燃气内燃机的烟气含氧量测量方法及装置与流程

1.本发明涉及能源技术领域，尤其涉及燃气内燃机的烟气含氧量测量方法及装置。


背景技术：

2.烟气含氧量是指燃料燃烧之后排出的烟气中的含量，它是燃气内燃机燃烧的一个重要指标，其值的大小与燃气内燃机结构、燃料的种类和性质、负荷的大小、运行配风工况及设备密封状况等因素有关。将燃气内燃机的烟气含氧量控制在合理的范围内，对于节约能源、维护燃气内燃机经济性燃烧，实现安全、高效和低污染的排放具有重要的意义，换言之，燃气内燃机的烟气含氧量是衡量燃气内燃机是否安全、经济、环保运行的重要标志之一。
3.目前，工业中一般使用传感器来测量烟气含氧量。
4.但是，传感器容易受到环境因素的影响，导致测量出的烟气含氧量的误差较大。


技术实现要素：

5.本发明提供了一种燃气内燃机的烟气含氧量测量方法、装置、计算机可读存储介质及电子设备，无需安装传感器，也不容易受到外界环境的影响，通过烟气含氧量测量模型可能够较为准确的测量燃气内燃机的烟气含氧量。
6.第一方面，本发明提供了一种燃气内燃机的烟气含氧量测量方法，包括：
7.获取燃气内燃机的烟气含氧量测量模型请求以及模型数据库；
8.从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的烟气含氧量测量模型；
9.根据所述烟气含氧量测量模型和所述燃气内燃机的运行数据，预测所述燃气内燃机的烟气含氧量。
10.第二方面，本发明提供了一种燃气内燃机的烟气含氧量测量装置，包括：
11.获取模块，用于获取燃气内燃机的烟气含氧量测量模型请求以及模型数据库；
12.选择模块，用于从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的烟气含氧量测量模型；
13.预测模块，用于根据所述烟气含氧量测量模型和所述燃气内燃机的运行数据，预测所述燃气内燃机的烟气含氧量。
14.第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
15.第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
16.本发明提供了一种燃气内燃机的烟气含氧量测量方法、装置、计算机可读存储介质及电子设备，该方法通过获取燃气内燃机的烟气含氧量测量模型请求以及模型数据库，
然后，从模型数据库中确定出烟气含氧量测量模型请求对应的烟气含氧量测量模型，之后，根据烟气含氧量测量模型，预测燃气内燃机的烟气含氧量。综上所述，通过本发明的技术方案，通过调用模型数据库中的烟气含氧量测量模型，能够快速确定出烟气含氧量测量模型，烟气含氧量测量模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出燃气内燃机的烟气含氧量。
17.上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
18.为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术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中记载的一些实施例，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。
19.图1为本发明一实施例提供的一种燃气内燃机的烟气含氧量测量方法的流程示意图；
20.图2为本发明一实施例提供的另一种燃气内燃机的烟气含氧量测量方法的结构示意图；
21.图3为本发明一实施例提供的一种燃气内燃机的烟气含氧量测量装置的结构示意图；
22.图4为本发明一实施例提供的一种电子设备的结构示意图；
23.图5为本发明一实施例提供的场景应用图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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。
25.如图1所示，为本发明实施例提供的一种燃气内燃机的烟气含氧量测量方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本发明实施例提供了一种燃气内燃机的烟气含氧量测量方法，包括如下各个步骤：
26.步骤101、获取燃气内燃机的烟气含氧量测量模型请求以及模型数据库。
27.具体地，燃气内燃机的客户端通过api接口发送燃气内燃机的烟气含氧量测量模型请求，也就是发起了模型调用。可选地，客户端设置在本地服务器上。
28.具体地，模型数据库可以理解为存储联合学习模型的数据库，在实际应用中，可以开发联合学习物联网平台，联合学习物联网平台用于与联合学习客户端(进行联合学习的客户端)进行联合学习，得到联合学习模型，并存储联合学习模型，可以理解的，本技术实施例提供的燃气内燃机的烟气含氧量测量方法，涉及联合学习物联网平台及燃气内燃机的客户端的交互。并且，可以适用于至少一个客户端与一个联合学习物联网平台的交互的场景，或者，还可以适用于至少一个客户端与多个联合学习物联网平台的场景中，即通过将待调
用的模型数据库布置在每个联合学习物联网平台上，其中任一个联合学习物联网平台都可以为客户端提供服务，实现模型数据库中的模型的调用。还可以理解，在上述两个场景下，每个联合学习物联网平台可以设置有模型数据库及控制层。该模型数据库中存储有至少一个联合学习模型，该控制层可以基于客户端的模型调用的请求，实现模型数据库中的模型的调用。这里，联合学习物联网平台相当于服务端。
29.在一些可行的实现方式，基于业务需求确定模型数据库，具体地，步骤101，包括：
30.获取燃气内燃机的业务需求以及各个候选模型数据库各自的业务类型；
31.根据燃气内燃机的业务需求以及各个候选模型数据库各自的业务类型，从各个候选模型数据库中，确定出模型数据库。
32.可以理解的是，业务需求包括故障诊断、变量预测、异常监测，应当理解的，不同的业务需求对模型精度要求不同，同时，模型类型也是不同的，比如回归模型，分类模型，为了便于管理，同时确保能够满足不同业务需求，可以预先设有多个候选模型数据库，每个候选模型数据库对应一个业务类型，并将在实际应用过程中产生的联合学习模型放入到对应的候选模型数据库中，优选地，可以设置放入候选模型数据库的条件，将不满足条件的联合学习模型放到其他数据库中，确保候选模型数据库的参考价值。烟气含氧量测量模型请求携带业务需求。其中，业务类型指示了模型的用途，比如，故障诊断、变量预测、异常监测。
33.具体地，联合学习物联网平台从多个候选模型数据库各自的业务类型中，选择能够满足业务需求的若干个候选模型数据库，并将若干个模型数据库聚合成模型数据库，用于模型调用。
34.步骤102、从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的烟气含氧量测量模型。
35.在一些可行的实现方式，基于模型信息库以及模型数据库进行模型调用，具体地，步骤102，包括：
36.获取模型数据库对应的模型信息库以及烟气含氧量测量模型描述信息；
37.判断所述模型信息库中是否存在所述烟气含氧量测量模型描述信息；
38.当所述模型数据库中存在所述烟气含氧量测量模型描述信息时，从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的烟气含氧量测量模型。
39.模型信息库用于存储描述模型数据库中的联合学习模型的信息，比如，可以是模型用途、模型名称、模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数等信息。模型数据库用于存储联合学习模型。
40.联合学习物联网平台判断模型信息库中是否存在烟气含氧量测量模型请求对应的烟气含氧量测量模型描述信息，比如模型名称，模型名称的同义词(含义相同但是表述不同的词)等，如果模型信息库中存在烟气含氧量测量模型描述信息，则说明模型数据库中存在烟气含氧量测量模型请求对应的烟气含氧量测量模型，此时，从模型数据库中提取出烟气含氧量测量模型请求对应的烟气含氧量测量模型即可，完成模型调用。
41.应当理解的，烟气含氧量测量模型请求携带烟气含氧量测量模型描述信息。
42.在一些可行的实现方式，步骤102，包括：
43.从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的各个烟气含氧量测量模型以及各个所述烟气含氧量测量模型各自的业务信息。
44.可以理解的，业务信息指的是应用烟气含氧量测量模型所产生的相关信息以及烟气含氧量测量模型本身的相关信息。具体地，业务信息包括模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数。其中，模型精度是基于使用模型的用户上传的反馈数据确定的，反馈数据包括预测值和实际值。需要说明的是，上述业务信息仅仅作为示例，实际应用中，对业务信息可以是多种多样的，具体可根据实际的业务需求预先设置想要获取的业务信息所对应的字段名称，将其封装在请求内，使得请求携带业务信息所对应的字段名称。
45.步骤103、根据所述烟气含氧量测量模型和所述燃气内燃机的运行数据，预测所述燃气内燃机的烟气含氧量。
46.具体地，将燃气内燃机的运行数据代入烟气含氧量测量模型中，预测燃气内燃机的烟气含氧量。应当理解的，得到的烟气含氧量测量模型综合考虑了其他燃气内燃机的运行数据，从而具有相对较高的准确性，实现了模型迁移。
47.在一些可行的实现方式中，烟气含氧量测量模型有多个，基于烟气含氧量测量模型的业务信息，对多个烟气含氧量测量模型进行筛选，确定出目标烟气含氧量测量模型，基于目标烟气含氧量测量模型和燃气内燃机的运行数据，预测燃气内燃机的烟气含氧量。应当理解的，业务信息指示了模型的应用情况，基于模型的实际应用情况，确保预测出的燃气内燃机的烟气含氧量的参考价值。
48.作为一种可能的情况，基于烟气含氧量测量模型的业务信息，对多个烟气含氧量测量模型进行自动筛选，确定出目标烟气含氧量测量模型，提高用户体验。具体地，可通过如下方式确定目标烟气含氧量测量模型：
49.获取所述燃气内燃机的模型要求，根据所述模型要求和各个所述烟气含氧量测量模型各自的业务信息，对各个所述烟气含氧量测量模型进行选取，以确定目标烟气含氧量测量模型。
50.模型要求指的是模型应该满足的条件，包括多个模型条件，比如，可以是模型精度要求、模型产生时间要求、模型下载次数要求、模型训练数据量要求等，目标烟气含氧量测量模型是满足模型要求的联合学习模型。在第一个例子中，若仅有一个烟气含氧量测量模型满足模型要求，则将该烟气含氧量测量模型确定为目标烟气含氧量测量模型；在第二个例子中，若有两个或两个以上烟气含氧量测量模型满足模型要求，则将这些烟气含氧量测量模型分别确定为目标烟气含氧量；在第三个例子中，设置模型要求中不同模型条件各自的优先级，针对每个烟气含氧量测量模型，确定烟气含氧量测量模型所满足的模型条件，根据烟气含氧量测量模型所满足的模型条件的优先级，确定烟气含氧量测量模型的得分；然后，将得分最大的烟气含氧量测量模型确定为目标烟气含氧量测量模型。
51.在一些可能的情况中，烟气含氧量测量模型请求携带模型要求。
52.作为另一种可能的情况，显示烟气含氧量测量模型的业务信息与用户进行交互，由用户选择目标烟气含氧量测量模型，确定出目标烟气含氧量测量模型，满足用户需求。具体地，可通过如下方式确定目标烟气含氧量测量模型：
53.显示各个所述烟气含氧量测量模型各自的图标和各个所述烟气含氧量测量模型各自的业务信息，根据获取的外部触发信息，从各个所述烟气含氧量测量模型中，确定目标烟气含氧量测量模型。
54.具体地，燃气内燃机对应的客户端显示所有的烟气含氧量测量模型各自的图标以及各自的业务信息，使得用户了解模型应用情况以及模型自身的情况，然后，用户点击烟气含氧量测量模型进行下载，将下载的烟气含氧量测量模型确定为目标烟气含氧量测量模型，与用户进行交互，确保目标烟气含氧量测量模型的参考价值。
55.外部触发信息指的是用户的操作行为，比如，鼠标点击行为。
56.在上述实施例中，当目标烟气含氧量测量模型有多个时，对各个目标烟气含氧量测量模型各自预测出的燃气内燃机的烟气含氧量进行平均，得到燃气内燃机的烟气含氧量。
57.通过以上技术方案可知，本实施例存在的有益效果是：通过烟气含氧量测量模型请求从模型数据库调用烟气含氧量测量模型请求对应的烟气含氧量测量模型，从而快速确定出烟气含氧量测量模型，无需等待模型训练过程，提高了模型获取的效率；通过烟气含氧量测量模型的业务信息进行模型选择，确保预测出的烟气含氧量的参考价值；根据模型信息库进行模型查询，提高了模型查询的效率。
58.图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
59.如图2所示，为本发明所述燃气内燃机的烟气含氧量测量方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。
60.本实施例所结合的具体场景为：如图5所示，联合学习物联网平台t包括模型数据库、模型信息库，模型数据库中存储多个联合学习模型，模型信息库用户存储多个联合学习模型的相关信息，燃气内燃机1、燃气内燃机2以及燃气内燃机3设置有传感器，传感器采集的燃气内燃机运行数据存储在对应的监测客户端c内，监测客户端c部署在本地运维服务器s上。
61.所述方法具体包括以下步骤：
62.步骤201、获取燃气内燃机的烟气含氧量测量模型请求、模型数据库、所述模型数据库对应的模型信息库。
63.燃气内燃机对应的监测客户端c通过api接口发送燃气内燃机的烟气含氧量测量模型请求。
64.联合学习物联网平台t接收燃气内燃机的烟气含氧量测量模型请求。
65.步骤202、当所述模型信息库中存在烟气含氧量测量模型描述信息时，从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的各个烟气含氧量测量模型以及各个所述烟气含氧量测量模型各自的业务信息。
66.联合学习物联网平台t判断模型信息库中是否存在烟气含氧量测量模型描述信息，比如，模型名称，模型名称的同义词，示例地，燃气内燃机烟气含氧量测量模型，燃气内燃机烟气含氧量监测模型。
67.联合学习物联网平台t从模型数据库中确定出烟气含氧量测量模型请求对应的各个烟气含氧量测量模型，并从模型信息库中确定出各个烟气含氧量测量模型各自的业务信息。
68.步骤203、获取所述燃气内燃机的模型要求，根据所述模型要求和各个所述烟气含氧量测量模型各自的业务信息，对各个所述烟气含氧量测量模型进行选取，以确定目标烟
气含氧量测量模型。
69.联合学习物联网平台t解析烟气含氧量测量模型请求，得到燃气内燃机的模型要求，根据模型要求和各个烟气含氧量测量模型各自的业务信息，对各个烟气含氧量测量模型进行选取，以确定目标烟气含氧量测量模型，将目标烟气含氧量测量模型下发到燃气内燃机对应的监测客户端c。
70.或者，
71.联合学习物联网平台t下发各个烟气含氧量测量模型到燃气内燃机对应的监测客户端c，监测客户端c获取燃气内燃机的模型要求，根据模型要求和各个烟气含氧量测量模型各自的业务信息，对各个烟气含氧量测量模型进行选取，以确定目标烟气含氧量测量模型。
72.这里，得到的目标烟气含氧量测量模型满足模型要求，而具有相对较高的准确性。
73.步骤204、根据所述目标烟气含氧量测量模型和所述燃气内燃机的运行数据，预测所述燃气内燃机的烟气含氧量。
74.监测客户端c将其接收到的燃气内燃机的实时运行数据代入目标烟气含氧量测量模型，预测燃气内燃机的实时烟气含氧量。
75.通过以上技术方案可知，本实施例存在的有益效果是：基于联合学习物联网平台与燃气内燃机的客户端之间的交互，实现模型调用，从而快速实时准确的预测燃气内燃机的烟气含氧量。
76.基于与本发明方法实施例相同的构思，请参考图3，本发明实施例还提供了一种燃气内燃机的烟气含氧量测量装置，包括：
77.获取模块301，用于获取燃气内燃机的烟气含氧量测量模型请求以及模型数据库；
78.选择模块302，用于从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的烟气含氧量测量模型；
79.预测模块303，用于根据所述烟气含氧量测量模型和所述燃气内燃机的运行数据，预测所述燃气内燃机的烟气含氧量。
80.本发明一个实施例中，所述选择模块302，用于从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的各个烟气含氧量测量模型以及各个所述烟气含氧量测量模型各自的业务信息。
81.本发明一个实施例中，所述预测模块303，包括：第一模型确定单元以及预测单元；其中，
82.所述第一模型确定单元，用于根据各个所述烟气含氧量测量模型各自的业务信息，从各个所述烟气含氧量测量模型中，确定目标烟气含氧量测量模型；
83.所述预测单元，用于根据所述目标烟气含氧量测量模型和所述燃气内燃机的运行数据，预测所述燃气内燃机的烟气含氧量。
84.本发明一个实施例中，所述第一模型确定单元，用于获取所述燃气内燃机的模型要求，根据所述模型要求和各个所述烟气含氧量测量模型各自的业务信息，对各个所述烟气含氧量测量模型进行选取，以确定目标烟气含氧量测量模型。
85.本发明一个实施例中，所述第一模型确定单元，用于显示各个所述烟气含氧量测量模型各自的图标和各个所述烟气含氧量测量模型各自的业务信息，根据获取的外部触发
信息，从各个所述烟气含氧量测量模型中，确定目标烟气含氧量测量模型。
86.本发明一个实施例中，所述业务信息包括模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数中的任意一项或多项；
87.所述烟气含氧量测量模型为联合学习模型。
88.本发明一个实施例中，所述获取模块301，包括：需求获取单元以及数据库获取单元；其中，
89.所述需求获取单元，用于获取所述燃气内燃机的业务需求以及各个候选模型数据库各自的业务类型；
90.根据所述燃气内燃机的业务需求、各个所述候选模型数据库以及各个所述候选模型数据库各自的业务类型，确定出模型数据库。
91.本发明一个实施例中，所述选择模块302，包括：信息获取单元、判断单元以及第二模型确定单元；其中，
92.所述信息获取单元，用于获取模型数据库对应的模型信息库；
93.所述判断单元，用于判断所述模型信息库中是否存在烟气含氧量测量模型描述信息；
94.所述第二模型确定单元，用于当所述模型数据库中存在所述烟气含氧量测量模型描述信息时，从所述模型数据库中确定出所述烟气含氧量测量模型请求对应的烟气含氧量测量模型。
95.图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器401以及存储有执行指令的存储器402，可选地还包括内部总线403及网络接口404。其中，存储器402可能包含内存4021，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器4022(non-volatile memory)，例如至少1个磁盘存储器等；处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器401执行存储器402存储的执行指令时，处理器401执行本发明任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
96.在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种燃气内燃机的烟气含氧量测量装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种燃气内燃机的烟气含氧量测量方法。
97.处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门
阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
98.本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备；执行指令是一种燃气内燃机的烟气含氧量测量装置所对应计算机程序。
99.本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
100.本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
101.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
102.以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。