基于深度学习及专家知识的锅炉炉内燃烧状态分析方法与流程

本技术涉及锅炉炉内燃烧状态分析方法，尤其涉及基于深度学习及专家知识的锅炉炉内燃烧状态分析方法，属于锅炉故障检测。

背景技术：

1、电站锅炉的燃烧是一个复杂的物理化学过程，锅炉运行的燃烧状态是影响整个锅炉运行参数的重要监视对象之一。燃烧不稳定不仅会降低锅炉热效率产生的污染物和噪声，而且在极端情况下会引起锅炉炉膛灭火，如果处理不当可能诱发炉膛爆燃，造成安全事故。随着燃料能源的日趋匮乏，大多数火力发电企业选择煤质掺烧作为降低生产成本的主要措施，这就增加了锅炉燃烧控制的复杂性，同时也使锅炉故障率上升。长期稳定保持锅炉良好的燃烧状态是提高电厂安全经济运行的基本保障。因此，能够直接反映炉膛燃烧状态的分析就显得更加重要，以便更好的保障机组安全、稳定、长期运行。

技术实现思路

1、在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

2、鉴于此，为解决缺少一种能够直接反映炉膛燃烧状态的分析手段的技术问题，本发明提供基于深度学习及专家知识的锅炉炉内燃烧状态分析方法。

3、方案一、基于深度学习及专家知识的锅炉炉内燃烧状态分析方法，包括以下步骤：

4、s1.采集锅炉炉膛火焰历史数据，并对数据进行预处理；

5、s2.基于专家知识定义分类规则及依据，对预处理后的历史数据进行锅炉炉膛燃烧状态分类及标注形成火焰样本图像，并存入锅炉炉膛燃烧状态样本数据库中；

6、s3.建构炉膛燃烧状态预测模型，并进行预测模型训练；

7、炉膛燃烧状态预测模型为多输入、多分类输出和多标签预测模型；

8、s4.若炉膛燃烧状态预测模型燃烧状态为非正常状态，分析给出炉炉膛燃烧状态分类判定原因，调整锅炉参数使锅炉状态变为正常状态。

9、优选的，采集锅炉炉膛火焰历史数据的方法是：利用炉膛火焰电视采集历史监控视频；对数据进行预处理的方法是：采用opencv计算机视觉软件库图像处理方法，将炉膛火焰电视采集的历史监视视频转换位图片。

10、优选的，专家知识定义分类规则及依据是：

11、规则及依据一、规则：炉膛灭火；分类依据：焰变暗或炉内完全黑暗，无火焰检测信号；

12、规则及依据二、规则：燃烧不稳；分类依据：火焰忽明忽暗，负压波动大；

13、规则及依据三、规则：风量偏大；分类依据：火焰亮白刺眼；

14、规则及依据四、规则：煤粉过粗；分类依据：火焰有明显的星点；

15、规则及依据五、规则：风量偏小；分类依据：火焰暗红闪动；

16、规则及依据六、规则：煤水分变高；分类依据：火焰发黄无力；

17、规则及依据七、规则：燃烧正常；分类依据：火焰明亮稳定，火焰均匀；

18、规则及依据八、规则：煤挥发分变低；分类依据：火焰发黄无力；

19、规则及依据九、规则：送风量过大；分类依据：火焰暗红闪动；

20、规则及依据十、规则：炉膛温度过低；分类依据：火焰有明显的星点。

21、优选的，所述多输入为3个通道输入，包括火焰样本图像输入通道、火焰检测信号数据输入通道和炉膛负压数据输入通道；

22、火焰样本图像输入通道连接desnet子模型；

23、火焰检测信号数据输入通道连接4层二维卷积网络子模型，卷积核大小为3x3；

24、炉膛负压数据输入通道连接2层一维卷积网络、一层gru子模型，一维卷积层卷积核大小为5，gru层包含100个神经元和，激活函数采用mish，mish函数表达式：mish＝x*tanh(ln(1+ex))；三个输入子模型连接全连接层，一共3个全连接层，3个全连接层一层一层地堆叠在一起，各层神经元数量依次为100，50，10，全连接层前最后一层激活函数采用sigmoid函数。

25、优选的，所述多分类输出为10个通道输出，输出为炉膛燃烧状态分类判定；包括炉膛灭火、燃烧不稳、风量偏大、煤粉过粗、风量偏小、煤水分变高、燃烧正常、煤挥发分变低、送风量过大和炉膛温度过低。

26、优选的，分析给出炉炉膛燃烧状态分类判定原因的方法是：

27、s41.定义一个规则或锚点a：

28、edx(z|a)[f(x)＝f(z)]≥τ，a(x)＝1

29、式中，χ表示需要解释的状态分类实例；a表示规则或锚点，当所有生成的规则或锚点都能与χ的特征值对应时，a(χ)＝1；∫表示炉膛燃烧状态预测模型，对任何χ输出一个预测标签；dχ(·|a)表示在x的邻域分布下匹配的锚点a；0≤τ≤1表示精确度阈值；

30、s42.对于需要解释的状态分类χ，寻找一个锚点用于解释预测结果；对于χ的同类别空间内，要求a至少满足χ邻域内百分之τ的解释；定义参数0≤δ≤1，创建概率定义：

31、p(prec(a)≥τ)≥1-δ

32、prec(a)＝edx(z|a)[f(x)＝f(z)]

33、其中，其中，prec(a)表示a的准确性，δ在0到1之间随机取值；

34、s43.覆盖率coverage定义为锚点被应用于相邻点的概率，即扰动空间：

35、cov(a)＝ed(z)[a(z)]

36、将锚点的搜索定义为最大化覆盖范围的最优化：

37、max(p(prec(a)≥τ)≥1-δcov(a))；

38、s44.在初始化中，为x的每个特征创建一个候选，并确定可能扰动的相应值，在接下来每一次迭代中，上一轮的最佳候选由一个尚未包含在其中的特征进行扩展，生成候选锚点集合；

39、s45.选择一个候选特征集，对各自的邻域进行评估，获得候选规则的信息，每个候选规则都被看作是一个老虎机的单臂，每选择一个候选特征集a，对各自邻域进行评估，得到候选规则的精度，用multi-armed-bandit算法对prec(a)进行估计，通过比较精度prec(a)选出规则，选择精度最高的规则；

40、s46.如果候选者还没有统计置信度，则获取更多样本，判断置信度是否大于某个给定的阈值，不断增加样本提高置信度，当置信度大于给定的阈值，不再增加样本；

41、s47.采用beam search图形搜索算法进行搜索，将每一轮的b个最佳候选者带到下一轮创建新规则；搜索进行一轮，每个特征在一条规则中包含一次，在每一轮中，生成的候选规则有多个规则或锚点a，并从中选出b1个最终规则或锚点a，增量式引入新的特征生成新的特征集，通过改变搜索宽度，调整搜索效率与精度。

42、方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的基于深度学习及专家知识的锅炉炉内燃烧状态分析方法的步骤。

43、方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的基于深度学习及专家知识的锅炉炉内燃烧状态分析方法。

44、本发明的有益效果如下：本发明利用深度学习与专家知识的结合的技术，将炉膛火焰电视系统采集的实时视频转图片化处理，然后将处理后的图片数据、锅炉实时数据传入炉膛燃烧状态模型进行实时燃烧状态锅炉燃烧状态(炉膛灭火、燃烧不稳、风量偏大、煤粉过粗、风量偏小、煤水分变高、煤挥发分变低、送风量过大、炉膛温度过低等)判断分析，分析给出炉炉膛燃烧状态分类判定原因及变量调整建议方法，使电厂运行人员能够更好的对锅炉燃烧进行优化，及时发现锅炉安全隐患，提高锅炉燃烧效率。