一种火电厂给水泵运行安全监测方法

技术领域

本发明涉及火电厂设备监测技术领域，特别是涉及一种火电厂给水泵运行安全监测方法。

背景技术

火电厂的给水泵是保证锅炉供水的关键设备，其运行状态直接影响到火电厂的安全生产。传统的监测方法主要依靠定期检查和人工巡检，这种方法不仅耗时耗力，而且难以实时发现设备的潜在故障，存在较大的安全隐患。

申请号为202310989386.2的发明专利中公开了一种电厂用给水泵运行状态在线监测方法，包括建立历史数据库，存储给水泵的历史流通量数据，以及与历史流通量数据时刻上对应的运行数据；建立监测模型，利用历史流通量数据和历史运行数据训练所述监测模型；获取当前所述给水泵的流通量数据，将其代入训练完成的所述监测模型中，获取当前所述给水泵的预测运行数据；对当前预测运行数据进行异常判定，根据判定结果进行报警。该技术减少了检测设备的使用，避免检测过程对给水泵运行的影响；采用对历史数据分析的方式，使预测的运行参数更符合实际运行情况，增加监测报警的精确性。但是其严重依赖于监测模型的精度，若监测模型的精度不足，则会影响整体的运行状态监测精度。且该技术无法实现对给水泵的温度的精准监测。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种火电厂给水泵运行安全监测方法。

为实现上述目的，本发明提供了如下方案：

一种火电厂给水泵运行安全监测方法，包括：

获取目标给水泵的各个监测点位的温度信息；其中，每个监测点位至少具有两个温度传感器；

对每个监测点位采集的温度信息进行去噪处理，得到去噪后的温度信息；

将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息矩阵；

根据所述温度信息矩阵将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息；

判断所述所有监测点位融合后的温度信息的数值是否超过预设安全阈值，若是，则产生报警信号进行报警；

将所述所有监测点位融合后的温度信息输入至训练好的火电厂给水泵运行预测模型中，得到预测结果；所述预测结果用于显示未来时刻的所述目标给水泵的预测温度信息。

优选地，对每个监测点位采集的温度信息进行去噪处理，得到去噪后的温度信息，包括：

根据各个温度传感器之间的空间距离构建联系度模型；

利用所述联系度模型构建温度去噪函数；

利用所述温度去噪函数去除各个监测点位中温度信息的异常值，生成去噪后的温度信息。

优选地，所述联系度模型的公式为：

优选地，利用所述联系度模型构建温度去噪函数，包括：

利用每个监测点位温度的加权值构建去噪阈值；其中，所述去噪阈值的公式为：

基于所述去噪阈值和所述联系度模型构建温度去噪函数；所述温度去噪函数的公式为：

优选地，将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息矩阵，包括：

利用各个监测点位去噪后的温度信息构建融合函数；其中所述融合函数的公式为：

根据所述融合函数构建温度信息矩阵；所述温度信息矩阵的公式为

优选地，利用所述特征值将各个监测点位去噪后的温度信息进行融合得到所有检测点位融合后的温度信息，包括：

采用公式

利用所述融合加权系数对各个监测点位去噪后的温度信息的数值进行加权平均，得到所有监测点位融合后的温度信息。

优选地，所述火电厂给水泵运行预测模型包括依次连接的特征提取网络、CNN神经网络和LSTM网络；所述特征提取网络用于根据所述所有监测点位去噪后的温度信息进行特征提取；所述CNN神经网络模型包括依次设置的两个堆叠的卷积层、ReLU激活函数以及池化层；所述CNN神经网络模型用于输出特征提取后的数据；所述LSTM网络用于接收特征提取后的数据，通过LSTM单元更新和传输过程以及线性层转换过程，得到所述预测温度信息。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种火电厂给水泵运行安全监测方法，包括：获取目标给水泵的各个监测点位的温度信息；其中，每个监测点位至少具有两个温度传感器；对每个监测点位采集的温度信息进行去噪处理，得到去噪后的温度信息；将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息矩阵；根据所述温度信息矩阵将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息；判断所述所有监测点位融合后的温度信息的数值是否超过预设安全阈值，若是，则产生报警信号进行报警；将所述所有监测点位融合后的温度信息输入至训练好的火电厂给水泵运行预测模型中，得到预测结果；所述预测结果用于显示未来时刻的所述目标给水泵的预测温度信息。本发明能够提高火电厂给水泵的温度运行安全监测的精准程度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种火电厂给水泵运行安全监测方法，能够提高火电厂给水泵的温度运行安全监测的精准程度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例提供的方法流程图，如图1所示，本发明提供了一种火电厂给水泵运行安全监测方法，包括：

步骤100：获取目标给水泵的各个监测点位的温度信息；其中，每个监测点位至少具有两个温度传感器；

步骤200：对每个监测点位采集的温度信息进行去噪处理，得到去噪后的温度信息；

步骤300：将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息矩阵；

步骤400：根据所述温度信息矩阵将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息；

步骤500：判断所述所有监测点位融合后的温度信息的数值是否超过预设安全阈值，若是，则产生报警信号进行报警；

步骤600：将所述所有监测点位融合后的温度信息输入至训练好的火电厂给水泵运行预测模型中，得到预测结果；所述预测结果用于显示未来时刻的所述目标给水泵的预测温度信息。

优选地，对每个监测点位采集的温度信息进行去噪处理，得到去噪后的温度信息，包括：

根据各个温度传感器之间的空间距离构建联系度模型；

利用所述联系度模型构建温度去噪函数；

利用所述温度去噪函数去除各个监测点位中温度信息的异常值，生成去噪后的温度信息。

具体的，除本实施例下述的滤波方法外，本实施例还可以选用平均滤波、中值滤波等技术，对每个监测点位采集的温度信息进行去噪处理，以滤除数据传输或环境因素引入的噪声，得到去噪后的温度信息。

优选地，所述联系度模型的公式为：

本发明中，在m点和n点的传感器为近邻传感器。两传感器的位置越接近，那么两传感器的相关性也越大。因此，本发明根据两传感器间的空间距离来度量它们之间的联系度。在实际应用中，由于传感器会因为自身参数或者环境因素的影响，会使传感器在某一时刻采集的测量值与实际值出现较大的偏差，因此本发明引入了R，来修正传感器因自身参数或者环境因素的影响导致传感器相关性有偏差的问题。在一般情况下，R的取值为1。

优选地，利用所述联系度模型构建温度去噪函数，包括：

利用每个监测点位温度的加权值构建去噪阈值；其中，所述去噪阈值的公式为：

基于所述去噪阈值和所述联系度模型构建温度去噪函数；所述温度去噪函数的公式为：

可选地，在本实施例中，可参考各个温度传感器的型号或者位置来设定W

进一步地，本发明通过利用温度去噪函数融合同一个监测点位传感器的测量值，可以避免传感器在某一时刻采集的测量值与实际值出现较大偏差的情况，使传感器的测量值更加真实。

优选地，将各个监测点位去噪后的温度信息进行融合，得到所有监测点位融合后的温度信息矩阵，包括：

利用各个监测点位去噪后的温度信息构建融合函数；其中所述融合函数的公式为：

根据所述融合函数构建温度信息矩阵；所述温度信息矩阵的公式为

优选地，利用所述特征值将各个监测点位去噪后的温度信息进行融合得到所有检测点位融合后的温度信息，包括：

采用公式

利用所述融合加权系数对各个监测点位去噪后的温度信息的数值进行加权平均，得到所有监测点位融合后的温度信息。

具体的，本发明基于融合矩阵，依据每个传感器实时测量到的温度信息，动态为各传感器分配所对应的融合加权系数L，以求得最终所有检测点位融合后的温度信息，可以更加贴近整个目标给水泵的实际温度值。

优选地，所述火电厂给水泵运行预测模型包括依次连接的特征提取网络、CNN神经网络和LSTM网络；所述特征提取网络用于根据所述所有监测点位去噪后的温度信息进行特征提取；所述CNN神经网络模型包括依次设置的两个堆叠的卷积层、ReLU激活函数以及池化层；所述CNN神经网络模型用于输出特征提取后的数据；所述LSTM网络用于接收特征提取后的数据，通过LSTM单元更新和传输过程以及线性层转换过程，得到所述预测温度信息。

具体的，本实施例中可以利用预测结果指导运行人员进行预防性维护或调整运行策略。

本发明的有益效果如下：

本发明通过对给水泵温度信息的精细化监测、智能化处理和预测分析，能够实现对给水泵潜在故障的早期预警，显著提高火电厂运行的安全性和稳定性，具有重要的实用价值。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。