CN116805065A - 一种煤粉加热炉燃烧器监测数据智能管理方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种煤粉加热炉燃烧器监测数据智能管理方法，通过温度传感器和氧气浓度传感器分别采集煤粉加热炉燃烧器排放的废气的温度数据及氧气浓度数据，并进行归一化处理；采集到的数据通过阈值设定得到正常数据及第一异常数据集合，通过正常数据构建数据逼近直线和聚集程度；通过数据逼近直线和聚集程度得到异常距离影响因子，通过异常距离影响因子及阈值设定得到第二异常数据集合，通过两次阈值设定得到的异常数据传给工作人员进行分析，对煤粉加热炉燃烧器进行维修。从而煤粉加热炉燃烧器智能监测，具有较高的检测精度。

Description

一种煤粉加热炉燃烧器监测数据智能管理方法

技术领域

本申请涉及数据处理技术领域，具体涉及一种煤粉加热炉燃烧器监测数据智能管理方法。

背景技术

煤粉加热炉燃烧器是一种以煤粉为主要燃料进行燃烧加热的设备，煤粉加热炉燃烧器在使用过程中，煤粉燃烧不充分会产生大量的一氧化碳、氮氧化物等气体污染物，造成环境污染，为保证煤粉加热炉燃烧器排放的废气中气体污染物含量符合国家和地方环保法规的要求，需要对煤粉加热炉燃烧器的废气排放进行实时监控。煤粉加热炉燃烧器排放的废气中气体污染物含量会因煤质、煤粉喷射量、仪器操作等问题的影响出现超标情况，超标时会影响煤粉加热炉燃烧器排放的废气温度及废气中氧气浓度，可通过对废气温度及废气中氧气浓度异常数据检测，进行实时监控，并及时调整，以实现煤粉的高效燃烧和保护环境的目标。

传统的局部异常因子算法(Local Outlier Factor，LOF)，是通过比较每个数据点和其邻域数据点的密度来判断异常点，煤粉加热炉燃烧器的排放的废气温度变化范围大、废气中的氧气浓度的变化范围小，且采集的数据量多，会出现异常数据聚集现象，聚集的异常数据会被当成正常数据处理，从而降低检测结果准确性。

发明内容

为了解决上述技术问题，本发明提供一种煤粉加热炉燃烧器监测数据智能管理方法，以解决现有的问题。

本发明的一种煤粉加热炉燃烧器监测数据智能管理方法采用如下技术方案：

本发明一个实施例提供了一种煤粉加热炉燃烧器监测数据智能管理方法，该方法包括以下步骤：

通过温度传感器采集温度数据，并按照采集时序组合得到原始温度数据集合，对原始温度数据集合中的数据进行归一化处理得到温度数据集合；

通过氧气传感器采集氧气浓度数据，并按照采集时序组合得到原始氧气浓度数据集合，对原始氧气浓度数据集合中的数据进行归一化处理得到氧气浓度数据集合；

根据温度阈值对温度数据集合进行筛选，得到正常温度数据，根据氧气浓度阈值对氧气浓度数据集合进行筛选，得到正常氧气浓度数据；将正常氧气浓度数据及正常温度数据中具有相同采集时刻的数据配对得到数据点，通过数据点获得温度-氧气浓度分布图；根据温度-氧气浓度分布图得到第一异常数据集合；

将温度-氧气浓度分布图等分成多个温度分割区域；

根据各温度分割区域内氧气浓度数据得到各温度分割区域的聚集区域；

对所有聚集区域内的数据点进行线性拟合得到数据逼近直线；

根据各聚集区域内所有数据点到数据逼近直线的距离得到每个聚集区域的距离熵；根据各聚集区域的距离熵以及各聚集区域内数据点之间的坐标关系得到各聚集区域的数据聚集程度；

根据各数据与数据逼近直线的距离关系及各聚集区域的数据聚集程度得到各数据的异常距离影响因子；通过LOF算法获取温度-氧气浓度分布图中的每个数据点的局部异常因子；根据各数据点的异常距离影响因子及局部异常因子得到各数据点的异常检测因子；

根据异常检测因子对温度-氧气浓度分布图中的数据点进行筛选，得到第二异常数据集合；根据第一异常数据集合以及第二异常数据集合得到煤粉加热炉燃烧器的异常数据，完成煤粉加热炉燃烧器的监测。

所述根据温度阈值对温度数据集合进行筛选，得到正常温度数据，具体步骤为：

设定低温度阈值和高温度阈值，将原始温度数据集合中处于低温度阈值与高温度阈值之间的温度数据作为第一正常数据；将所述第一正常数据在温度数据集合相对应的数据作为正常温度数据。

所述根据氧气浓度阈值对氧气浓度数据集合进行筛选，得到正常氧气浓度数据，具体步骤为：

设定低氧气浓度阈值和高氧气浓度阈值，将原始氧气浓度数据集合中处于低氧气浓度阈值与高氧气浓度阈值之间的氧气浓度数据作为第二正常数据，将所述第二正常数据在氧气浓度数据集合相对应的数据作为正常氧气浓度数据。

所述根据温度-氧气浓度分布图得到第一异常数据集合，具体步骤为：

根据温度-氧气浓度分布图分别得到图中包含的正常温度数据及正常氧气浓度数据；将图中包含的正常温度数据从采集到的原始温度数据集合中去除，得到初始温度异常数据；将图中包含的正常氧气浓度数据从采集到的原始氧气浓度数据集合中去除，得到初始氧气浓度异常数据；将初始温度异常数据及初始氧气浓度异常数据合并得到第一异常数据集合。

所述根据各温度分割区域内氧气浓度得到各温度分割区域的聚集区域，具体步骤为：

各温度分割区域中各数据点的氧气浓度对应各纵坐标，将各数据点纵坐标所处水平线作为分割线对各温度分割区域进行分割，得到各温度分割区域的各氧气浓度分割区域，将相邻分割线的纵坐标差值作为各氧气浓度分割区域的氧气浓度间隔，保留氧气浓度间隔大于氧气浓度间隔均值的各氧气浓度分割区域，对保留的各氧气浓度分割区域中相邻的氧气浓度分割区域进行合并得到多个合并区域，将各温度分割区域内数据点最多的合并区域作为各温度分割区域的聚集区域。

所述根据各聚集区域内所有数据点到数据逼近直线的距离得到每个聚集区域的距离熵，表达式为：

式中，为第/>个聚集区域的距离熵，/>为该聚集区域中数据点的个数，/>为该聚集区域中第/>个数据点到数据逼近直线的欧式距离，/>为第/>个聚集区域内所有数据点到数据逼近直线的距离的平均值。

所述根据各聚集区域的距离熵以及各聚集区域内数据点之间的坐标关系得到各聚集区域的数据聚集程度，表达式为：

式中，为第/>个聚集区域的聚集程度，/>为第/>个聚集区域的距离熵，/>为该聚集区域内所有数据点关于/>的值的标准差，/>为该聚集区域内所有数据点关于/>的值的标准差。

所述根据各数据与数据逼近直线距离关系及各聚集区域的数据聚集程度得到各数据的异常距离影响因子，表达式为：

式中，为温度-氧气浓度分布图中所有聚集区域内的数据点到各数据逼近直线的加权聚集距离，/>为对第/>个聚集区域的聚集程度/>进行归一化后的结果/>为第/>个聚集区域内所有数据点到数据逼近直线的距离的平均值/>为温度-氧气浓度分布图中数据点/>的异常距离影响因子/>为数据点/>到数据逼近直线的距离。

所述根据各数据点的异常距离影响因子及局部异常因子得到各数据点的异常检测因子，表达式为：

式中，为温度-氧气浓度分布图中的数据点/>的异常检测因子，/>为温度-氧气浓度分布图中数据点/>的异常距离影响因子，/>为温度-氧气浓度分布图中的数据点/>的局部异常因子。

所述根据异常检测因子对温度-氧气浓度分布图中的数据点进行筛选，得到第二异常数据集合，具体步骤为：

将异常检测因子高于异常阈值的数据点作为第二异常数据点，将所有第二异常数据点组合作为第二异常数据集合。

本发明至少具有如下有益效果：

本发明结合测量数据的整体变化趋势以及正常数据的整体分布特征，避免了传统LOF算法中因异常数据聚集导致检测不准确的问题，提高LOF算法检测煤粉加热炉燃烧器测量数据中异常数据的准确性；

本发明通过采集到的数据进行初步筛选，得到正常数据及初始异常数据，结合煤粉加热炉燃烧器测量数据的分布情况来构建数据逼近直线和聚集程度，并构建异常距离影响因子，从而对正常数据进行异常数据检测，能够得到更为准确的异常数据。同时结合LOF算法的局部异常因子来得到测量数据的异常检测因子，将各正常数据计算异常检测因子，通过异常检测因子的大小筛选得到异常数据，解决了异常数据聚集导致异常数据检测不准确的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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附图。

图1为本发明提供的一种煤粉加热炉燃烧器监测数据智能管理方法的流程图；

图2为温度-氧气浓度分布图；

图3为温度分割区域示意图；

图4为合并区域示意图；

图5为直线拟合示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种煤粉加热炉燃烧器监测数据智能管理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种煤粉加热炉燃烧器监测数据智能管理方法的具体方案。

本发明一个实施例提供的一种煤粉加热炉燃烧器监测数据智能管理方法。

具体的，提供了如下的一种煤粉加热炉燃烧器监测数据智能管理方法，请参阅图1，该方法包括以下步骤：

步骤S001，通过温度传感器采集温度数据，并按照采集时序组合得到原始温度数据集合，对原始温度数据集合中的数据进行归一化处理得到温度数据集合；通过氧气传感器采集氧气浓度数据，并按照采集时序组合得到原始氧气浓度数据集合，对原始氧气浓度数据集合中的数据进行归一化处理得到氧气浓度数据集合。

利用温度传感器和氧气浓度传感器分别采集煤粉加热炉燃烧器运行稳定后的炉膛出口处的废气排放温度和废气中的氧气浓度，本实施例中的每个传感器采集的数据量记为，相邻两次数据采集的时间间隔记为/>，共采集/>个数据，具体数据量/>以及间隔时段/>实施者自行定义，本实施例中设置为/>，/>。

将温度传感器采集温度数据集合记为原始温度数据集合，氧气浓度传感器采集氧气浓度数据集合记为原始氧气浓度数据集合/>。分别对原始温度数据集合/>和原始氧气浓度数据集合/>中的数据进行归一化的去量纲处理，归一化的去量纲方法为现有公知技术，不再赘述，分别得到预处理后的温度数据集合和氧气浓度数据集合。至此，可得到温度数据集合和氧气浓度数据集合。

步骤S002，对采集的数据集合进行分析，提取煤粉加热炉燃烧器的异常数据。

煤粉加热炉燃烧器的废气排放温度和废气中的氧气浓度不仅可以用来检测排放的废气是否达到国家的废气排放标准，还可以用来反映煤粉加热炉燃烧器的燃烧状态和效率。其中，废气中的氧气浓度过高或过低都可能表示煤粉燃烧不充分，进而造成污染物的排放超过标准；废气排放温度过低会导致废气中的水分凝结，降低收尘效率，并且过高的排放温度还会对空气造成污染。因此废气排放温度过低或过高、废气中氧气浓度过低或过高都会使废气的排放不符合国家的废气排放标准。

在煤粉充分燃烧时，氧气利用较为充分，此时废气中氧气浓度会比较低。若废气中氧气浓度升高，则表明煤粉燃烧不充分或者煤粉中含硫等杂质过多造成的二次燃烧等情况。但是，废气中的氧气浓度过低时，也会导致煤粉的燃烧不充分，这是由于煤粉的燃烧需要用到空气中的氧气，若燃烧器的进风量不足，煤粉燃烧时就会缺乏氧气，从而导致废气中的氧气浓度过低，从而降低煤粉的燃烧效率，甚至发生不完全燃烧的现象。其次，当煤粉充分燃烧时，燃烧产物中的热量就会被完全释放，这时废气排放温度会比较高。如果废气排放温度较低，就表明有未完全燃烧的煤粉或者燃烧不充分，从而表明煤粉燃烧效率较低。但是，废气温度过高也可能是煤粉喷射量过大，排气量过大，以及空气与煤粉的比例不协调，导致燃烧温度过高。

因此当煤粉充分燃烧时，随着煤粉的燃烧，废气中氧气的浓度会逐渐降低，而废气排放温度会逐渐升高。并且当煤粉燃烧完全时，煤粉和空气中的氧气已被充分利用，废气中的氧气浓度就会降低到最低点，而废气排放温度会升高到最高点。因此，当煤粉充分燃烧时，废气排放温度和废气中的氧气浓度之间是负相关的。则可通过废气排放温度和废气中的氧气浓度之间的分布特征来检测这些数据中的异常数据。

设定低温度阈值和高温度阈值/>，将原始温度数据集合/>中大于低温度阈值/>且小于高温度阈值/>的温度数据对应归一化后的数据，放入正常温度数据集合/>；设定低氧气浓度阈值/>和高氧气浓度阈值/>，将原始氧气浓度数据集合/>中大于低氧气浓度阈值且小于高氧气浓度阈值/>的氧气浓度数据对应的归一化后的数据，放入正常氧气浓度数据集合/>。需要说明的是，低温度阈值、高温度阈值、低氧气浓度阈值和高氧气浓度阈值的设定实施者可自行选取，本实施例将低温度阈值/>设定为650/>，高温度阈值/>设定为900/>，低氧气浓度阈值/>设定为3/>，高氧气浓度阈值/>设定为7/>。

将正常温度数据集合与正常氧气浓度数据集合/>中具有相同采集时刻的数据点配对得到数据点，以温度数据为横坐标，以氧气浓度数据为纵坐标，根据数据点建立温度-氧气浓度分布图，如图2。

根据温度-氧气浓度分布图分别得到图中包含的温度数据及氧气浓度数据；将图中包含的温度数据从采集到的原始温度数据集合中去除，得到初始温度异常数据；将图中包含的氧气浓度数据从采集到的原始氧气浓度数据集合/>中去除，得到初始氧气浓度异常数据；将初始温度异常数据及初始氧气浓度异常数据合并得到第一异常数据集合/>。

当温度-氧气浓度分布图中的数据均为正常数据时，由于煤粉充分燃烧时，废气排放温度和废气中的氧气浓度整体之间呈负相关性，即正常数据点的整体分布呈现下降趋势；若温度-氧气浓度分布图中存在异常数据，某个数据点与所有数据点的整体变化差异越大，则说明该数据点越异常。

通过温度-氧气浓度分布图来筛选出正常数据点的集中区域，得到正常数据点的整体变化趋势。具体的，将温度-氧气浓度分布图中数据点的温度的值域进行/>等分，/>的取值实施者可自行设定，本实施例将/>设定为7，则可将温度-氧气浓度分布图中的数据点平均分成/>个区域，将分割后的区域记为温度分割区域，第一个分割区域对应于第一温度分割区域，如图3所示，当/>为7时，将分布图中的数据点划分成了7个温度分割区域，将处于分割线上的数据点归入左边的温度分割区域，例如第一条分割线上的数据点归入到第一个温度分割区域中。

由于正常的数据点是集中分布的，因此可通过每个温度分割区域的氧气浓度的分布来分割出疑似正常数据点的聚集区域。具体的，以第一温度分割区域为例，该温度分割区域中，各数据点的氧气浓度对应各纵坐标，将各数据点纵坐标所处水平线作为分割线对该温度分割区域进行分割，将该区域分割成个区域，称这/>个区域为该温度分割区域中各氧气浓度分割区域。将相邻分割线的纵坐标差值作为各氧气浓度分割区域的氧气浓度间隔，计算每个氧气浓度分割区域的浓度间隔，得到/>个氧气浓度间隔/>。计算出这/>个氧气浓度间隔/>的均值/>，保留氧气浓度间隔/>的氧气浓度分割区域，当两个氧气浓度分割区域具有相同分割线时，两个氧气浓度分割区域相邻，对各氧气浓度分割区域中相邻的氧气浓度分割区域进行合并，得到/>个合并区域，如图4，若数据点共用7个不同的纵坐标值，即七个不同氧气浓度值，则可得到7条分割线，将该区域分割成6个浓度分割区域，其中1、2、3、6区域为/>的区域，因此得到/>和/>这两个合并区域。则每个合并区域均为数据点较密集分布的区域，选择其中数据点个数最多的一个合并区域作为该温度分割区域的正常数据点集中分布的区域，称为聚集区域。对每个温度分割区域进行相同的处理，使得/>个温度分割区域共得到/>个聚集区域。

利用线性回归模型对温度-氧气浓度分布图中的这个聚集区域内的所有数据点进行处理，其中线性回归模型为现有公知技术，不再赘述，得到数据逼近直线的方程，如图5，表达式为：

上式中表示氧气浓度；/>表示温度；/>表示由线性回归模型得到的常数。则可用得到的数据逼近直线来表示正常数据点在温度-氧气浓度分布图中的整体变化趋势。

进一步的，根据数据点到数据逼近直线的距离得到每个聚集区域的距离熵，距离熵/>的表达式为：

上式中，表示第/>个聚集区域的距离熵；/>表示该聚集区域中数据点的个数；/>表示该聚集区域中第/>个数据点到数据逼近直线的欧式距离；/>表示第/>个聚集区域内所有数据点到数据逼近直线的距离的平均值。数据点到数据逼近直线的距离的分布越散乱，表示该聚集区域的距离熵越大。

进一步的，根据各聚集区域的距离熵以及各聚集区域内数据点之间的坐标关系得到各聚集区域的数据聚集程度，数据聚集程度/>的表达式为：

上式中，表示第/>个聚集区域的数据聚集程度；/>表示第/>个聚集区域的距离熵；/>表示该聚集区域内所有数据点关于/>的值的标准差；/>表示该聚集区域内所有数据点关于/>的值的标准差。聚集区域的距离熵的值越大表示该区域数据点距离数据逼近直线的距离分布越散乱，/>的值越大表示该聚集区域内的数据点的温度值分布越散乱，/>值越大表示该聚集区域内的数据点的氧气浓度值分布越散乱，则该聚集区域内的数据聚集程度/>的值越小。可以理解的是，由于温度数据和氧气浓度数据会一直产生变化，也即是说，距离熵和标准差均不可能为0，也即分母为0的情况不存在。

进一步的，根据各数据与数据逼近直线距离关系及各聚集区域的数据聚集程度得到各数据的异常距离影响因子，异常距离影响因子/>的表达式为：

上式中，表示第/>个聚集区域的数据聚集程度；/>表示对第/>个聚集区域的数据聚集程度/>进行归一化后的结果；/>表示温度分割区域个数；/>表示第h个温度分割区域的数据聚集程度；/>表示第/>个聚集区域内所有数据点到数据逼近直线的距离的平均值；/>表示温度-氧气浓度分布图中所有聚集区域内的数据点到数据逼近直线的加权聚集距离，即用于判断每个数据点到数据逼近直线的距离是否正常的标准距离；/>表示温度-氧气浓度分布图中数据点/>的异常距离影响因子；/>表示该数据点到数据逼近直线的距离。

为/>的权重，第/>个聚集区域的数据聚集程度值越大，该聚集区域内数据点越疑似正常数据点，该聚集区域内数据点越重要，即该区域所有数据点到数据逼近直线的平均距离/>的权重越大。每个数据点到数据逼近直线之间的距离/>若大于标准距离/>，则数据点/>疑似为异常数据点，并且/>的值越大表示该数据点的异常程度越大，即异常距离影响因子/>的值越大；每个数据点到数据逼近直线之间的距离/>若小于标准距离/>，则数据点/>疑似为正常数据点，并且/>的值越小表示该数据点的正常程度越大，异常程度越小，即异常距离影响因子/>的值越小。其中异常距离影响因子/>的最小值为0。

利用LOF算法中对温度-氧气浓度分布图中的数据点进行异常检测，其中LOF算法为现有公知技术，不再赘述，得到每个数据点的局部异常因子。进一步的，得到温度-氧气浓度分布图中的每个数据点的异常检测因子/>，异常检测因子/>的表达式为：

上式中，表示温度-氧气浓度分布图中的数据点/>的异常检测因子；/>表示该数据点的异常距离影响因子；/>表示该数据点的局部异常因子。/>表示该数据点越疑似为正常数据点，并且/>的越小，数据点越正常；/>表示该数据点的密度不小于其邻域数据点的密度，并且/>的值越小，该数据点的密度越大。由于正常的数据点是集中分布的，因此/>的值越小，该数据点越疑似为正常数据点。设定一个异常检测阈值/>，/>取经验值为1，/>时，该数据点为异常数据点，将检测为异常的数据点放入到第二异常数据集合/>中，完成对煤粉加热炉燃烧器监测数据的异常检测。将第一异常数据集合/>和第二异常数据集合/>整合为异常数据簇/>，根据异常数据的检测对煤粉加热炉燃烧器工作过程进行预警提示，当检测到异常数据时，发出预警，及时提示相关工作人员对煤粉加热炉燃烧器进行检修。让工作人员对异常数据簇/>中的数据进行后续的分析，判断监测数据中的异常数据是由煤质、煤粉喷射量、仪器操作等问题中的哪些问题导致的，并及时调整和优化煤粉加热炉燃烧器。

综上所述，本发明实施例结合测量数据的整体变化趋势以及正常数据的整体分布特征，避免了传统LOF算法中因异常数据聚集导致检测不准确的问题，提高LOF算法检测煤粉加热炉燃烧器测量数据中异常数据的准确性；

本发明实施例通过采集到的数据进行初步筛选，得到正常数据及初始异常数据，结合煤粉加热炉燃烧器测量数据的分布情况来构建数据逼近直线和聚集程度，并构建异常距离影响因子，从而对正常数据进行异常数据检测，能够得到更为准确的异常数据。同时结合LOF算法的局部异常因子来得到测量数据的异常检测因子，将各正常数据计算异常检测因子，通过异常检测因子的大小筛选得到异常数据，解决了异常数据聚集导致异常数据检测不准确的问题。

需要说明的是：上述本实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上实施例仅用以说明本申请的技术方案，而非对其限制；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，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范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，该方法包括以下步骤：

通过温度传感器采集温度数据，并按照采集时序组合得到原始温度数据集合，对原始温度数据集合中的数据进行归一化处理得到温度数据集合；

通过氧气传感器采集氧气浓度数据，并按照采集时序组合得到原始氧气浓度数据集合，对原始氧气浓度数据集合中的数据进行归一化处理得到氧气浓度数据集合；

根据温度阈值对温度数据集合进行筛选，得到正常温度数据，根据氧气浓度阈值对氧气浓度数据集合进行筛选，得到正常氧气浓度数据；将正常氧气浓度数据及正常温度数据中具有相同采集时刻的数据配对得到数据点，通过数据点获得温度-氧气浓度分布图；根据温度-氧气浓度分布图得到第一异常数据集合；

将温度-氧气浓度分布图等分成多个温度分割区域；

根据各温度分割区域内氧气浓度数据得到各温度分割区域的聚集区域；

对所有聚集区域内的数据点进行线性拟合得到数据逼近直线；

根据各聚集区域内所有数据点到数据逼近直线的距离得到每个聚集区域的距离熵；根据各聚集区域的距离熵以及各聚集区域内数据点之间的坐标关系得到各聚集区域的数据聚集程度；

根据各数据与数据逼近直线的距离关系及各聚集区域的数据聚集程度得到各数据的异常距离影响因子；通过LOF算法获取温度-氧气浓度分布图中的每个数据点的局部异常因子；根据各数据点的异常距离影响因子及局部异常因子得到各数据点的异常检测因子；

根据异常检测因子对温度-氧气浓度分布图中的数据点进行筛选，得到第二异常数据集合；根据第一异常数据集合以及第二异常数据集合得到煤粉加热炉燃烧器的异常数据，完成煤粉加热炉燃烧器的监测。

2.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据温度阈值对温度数据集合进行筛选，得到正常温度数据，具体步骤为：

设定低温度阈值和高温度阈值，将原始温度数据集合中处于低温度阈值与高温度阈值之间的温度数据作为第一正常数据；将所述第一正常数据在温度数据集合相对应的数据作为正常温度数据。

3.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据氧气浓度阈值对氧气浓度数据集合进行筛选，得到正常氧气浓度数据，具体步骤为：

设定低氧气浓度阈值和高氧气浓度阈值，将原始氧气浓度数据集合中处于低氧气浓度阈值与高氧气浓度阈值之间的氧气浓度数据作为第二正常数据，将所述第二正常数据在氧气浓度数据集合相对应的数据作为正常氧气浓度数据。

4.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据温度-氧气浓度分布图得到第一异常数据集合，具体步骤为：

根据温度-氧气浓度分布图分别得到图中包含的正常温度数据及正常氧气浓度数据；将图中包含的正常温度数据从采集到的原始温度数据集合中去除，得到初始温度异常数据；将图中包含的正常氧气浓度数据从采集到的原始氧气浓度数据集合中去除，得到初始氧气浓度异常数据；将初始温度异常数据及初始氧气浓度异常数据合并得到第一异常数据集合。

5.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据各温度分割区域内氧气浓度得到各温度分割区域的聚集区域，具体步骤为：

各温度分割区域中各数据点的氧气浓度对应各纵坐标，将各数据点纵坐标所处水平线作为分割线对各温度分割区域进行分割，得到各温度分割区域的各氧气浓度分割区域，将相邻分割线的纵坐标差值作为各氧气浓度分割区域的氧气浓度间隔，保留氧气浓度间隔大于氧气浓度间隔均值的各氧气浓度分割区域，对保留的各氧气浓度分割区域中相邻的氧气浓度分割区域进行合并得到多个合并区域，将各温度分割区域内数据点最多的合并区域作为各温度分割区域的聚集区域。

6.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据各聚集区域内所有数据点到数据逼近直线的距离得到每个聚集区域的距离熵，表达式为：

式中，为第/>个聚集区域的距离熵，/>为该聚集区域中数据点的个数，/>为该聚集区域中第/>个数据点到数据逼近直线的欧式距离，/>为第/>个聚集区域内所有数据点到数据逼近直线的距离的平均值。

7.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据各聚集区域的距离熵以及各聚集区域内数据点之间的坐标关系得到各聚集区域的数据聚集程度，表达式为：

式中，为第/>个聚集区域的聚集程度，/>为第/>个聚集区域的距离熵，/>为该聚集区域内所有数据点关于/>的值的标准差，/>为该聚集区域内所有数据点关于/>的值的标准差。

8.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据各数据与数据逼近直线距离关系及各聚集区域的数据聚集程度得到各数据的异常距离影响因子，表达式为：

式中，为温度-氧气浓度分布图中所有聚集区域内的数据点到各数据逼近直线的加权聚集距离，/>为对第/>个聚集区域的聚集程度/>进行归一化后的结果/>为第/>个聚集区域内所有数据点到数据逼近直线的距离的平均值/>为温度-氧气浓度分布图中数据点的异常距离影响因子/>为数据点/>到数据逼近直线的距离。

9.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据各数据点的异常距离影响因子及局部异常因子得到各数据点的异常检测因子，表达式为：

式中，为温度-氧气浓度分布图中的数据点/>的异常检测因子，/>为温度-氧气浓度分布图中数据点/>的异常距离影响因子，/>为温度-氧气浓度分布图中的数据点的局部异常因子。

10.如权利要求1所述的一种煤粉加热炉燃烧器监测数据智能管理方法，其特征在于，所述根据异常检测因子对温度-氧气浓度分布图中的数据点进行筛选，得到第二异常数据集合，具体步骤为：

将异常检测因子高于异常阈值的数据点作为第二异常数据点，将所有第二异常数据点组合作为第二异常数据集合。