一种基于大数据模型的智能疏水方法与流程

本发明属于蒸汽管网智能疏水，具体涉及一种基于大数据模型的智能疏水方法。

背景技术：

1、随着科技的进步和工业的发展，蒸汽管网作为重要的能源输送系统，在工业生产、城市供暖等领域发挥着至关重要的作用。然而，蒸汽管网在运行过程中，由于管道老化、阀门损坏等原因，经常出现疏水不畅的问题，这不仅影响了蒸汽管网的正常运行，还可能导致能源浪费和安全隐患。因此，如何实现蒸汽管网的智能疏水，提高疏水效率，降低能源消耗，是当前亟待解决的问题。

2、传统的蒸汽管网疏水方法大多依赖于人工巡检和经验判断，存在主观性强、准确性低、反应速度慢等问题，近年来，随着大数据技术的快速发展，为蒸汽管网的智能疏水提供了新的解决方案，然而，现有的智能疏水方法还存在一些不足，例如，其会对蒸汽管网中的整体运行参数进行采集，由于时间跨度较长，采集的数据就会过多，难免会发生数据冗余和杂乱的现象，进而就会导致数据分析难度的增加，同时过多的数据参数分析，缺乏相应的针对应，这无疑就会导致数据分析结果的误差增加，不利于进行疏水状态预测，基于此，本方案提供了一种基于大数据模型的智能疏水方法，以解决上述问题。

技术实现思路

1、本发明的目的是提供一种基于大数据模型的智能疏水方法，能够实现对蒸汽管网疏水状态的智能监测和预测，从而提高疏水处理的效率和安全性。

2、本发明采取的技术方案具体如下：

3、一种基于大数据模型的智能疏水方法，包括：

4、收集蒸汽管网的结构参数和环境参数，并进行预处理，再将预处理后的结构参数和环境参数汇总为基准参数，其中，所述结构参数包括输送管道长度、管径、疏水阀位置、疏水阀大小和疏水阀流量，所述环境参数包括温度、湿度以及气压；

5、获取前置分类条件，并依据所述前置分类条件对所述基准参数进行分类处理，得到正常特征参数和异常特征参数；

6、采集所述异常特征参数的发生节点和恢复节点，并对所述发生节点和恢复节点进行偏移处理，得到第一样本采集时段和第二样本采集时段；

7、依据所述第一样本采集时段下的正常特征参数构建监测模型，并依据所述监测模型对实时采集的基准参数进行验证，并依据验证结果输出疏水状态，其中，所述疏水状态包括风险状态和正常状态；

8、将所述第二样本采集时段按照发生时序进行排列，并根据排列结果对所述第二样本采集时段下的正常特征参数进行结合运算，且将运算结果记录为实时恢复偏量，再根据所述实时恢复偏量匹配修复方案。

9、在一种优选方案中，所述收集蒸汽管网的结构参数和环境参数，并进行预处理，再将预处理后的结构参数和环境参数汇总为基准参数的步骤，包括：

10、获取所述蒸汽管网的原始结构参数和原始环境参数，并对所述原始结构参数和原始环境参数进行去噪处理，得到去噪后的结构参数和去噪后的环境参数；

11、将所述去噪后的结构参数和去噪后的环境参数进行归一化处理，得到归一化后的结构参数和归一化后的环境参数；

12、将所述归一化后的结构参数和归一化后的环境参数进行汇总处理，并将汇总结果输出为基准参数。

13、在一种优选方案中，所述获取前置分类条件，并依据所述前置分类条件对所述基准参数进行分类处理，得到正常特征参数和异常特征参数的步骤，包括：

14、获取所有历史故障数据，并提取所述历史故障数据中的故障特征，并将所述故障特征设置为前置分类条件；

15、将所述基准参数与前置分类条件进行逐一比较，并根据比较结果对所述基准参数进行分类，得到正常特征参数和待校验特征参数；

16、获取各个所述待校验特征参数对应的正常参数区间；

17、若所述待校验特征参数属于正常参数区间，则将该待校验特征参数标定为偶然异常；

18、若所述待校验特征参数不属于正常参数区间，则直接将该待校验特征参数标定为异常特征参数。

19、在一种优选方案中，所述采集所述异常特征参数的发生节点和恢复节点，并对所述发生节点和恢复节点进行偏移处理，得到第一样本采集时段和第二样本采集时段的步骤，包括：

20、获取所述异常特征参数在蒸汽管网中的发生节点和恢复节点；

21、以所述发生节点为结束点进行回溯偏移处理，得到回溯时段，并将所述回溯时段内的正常特征参数按照发生时序进行排列；

22、对所述回溯时段内的相邻正常特征参数进行做差处理，并将做差结果记录为样本波动参数，并依据所述样本波动参数输出第一样本采集时段；

23、获取固定偏移时长，并依据所述固定偏移时长，以所述恢复节点为起始点进行偏移，且将其偏移结果记录为第二样本采集时段。

24、在一种优选方案中，所述依据所述样本波动参数输出第一样本采集时段的步骤，包括：

25、获取正常波动区间，并将所述正常波动区间与样本波动参数进行比较；

26、若所述样本波动参数属于正常波动区间，则将其对应的回溯时段标定为第一偏移时段；

27、若所述样本波动参数未属于正常波动区间，则依据所述样本波动参数计算异常波动时长，并将所述异常波动时长标定为时段偏移量，且依据所述时段偏移量对发生节点进行回溯处理，并将回溯结果记录为偏移时段；

28、将所有偏移时段按照时间长度进行排序，并将时间长度最大的偏移时段标定为第一样本采集时段。

29、在一种优选方案中，所述依据所述第一样本采集时段下的正常特征参数构建监测模型的步骤，包括：

30、选取所述第一样本采集时段内的正常特征参数作为训练样本；

31、获取初始神经网络模型，并依据所述训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；

32、对所述训练后的神经网络模型进行交叉验证；

33、若验证通过，则将所述训练后的神经网络模型标定为监测模型；

34、若验证未通过，则重新选取训练样本，并再次进行训练，直至验证通过。

35、在一种优选方案中，所述依据所述监测模型对实时采集的基准参数进行验证，并依据验证结果输出疏水状态的步骤，包括：

36、获取当前节点下的基准参数，并输入至监测模型中进行验证；

37、若所述当前节点下的基准参数通过验证，则表明蒸汽管网疏水趋于异常，且将疏水状态输出为风险状态，并；

38、若所述当前节点下的基准参数未通过验证，则表明蒸汽管网疏水正常输出，且将疏水状态输出为正常状态；

39、所述正常状态下，继续对蒸汽管网进行实时监测，并根据实时采集的基准参数对蒸汽管网的疏水状态进行动态更新；

40、所述风险状态下，同步发出告警信号，并对所述蒸汽管网进行紧急疏水处理，直至疏水状态恢复至正常状态。

41、在一种优选方案中，所述根据所述实时恢复偏量匹配修复方案的步骤，包括：

42、获取各个所述第二样本采集时段下的正常特征参数，并记录为条件参数；

43、获取测算函数，并将所述条件参数输入至测算函数中，且将所述测算函数的输出结果标定为实时恢复偏量；

44、获取评价阈值，并将所述评价阈值与实时恢复偏量进行比较；

45、若所述实时恢复偏量大于评价阈值，则表明所述蒸汽管网的后续恢复有效，并继续监控蒸汽管网的疏水状态；

46、若所述实时恢复偏量小于或等于评价阈值，则表明所述蒸汽管网的后续恢复无效，并从预设的修复方案数据库中匹配修复方案。

47、本发明还提供了，一种基于大数据模型的智能疏水系统，使用上述的基于大数据模型的智能疏水方法，包括：

48、参数采集模块，所述参数采集模块用于收集蒸汽管网的结构参数和环境参数，并进行预处理，再将预处理后的结构参数和环境参数汇总为基准参数，其中，所述结构参数包括输送管道长度、管径、疏水阀位置、疏水阀大小和疏水阀流量，所述环境参数包括温度、湿度以及气压；

49、参数分类模块，所述参数分类模块用于获取前置分类条件，并依据所述前置分类条件对所述基准参数进行分类处理，得到正常特征参数和异常特征参数；

50、时段构建模块，所述时段构建模块用于采集所述异常特征参数的发生节点和恢复节点，并对所述发生节点和恢复节点进行偏移处理，得到第一样本采集时段和第二样本采集时段；

51、实时监测模块，所述实时监测模块用于依据所述第一样本采集时段下的正常特征参数构建监测模型，并依据所述监测模型对实时采集的基准参数进行验证，并依据验证结果输出疏水状态，其中，所述疏水状态包括风险状态和正常状态；

52、恢复评估模块，所述恢复评估模块用于将所述第二样本采集时段按照发生时序进行排列，并根据排列结果对所述第二样本采集时段下的正常特征参数进行结合运算，且将运算结果记录为实时恢复偏量，再根据所述实时恢复偏量匹配修复方案。

53、以及，一种电子设备，所述电子设备包括：

54、至少一个处理器；

55、以及与所述至少一个处理器通信连接的存储器；

56、其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于大数据模型的智能疏水方法。

57、本发明取得的技术效果为：

58、本发明通过对蒸汽管网的基准参数进行收集与预处理，利用前置分类条件对其进行分类，有效区分了正常特征参数和异常特征参数，并通过对异常特征参数的发生节点和恢复节点进行偏移处理，构建了第一样本采集时段和第二样本采集时段，在构建监测模型时，选取第一样本采集时段内的正常特征参数作为训练样本，输出针对异常发生前正常特征参数的神经网络模型，利用该监测模型能够更准确的输出管网的疏水状态，实现了对蒸汽管网疏水状态的实时监测与动态更新，另外还根据实时恢复偏量匹配修复方案，避免管网发生不可修复的故障，保证蒸汽管网的运行安全性。