锅炉高温过热器外包低温受热面的温度调控系统的制作方法

本发明涉及智能温控，尤其涉及锅炉高温过热器外包低温受热面的温度调控系统。

背景技术：

1、锅炉是工业生产和能源供应中不可或缺的设备，而其中的高温过热器是锅炉中关键的部件之一。在锅炉运行过程中，高温过热器外包低温受热面的温度调控至关重要。有效的温度调控系统能够提高锅炉的热效率，确保设备安全稳定运行，减少能源消耗，降低对环境的影响；其中，锅炉的高温过热器是将水蒸气加热至高温和高压的关键设备。而过热器外包低温受热面则是确保过热器安全高效运行的重要部分。过热器外包低温受热面的温度调控对于保障锅炉整体性能至关重要。因此，发明出锅炉高温过热器外包低温受热面的温度调控系统变得尤为重要。

2、现有的锅炉高温过热器外包低温受热面的温度调控系统无法对采集到的数据进行精确分析，且数据处理稳定性较差；此外，现有的锅炉高温过热器外包低温受热面的温度调控系统管理平台各功能界面的数据显示效率差，且数据交互稳定性低，信息反馈慢，为此，我们提出锅炉高温过热器外包低温受热面的温度调控系统。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的锅炉高温过热器外包低温受热面的温度调控系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、锅炉高温过热器外包低温受热面的温度调控系统，包括用户终端、管理平台、温度传感器、控制器模块、温度调节模块、预测诊断模块、监控报告模块、维护调控模块、存储模块以及平台优化模块；

4、所述用户终端用于与管理平台通信连接，并接收受热面实时温度信息以及维护调配信息；

5、所述管理平台用于验证工作人员身份信息，并依据工作人员操作指令下发控制信息；

6、所述温度传感器用于实时监测受热面的温度变化；

7、所述控制器模块用于接收采集的温度数据，再根据预设的温度范围和设定的温度目标进行比对生成相应的控制策略；

8、所述温度调节模块用于接收控制信号并调节受热面的温度；

9、所述预测诊断模块用于预测过热器外包低温受热面的寿命和健康状态，同时识别并定位故障部件，提供相应的解决方案；

10、所述监控报告模块用于通过直观的图表和报告实时显示受热面温度变化趋势、控制器运行状态和故障信息；

11、所述维护调控模块用于实时接收维护人员位置信息以及故障信息，对相关维护人员进行调配并实时检测维护人员维护信息；

12、所述存储模块用于对各组监测数据、调控数据以及维护数据进行上链存储；

13、所述平台优化模块用于对管理平台运行性能进行优化。

14、作为本发明的进一步方案，所述用户终端具体包括智能手机、平板电脑、笔记本电脑以及台式电脑；所述温度调节装置具体为调节阀、电加热器、蒸汽加热器、空气调节器、水/蒸汽流量调节器、peltier元件或可调节热电阻。

15、作为本发明的进一步方案，所述预测诊断模块识别预测具体步骤如下：

16、步骤一：预测诊断模块收集历史温度数据以及历史运行数据，并对两组数据进行标准化处理，之后讲两组数据整合成验证数据集，再通过该验证数据集的标准差筛除数据集中的异常数据；

17、步骤二：将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出预测定位模型；

18、步骤三：测试集导入预测定位模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该预测定位模型参数；

19、步骤四：检测当前温度数据以及运行数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，再通过指数平滑来去除噪音和波动以获取趋势和周期性信息；

20、步骤五：将处理后的各组温度数据以及运行数据输入训练好的预测定位模型中，之后预测定位模型对各组数据进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，并输出预测曲线，同时依据预测曲线定位存在异常的位置信息，并将其反馈给维护人员。

21、作为本发明的进一步方案，步骤一所述标准偏差具体计算公式如下：

22、

23、

24、其中，vn为样本数据集的数据偏差，s为标准偏差，若任一数据xi的偏差vn满足|vn|＞3σ，则判断该数据为异常数据，并剔除。

25、作为本发明的进一步方案，所述预测定位模型参数更新具体步骤如下：

26、步骤(1)：在预测定位模型的规定区间内初始化网络连接权值，计算预测定位模型的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差；

27、步骤(2)：当局部误差超出预设阈值后，依据学习规则方程对预测定位模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值；

28、步骤(3)：将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换预测定位模型原有参数。

29、作为本发明的进一步方案，所述存储模块上链存储具体步骤如下：

30、步骤i：存储模块将处理的各组数据预处理成符合条件的区块，在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送；

31、步骤ii：申请通过后，该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请；

32、步骤iii：验证通过后，领导节点发送添加命令并进入沉睡期，跟随节点收到确认信息后，将新生成的各组区块添加至区块链上并返回候选身份。

33、作为本发明的进一步方案，所述平台优化模块运行性能优化具体步骤如下：

34、第一步：平台优化模块为管理平台的各组功能界面生成一个启动链表，并依据lru链表顺序，将各组启动链表按照各功能界面被访问次数由少到多进行进一步链接；

35、第二步：依据各组功能界面的交互信息实时对各组启动链表中的各组页面进行数据更新，并从lru链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止；

36、第三步：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至压缩区域中。

37、相比于现有技术，本发明的有益效果在于：

38、1、本发明通过预测诊断模块收集历史温度数据以及历史运行数据，并对两组数据进行预处理后划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中计算输出，当能量函数小于目标误差时，训练过程结束并输出预测定位模型，测试集导入预测定位模型中并获取对应预测输出，若损失值未满足预设条件，则重新训练该模型并更新该预测定位模型参数，对当前温度数据以及运行数据预处理后输入训练好的预测定位模型中，之后预测定位模型对各组数据进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，并输出预测曲线，同时依据预测曲线定位存在异常的位置信息，并将其反馈给维护人员，能够精确分析采集到的数据，同时能够提高数据效率，同时实现自动化参数更新，保证模型数据处理的稳定性，提高工作人员使用体验。

39、2、本发明通过为管理平台的各组功能界面生成一个启动链表，并依据lru链表顺序，将各组启动链表按照各功能界面被访问次数由少到多进行进一步链接，依据各组功能界面的交互信息实时对各组启动链表中的各组页面进行数据更新，并从lru链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至压缩区域中，能够提高管理平台各功能界面的数据显示效率，同时保证数据交互的稳定性，提高信息反馈效率。