锅炉设备的切圆故障识别方法、装置、设备及存储介质与流程

本申请涉及锅炉设备技术领域，尤其涉及一种锅炉设备的切圆故障识别方法、装置、设备及存储介质。

背景技术：

相关技术中在识别锅炉设备是否发生切圆故障时，需要通过人工对锅炉设备的大量特征数据进行分类，进而通过复杂的计算逻辑对分类后的特征数据进行计算，获得用于判断锅炉设备产生某一类切圆故障的中间量，最后基于获得的中间量是否满足某一类切圆故障的条件，而判定锅炉设备是否发生某一类切圆故障，而上述过程中获取中间量需要复杂的逻辑计算，处理效率低，进而导致对锅炉设备进行切圆故障识别的效率低。

技术实现要素：

本申请实施例提一种锅炉设备的切圆故障识别方法、装置、设备及存储介质，用于提升对锅炉设备进行切圆故障识别的效率。

本申请第一方面，提供一种锅炉设备的切圆故障识别方法，包括：

获取待处理锅炉设备的目标切圆特征数据，所述目标切圆特征数据用于表征所述待处理锅炉设备中炉膛内的旋转气流的特征；

利用各个历史切圆特征数据和至少两个切圆故障类型中各个所述切圆故障类型的关联度，估计所述目标切圆特征数据和各个所述切圆故障类型的目标关联度；以及

基于所述目标切圆特征数据和各个所述切圆故障类型的所述目标关联度，确定所述待处理锅炉设备的切圆故障识别结果。

在一种可能的实现方式中，所述利用各个历史切圆特征数据和至少两个切圆故障类型中各个所述切圆故障类型的关联度，估计所述目标切圆特征数据和各个所述切圆故障类型的目标关联度；以及基于所述目标切圆特征数据和各个所述切圆故障类型的所述目标关联度，确定所述待处理锅炉设备的切圆故障识别结果，包括：

将所述目标切圆特征数据输入已训练的故障识别模型，以获得所述故障识别模型输出的所述切圆故障识别结果；所述故障识别模型是采用各个所述历史切圆特征数据和各个所述历史切圆特征数据关联的所述切圆故障类型作为训练样本训练得到的；其中，所述故障识别模型中包括至少两个分类器，一个所述分类器用于基于各个所述历史切圆特征数据和一个所述切圆故障类型的关联度，获得所述目标切圆故障特征数据和一个所述切圆故障类型的所述目标关联度，一个所述切圆故障类型与一个所述分类器关联。

在一种可能的实现方式中，所述基于所述目标切圆特征数据和各个所述切圆故障类型的所述目标关联度，确定所述待处理锅炉设备的切圆故障识别结果，包括：

确定出所述目标切圆特征数据和各个所述切圆故障类型的所述目标关联度中的最大值；

基于所述最大值，确定所述待处理锅炉设备的所述切圆故障识别结果。

在一种可能的实现方式中，所述基于所述最大值，确定所述待处理锅炉设备的所述切圆故障识别结果，包括：

若所述最大值大于关联度阈值，则将获得所述最大值的所述分类器关联的所述切圆故障类型，确定为所述待处理锅炉设备的所述切圆识别结果；

若所述最大值不大于所述关联度阈值，则确定所述待处理锅炉设备的所述切圆故障识别结果为未发生切圆故障。

在一种可能的实现方式中，所述切圆故障类型包括如下任意一种或任意组合：

切圆向前偏斜；

切圆向后偏斜；

切圆向左偏斜；

切圆向右偏斜。

在一种可能的实现方式中，所述目标切圆特征数据包括如下至少一种数据：

所述待处理锅炉设备中目标器件关联的温度数据；

所述目标器件关联的压力数据；

所述目标器件关联的热负荷数据；

所述炉膛中气体的氧气含量数据；

所述炉膛中气体的含氮量数据。

本申请第二方面，提供一种锅炉设备的切圆故障识别装置，包括：

特征数据获取单元，用于获取待处理锅炉设备的目标切圆特征数据，所述目标切圆特征数据用于表征所述待处理锅炉设备中炉膛内的旋转气流的特征；

故障识别单元，用于利用各个历史切圆特征数据和至少两个切圆故障类型中各个所述切圆故障类型的关联度，估计所述目标切圆特征数据和各个所述切圆故障类型的目标关联度；以及基于所述目标切圆特征数据和各个所述切圆故障类型的所述目标关联度，确定所述待处理锅炉设备的切圆故障识别结果。

在一种可能的实现方式中，所述故障识别单元具体用于：

将所述目标切圆特征数据输入已训练的故障识别模型，以获得所述故障识别模型输出的所述切圆故障识别结果；所述故障识别模型是采用各个所述历史切圆特征数据和各个所述历史切圆特征数据关联的所述切圆故障类型作为训练样本训练得到的；其中，所述故障识别模型中包括至少两个分类器，一个所述分类器用于基于各个所述历史切圆特征数据和一个所述切圆故障类型的关联度，获得所述目标切圆故障特征数据和一个所述切圆故障类型的所述目标关联度，一个所述切圆故障类型与一个所述分类器关联。

在一种可能的实现方式中，所述故障识别单元具体用于：

确定所述目标切圆特征数据和各个所述切圆故障类型的所述目标关联度中的最大值；

基于所述最大值，确定所述待处理锅炉设备的所述切圆故障识别结果。

在一种可能的实现方式中，所述故障识别单元具体用于：

若所述最大值大于关联度阈值，则将获得所述最大值的所述分类器关联的所述切圆故障类型，确定为所述待处理锅炉设备的所述切圆识别结果；

若所述最大值不大于所述关联度阈值，则确定所述待处理锅炉设备的所述切圆故障识别结果为未发生切圆故障。

在一种可能的实现方式中，所述切圆故障类型包括如下任意一种或任意组合：

切圆向前偏斜；

切圆向后偏斜；

切圆向左偏斜；

切圆向右偏斜。

在一种可能的实现方式中，所述目标切圆特征数据包括如下至少一种数据：

所述待处理锅炉设备中目标器件关联的温度数据；

所述目标器件关联的压力数据；

所述目标器件关联的热负荷数据；

所述炉膛中气体的氧气含量数据；

所述炉膛中气体的含氮量数据。

本申请第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。

本申请第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面所述的方法。

本申请第五方面，提供一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面中提供的方法。

由于本申请实施例采用上述技术方案，至少具有如下技术效果：

本申请实施例中，利用各个历史切圆特征数据和各个切圆故障类型的关联度，估计目标切圆特征数据和各个切圆故障类型的目标关联度，并基于各个目标关联度，确定待处理锅炉设备的切圆故障识别结果，此过程中一方面不需要人为因素干预识别过程，另一方面不需要对目标切圆特征数据进行数据分类，也不需要通过复杂的逻辑计算获得中间量，大大降低了数据处理的复杂度和时间消耗，明显提升了基于目标切圆特征数据对待处理锅炉设备进行切圆故障识别的效率。

本申请实施例的其他特点和优点将在随后的说明书进行阐述，并且，部分地从说明书变得显而易见，或者通过本申请中各个实施例了解。本申请实施例的目的和其他优点可以通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

图1为本申请实施例提供的一种锅炉设备的三角切圆的示例图；

图2为本申请实施例提供的一种锅炉设备的四角切圆的示例图；

图3为本申请实施例提供的一种锅炉设备的六角切圆的示例图；

图4为本申请实施例提供的一种应用场景的示意图；

图5为本申请实施例提供的一种锅炉设备的切圆故障识别方法的过程示意图；

图6为本申请实施例提供的一种故障识别模型的架构示意图；

图7为本申请实施例提供的一种训练故障识别模型的过程的示意图；

图8为本申请实施例提供的另一种训练故障识别模型的过程的示意图；

图9为本申请实施例提供的logistic回归分类模型针对训练样本子集进行切圆故障识别的识别结果的示意图；

图10为本申请实施例提供的一种锅炉设备的切圆故障识别装置的结构示意图；

图11为本申请实施例提供的一种电子设备的结构图。

具体实施方式

为了使本申请的目的、技术方案及有益效果更加清楚明白，以下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，并不是全部的实施例。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，都属于本申请所请求保护的范围。

需要说明的是，本申请的说明书和权利要求书术语“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、产品或设备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单元。

为了便于本领域技术人员更好地理解本申请的技术方案，下面对本申请涉及的关键概念进行说明。

1)锅炉设备中的切圆

为了提升锅炉设备炉膛内燃料的燃烧，一般情况下常用多角切向燃烧的方式使炉膛内的燃料燃烧充分，炉膛内人热负荷分布均衡等；如可以在锅炉设备中炉膛的四壁/墙(前壁、后壁、左壁和右壁)设置多个风喷口，其中风喷口可以但不局限于用于向炉膛内喷射助燃气流(如可以但不局限于包括氧气、二氧化碳、含氮气体等)以及燃料(如可以但不局限于包括煤渣、天然气或其他可燃物等)等；多个风喷口的喷风方向形成的切圆即为本申请实施例中涉及的锅炉设备的切圆。

本申请实施例中的切圆可以但不局限于包括n角切圆(其中n可以但不局限于为不小于3的正整数)，上述n角切圆为设置在炉膛的四壁的n个风喷口的喷风方向形成的切圆；为便于理解，本申请实施例中给出三角切圆(请参见图1的切圆110)、四角切圆(请参见图2的切圆220)或六角切圆(请参见图3中的切圆310)的示例图；以下以四角切圆为本申请涉及的切圆的示例进行说明，四角切圆为四角切向燃烧的方式中，设置在炉膛的前壁、后壁、左壁和右壁四侧的4个风喷口210(如可以但不局限于包括图中示意出的210-1、210-2、210-3和210-4)的喷风方向形成一个切圆220。

本申请实施例中切圆故障指代将n角切圆发生偏斜的现象，本领域的技术人员可根据实际的业务需求设置n的数值，以及基于业务需求灵活地在锅炉设备的炉膛上设置n个风喷口，此处对设置n个风喷口的具体方式不做过多限定；本申请实施例中的切圆故障可以但不局限于n角切圆向炉膛的前壁、后壁、左壁和右壁中的至少一面倾斜的情况；本申请实施例中的切圆故障还可以包括n个风喷口由于喷射助燃气流及燃料的喷射速度等变化，导致风喷口的喷射方向向炉膛的前壁、后壁、左壁和右壁中的至少一面倾斜的情况等。

2)切圆故障和切圆故障类型

本申请切圆故障类型指代切圆故障的类型，如可以但不局限于将n角切圆向炉膛的前壁、后壁、左壁和右壁倾斜的情况划分为不同的切圆故障类型，也可以将风喷口的喷射方向向炉膛的前壁、后壁、左壁和右壁倾斜的情况划分为不同的切圆故障类型，还可以将基于喷射方向或切圆向其它方向(如可以但不局限于包括前壁和右壁的夹角方向、左壁和后壁的夹角方向、左壁和前壁的夹角方向等)偏斜的情况，划分切圆故障类型等，本领域的技术人员可根据实际需求设置切圆故障类型；

此处给出一个具体示例，本申请实施例中可以但不局限于将四角切圆的切圆故障类型划分为切圆向前偏斜、切圆向后偏斜、切圆向左偏斜和切圆向右偏斜；其中：

切圆向前偏斜可以指代n角切圆向炉膛的前壁偏斜的现象，也可以指代n个风喷口中至少一个风喷口的喷射方向向炉膛的前壁偏斜的现象，如可以将切圆向前偏斜设置为四角切圆涉及的风喷口的喷射方向向炉膛的前壁偏斜等；

切圆向后偏斜可以指代n角切圆向炉膛的后壁偏斜的现象，也可以指代n个风喷口中至少一个风喷口的喷射方向向炉膛的后壁偏斜的现象，如可以将切圆向后偏斜设置为四角切圆涉及的风喷口的喷射方向向炉膛的后壁偏斜；

切圆向左偏斜可以指代n角切圆向炉膛的左壁偏斜的现象，也可以指代n个风喷口中至少一个风喷口的喷射方向向炉膛的左后壁偏斜的现象，如可以将切圆向左偏斜设置为四角切圆涉及的风喷口的喷射方向向炉膛的左壁偏斜；

切圆向右偏斜可以指代n角切圆向炉膛的右壁偏斜的现象，也可以指代n个风喷口中至少一个风喷口的喷射方向向炉膛的右后壁偏斜的现象，如可以将切圆向右偏斜设置为四角切圆涉及的风喷口的喷射方向向炉膛的右壁偏斜等。

3)切圆特征数据和目标切圆特征数据

本申请实施例中的切圆特征数据包括表征锅炉设备中炉膛内的旋转气流(可以但不局限于包括上述助燃气体和燃料等)的特征的数据；本申请实施例中的切圆特征数据为直接采集的多个特征数据，如可以但不局限于包括通过各类传感器采集的特征数据等；切圆特征数据可以但不局限于包括与锅炉设备中的末级高温过热器、分隔屏、后屏、炉膛垂直段水冷壁、悬吊管、垂帘管螺旋管水冷壁、燃烧器中至少一个器件关联的数据，本申请实施例中可以在上述每个器件中设置一个或多个对应的传感器，获取上述至少一个器件关联的数据，此部分将在下文中进行详细说明。

本申请中的目标切圆特征数据指代待处理锅炉设备的切圆特征数据，上述待处理锅炉设备即为需要进行切圆故障识别的锅炉设备。

4)故障识别模型

本申请实施例中涉及的故障识别模块可以是分类模型，上述分类模型可以但不局限于包括广义线性(logistic)回归模型、支持向量机模型、回归树模型或神经网络模型，上述神经网络模型可以包括有监督的神经网络模型，如可以但不局限于包括卷积神经网络(convolutionalneuralnetwork，cnn)、循环神经网络(recurrentneuralnetworks，rnn)、深度神经网络(deepneuralnetworks，dnn)；本申请实施例中的图像处理模型也可以包括无监督的神经网络模型，如可以但不局限于包括深度生成模型(deepgenerativemodels)、深度信念网络(deepbeliefneuralnetworks，dbn)、生成式对抗网络(generativeadversarialnetworks)等。

本申请实施例涉及人工智能(artificialintelligence，ai)，基于人工智能中的计算机视觉技术和机器学习(machinelearning，ml)而设计。

人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉技术、自然语言处理技术、以及机器学习或深度学习等几大方向。随着人工智能技术研究和进步，人工智能在多个领域展开研究和应用，例如常见的智能家居、智能客服、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、机器人、智能医疗等，相信随着技术的发展，人工智能将在更多的领域得到应用，并发挥越来越重要的价值。

下面对本申请实施例的设计思想进行简要介绍：

锅炉设备的燃烧情况的识别对调整锅炉设备的燃烧策略极为重要，炉膛中火焰中心的调整是锅炉设备的燃烧调整中一项极其重要的工作，不仅对锅炉设备的燃烧过程的好坏起着决定作用，而且对炉膛各个受热面的安全也有很大影响；如果锅炉设备中的火焰中心偏斜，则将使火焰充满程度大大恶化，造成锅炉设备的左右、前后存在较大的烟温偏差，使水冷壁受热不均匀，有可能破坏正常的水循环，引起管子过热、胀粗或爆管。此外，火焰中心偏斜，必导致炉膛出口左右烟温相差很大，可能导致过热器管局部超温过热；

相关技术中，锅炉设备的切圆故障对锅炉设备的燃烧情况有着极为重要的影响，因此识别锅炉设备的切圆故障尤为重要，但相关技术中在识别锅炉设备是否发生切圆故障时，会首先获得锅炉设备中对切圆产生影响的大量特征数据，这些大量特征数据可以包括通过传感器获得的多个器件的温度、热负荷、含氧量等数据，需要通过人工对锅炉设备的各种特征数据进行分类，进而通过复杂的逻辑公式，对分类后的大量特征数据计算用于判断锅炉设备产生某一类切圆故障的中间量(如可以但不局限于包括末级高温过热器的温度、分隔屏和后屏的焓增、炉膛垂直段水冷壁的温度、悬吊管的温度、垂帘管螺旋管水冷壁的温度、燃烧器的摆角偏差等)，最后基于获得的中间量是否满足某个切圆故障类型的条件，而判定锅炉设备是否发生某一类切圆故障，而上述过程中基于获得的大量特征获取中间量的过程需要复杂的计算，处理效率低，进而导致对锅炉设备进行切圆故障识别的效率低下。

鉴于此，发明人设计了一种锅炉设备的切圆故障识别方法、装置、设备及存储介质，用于提升对锅炉设备进行切圆故障识别的效率；该方法中考虑到在对锅炉设备进行切圆故障识别的过程中，获得用于判定是否发生切圆故障的中间量的计算复杂，获取中间量很大程度上影响了进行切圆故障识别的效率，因此本申请实施例中考虑不再通过中间量去识别锅炉设备是否发生切圆故障，而利用历史切圆特征数据和各个切圆故障类型的关联度，对待处理锅炉设备进行切圆故障识别；具体地，获取待处理锅炉设备的目标切圆特征数据，利用各个历史切圆特征数据和至少两个切圆故障类型中各个上述切圆故障类型的关联度，估计上述目标切圆特征数据和各个上述切圆故障类型的目标关联度，以及基于上述目标切圆特征数据和各个上述切圆故障类型的上述目标关联度，确定上述待处理锅炉设备是否发生切圆故障，以及发生哪一种切圆故障类型的切圆故障。

作为一种实施例，为了进一步提升对锅炉设备进行切圆故障识别的效率，本申请实施例中还可以借助故障识别模型学习历史切圆特征数据和各个上述切圆故障类型的关联度，进而利用学习到的关联度估计上述目标切圆特征数据和各个上述切圆故障类型的目标关联度，并基于上述目标关联度确定待识别锅炉设备的切圆故障识别结果。

为了更清楚地理解本申请的设计思路，以下对本申请实施例中的应用场景进行示例介绍。

请参照图4，表示一种应用场景示例图。该应用场景中包括锅炉设备410和故障识别设备420，锅炉设备410中可以包括至少一个目标器件(如可以但不局限于包括图中示意出的目标器件411-1或411-2等)，各个目标器件上可以安装一个或多个对应的传感器(如可以但不局限于包括图中示意出的传感器412-1、412-2、412-3或412-4等)，传感器或锅炉设备410和故障识别设备420之间有通信网络，可以进行通信。

锅炉设备410可以通过安装在目标器件上的传感器，获得特征数据，传感器可以直接通过通信网络将获得的特征数据发送给故障识别设备420，传感器也可以通过锅炉设备410将获得的特征数据发送给故障识别设备420。

故障识别设备420，将接收的特征数据确定为目标切圆特征数据，并利用各个历史切圆特征数据和至少两个切圆故障类型中各个上述切圆故障类型的关联度，估计上述目标切圆特征数据和各个上述切圆故障类型的目标关联度，以及基于上述目标切圆特征数据和各个上述切圆故障类型的上述目标关联度，确定上述待处理锅炉设备的切圆故障识别结果，其中上述目标切圆特征数据中可以包括多个传感器获得的特征数据。

上述目标切圆特征数据可以包括如下至少一种特征数据：待处理锅炉设备中目标器件关联的温度数据、目标器件关联的压力数据、目标器件关联的热负荷数据、炉膛中气体的氧气含量数据、炉膛中气体的含氮量数据；其中：

上述目标器件可以但不局限于包括待处理锅炉设备中末级高温过热器、分隔屏、后屏、炉膛垂直段水冷壁、悬吊管、垂帘管、螺旋管水冷壁、燃烧器中的至少一个器件；

上述氧气含量数据可以但不局限于为气体中含氧气的量的数据等；上述含氮量数据可以但不局限于表征气体中含nox的量的数据，上述x可以但不局限于为1或2等；上述目标切圆特征数据中的各个特征数据可以由对应的传感器采集获得，上述传感器可以但不局限于包括压力传感器、温度传感器、热负荷传感器、含氧量传感器，nox传感器等，如可以通过压力传感器获取目标器件关联的压力的数据(即可以但不局限于为压力传感器的测点处的压力值)，可以通过热负荷传感器获取目标器件关联的热负荷数据(即可以但不局限于为热负荷传感器的测点处的热负荷的数值)，可以通过温度传感器采集目标器件关联的温度数据(即可以但不局限于为温度传感器的测点处的温度)，可以通过含氧量传感器采集炉膛中气体的氧气含量数据(即可以但不局限于为含氧量传感器的测点处的含氧量)，可以通过nox传感器采集炉膛中气体的含nox的量等。

本申请实施例中的故障识别设备420可以是独立的终端设备，可以是物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是云服务技术中提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的多个云服务器(如可以但不局限于包括图中示意出的服务器420-1、服务器420-2或服务器420-3)；上述故障识别设备420的功能可以由一个或多个云服务器实现，还可以由一个或多个云服务器集群实现等。

上述终端设备可以是移动终端、固定终端或便携式终端，例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统(pcs)设备、个人导航设备、个人数字助理(pda)、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合，包括这些设备的配件和外设或者其任意组合。

基于图4的应用场景，下面对本申请实施例中涉及的一种锅炉设备的切圆故障识别方法进行示例说明；请参照图5，表示本申请实施例设计的一种锅炉设备的切圆故障识别方法的示意图，具体包括如下步骤：

步骤s501，获取待处理锅炉设备的目标切圆特征数据，上述目标切圆特征数据用于表征上述待处理锅炉设备中炉膛内的旋转气流的特征。

作为一种实施例，锅炉设备是否发生切圆故障，以及发生何种切圆故障类型与锅炉设备中目标器件关联的温度、压力、热负荷、气体含氧量、气体含氮量等密切相关，因此本申请实施例中的目标切圆特征数据可以但不局限于包括如下至少一种特征数据：

特征数据a1：目标器件关联的温度数据。

本申请实施例中，上述温度数据可以包括与末级高温过热器关联的温度信息，如可以包括设置在末级高温过热器的左侧和右侧上多个测点的温度传感器采集的温度值等；上述温度数据也可以包括与炉膛、悬吊管、垂帘管等目标器件关联的温度数据，如包括设置在炉膛垂直段水冷壁上的温度传感器采集的温度值、设置在悬吊管的左侧和右侧的温度传感器采集的温度值、设置在垂帘管水冷壁上温度传感器采集的温度值等。

特征数据a2：目标器件关联的压力数据。

本申请实施例中，上述压力数据可以包括末级高温过热器、分隔屏、后屏、燃烧器等至少一个器件关联的压力信息，如可以但不局限于包括设置在分隔屏、后屏或燃烧器上的多个测点的压力传感器采集的压力值等。

特征数据a3：目标器件关联的热负荷数据。

本申请实施例中，上述压力数据可以但不局限于包括燃烧器、分隔屏、后屏、炉膛等至少一个器件关联的热负荷信息，如可以但不局限于包括设置在炉膛或分隔屏上多个测点的热负荷传感器采集的热负荷值等。

特征数据a4：炉膛中气体的氧气含量数据。

本申请实施例中，上述氧气含量数据可以但不局限于包括炉膛内的气体中氧气的含量信息，也可以包括炉膛内的气体中一氧化碳或二氧化碳的含量信息等；上述氧气含量数据可以包括设置在炉膛内壁中多个测点处的氧量传感器采集的数据等。

特征数据a5：炉膛中气体的含氮量数据。

本申请实施例中，上述氧气含量数据可以但不局限于包括炉膛内的气体中包含氮成分的气体(如可以但不局限于包括nox气体等)的含量信息，如可以包括炉膛内的气体中一氧化氮或二氧化氮的含量信息等，含氮量数据可以包括设置在炉膛内壁中多个测点处的nox传感器采集的数据等。

应当说明的是，上述目标切圆特征数据中的特征数据a1至特征数据a5仅为示例性说明，本领域的技术人员可根据实际需求采集更多与识别待处理锅炉设备是否发生切圆故障的特征数据，作为上述目标切圆特征数据。

步骤s502，利用各个历史切圆特征数据和至少两个切圆故障类型中各个上述切圆故障类型的关联度，估计上述目标切圆特征数据和各个上述切圆故障类型的目标关联度；以及基于上述目标切圆特征数据和各个上述切圆故障类型的上述目标关联度，确定上述待处理锅炉设备的切圆故障识别结果。

作为一种实施例，为了进一步提升确定切圆故障识别结果的效率，本申请实施例中利用故障识别模型学习历史切圆特征数据和各个上述切圆故障类型之间的关联度，获得训练后的故障识别模型，进而通过训练后的故障识别模型对锅炉设备进行切圆故障识别；具体地，可以将上述目标切圆特征数据输入已训练的故障识别模型，获得上述故障识别模型输出的切圆故障识别结果；其中上述故障识别模型是采用各个历史切圆特征数据和各个上述历史切圆特征数据关联的切圆故障类型作为训练样本训练得到的。

作为一种实施例，上述故障识别模型中可以包括至少两个分类器，其中上述分类器和切圆故障类型一一关联，一个上述分类器用于基于各个上述历史切圆特征数据和一个上述切圆故障类型的关联度，获得上述目标切圆故障特征数据和一个上述切圆故障类型的目标关联度，一个上述切圆故障类型与一个上述分类器关联，其中上述分类器可以但不局限于是logistic回归分类模型。

请参见图6，此处给出一种上述故障识别模型的架构示意图，该故障识别模型中可以但不局限于包括输入层601，分类层602、关联度处理层603以及输出层604；其中：上述输入层601可以用于将待处理锅炉设备的目标切圆特征数据输入；分类层602中包括至少两个上述分类器(如可以但不局限于包括图中示意出的与切圆故障类型1关联的分类器602-1、与切圆故障类型2关联的分类器602-2和与切圆故障类型3关联的分类器602-3)，每个分类器用于获取目标切圆特征数据和该分类器关联的切圆故障类型的目标关联度；关联度处理层603用于基于上述目标切圆特征数据和各个切圆故障类型的目标关联度，确定上述待处理锅炉设备的切圆故障识别结果；输出层604用于输出确定的切圆故障识别结果。

作为一种实施例，在基于上述目标切圆特征数据和各个上述切圆故障类型的上述目标关联度，确定上述待处理锅炉设备的切圆故障识别结果，可以但不局限于确定出上述目标切圆特征数据和各个上述切圆故障类型的上述目标关联度中的最大值，基于上述最大值，确定上述待处理锅炉设备的上述切圆故障识别结果。

更进一步地，为了提升确定的切圆故障识别结果的准确度，本申请实施例中可以基于上述最大值、关联度阈值、获得上述最大值的分类器关联的切圆故障类型，确定最终的切圆故障识别结果；具体地，若上述最大值大于关联度阈值，则将获得上述最大值的上述分类器关联的上述切圆故障类型，确定为上述待处理锅炉设备的上述切圆识别结果；若上述最大值不大于上述关联度阈值，则确定上述待处理锅炉设备的上述切圆故障识别结果为未发生切圆故障。

对上述关联度阈值不做限定，本领域的技术人员可根据实际需求设置，如可以将其设置为目标关联度的最大取值和最小取值的均值，或将关联度阈值设置为目标关联度的最大取值和最小取值的和的0.6或0.65倍等，如目标关联度的最大取值为1，最小取值为0时，可以但不局限于将关联度阈值设置为0.5、0.6或0.65等；对上述最大取值和最小取值不做过多限定，本领域的技术人员可根据实际需求设置上述最大取值和最小取值。

以下对上述故障识别模型的训练过程进行详细的说明。

请参见图7，本申请实施例提供一种训练故障识别模型的过程，该过程具体可以但不局限于包括如下步骤：

步骤s701，获取待训练的故障识别模型。

上述待训练的故障识别模型中可以包括至少两个上述分类器，其中，上述分类器和上述切圆故障类型一一关联，一个上述分类器用于学习各个上述历史切圆特征数据和一个上述切圆故障类型的关联度，且上述分类器可以但不局限于是上述logistic回归分类模型。

作为一种实施例，上述待训练的故障识别模型可以是初始创建的故障识别模型，也可以是历史训练得到的故障识别模型。

步骤s702，提取训练样本集中各个历史切圆特征数据以及各个上述历史切圆特征数据关联的切圆故障类型。

本申请实施例中训练样本集中可以包括多个训练样本，一个训练样本中包含一个历史切圆特征数据，以及该历史切圆特征数据关联的切圆故障类型；其中历史切圆特征数据关联的切圆故障类型可以是专业人员基于历史切圆特征数据，通过复杂的逻辑计算判定出的切圆故障类型。

在本步骤中，可以将训练样本中历史切圆特征数据关联的切圆故障类型，转化为该历史切圆特征数据关联的切圆故障类型对应的故障类型标签，进而本申请实施例中还可以将不同切圆故障类型转换为不同的故障类型标签，以便于对应的分类器通过学习各个上述历史切圆特征数据和各个上述故障类型标签的关联度的方式，学习各个上述历史切圆特征数据和各个上述切圆故障类型的关联度。

步骤s703，将各个上述历史切圆特征数据输入待训练的故障识别模型，获得待训练的故障识别模型输出的各个上述历史切圆特征数据对应的预测切圆故障类型。

具体地，待训练的故障识别模型接收各个上述历史切圆特征数据后，会通过待训练的故障识别模型中各个分类器，获得各个上述历史切圆特征数据和各个分类器关联的切圆故障特征的目标关联度，进而基于获得的目标关联度，确定各个历史切圆特征数据对应的预测切圆故障类型。

步骤s704，根据训练样本集中各个上述历史切圆特征数据对应的预测切圆故障类型的准确度，对待训练的故障识别模型进行参数调整，得到上述已训练的故障识别模型。

具体地，本步骤中可以但不局限于朝着提升上述准确度的方向，调整待训练的故障识别模型中各分类器的参数；其中，本申请实施例中可以但不局限于基于各个上述历史切圆特征数据对应的预测切圆故障类型和各个上述历史切圆特征数据关联的切圆故障类型是否一致的结果，确定训练样本集中各个上述历史切圆特征数据对应的预测切圆故障类型的准确度；其中对获取上述准确度的具体方式不做过多限定，如可以但不局限于通过交叉矩阵精度p获得上述准确度等。

应当说明的是，上述步骤s701至s704为训练故障识别模型的示意性的实施例，本领域的技术人员也可以基于其他方式训练上述故障识别模型。

作为一种实施例，为了提升训练故障识别模型的准确度和效率，本申请实施中在上述步骤s702之前，还可以通过上采样技术，均衡训练样本集中与不同的切圆故障类型关联的训练样本的数量，以便提升训练故障识别模型的效率和准确度。

作为一种实施例，为了进一步提升训练得到的故障识别模型的准确度，本申请实施中在上述步骤s702之前，可以删除训练样本集中的异常训练样本，还可以删除训练样本集中的重复训练样本；上述异常训练样本可以但不局限于包括异常切圆特征数据的训练样本，上述异常训练样本还可以包括缺少历史切圆特征数据关联的切圆故障类型的训练样本，上述异常切圆特征数据可以但不局限于为包含空值数据、数据缺少或数据格式错误等的历史切圆特征数据；上述删除的重复训练样本可以为内容一样的多个训练样本中除目标训练样本之外的训练样本，该目标训练样本为上述多个训练样本中的一个训练样本。

作为一种实施例，上述故障识别模型可以部署于上述故障识别设备420上进行训练，也可以将故障识别模型部署于独立的终端设备进行训练，还可以将故障识别模型部署于独立的或物理服务器上进行训练，物理服务器中可获取用于训练故障识别模型的各个上述历史切圆故障特征数据和与各个上述历史切圆故障特征数据关联的故障特征类型，还可以将上述故障识别模型部署在多个物理服务器构成的服务器集群或者分布式系统中进行训练，还可以将上述故障识别模型部署于云服务技术中提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的多个云服务器中进行训练。

作为一种实施例，在基于本申请实施例中的训练方法训练得到故障识别模型之后，可直接将训练好的故障识别模型部署在上述故障识别设备420上，也可以将训练好的故障识别模型部署在除上述故障识别设备420之外独立的终端设备或独立的服务器，或服务器集群中。

以下提供一个锅炉设备的切圆故障识别方法的具体示例。

该示例中切圆故障类型包括切圆向前偏斜、切圆向后偏斜和切圆向左偏斜3个类型的切圆故障；该示例中目标切圆特征数据包括设置在锅炉设备中多个目标器件上的多个传感器采集的特征数据，如可以在多个目标器件的k个测点处设置k个传感器，将这k个传感器采集的特征数据确定为待处理锅炉设备的目标切圆特征数据。

其中对上述k的具体数值不做限定，如可以将其设置为100～500中的整数，如可以将k设置为146、150、180、199等；上述k个传感器可以包括温度传感器、压力传感器、热负荷传感器、氧量传感器nox传感器等中的多个传感器。

本示例中采用logistic回归分类模型作为上述故障识别模型，来处理二分类问题，本示例中将针对锅炉设备识别不同的切圆故障类型的多分类问题，分解成多个二分类问题进行处理；

上述logistic回归分类模型中构造3个logistic回归分类子模型，每个logistic回归分类模型与上述切圆向前偏斜、切圆向后偏斜和切圆向左偏斜中的一个切圆故障类型关联，如第一个模型用来基于切圆特征数据，识别锅炉设备发生切圆向前偏斜的切圆故障类型的概率，第二个模型用来基于切圆特征数据，识别锅炉设备发生切圆向后偏斜的切圆故障类型的概率，第三个模型用来基于切圆特征数据，识别锅炉设备发生切圆向左偏斜的切圆故障类型的概率；若有多个模型都得出了积极(positive)结果(即输出概率大于概率阈值)，因为logistic回归分类模型是一个回归模型，它直接预测的输出不仅是一个标签，还包括该标签正确的概率，因此本示例中可以对比几个positive结果的概率，将输出最高概率的模型关联的切圆故障类型，确定为针对锅炉设备识别出的切圆故障类型。

同时，本示例中基于某电厂获取的历史监测数据和客观的切圆偏斜故障和对应的切圆故障类型的历史记录，作为训练样本，采用本申请实施例提供的技术手段对logistic回归多分类模型进行训练，并基于测试样本集评价logistic回归多分类模型进行切圆故障识别的准确度。

请参见图8，训练故障识别模型的过程具体包括如下步骤：

步骤s801，通过传感器采集历史切圆特征数据，构建基础样本集。

具体地，本步骤中可以获取某电厂锅炉设备在运行过程中的历史切圆特征数据，采集的历史切圆特征数据可以但不局限于包括设置在炉膛及目标器件上多个测点处的传感器采集特征数据，构建基础样本集xi→y；

其中xi为锅炉设备的历史切圆特征数据，xi可以但不局限于包括设置在末级高温过热器、分隔屏、后屏、悬吊管、垂帘管壁温、螺旋段水冷壁和主燃烧器等目标器件上的传感器采集的特征数据，本示例中历史切圆特征数据xi中可以包括152个测点处的传感器采集的特征数据；y为基于历史切圆特征数据判定的切圆故障类型的故障类型标签，本示例中可以将故障类型标签设置为0、1、2、3，其中故障类型标签为0则代表锅炉设备未发生切圆故障，故障类型标签为1则代表锅炉设备发生切圆向前偏斜的切圆故障，故障类型标签为2则代表锅炉设备发生切圆向后偏斜的切圆故障，故障类型标签为3则代表锅炉设备发生切圆向左偏斜的切圆故障；即共计每个xi中包含152个特征数据，基础样本集中包含11970个样本数据。

步骤s802，删除基础样本集中的异常训练样本。

其中异常训练样本相关的内容可参见上述描述，此处不再重复叙述。

步骤s803，根据故障类型标签，通过上采样的方式均衡基础样本集中的训练样本。

其中上述故障类型标签用于表征切圆故障类型的，本步骤中可以根据基础样本集中各训练样本中的故障类型标签，通过上采样的方式均衡基础样本集中的训练样本；训练样本中故障类型标签列代表的切圆故障类型的比例有差别，本示例中可以采用上采样，使故障类型标签列代表不同的切圆故障类型的训练样本的数量均衡，进行处理后基础样本集中训练样本的总数量为44464个，代表不同切圆故障类型的故障类型标签的比例趋于均衡。

步骤s804，将基础样本集划分为训练样本集和测试样本集。

具体地，可以将基础样本集中一部分训练样本作为训练样本集，将基础样本集中除训练样本集之外的训练样本作为测试样本集；如可以但不局限于通过scikit-learn(又称为sklearn)模块的logisticregression算法，随机从基础样本集中选取80％的训练样本作为训练样本集，将剩余的20％的训练样本作为测试样本集。

步骤s805，利用训练样本集，对logistic回归分类模型进行训练。

本步骤中可以但不局限于基于准确度，对logistic回归多分类模型的模型参数进行调整，使logistic回归多分类模型进行切圆故障识别的准确度达到最优，其中，对logistic回归分类模型进行训练的过程可参见上述内容，此处不再重复叙述。

作为一种实施例，在步骤s805之后，可以通过步骤s806，利用测试样本集验证整logistic回归多分类模型进行切圆故障识别的准确度。

步骤s806，利用测试样本集，获得logistic回归分类模型针对训练样本子集进行切圆故障识别的准确度。

步骤s807，确定获得的准确度是否大于准确度阈值，若大于则进入步骤s808，若不大于，则进入步骤s809。

步骤s808，将当前的logistic回归分类模型，输出为训练后的故障识别模型。

步骤s809，对当前的logistic回归分类模型进一步进行参数调整，并进入步骤s804。

为便于理解，本示例中给出一种利用测试样本集，通过交叉矩阵的计算，获得的logistic回归分类模型针对训练样本子集进行切圆故障识别的识别结果如图9所示，图中2.1e+03表示(2.1×10³)，1.3e+02表示(1.3×10²)，2.2e+03表示(2.2×10³)；同时可知图中对角线数据为logistic回归分类模型进行切圆故障识别正确的训练样本的数目，其他数据为logistic回归分类模型进行切圆故障识别错误的训练样本的数目；

上述图9中的识别结果反映到logistic回归分类模型识别每个切圆故障类型的准确率，可以参见表1所示：

表1：logistic回归分类模型识别每个切圆故障类型的结果和准确率

从上述表1中的数据可以计算得到logistic回归多分类模型综合准确率为：(93.09％+100％+100％+96.91％)/4，即logistic回归多分类模型对锅炉设备进行切圆故障识别的综合准确率97.48％，识别的准确度和效率都很好。

本申请实施例中，在对锅炉设备进行切圆故障识别的过程中，不需要人为因素干预识别过程，需要对目标切圆特征数据进行数据分类，也不需要通过复杂的逻辑计算获得中间量，大大降低了数据处理的复杂度和时间消耗，明显提升了对待处理锅炉设备进行切圆故障识别的效率；且由上述表1的数据可知，本申请实施例中提供的锅炉设备的切圆故障识别方法，识别切圆故障的准确度高。

请参照图10，基于同一发明构思，本申请实施例提供一种锅炉设备的切圆故障识别装置1000，包括：

特征数据获取单元1001，用于获取待处理锅炉设备的目标切圆特征数据，上述目标切圆特征数据用于表征上述待处理锅炉设备中炉膛内的旋转气流的特征；

故障识别单元1002，用于利用各个历史切圆特征数据和至少两个切圆故障类型中各个上述切圆故障类型的关联度，估计上述目标切圆特征数据和各个上述切圆故障类型的目标关联度；以及基于上述目标切圆特征数据和各个上述切圆故障类型的上述目标关联度，确定上述待处理锅炉设备的切圆故障识别结果。

作为一种实施例，故障识别单元1002具体用于：

将上述目标切圆特征数据输入已训练的故障识别模型，以获得上述故障识别模型输出的上述切圆故障识别结果；上述故障识别模型是采用各个上述历史切圆特征数据和各个上述历史切圆特征数据关联的上述切圆故障类型作为训练样本训练得到的；其中，上述故障识别模型中包括至少两个分类器，一个上述分类器用于基于各个上述历史切圆特征数据和一个上述切圆故障类型的关联度，获得上述目标切圆故障特征数据和一个上述切圆故障类型的上述目标关联度，一个上述切圆故障类型与一个上述分类器关联。

作为一种实施例，故障识别单元1002具体用于：

确定上述目标切圆特征数据和各个上述切圆故障类型的上述目标关联度中的最大值；

基于上述最大值，确定上述待处理锅炉设备的上述切圆故障识别结果。

作为一种实施例，故障识别单元1002具体用于：

若上述最大值大于关联度阈值，则将获得上述最大值的上述分类器关联的上述切圆故障类型，确定为上述待处理锅炉设备的上述切圆识别结果；

若上述最大值不大于上述关联度阈值，则确定上述待处理锅炉设备的上述切圆故障识别结果为未发生切圆故障。

作为一种实施例，上述切圆故障类型包括如下任意一种或任意组合：

切圆向前偏斜；

切圆向后偏斜；

切圆向左偏斜；

切圆向右偏斜。

作为一种实施例，上述目标切圆特征数据包括如下至少一种数据：

上述待处理锅炉设备中目标器件关联的温度数据；

上述目标器件关联的压力数据；

上述目标器件关联的热负荷数据；

上述炉膛中气体的氧气含量数据；

上述炉膛中气体的含氮量数据。

作为一种实施例，图10中的装置可以用于实现前文论述的任意一种锅炉设备的切圆故障识别方法。

为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。

在介绍了本申请示例性实施方式的内容推荐控制方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的电子设备。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

与上述方法实施例基于同一发明构思，本申请实施例中还提供了一种电子设备，该电子设备可以用于图像处理；在一种实施例中，该电子设备可以是上述故障识别设备420；在该实施例中，电子设备的结构可以如图11所示，包括存储器1101，通讯模块1103以及一个或多个处理器1102。

存储器1101，用于存储处理器1102执行的计算机程序。存储器1101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。

存储器1101可以是易失性存储器(volatilememory)，例如随机存取存储器(random-accessmemory，ram)；存储器1101也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flashmemory)，硬盘(harddiskdrive，hdd)或固态硬盘(solid-statedrive，ssd)；或者存储器1101是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1101可以是上述存储器的组合。

处理器1102，可以包括一个或多个中央处理单元(centralprocessingunit，cpu)或者为数字处理单元等等。处理器1102，用于调用存储器1101中存储的计算机程序时实现上述锅炉设备的切圆故障识别方法。

通讯模块1103用于与终端设备和其他服务器进行通信。

本申请实施例中不限定上述存储器1101、通讯模块1103和处理器1102之间的具体连接介质。本公开实施例在图11中以存储器1101和处理器1102之间通过总线1104连接，总线1104在图11中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1104可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器1101中存储有计算机存储介质，计算机存储介质中存储有计算机可执行指令，计算机可执行指令用于实现本申请实施例的锅炉设备的切圆故障识别方法。处理器1102用于执行上述锅炉设备的切圆故障识别方法。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本申请的实施方式的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在计算装置上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。或者，本申请实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请实施例各个实施例上述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和更改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和更改。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精神和范围。这样，倘若本申请的这些更改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。