基于机器学习的石子煤排放异常在线检测方法、系统、电子设备及存储介质与流程

本发明属于煤场检测领域，具体涉及基于机器学习的石子煤排放异常在线检测方法、系统、电子设备及存储介质。

背景技术：

1、公开号为cn117517573a，主题名称为一种煤场监测系统的发明专利申请，其ipc分类号为g01n33/00，其技术方案公开了“通过获取烟气排放图像信息并对烟气进行采样，得到样品烟气、烟气总参数和烟气图像信息；对所述烟气总参数进行分类处理，并根据所述烟气总参数构建预测模型，得到烟气参数的数字信号；分析所述烟气参数的数字信号，当数字信号值高于设定阈值时生成烟气预警指令”。

2、申请人认为，以上发明专利申请：

3、1.涉及数据采集，但侧重于通过烟气采样和图像获取单元采集烟气排放图像信息。

4、2.涉及信号处理，但侧重于通过构建预测模型和灰色关联度算法处理数据。

5、3.涉及特征提取，但侧重于通过分类处理和构建预测模型提取烟气参数的数字信号。

6、4.涉及预警机制，但侧重于通过设定阈值和专家系统判断生成预警指令。

7、在此基础上，以上发明专利申请并未解决通过声信号传感器采集声发射信号、通过傅里叶变换和小波分析去噪、通过频谱分析提取特征值、通过神经网络训练和测试集调整模型等问题，需要予以进一步改进。

技术实现思路

1、本发明针对现有技术的状况，克服以上缺陷，提供基于机器学习的石子煤排放异常在线检测方法、系统、电子设备及存储介质。

2、本发明公开的基于机器学习的石子煤排放异常在线检测方法、系统、电子设备及存储介质，主要目的在于，对于石子煤箱内颗粒粒径进行实时在线检测，通过检测出异常粒径的煤粉颗粒，判断石子煤排放异常，并且进行告警。

3、本发明采用以下技术方案，基于机器学习的石子煤排放异常在线检测方法，包括以下步骤：

4、步骤s1：采集磨煤机石子煤箱内的n组不同粒径区间的原始的声发射信号；

5、步骤s2：对于原始的声发射信号进行傅里叶变换和小波分析，以得到去噪后的信号；对于去噪后的信号进行功率谱分析，以得到功率谱分析后的声发射信号；

6、步骤s3：对于功率谱分析后的声发射信号进行频域分析，将各个粒径区间的声信号频率分为n段，将各频率段上下限的平均值和各频率段内的能量与总能量的比值作为特征值；

7、步骤s4：将特征值输入神经网络，对于神经网络的输入层数据进行归一化处理；

8、步骤s5：将功率谱分析后的声发射信号划分为训练集和测试集；

9、步骤s6：将训练集输入基于bayesian regularization算法的训练函数trainbr的预测模型进行训练，以得到训练后的模型；

10、步骤s7：将测试集输入训练后的模型，得到输出粒径，根据测试指标，对于模型进行调整直至完成模型调整；

11、步骤s8：基于完成调整的模型，以仿真预测石子煤箱内颗粒粒径，当颗粒粒径高于预设的阈值时进行石子煤排放异常在线告警。

12、作为以上技术方案的进一步优选技术方案，原始的声发射信号由位于石子煤箱最高处的声信号传感器采集，并且依次通过信号放大器和采集卡，输出可供步骤s2中傅里叶变换和小波分析的声发射信号。

13、作为以上技术方案的进一步优选技术方案，步骤s1中的n大于等于10。

14、作为以上技术方案的进一步优选技术方案，步骤s1中粒径区间的个数大于等于4。

15、作为以上技术方案的进一步优选技术方案，步骤s2中的小波分析采用小波基函数daubechies8。

16、作为以上技术方案的进一步优选技术方案，步骤s3中的n大于等于3。

17、作为以上技术方案的进一步优选技术方案，步骤s5中的训练集的个数小于n。

18、本发明公开了基于机器学习的石子煤排放异常在线检测系统，应用基于机器学习的石子煤排放异常在线检测方法的以上任意一个技术方案的步骤。

19、本发明公开了电子设备，包括：

20、处理器以及存储器，存储器存储处理器的可执行指令，其中：

21、处理器配置为经由执行可执行指令来执行基于机器学习的石子煤排放异常在线检测方法的以上任意一个技术方案的步骤。

22、本发明公开了计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现基于机器学习的石子煤排放异常在线检测方法的以上任意一个技术方案的步骤。

23、本发明公开的基于机器学习的石子煤排放异常在线检测方法、系统、电子设备及存储介质，其有益效果在于，通过在石子煤箱布置声信号传感器，能够有效获得石子煤的原始声发射信号。通过傅里叶变换、小波分析进行去噪，能够有效消除噪声的影响。将不同粒径区间的声信号各频率段上下限的平均值和各频率段内的能量与总能量的比值作为特征值，作为神经网络的输入。通过训练函数进行训练，利用测试集调整模型，能够准确获得落入石子煤箱的颗粒粒径，实现对石子煤箱内颗粒粒径的实时在线检测的目的，从而及时调整磨煤机运行参数，提高磨煤机出力和制粉效率，减少检修成本，提高磨煤机的经济性和安全性。

技术特征：

1.基于机器学习的石子煤排放异常在线检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于机器学习的石子煤排放异常在线检测方法，其特征在于，原始的声发射信号由位于石子煤箱最高处的声信号传感器采集，并且依次通过信号放大器和采集卡，输出可供步骤s2中傅里叶变换和小波分析的声发射信号。

3.根据权利要求1所述的基于机器学习的石子煤排放异常在线检测方法，其特征在于，步骤s1中的n大于等于10。

4.根据权利要求1所述的基于机器学习的石子煤排放异常在线检测方法，其特征在于，步骤s1中粒径区间的个数大于等于4。

5.根据权利要求1所述的基于机器学习的石子煤排放异常在线检测方法，其特征在于，步骤s2中的小波分析采用小波基函数daubechies8。

6.根据权利要求1所述的基于机器学习的石子煤排放异常在线检测方法，其特征在于，步骤s3中的n大于等于3。

7.根据权利要求1所述的基于机器学习的石子煤排放异常在线检测方法，其特征在于，步骤s5中的训练集的个数小于n。

8.基于机器学习的石子煤排放异常在线检测系统，其特征在于，应用如权利要求1-7中任意一项权利要求的基于机器学习的石子煤排放异常在线检测方法的步骤。

9.电子设备，其特征在于，包括：

10.计算机可读存储介质，存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1-7中任意一项权利要求的基于机器学习的石子煤排放异常在线检测方法的步骤。

技术总结本发明公开了基于机器学习的石子煤排放异常在线检测方法、系统、电子设备及存储介质。基于机器学习的石子煤排放异常在线检测方法，包括以下步骤：步骤S1：采集磨煤机石子煤箱内的n组不同粒径区间的原始的声发射信号；步骤S2：对于原始的声发射信号进行傅里叶变换和小波分析，以得到去噪后的信号；对于去噪后的信号进行功率谱分析，以得到功率谱分析后的声发射信号。本发明公开的基于机器学习的石子煤排放异常在线检测方法、系统、电子设备及存储介质，其有益效果在于，能够准确获得落入石子煤箱的颗粒粒径，实现对石子煤箱内颗粒粒径的实时在线检测的目的，从而及时调整磨煤机运行参数，提高磨煤机出力和制粉效率。技术研发人员：金建新,袁岑颉,俞刚,周旭,田冰,马宁,周建伟,周海锋受保护的技术使用者：浙江浙能嘉华发电有限公司技术研发日：技术公布日：2024/9/29