[发明专利]一种基于卷积神经网络的锅炉受热面管壁泄漏预测方法

说明书

本发明涉及一种基于卷积神经网络的锅炉受热面管壁泄漏预测方法，包括步骤：构建受热面数据矩阵，并将数据映射到0～255灰度值，通过构建温度场图的方式构建受热面温度场，以受热面温度场为输入，对锅炉受热面管泄漏进行了分类分级预测，并设定了风险等级，将受热面管壁泄漏风险等级作为输出，训练出CNN卷积神经网络进行分类预测；对锅炉受热面管壁泄漏风险进行等级划分，以更好的为预测性维护提供决策建议和支持。本发明的有益效果是：本发明提出了基于卷积神经网络的锅炉受热面管泄漏预测模型；对于燃煤电厂锅炉受热面管泄漏故障检测和风险分级具有重要意义。

技术领域

本发明属于可靠性维护工程技术领域，尤其涉及一种基于卷积神经网络的锅炉受热面管壁泄漏预测方法。

背景技术

火电厂锅炉受热面泄漏事故不仅发生几率高、普遍性强，而且影响较大，直接影响接带电量及经营目标的完成；另外在脱硝SCR投运后，若不及时发现炉膛内部受热面泄漏，当泄漏量较大，烟气含水率提高后将会导致SCR催化剂中毒的严重后果，所以如何根据现有DCS数据进行受热面泄漏预测，将变得非常有意义。

目前，针对性地进行锅炉受热面管泄漏预测的研究不多，一般为基于相似性的方法，即利用正常数据建立模型，基于相似性进行泄漏故障的预警。另外也有研究从整体角度进行锅炉受热面管故障诊断，这些研究本质上均是将监测数据和故障相关联，实现故障诊断。

然而，对于锅炉受热面管的故障诊断，尤其是针对性的锅炉受热面管壁泄漏预测，其故障的诊断需有进一步的决策建议，且对于故障也应进行风险程度的划分，更好地进行预测性维护，而现有的研究在这方面明显缺乏；另外，现有的研究大多基于数据驱动的方法或单一的测点，鲜有研究将数理与机理（设备运行原理）进行结合构建完整的故障信息描述。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于卷积神经网络的锅炉受热面管壁泄漏预测方法。

这种基于卷积神经网络的锅炉受热面管壁泄漏预测方法，包括以下步骤：

步骤1、采集燃煤电厂锅炉受热面管壁壁温数据，构建受热面数据矩阵；

步骤2、以一定频率选取一段时间历史数据，采用Min-Max标准化方法对受热面数据矩阵逐点进行归一化处理；

步骤3、将步骤2得到的归一化处理后的多维数据矩阵，按照时间序列切片，形成二维平面矩阵；将二维平面矩阵映射到0～255灰度值，构建受热面温度场图；

步骤4、基于步骤1构建的受热面数据矩阵及其对应的受热面温度场图，根据历史工况划定受热面管壁泄漏风险等级；

步骤5、以受热面温度场图为基于CNN卷积神经网络的分类预测模型的输入，受热面管壁泄漏风险等级为基于CNN卷积神经网络的分类预测模型的输出，训练出基于CNN卷积神经网络的分类预测模型；

步骤6、随着数据的更新，每更新预定数量的历史数据后重新构造并训练步骤5中的基于CNN卷积神经网络的分类预测模型；

步骤7、调用步骤5训练好的基于CNN卷积神经网络的分类预测模型，进行受热面管壁泄漏风险预测和定级：对于实测数据，从当前时刻开始，按照基于CNN卷积神经网络的分类预测模型训练的样本取数频率和所选测点，往前追溯m个时刻点；获取m个时刻点的历史数据，采用步骤1至步骤3中训练基于CNN卷积神经网络的分类预测模型的归一化处理方式和受热面温度场图构建方法，将m个时刻点的历史数据对应的受热面温度场图作为基于CNN卷积神经网络的分类预测模型的输入；

步骤8、依据步骤7中基于CNN卷积神经网络的分类预测模型的输出结果，向用户发出受热面泄漏风险预测和风险等级告警。

作为优选，步骤1具体包括以下步骤：

步骤1.1、记燃煤电厂锅炉受热面管壁每一层共有M根管，每根管从上至下共有N排测点，构建N×M的受热面数据矩阵，记为：