一种火电站磨煤机爆燃监测异常定位识别方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种火电站磨煤机爆燃监测异常定位识别方法及系统。

背景技术

近年来，随着电能需求量日益增长，能源问题迫在眉睫。虽然处于低碳环保的需求，非化石能源得到大力发展，但是火电仍然占据电力的大部分市场。因此，研究火电站的生产情况对于保证电力供应有着十分重要的意义。

目前，在火电发电生产过程中，磨煤机发生爆燃现象在诸多异常生产情况中的危险系数较高，一旦发生内部爆燃事故，轻则造成制粉系统设备的损坏，过于严重时也可能会导致人员伤亡。磨煤机发生爆燃的影响因素过多，且发生的过程比较短暂，主要通过利用监测传感器进行异常识别。

然而，由于在实际火力发电的过程中，需要监控的项目过多，对于监测传感器的异常数据仅凭监控人员无法及时获取异常原因，从而导致异常反馈时间长，处理异常的周期长，导致严重的经济损失和人员危险情况。对于众多类型的监测数据，当前缺乏一种可以快速对异常数据进行识别响应，反馈异常原因，对监测到的异常进行快速定位的异常识别方法。现有技术中存在火电站磨煤机爆燃监测反馈周期长，异常识别准确率低的技术问题。

发明内容

本申请提供了一种火电站磨煤机爆燃监测异常定位识别方法及系统，用于针对解决现有技术中存在火电站磨煤机爆燃监测反馈周期长，异常识别准确率低的技术问题。

鉴于上述问题，本申请提供了一种火电站磨煤机爆燃监测异常定位识别方法及系统。

本申请的第一个方面，提供了一种火电站磨煤机爆燃监测异常定位识别方法，所述方法包括：

对目标火电站的制粉系统进行信息采集，得到基本信息集；

根据所述目标火电站的工控系统获得监测传感器历史监测信息，获得历史传感器数据集，其中，所述历史传感器数据集具有双重标识，双重标识包括传感器位置标识和传感器类型标识；

根据所述基本信息集对所述历史传感器数据集进行关联锁定，得到关联锁定结果；

根据所述基本信息集和所述关联锁定结果构建爆燃异常监测模型；

对于预设时间窗口内的监测传感器进行实时数据采集，得到实时监测数据集；

将所述实时监测数据集输入所述爆燃异常监测模型中，得到异常监测结果；

根据所述异常监测结果生成异常提醒信息，对爆燃监测异常进行定位识别。

本申请的第二个方面，提供了一种火电站磨煤机爆燃监测异常定位识别系统，所述系统包括：

基本信息获得模块，所述基本信息获得模块用于对目标火电站的制粉系统进行信息采集，得到基本信息集；

历史数据集获得模块，所述历史数据集获得模块用于根据所述目标火电站的工控系统获得监测传感器历史监测信息，获得历史传感器数据集，其中，所述历史传感器数据集具有双重标识，双重标识包括传感器位置标识和传感器类型标识；

关联锁定模块，所述关联锁定模块用于根据所述基本信息集对所述历史传感器数据集进行关联锁定，得到关联锁定结果；

监测模型构建模块，所述监测模型构建模块用于根据所述基本信息集和所述关联锁定结果构建爆燃异常监测模型；

监测数据集获得模块，所述监测数据集获得模块用于对于预设时间窗口内的监测传感器进行实时数据采集，得到实时监测数据集；

监测结果获得模块，所述监测结果获得模块用于将所述实时监测数据集输入所述爆燃异常监测模型中，得到异常监测结果；

异常提醒模块，所述异常提醒模块用于根据所述异常监测结果生成异常提醒信息，对爆燃监测异常进行定位识别。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例通过采集目标火电站的制粉系统的信息，得到能够反映目标火电站的基本生产情况的基本信息集，然后对目标火电站的工控系统进行通信连接，从中获得监测传感器的历史监测信息，得到历史传感器数据集，并对历史传感器数据集进行双重标识，双重标识包括传感器位置标识和传感器类型标识，然后根据基本信息集对历史传感器数据集进行关联锁定，得到关联锁定结果，进而通过利用基本信息集和关联锁定结果构建对异常进行智能监测的爆燃异常监测模型，然后对预设时间窗口内的监测传感器进行实时数据采集，得到实时监测数据集，通过将实时监测数据集输入爆燃异常监测模型中进行异常监测分析，得到异常监测结果，根据异常监测结果生成异常提醒信息，对爆燃监测异常进行定位识别。达到了对火电站内的磨煤机爆燃监测传感器数据进行高质高效分析，提高数据处理效率，快速反馈异常情况的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种火电站磨煤机爆燃监测异常定位识别方法流程示意图；

图2为本申请实施例提供的一种火电站磨煤机爆燃监测异常定位识别方法中对历史传感器数据集进行关联锁定的流程示意图；

图3为本申请实施例提供的一种火电站磨煤机爆燃监测异常定位识别方法中构建爆燃异常监测模型的流程示意图；

图4为本申请实施例提供的一种火电站磨煤机爆燃监测异常定位识别系统结构示意图。

附图标记说明：基本信息获得模块11，历史数据集获得模块12，关联锁定模块13，监测模型构建模块14，监测数据集获得模块15，监测结果获得模块16，异常提醒模块17。

具体实施方式

本申请通过提供了一种火电站磨煤机爆燃监测异常定位识别方法，用于针对解决现有技术中存在火电站磨煤机爆燃监测反馈周期长，异常识别准确率低的技术问题。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请提供了一种火电站磨煤机爆燃监测异常定位识别方法，其中，所述方法包括：

步骤S100：对目标火电站的制粉系统进行信息采集，得到基本信息集；

具体而言，所述目标火电站是要进行磨煤机爆燃异常分析监测的任意一个火电站。其中，所述制粉系统是指火电站燃煤机组的重要辅助系统，通过磨制合格的煤粉输送进行炉膛，从而保证锅炉的燃烧，主要包括原煤仓、给煤机、磨煤机、密封风机、一次风机和辅助系统等。所述基本信息集是对所述目标火电站的制粉系统的基本情况进行采集后得到的数据集，包括制粉类型（如：直吹式制粉系统或中间储仓式制粉系统）、磨煤机分布位置和数量、风机风量大小和风机分布位置等。通过对目标火电站的制粉系统的基本信息进行采集，达到了对磨煤机的工作环境进行掌握，为后续分析异常提供分析背景和分析数据的技术效果。

步骤S200：根据所述目标火电站的工控系统获得监测传感器历史监测信息，获得历史传感器数据集，其中，所述历史传感器数据集具有双重标识，双重标识包括传感器位置标识和传感器类型标识；

具体而言，所述工控系统是所述目标火电站对生产过程中的工况进行实时管理和实时监控的系统。通过对所述工控系统中检测传感器的监测数据进行提取，得到所述历史传感器数据集。其中，所述历史传感器数据集反映了目标火电站在生产过程中的生产状态。所述双重标识是根据传感器位置和传感器的类型对提取的历史传感器数据进行标识，从而为后续传感器的数据异常提供清晰的区分标识。所述传感器位置标识是指对传感器在目标火电站的制粉系统中的所在位置进行标识，为了保证传感器数据的准确度，传感器一般会安装在监测对象附近，因此，通过传感器位置进行标识，从而为后续对异常数据进行快速定位作铺垫。所述传感器类型标识是指根据传感器的用途对传感器进行的标识信息，传感器类型包括温度传感器、风速传感器、风压传感器、煤粉浓度传感器等。通过对历史传感器数据集进行双重标识，达到了对数据进行多维度分析划分提供依据的技术效果。

步骤S300：根据所述基本信息集对所述历史传感器数据集进行关联锁定，得到关联锁定结果；

进一步的，如图2所示，所述根据所述基本信息集对所述历史传感器数据集进行关联锁定，本申请实施例步骤S300还包括：

步骤S310：基于所述基本信息集提取磨煤机分布信息，获得磨煤机分布数据集；

步骤S320：基于所述传感器位置标识，结合所述磨煤机分布数据集对所述历史传感器数据集进行聚类，得到传感器聚类结果；

步骤S330：根据所述传感器聚类结果对所述历史传感器数据集进行关联锁定，得到所述关联锁定结果。

进一步的，所述根据所述传感器聚类结果对所述历史传感器数据集进行关联锁定，得到所述关联锁定结果，本申请实施例步骤S330还包括：

步骤S331：根据所述传感器类型标识对所述传感器聚类结果进行维度划分，得到维度划分结果；

步骤S332：根据所述传感器位置标识对维度划分结果进行同类关联，得到同类关联结果；

步骤S333：根据所述基本信息集对所述维度划分结果进行异类关联，得到异类关联结果；

步骤S334：根据所述同类关联结果和所述异类关联结果对所述历史传感器数据集进行关联锁定，得到所述关联锁定结果。

进一步的，所述根据所述同类关联结果和所述异类关联结果对所述历史传感器数据集进行关联锁定，本申请实施例步骤S334还包括：

步骤S335：根据所述同类关联结果和所述异类关联结果对所述历史传感器数据进行提取，得到关联数据集；

步骤S336：根据所述关联数据集得到各关联传感器数据变化趋势，得到多个趋势变化结果；

步骤S337：根据所述多个趋势变化结果对所述同类关联结果和所述异类关联结果的关联度进行评价，得到关联度等级；

步骤S338：利用所述关联度等级对所述关联锁定结果进行关联度标识。

具体而言，所述根据所述基本信息集对所述历史传感器数据集进行关联锁定是指根据基本信息集中的磨煤机信息，对历史传感器数据集中与同类型爆燃原因相关联的数据进行相互关联，并锁定数据之间的连接关系，从而为后续对爆燃异常进行快速响应做铺垫，避免在出现爆燃现象后根据异常数据进行故障原因的逐一排查，造成时间和资源的浪费。所述关联锁定结果反映了数据之间的关联关系，对爆燃产生的原因进行相关传感器数据的关联，从而达到了提高异常识别效率的技术效果。

具体的，对所述基本信息集进行磨煤机分布信息的提取，对所述目标火电站内的磨煤机分布情况进行掌握，汇总后得到所述磨煤机分布数据。其中，所述磨煤机分布数据是指所述磨煤机在火电站的分布数量和分布位置。所述传感器聚类结果是对历史传感器数据集进行聚类分析，将对同一磨煤机进行爆燃监测的传感器数据划分为一类后得到的结果。

具体的，以所述磨煤机分布数据集中的磨煤机数量和磨煤机位置为聚类标签，将所述历史传感器数据集输入传感器位置聚类树的根节点中，以所述磨煤机位置设置叶节点，其中，叶节点的数量由磨煤机数量进行确定。将所述历史传感器数据集输入所述传感器位置聚类树中，以所述传感器位置标识为划分标识，与所述叶节点中的磨煤机位置进行比对，从而将相同位置的历史传感器数据划分到同一子节点中，并进行存储。将每一个子节点中的传感器数据作为一类，从而得到所述传感器聚类结果。

进一步的，所述维度划分结果是根据传感器类型标识，即传感器对磨煤机的监测用途为划分标准，对所述传感器聚类结果进行进一步细分后得到的结果。其中，所述同类关联结果是根据传感器位置标识，也就是根据传感器的监测位置确定传感器监测目标是否一致，当监测目标一致时得到的。所述异类关联结果是指根据基本信息集中磨煤机的工作状态，对所述维度划分结果中不同监测目标的传感器之间的关联关系进行确定的结果，包括监测传感器的数据增长幅度是否一致，据此对异类关联结果进行标识。

示例性的，利用温度传感器对火电站的磨煤过程中温度进行实时采集。通过将温度传感器设置在磨煤机的出口处，以及磨煤机的工作空间内，从而对磨煤机的出口温度和工作温度进行实时采集。根据磨煤机的工作原理，当磨煤机在停磨过程中，为了避免磨煤机爆燃现象的发生，磨煤机的出口温度要与环境温度相适应。此时出口处的出口温度传感器数据与环境温度传感器数据之间具有同类关联关系。数据之间具有锁定关系，当环境温度低于15°C时，磨煤机的出口温度数据应在60~65°C内；当环境温度在15~30°C内时，磨煤机的出口温度数据应在57~60°C；当环境温度高于30°C时，磨煤机的出口温度数据应在54~58°C内，从而能够有效避免煤粉自燃。当检测到环境温度高于30°C时，根据出口处的出口温度传感器数据与环境温度传感器数据之间的同类关联关系，进一步确定磨煤机出口温度数据，从而对磨煤机爆燃异常情况进行快速定位。

具体的，根据所述同类关联结果和所述异类关联结果对所述历史传感器数据进行分别提取，得到所述关联数据集。其中，所述关联数据集包括同类关联数据集和异类关联数据集。其中，所述同类关联数据集是根据所述同类关联结果中的传感器进行数据提取得到的。所述异类关联数据集是根据所述异类关联结果中的传感器进行数据提取得到的。

具体的，根据同类关联数据集和异类关联数据集进行数据变化趋势，即单位时间内数据的上升趋势变化程度或者是下降趋势变化程度，从而得到所述多个趋势变化结果。其中，所述多个趋势变化结果与传感器一一对应。进而，根据多个趋势变化结果对所述同类关联结果和所述异类关联结果中的多个关联传感器分别进行趋势一致度分析，即判断趋势变化程度的一致程度。一致程度高的对应的关联度等级越高。进而，根据所述关联度等级对所述关联锁定结果进行关联度标识，从而对于同一传感器具有多个关联锁定结果的情况，按照各个关联锁定结果对应的关联度等级进行排序，最先识别关联度等级高的传感器对应的监测对象。由此，达到了对关联锁定结果进行等级评定，从而建立清晰、层次化分明的关联结构，提高异常识别效率的技术效果。

进一步的，本申请实施例步骤S338还包括：

步骤S3381：提取所述工控系统中记载的所述目标火电站的历史爆燃记录，得到历史爆燃记录数据集；

步骤S3382：根据所述历史爆燃记录数据集对所述关联锁定结果进行频次统计，得到频次数据集；

步骤S3383：从所述频次数据集中无放回随机选取一个频次数据，作为一级划分节点；

步骤S3384：再次从所述频次数据集中无放回随机选取一个频次数据，作为二级划分节点；

步骤S3385：继续构建获得数据清洗单元的多级划分节点；

步骤S3386：根据所述频次数据集对应的所述关联锁定结果对所述多级划分节点的多个最终划分节点进行标记，得到构建的所述数据清洗单元；

步骤S3387：将所述频次数据集输入所述数据清洗单元中，将低于预设划分节点的频次数据确定为淘汰频次数据组；

步骤S3388：根据所述淘汰频次数据组对所述关联锁定结果进行筛选优化。

具体而言，所述历史爆燃记录数据集是对目标火电站历史发生爆燃时的生产记录数据进行汇总得到的，包括爆燃时间、爆燃相关设备、爆燃原因、爆燃数据等。示例性的，在2016年6月12日对D号磨煤机进行启动运行，切换E号磨煤机，对E号磨煤机进行停运。D号磨煤机的热风管道膨胀节破裂，炉膛负压发生大幅度变化，磨煤机的磨后温度由80°C急剧上升至220°C，出口风压由3.1kpa急剧上升至7.9kpa。对爆燃记录数据进行分析，得到磨后温度与出口风压之间的关联关系，由于膨胀节破裂，导致磨后温度与出口风压急剧上升。

具体的，所述频次数据集是对所述历史爆燃记录数据集中各关联锁定结果在爆燃影响中出现的频次进行统计得到的。所述预设出现频次是根据目标火电站的生产情况进行设定的，由工作人员自行设定，在此不做限制。所述淘汰频次数据组是不进行关联锁定的数据组。当频次数据集中的频次小于预设出现频次时，表明出现的频次过低，属于偶然发生的现象，在进行故障分析时不进行考虑。进而，根据所述淘汰频次数据组对应的关联锁定结果对象从所述关联锁定结果中进行剔除，从而对所述关联锁定结果进行优化。达到了提高关联锁定结果的可靠程度，减少运算数据，提高效率的技术效果。

具体的，所述一级划分节点是通过从频次数据集中无放回随机选取一个频次数据，将该频次数据作为该节点数据划分的依据构建的对数据集进行划分的节点。所述二级划分节点是通过从频次数据集中无放回随机选取一个频次数据，将该频次数据作为二级节点数据划分的依据构建的对数据集进行划分的节点。所述多级划分节点是多级对数据进行划分的节点。所述数据清洗单元是用于对频次数据集进行数据筛选，得到出现频次不高的频次数据的功能单元，包括多级划分节点。利用所述多级划分节点对应的频次数据，获得与频次数据相应的关联锁定结果，对多级划分节点的多个最终划分节点进行标记，即每一个最终划分节点都对应一个关联锁定结果。所述预设划分节点是根据预先设置的数据出现频次构建的划分节点，低于节点对应的频次，则表明对应的关联锁定结果出现的频次过低，对应的历史爆燃记录是偶然发生的，不具备参考性。由此，达到了对频次数据集进行数据清洗，保证数据的可靠程度，通过筛选出频次较低的数据集，从而提高数据处理的运算效率的技术效果。

步骤S400：根据所述基本信息集和所述关联锁定结果构建爆燃异常监测模型；

进一步的，如图3所示，所述根据所述基本信息集和所述关联锁定结果构建爆燃异常监测模型，本申请实施例步骤S400还包括：

步骤S410：构建BP前馈网络结构，包括输入层、隐含层、输出层，其中，隐含层包括运行模式识别层、关联结果匹配层；

步骤S420：对所述基本信息数据集进行信息提取，建立运行模式训练集，其中，包括历史运行模式数据及对应的模式类型标识信息；

步骤S430：利用所述运行模式训练集对所述运行模式识别层进行训练收敛，直到达到预设停止训练要求为止；

步骤S440：根据所述历史运行模式数据，确定各运行模式数据类型与关联锁定结果之间的对应关系，构建关联结果匹配训练集；

步骤S450：利用所述关联结果匹配训练集对所述关联结果匹配层进行训练收敛，直到达到预设停止训练要求为止，获得所述爆燃异常监测模型。

具体而言，所述爆燃异常监测模型是对所述目标火电站内的磨煤机爆燃情况进行智能化识别的功能模型。其中，所述运行模式识别层是对磨煤机的运行状态进行识别的功能层。所述关联结果匹配层是对磨煤机的运行状态与对应的关联锁定结果进行高效匹配的功能层。

具体的，通过根据BP前馈网络结构为建设基础，对所述基本信息数据集中各个磨煤机的运行数据进行提取，将运行模式数据作为所述运行模式训练集。所述运行模式训练集是对所述运行模式识别层进行训练的数据集，包括所述历史运行模式数据和对应的模式类型标识信息，其中模式类型标识信息为对磨煤机的运行状态进行标识，磨煤机运行状态包括停运、启动、运行工作中等。将所述运行模式训练集对所述运行模式识别层进行训练，直至所述运行模式识别层输出结果达到收敛，满足预设停止训练要求。其中，所述预设停止训练要求是指根据所述模式类型标识信息对所述运行模式识别层的训练结果进行验证，准确率要满足要求。

具体的，根据所述历史运行模式数据输入所述运行模型识别层中得到的运行模式数据类型，即输出历史模式类型信息，根据历史模式类型信息，获得历史关联锁定结果，确定磨煤机的运行状态和关联锁定结果之间的关联关系，其中所述关联关系是指历史模式类型信息与历史关联锁定结果之间的映射关系。将历史运行模式数据类型和历史关联锁定结果，以及关联关系作为所述关联结果匹配训练集。其中，所述关联结果匹配训练集是用于对关联结果匹配层进行训练，直至所述运行模式识别层输出结果达到收敛，满足预设停止训练要求。

具体的，所述运行模式识别层的输入数据为运行模式数据，输出数据为模式类型信息。所述关联结果匹配层的输入数据为模式类型信息，输出数据为关联锁定结果。此时，将输入层、隐含层、输出层串联起来，得到所述爆燃异常监测模型。由此，达到了根据磨煤机状态和传感器数据之间的关联关系，智能化确定磨煤机爆燃异常数据之间的联系，为后续对传感器异常进行快速识别反馈提供支持的技术效果。

步骤S500：对于预设时间窗口内的监测传感器进行实时数据采集，得到实时监测数据集；

进一步的，所述对于预设时间窗口内的监测传感器进行实时数据采集，得到实时监测数据集，本申请实施例步骤S500还包括：

步骤S510：对所述预设时间窗口内的监测传感器数据进行实时采集，得到初始实时监测数据集；

步骤S520：获取上一预设时间窗口内的监测传感器数据，得到比对监测数据集；

步骤S530：将所述比对监测数据集和所述初始实时监测数据集进行数据比对，得到所述实时监测数据集。

具体而言，所述预设时间窗口是预先设置进行传感器数据分析的时间段，由工作人员自行设定，在此不做限制。其中，所述实时监测数据集是在预设时间窗口内各传感器的监测数据进行采集得到的。所述初始实时监测数据集是预设时间窗口内各传感器的监测数据直接采集，不进行处理的数据集合。所述比对监测数据集是上一预设时间窗口内的监测传感器进行数据采集得到的数据集合。通过对比对监测数据集和初始实时监测数据集进行数据比对，得到数据变化异常的数据，将其筛选出来，得到所述实时监测数据集。从而，达到了对监测数据进行筛选，减少监测数据量的技术效果。

步骤S600：将所述实时监测数据集输入所述爆燃异常监测模型中，得到异常监测结果；

步骤S700：根据所述异常监测结果生成异常提醒信息，对爆燃监测异常进行定位识别。

具体而言，将所述实时监测数据集输入所述爆燃异常检测模型中，根据实时磨煤机的运行状态，对实时监测数据集进行异常分析，得到对应的关联锁定结果，将输出的关联锁定结果作为所述异常检测结果。进而，对所述异常检测结果中的关联锁定结果进行传感器分析，得到关联传感器，将关联传感器的位置作为异常提醒信息，从而对爆燃监测异常进行定位识别。其中，所述异常提醒信息是对传感器的异常情况进行提醒的信息。由此，达到了对火电站磨煤机的爆燃异常情况进行快速定位，确定异常传感器，直接定位异常位置的技术效果。

综上所述，本申请实施例至少具有如下技术效果：

本申请实施例通过对目标火电站的制粉系统的基本情况进行采集，得到磨煤机的分布情况和运行状态，然后对火电站内的监测传感器的历史数据进行分析，为了方便分析的条理性，对历史数据进行双重标识，从位置和类型两个角度进行分析，进而，根据磨煤机的分布位置对历史数据进行关联锁定，对历史数据之间的相关程度进行分析，为了提高异常识别的效率，通过构建爆燃异常监测模型，对异常数据进行关联数据的锁定识别，然后在预定时间段内对监测传感器进行实时数据采集，将实时采集的结果输入爆燃异常监测模型中，得到异常监测结果，进而根据异常监测结果生成异常提醒信息，对爆燃监测异常进行定位识别。达到了提高异常识别的效率，对异常情况进行快速识别，匹配对应的关联传感器，从而提高异常处理质量的技术效果。

实施例二

基于与前述实施例中一种火电站磨煤机爆燃监测异常定位识别方法相同的发明构思，如图4所示，本申请提供了一种火电站磨煤机爆燃监测异常定位识别系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

基本信息获得模块11，所述基本信息获得模块11用于对目标火电站的制粉系统进行信息采集，得到基本信息集；

历史数据集获得模块12，所述历史数据集获得模块12用于根据所述目标火电站的工控系统获得监测传感器历史监测信息，获得历史传感器数据集，其中，所述历史传感器数据集具有双重标识，双重标识包括传感器位置标识和传感器类型标识；

关联锁定模块13，所述关联锁定模块13用于根据所述基本信息集对所述历史传感器数据集进行关联锁定，得到关联锁定结果；

监测模型构建模块14，所述监测模型构建模块14用于根据所述基本信息集和所述关联锁定结果构建爆燃异常监测模型；

监测数据集获得模块15，所述监测数据集获得模块15用于对于预设时间窗口内的监测传感器进行实时数据采集，得到实时监测数据集；

监测结果获得模块16，所述监测结果获得模块16用于将所述实时监测数据集输入所述爆燃异常监测模型中，得到异常监测结果；

异常提醒模块17，所述异常提醒模块17用于根据所述异常监测结果生成异常提醒信息，对爆燃监测异常进行定位识别。

进一步的，所述系统还包括：

分布数据集获得单元，所述分布数据集获得单元用于基于所述基本信息集提取磨煤机分布信息，获得磨煤机分布数据集；

聚类结果获得单元，所述聚类结果获得单元用于基于所述传感器位置标识，结合所述磨煤机分布数据集对所述历史传感器数据集进行聚类，得到传感器聚类结果；

关联锁定结果获得单元，所述关联锁定结果获得单元用于根据所述传感器聚类结果对所述历史传感器数据集进行关联锁定，得到所述关联锁定结果。

进一步的，所述系统还包括：

维度划分单元，所述维度划分单元用于根据所述传感器类型标识对所述传感器聚类结果进行维度划分，得到维度划分结果；

同类关联单元，所述同类关联单元用于根据所述传感器位置标识对维度划分结果进行同类关联，得到同类关联结果；

异类关联单元，所述异类关联单元用于根据所述基本信息集对所述维度划分结果进行异类关联，得到异类关联结果；

锁定结果获得单元，所述锁定结果获得单元用于根据所述同类关联结果和所述异类关联结果对所述历史传感器数据集进行关联锁定，得到所述关联锁定结果。

进一步的，所述系统还包括：

爆燃记录数据集获得单元，所述爆燃记录数据集获得单元用于提取所述工控系统中记载的所述目标火电站的历史爆燃记录，得到历史爆燃记录数据集；

频次统计单元，所述频次统计单元用于根据所述历史爆燃记录数据集对所述关联锁定结果进行频次统计，得到频次数据集；

一级划分单元，所述一级划分单元用于从所述频次数据集中无放回随机选取一个频次数据，作为一级划分节点；

二级划分单元，所述二级划分单元用于再次从所述频次数据集中无放回随机选取一个频次数据，作为二级划分节点；

多级划分单元，所述多级划分单元用于继续构建获得数据清洗单元的多级划分节点；

数据清洗单元，所述数据清洗单元用于根据所述频次数据集对应的所述关联锁定结果对所述多级划分节点的多个最终划分节点进行标记，得到构建的所述数据清洗单元；

淘汰数据组确定单元，所述淘汰数据组确定单元用于将所述频次数据集输入所述数据清洗单元中，将低于预设划分节点的频次数据确定为淘汰频次数据组；

筛选优化单元，所述筛选优化单元用于根据所述淘汰频次数据组对所述关联锁定结果进行筛选优化。

进一步的，所述系统还包括：

关联数据集获得单元，所述关联数据集获得单元用于根据所述同类关联结果和所述异类关联结果对所述历史传感器数据进行提取，得到关联数据集；

趋势变化结果获得单元，所述趋势变化结果获得单元用于根据所述关联数据集得到各关联传感器数据变化趋势，得到多个趋势变化结果；

关联度等级获得单元，所述关联度等级获得单元用于根据所述多个趋势变化结果对所述同类关联结果和所述异类关联结果的关联度进行评价，得到关联度等级；

关联度标识单元，所述关联度标识单元用于利用所述关联度等级对所述关联锁定结果进行关联度标识。

进一步的，所述系统还包括：

网络结构构建单元，所述网络结构构建单元用于构建BP前馈网络结构，包括输入层、隐含层、输出层，其中，隐含层包括运行模式识别层、关联结果匹配层；

训练集建立单元，所述训练集建立单元用于对所述基本信息数据集进行信息提取，建立运行模式训练集，其中，包括历史运行模式数据及对应的模式类型标识信息；

训练收敛单元，所述训练收敛单元用于利用所述运行模式训练集对所述运行模式识别层进行训练收敛，直到达到预设停止训练要求为止；

匹配训练集构建单元，所述匹配训练集构建单元用于根据所述历史运行模式数据，确定各运行模式数据类型与关联锁定结果之间的对应关系，构建关联结果匹配训练集；

异常监测模型获得单元，所述异常监测模型获得单元用于利用所述关联结果匹配训练集对所述关联结果匹配层进行训练收敛，直到达到预设停止训练要求为止，获得所述爆燃异常监测模型。

进一步的，所述系统还包括：

初始监测数据集获得单元，所述初始监测数据集获得单元用于对所述预设时间窗口内的监测传感器数据进行实时采集，得到初始实时监测数据集；

比对数据集获得单元，所述比对数据集获得单元用于获取上一预设时间窗口内的监测传感器数据，得到比对监测数据集；

实时监测数据集获得单元，所述实时监测数据集获得单元用于将所述比对监测数据集和所述初始实时监测数据集进行数据比对，得到所述实时监测数据集。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。