锅炉故障诊断方法、装置、终端设备和存储介质与流程

1.本发明属于人工智能技术领域，尤其涉及一种锅炉故障诊断方法、装置、终端设备和存储介质。


背景技术：

2.在实际运行中，如何快速准确地判断出设备故障原因很重要。一般设备监控系统主要是对设备的运行属性的一些上下限进行数据监控判断设备哪些地方运行故障。这种监测方法对于一些简单设备或系统可以胜任，但对于一些复杂系统，设备本身实际即是一个系统，其各个测点属性都属于一个运行系统，当某种故障发生时，会引起设备不同测点的不同的表现，此时传统的根据设备运行属性上下限方法只能单独判断出设备某一运行属性的问题但是无法找出引起这种变化的深层次原因。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种锅炉故障诊断方法、装置、终端设备和存储介质，以解决传统上下限方法无法准确确定设备故障的问题。
4.本发明的第一方面，提供了一种锅炉故障诊断方法，其包括：通过锅炉的典型故障类型及其对应的监测属性表现确定锅炉的故障集；根据关联规则算法对所述故障集建立故障诊断模型；当检测到锅炉的监测属性值发生异常时，利用所述故障诊断模型来确定锅炉的故障类型。
5.在一些可选方案中，所述通过锅炉的典型故障类型及其对应的监测属性表现确定锅炉的故障集，包括：整理锅炉的监测属性集合；根据专家系统方法或/ 和故障树方法确定锅炉的故障集，所述故障集包括锅炉的典型故障类型和每种所述故障类型的每个监测属性。
6.在一些可选方案中，所述根据关联规则算法对所述故障集建立故障诊断模型，包括：确定所述故障集中每种故障类型的项集，所述项集包括锅炉的每个故障类型及对应的监测属性集合；根据关联规则算法对所述项集设置最小支持度来确定频繁项集；通过设置最小置信度，由所述频繁项集产生关联规则；根据所述关联规则建立故障诊断模型。
7.在一些可选方案中，所述利用所述故障诊断模型来确定锅炉的故障类型，包括：利用所述故障诊断模型遍历全部关联规则，确定故障集中每个故障类型的计算得分；输出计算得分最高的故障类型，作为所述监测属性值的故障诊断结果。
8.本发明的第二方面，提供了一种锅炉故障诊断装置，其包括：故障集合整理模块，用于通过锅炉的典型故障类型及其对应的监测属性表现确定锅炉的故障集；故障模型建立模块，用于根据关联规则算法对所述故障集建立故障诊断模型；故障诊断模块，用于当检测到锅炉的监测属性值发生异常时，利用所述故障诊断模型来确定锅炉的故障类型。
9.在一些可选方案中，所述故障集合整理模块，包括：属性集合整理单元，用于整理锅炉的监测属性集合；故障集合建立单元，用于根据专家系统方法或/ 和故障树方法确定
锅炉的故障集，所述故障集包括锅炉的典型故障类型和每种所述故障类型的每个监测属性。
10.在一些可选方案中，所述故障模型建立模块，包括：项集确定单元，用于确定所述故障集中每种故障类型的项集，所述项集包括锅炉的每个故障类型及对应的监测属性集合；频繁项集确定单元，用于根据关联规则算法对所述项集设置最小支持度来确定频繁项集；关联规则确定单元，用于通过设置最小置信度，由所述频繁项集产生关联规则；模型生成单元，用于根据所述关联规则建立故障诊断模型。
11.在一些可选方案中，所述故障诊断模块，包括：故障模型诊断单元，用于利用所述故障诊断模型遍历全部关联规则，确定故障集中每个故障类型的计算得分；诊断结果输出单元，用于输出计算得分最高的故障类型，作为所述监测属性值的故障诊断结果。
12.本发明的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一方案所述方法的步骤。
13.本发明的第四方面，提供了一种存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一方案所述方法的步骤。
14.本发明实施例与现有技术相比存在的有益效果是：通过上述锅炉故障诊断方法通过整理锅炉的故障集，利用关联规则算法建立对锅炉的故障诊断模型，实现了对锅炉这类复杂系统中同一监测属性异常下存在多个故障原因的准确诊断。
附图说明
15.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它的附图。
16.图1是本发明在实施例一中提供的锅炉故障诊断方法的流程图；
17.图2是本发明在实施例二中提供的锅炉故障诊断方法的流程图；
18.图3是可以应用本发明锅炉故障诊断方法和锅炉故障诊断装置的终端设备的示意图。
具体实施方式
19.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
20.在实际研发过程中，经发明人研究发现：传统设备都是通过监测设备某些属性的上下限来判断设备属性是否运行在正常范围内。但是这种方法只是得到设备故障引起的一种结果表现，并不是设备故障的真正原因。例如，以锅炉的故障诊断来说，当锅炉节能器结垢时会引起锅炉单耗高、节能器出口水温度降低，节能器温差变小，传统的监测方法得到的结果时锅炉单耗变高、节能器出口水温度降低，节能器温差变小这些单一的故障，而不能找
到其根本原因是由于锅炉节能器结垢导致的问题。并且由于环境限制或者是成本限制，设备的各个监测属性数据可能会缺失或者未安装该采集测点。因此，如何根据锅炉的属性监测值来准确诊断出锅炉的故障原因，是当前的一个技术难题。
21.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
22.图1为本发明在实施例一中提供的锅炉故障诊断方法的流程图，如图1所示，所述锅炉故障诊断方法，具体包括下列s01-s03三个步骤。
23.步骤s01，通过锅炉的典型故障类型及其对应的监测属性表现确定锅炉的故障集。
24.其中，监测属性就是对设备的观测属性，例如，锅炉的监测属性可以包括但不限于进口水压力、进水流量、排烟温度、冷凝器排烟温度、节能器排烟温度等。当锅炉发生故障时，必然会引起设备中的一个或多个监测属性发生变化。其中，属性检测的标准可以包括传统的上下限方法。
25.示例性的，在一个示例中，上述步骤s01可以具体包括步骤s11-s12。
26.步骤s11；整理锅炉的监测属性集合。
27.具体的，假设锅炉的监测属性包括进口水压力、进水流量、排烟温度、冷凝器排烟温度、节能器排烟温度等m个属性，则这m个属性就是锅炉的监测属性集合。应当理解，实际中锅炉的监测属性可以包括上述所列全部或部分属性，也可以是还包括上述未列出的其他属性，本技术对此不做限制。
28.步骤s12；根据专家系统方法或/和故障树方法确定锅炉的故障集，所述故障集包括锅炉的典型故障类型和每种所述故障类型的每个监测属性表现。
29.具体的，所述故障集即包括所有的故障原因和故障结果。其中，故障集中的故障类型即故障原因，故障类型的每个监测属性表现即故障结果。
30.在锅炉故障集中，同一故障原因，会有不同的故障检测结果，即会引起锅炉的不同监测属性异常。例如，当检测到锅炉的节能器出口水温度偏低、节能器烟气气温差变小和锅炉单耗高等情况时，其对应的故障原因是节能器发生结垢引起的。
31.在锅炉故障集中，同一故障检测结果，会由不同的故障原因引起的。例如，当检测到软水装置出口压力下降时，其原因可能是引起软水装置软化水质不良和软水装置故障引起的。又例如，当检测到锅炉炉腔烟温异常时，其原因可能是燃烧器燃烧不充分和炉腔热效率下降引起的。
32.步骤s02，根据关联规则算法对所述故障集建立故障诊断模型。
33.具体的，故障集作为数据事务，利用关联规则算法对其建立故障原因和故障结果的关联规则，从而生成故障诊断模型。
34.示例性的，在一个示例中，上述步骤s02中利用关联规则算法建立故障诊断模型的过程包括：
35.步骤s21：确定所述故障集中每种故障类型的项集，所述项集包括锅炉的每个故障类型及对应的监测属性集合。
36.具体的，在故障集中，每一个故障原因和故障结果组成一个项集。其中，同一故障原因，会引起一个或多个的故障结果异常，即监测属性异常，因此在不同的项集中，不同的故障原因之间会存在监测属性的交叉。通过故障树可以非常清楚的将锅炉的故障原因和故障结构逐层表示处理。
37.步骤s22：根据关联规则算法对所述项集设置最小支持度来确定频繁项集。
38.通过设置最小支持度，可以找到频繁项集。在实际中，为了提高找到频繁项集的速度，可以采用apriori算法等来生成频繁项集。
39.步骤s23：通过设置最小置信度，由所述频繁项集产生关联规则。
40.具体的，在确定频繁项集之后，再通过设置最小置信度来从中产生管理规则。通过最小置信度可以对存在监测属性交叉的故障关联规则进行甄别，可以帮助更加准确的找到故障原因。
41.步骤s24：根据所述关联规则建立故障诊断模型。
42.由于关联规则算法本身是现有算法，本技术的不同之处在于处理数据的不同，即本技术采用的是锅炉的故障集数据，所以这里对于关联规则算法不再赘述。
43.步骤s03，当检测到锅炉的监测属性值发生异常时，利用所述故障诊断模型来确定锅炉的故障类型。
44.具体的，将建立完成的故障诊断模型下载至锅炉的控制中心，会对锅炉进行监控的终端上，用于根据锅炉的实时监测属性值进行故障诊断。
45.其中，利用故障诊断模型进行诊断时，是在锅炉的监测属性出现异常之后，再根据异常的检查属性值来诊断故障愿意。因此，在获取到锅炉的监测属性值后，可以利用现有的上下限发来判断该监测属性值是否正常，当检测到锅炉的监测属性值发生异常时，启用故障诊断模型对该异常的监测属性值进行诊断，来得到诊断结果。
46.示例性的，在一个示例中，上述步骤s03中，所述利用所述故障诊断模型来确定锅炉的故障类型，可以具体包括下列步骤s31-s32。
47.s31：利用所述故障诊断模型遍历全部关联规则，确定故障集中每个故障类型的计算得分。
48.具体的，上述故障诊断模块打分的原理为：确定锅炉的各个异常监测属性，然后遍历故障诊断模型中全部关联规则，对故障集中每个故障类型计算得分，当满足某条关联规则，适用故障类型为k，那故障k的得分sk加1。
49.s32：输出计算得分最高的故障类型，作为所述监测属性值的故障诊断结果。
50.紧接上一步骤来说，在进行完得分计算之和，比较所有故障类型的得分sk，得分最高的故障类型即为锅炉的诊断结果。
51.综上所述，通过上述锅炉故障诊断方法通过整理锅炉的故障集，利用关联规则算法建立对锅炉的故障诊断模型，实现了对锅炉这类复杂系统中同一监测属性异常下存在多个故障原因的准确诊断。
52.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
53.再参见图2，为本发明在实施例二中提供的锅炉故障诊断装置的结构图，如图2所示，所述锅炉故障诊断装置200，具体包括：故障集合整理模块210，用于通过锅炉的典型故障类型及其对应的监测属性表现确定锅炉的故障集；故障模型建立模块220，用于根据关联规则算法对所述故障集建立故障诊断模型；故障诊断模块230，用于当检测到锅炉的监测属性值发生异常时，利用所述故障诊断模型来确定锅炉的故障类型。
54.在一些可选示例中，所述故障集合整理模块210，可以具体包括：属性集合整理单元，用于整理锅炉的监测属性集合；故障集合建立单元，用于根据专家系统方法或/和故障树方法确定锅炉的故障集，所述故障集包括锅炉的典型故障类型和每种所述故障类型的每个监测属性。
55.在一些可选示例中，所述故障模型建立模块220，可以具体包括：项集确定单元，用于确定所述故障集中每种故障类型的项集，所述项集包括锅炉的每个故障类型及对应的监测属性集合；频繁项集确定单元，用于根据关联规则算法对所述项集设置最小支持度来确定频繁项集；关联规则确定单元，用于通过设置最小置信度，由所述频繁项集产生关联规则；模型生成单元，用于根据所述关联规则建立故障诊断模型。
56.在一些可选示例中，所述故障诊断模块230，可以具体包括：故障模型诊断单元，用于利用所述故障诊断模型遍历全部关联规则，确定故障集中每个故障类型的计算得分；诊断结果输出单元，用于输出计算得分最高的故障类型，作为所述监测属性值的故障诊断结果。
57.由于本实施例二与上述实施例一属于同一发明构思下的装置实施例，其与实施例一中的方法的步骤是一一对应的，故方案的具体内容可以参见上述实施例一的说明，这里不再赘述。
58.此外，图3为可以应用本发明锅炉故障诊断方法和锅炉故障诊断装置的终端设备的示意图，如图3所示，该终端设备300包括：处理器301、存储器302 以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序303，例如用于实现所述锅炉故障诊断方法的程序。所述处理器301执行所述计算机程序303时实现上述各个锅炉故障诊断方法实施例中的步骤，例如图1所示的步骤s01至s03。或者，所述处理器301执行所述计算机程序303时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至230的功能。
59.示例性的，所述计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述终端设备300 中的执行过程。例如，所述计算机程序303可以被分割成故障集合整理模块210，故障模型建立模块220和故障诊断模块230。
60.所述终端设备300可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
61.所称处理器301可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、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)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
62.所述存储器302可以是所述终端设备300的内部存储单元，例如终端设备 300的硬
盘或内存。所述存储器302也可以是所述终端设备300的外部存储设备，例如所述终端设备300上配备的插接式硬盘，智能存储卡(smart media card, smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器302还可以既包括所述终端设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
63.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
64.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
65.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
66.在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
67.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
68.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
69.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代
码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
70.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。