一种基于深度学习的电厂煤堆自燃检测方法与报警系统与流程

本发明涉及电力安全，特别是一种基于深度学习的电厂煤堆自燃检测方法及报警系统。

背景技术：

1、随着电力工业的迅速发展，煤炭作为主要能源之一，在发电厂中占据着举足轻重的地位。然而，煤堆自燃问题一直是困扰发电厂运营安全的重大隐患。煤堆在长期储存过程中，极易引发自燃现象，导致经济损失，甚至危及人身安全。因此，快速准确的煤堆自燃检测技术成为保障电力生产安全的关键环节。在此背景下，高光谱成像技术和红外热成像技术因其非接触、大面积监测的优势，逐渐被应用于煤堆自燃的早期识别中。

2、然而，现有技术在应用这两类数据进行自燃检测时，仍面临若干挑战。首先，原始高光谱数据易受环境因素干扰，含有大量噪声，影响分析精度。同样，红外成像数据也常受固有设备噪声和外部环境因素影响，导致温度测量的不准确性。其次，尽管深度学习在图像处理领域取得了显著成就，但在多模态数据融合方面，尤其是在高光谱与红外图像的联合分析上，现有模型往往缺乏高效且针对性的特征提取和融合机制，难以充分利用两种模态的互补信息。此外，大多数模型未能充分利用注意力机制，导致在复杂环境中难以聚焦于自燃风险的关键区域，降低了检测的准确性和鲁棒性。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于深度学习的电厂煤堆自燃检测方法及报警系统，解决现有技术中煤堆自燃检测准确性与实时性不足，以及在复杂环境下关键风险区域识别困难的技术问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于深度学习的电厂煤堆自燃检测方法，其包括，一种基于深度学习的电厂煤堆自燃检测方法，其特征在于：包括，使用高光谱成像仪和红外成像仪定时对煤堆进行周期性扫描，采集高光谱数据和红外成像数据；对高光谱数据使用滑动平均法减少噪声影响，得到精确的高光谱数据；对红外成像数据使用nuc算法消除固定图案噪声，得到精确的红外成像数据；处理后的高光谱数据和红外成像数据，经过深度卷积神经网络进行特征提取和多模态融合，得到自燃前的高光谱特征和温度特征；引入注意力机制，使得煤堆自燃检测模型能自动识别关键区域，构建煤堆自燃检测模型，学习自燃前的高光谱特征和对红外成像特征；将采集的实时数据输入煤堆自燃检测模型进行自燃风险评估，根据评估制定策略。

5、作为本发明所述基于深度学习的电厂煤堆自燃检测方法的一种优选方案，其中：所述高光谱数据包括高分辨率和多波段特性的图像数据，高光谱数据对目标进行空间成像的同时，记录每个像素点的详细光谱信息；

6、所述红外成像数据是通过红外成像仪捕捉物体表面温度，从而反映出环境温度。

7、作为本发明所述基于深度学习的电厂煤堆自燃检测方法的一种优选方案，其中：所述对高光谱数据使用滑动平均法具体如下：

8、通过定义一个固定大小的窗口，该窗口在数据序列上逐点滑动，对于每个窗口位置，计算窗口内所有数据点的平均值，然后将此平均值赋给窗口中心的点，具体表达式为：

9、

10、其中，ssmooth(i)是平滑后的高光谱值，n是一个正整数，s(j)是原始高光谱数据中的第j个值，i是高光谱数据的索引位置，j是滑动平均窗口内各点的索引。

11、作为本发明所述基于深度学习的电厂煤堆自燃检测方法的一种优选方案，其中：所述深度卷积神经网络进行特征提取具体如下：

12、通过cnn构建一个能对高光谱特征提取的子网络，执行局部特征检测，对高光谱图像进行处理，提取出与化学成分、物质状态相关的高光谱特征具体表达式为：

13、fhyp＝cnnhyp(ssmooth)；

14、其中，cnnhyp是高光谱卷积神经子网络，fhyp是高光谱特征；

15、再通过另一个cnn构建一个能对红外热成像特征提取子网络，通过红外热成像技术，提取温度分布和异常区域的特征具体表达式为：

16、ftherm＝cnntherm(icorrected)；

17、其中，cnntherm是红外热成像卷积神经子网络，ftherm为红外热成像特征，icorrected是通过nuc算法校正过得红外成像数据。

18、作为本发明所述基于深度学习的电厂煤堆自燃检测方法的一种优选方案，其中：所述多模态融合是将两个子网络提取的高光谱特征和红外成像特征，通过融合层进行加权融合，为每个模态的特征赋予不同的权重，进行加权求和，以反映两种模态的重要性，具体表达式为：

19、ffused＝αfhyp+βftherm；

20、其中，ffused是最终融合后的特征向量，α为高光谱特征权重系数，β为红外成像特征权重系数，fhyp代表高光谱特征。

21、作为本发明所述基于深度学习的电厂煤堆自燃检测方法的一种优选方案，其中：所述引入注意力机制，构建煤堆自燃检测模型，具体如下：

22、通过多头注意力机制multiheadattention对融合特征ffused进行深度加工，同时保持模型的训练稳定性，最终输出一个增强的特征向量，具体表达式为：

23、f′＝multiheadattention(q＝ffused，k＝ffused，v＝ffused)+ffused；

24、其中，f′为经过多头注意力机制处理之后得到的增强特征向量，q是对输入序列自身的每个位置进行线性变换得到的查询向量，k是用来与查询向量进行匹配的键向量，v为信息内容值向量；

25、通过多头注意力机制扁平化输入特征，经线性变换和relu激活，生成优化后的特征向量，具体表达式为：

26、z＝relu(wz·flatten(f′)+·bz)；

27、其中，z作为后最终的输出层的输入，是激活函数为神经网络引入非线性，wz是一个权重矩阵，bz为偏置向量，flatten为将多维度的f′转换成一维向量的操作；

28、模型最后输出煤堆概率，具体表达式为：

29、pignite＝σ(wp·z+bp)；

30、其中，σ为sigmoid激活函数，wp是权重矩阵从上一层到当前层的线性变换，bp为偏置项，pignite自燃概率。

31、作为本发明所述基于深度学习的电厂煤堆自燃检测方法的一种优选方案，其中：所述自燃风险评估具体如下：

32、定义t1为低风险与中风险的分界点、t2为中风险与高风险的分界点两个阈值用来划分自燃风险的等级；

33、当模型预测的自燃概率p(y∣x)小于t1时，视为低风险；

34、当模型预测的自燃概率p(y∣x)大于等于t1时小于t2时，视为中风险；

35、当模型预测的自燃概率p(y∣x)小于t2时，视为高风险；

36、处于低风险时，维持常规监测频率和维护作业，当于中风险时，增加监测频率，进行局部区域的物理检查，确认是否有局部过热现象，处于高风险时，准备应急物资和人员，制定撤离计划，采取物理降温措施，减少内部热量积累。

37、第二方面，本发明提供了一种基于深度学习的电厂煤堆自燃报警系统，包括，数据采集模块、数据预处理模块、特征提取与融合模块、注意力机制模块和自燃风险评估模块；数据采集模块，用于使用高光谱成像仪和红外成像仪定时对煤堆进行周期性扫描，采集高光谱数据和红外成像数据；数据预处理模块，用于对高光谱数据使用滑动平均法减少噪声影响，得到精确的高光谱数据，对红外成像数据使用nuc算法消除固定图案噪声，得到精确的红外成像数据；特征提取与融合模块，用于处理后的高光谱数据和红外成像数据，经过深度卷积神经网络进行特征提取和多模态融合，得到自燃前的高光谱特征和温度特征，注意力机制模块，用于引入注意力机制，使得煤堆自燃检测模型能自动识别关键区域，构建煤堆自燃检测模型，学习自燃前的高光谱特征和对红外成像特征，自燃风险评估模块，用于将采集的实时数据输入煤堆自燃检测模型进行自燃风险评估，根据评估制定策略。

38、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于深度学习的电厂煤堆自燃检测方法的任一步骤。

39、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于深度学习的电厂煤堆自燃检测方法的任一步骤。

40、本发明有益效果为：通过使用高光谱成像仪和红外成像仪对煤堆进行周期性扫描，确保了对煤堆状态的持续监控，及时捕捉自燃初期的微小变化，将高光谱成像仪和红外成像仪捕捉的数据结合，为后续分析提供基础，提高监测的全面性和及时性；通过滑动平均法对高光谱数据进行降噪处理，减少随机噪声的影响，使采集的数据更准确；通过深度卷神经网络分别从高光谱和红外数据中提取特征，再通过多模态融合，整合两种类型数据间的互补信息，使得模型对复杂情况下的自燃风险判断更为精准；通过引入注意力机制让模型能够自动聚焦于煤堆中自燃风险的关键区域，提高了检测针对性，避免对无关区域的过度关注；通过设定风险等级阈值，能够快速将自然概率转化为具体的应对策略，实现从监测到决策的无缝衔接，低、中、高风险等级的划分，使得应急措施更加合理，避免不必要的恐慌和资源浪费。