 | 2021-09-07 | 国网浙江省电力有限公司丽水供电公司 | 一种基于电网二次设备大数据的故障诊断分析方法及系统 |
| CN114282434A (zh) * | 2021-12-16 | 2022-04-05 | 成都航天科工大数据研究院有限公司 | 一种工业设备健康管理系统及方法 |
| CN114386312A (zh) * | 2021-12-08 | 2022-04-22 | 华能沁北发电有限责任公司 | 一种设备故障诊断方法 |
| CN114510871A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于思维进化和lstm的云服务器性能衰退预测方法 |
-
2023
- 2023-03-30 CN CN202310323238.7A patent/CN116381480A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
| CN106357184A (zh) * | 2016-11-01 | 2017-01-25 | 安徽大学 | 基于神经网络的车用永磁同步电机输出转矩的温度补偿方法 |
| CN106958484A (zh) * | 2017-03-17 | 2017-07-18 | 中国人民解放军重庆通信学院 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
| CN108197744A (zh) * | 2018-01-02 | 2018-06-22 | 华北电力大学（保定） | 一种光伏发电功率的确定方法及系统 |
| CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
| CN109615169A (zh) * | 2018-11-08 | 2019-04-12 | 国家电网有限公司 | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 |
| CN113360555A (zh) * | 2021-04-30 | 2021-09-07 | 国网浙江省电力有限公司丽水供电公司 | 一种基于电网二次设备大数据的故障诊断分析方法及系统 |
| CN114386312A (zh) * | 2021-12-08 | 2022-04-22 | 华能沁北发电有限责任公司 | 一种设备故障诊断方法 |
| CN114282434A (zh) * | 2021-12-16 | 2022-04-05 | 成都航天科工大数据研究院有限公司 | 一种工业设备健康管理系统及方法 |
| CN114510871A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于思维进化和lstm的云服务器性能衰退预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林麒麟;包广清;: "基于MEA-Elman神经网络的电力日负荷预测", 工业仪表与自动化装置, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117687394A (zh) * | 2024-01-27 | 2024-03-12 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
| CN117687394B (zh) * | 2024-01-27 | 2024-04-16 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109459671A (zh) | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 | |
| CN105550100A (zh) | 一种信息系统故障自动恢复的方法及系统 | |
| CN116381480A (zh) | 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 | |
| US8340789B2 (en) | System for monitoring and optimizing controllers for process performance | |
| CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
| US11959777B2 (en) | Methods and Internet of Things (IoT) systems for safety management of smart gas underground gas pipeline networks | |
| CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
| CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
| CN111651933B (zh) | 基于统计推断的工业锅炉故障预警方法及系统 | |
| US20220341996A1 (en) | Method for predicting faults in power pack of complex equipment based on a hybrid prediction model | |
| CN109656204A (zh) | 一种燃煤电厂超低排放智能环保岛系统 | |
| CN108650139A (zh) | 一种电力通信网络监测系统 | |
| CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
| CN112819107A (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
| CN116226469B (zh) | 一种储能设备故障的智能诊断方法及系统 | |
| CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
| CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
| CN109522615B (zh) | 电力系统继电保护的零序涌流耐受能力评估方法及装置 | |
| CN115983048B (zh) | 一种基于数字孪生的冷凝器质量检测方法及系统 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| Morato et al. | Managing offshore wind turbines through Markov decision processes and dynamic Bayesian networks | |
| CN115409264A (zh) | 基于馈线故障预测的配电网抢修驻点位置优化方法 | |
| CN114661504A (zh) | 一种对重复出现类型故障的可操作可解释的根因定位方法 | |
| Aizpurua et al. | Determining appropriate data analytics for transformer health monitoring | |
| CN114970056A (zh) | 基于改进nsga-ii算法二回路系统传感器布置方法 |
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 |