一种确定锅炉的减薄值的方法、装置以及存储介质制造方法及图纸

本申请公开了一种确定锅炉的减薄值的方法、装置以及存储介质。该方法包括：获取锅炉各部位的检修数据，其中检修数据是按照时间顺序获取的检修数据；以及利用预先训练的三维卷积神经网络模型，根据锅炉各部位的检修数据，对锅炉各部位的减薄数据进行预测。本发明专利技术无需分析管壁腐蚀因素，而是按照时间顺序获取锅炉各部位的检修数据，并利用预先训练的三维卷积神经网络模型，根据锅炉各部位的检修数据，通过人工智能分析的方式对锅炉各部位的减薄数据进行预测。从而有效提高了锅炉减薄预测的准确性。进而解决了现有技术中存在通过分析管壁腐蚀因素，结合数学物理方法建立模型来对锅炉减薄进行预测的方法的准确性低的技术问题。薄进行预测的方法的准确性低的技术问题。薄进行预测的方法的准确性低的技术问题。

【技术实现步骤摘要】
一种确定锅炉的减薄值的方法、装置以及存储介质


[0001]本申请涉及人工智能
，特别是涉及一种确定锅炉的减薄值的方法、装置以及存储介质。

技术介绍

[0002]电力生产企业作为一个技术密集型生产单位，事故类型多种多样。有数据显示我国火力发电厂各种事故中，锅炉事故约占发电厂总事故的70％以上，而过热器、再热器、省煤器、水冷壁四类管(简称“四管”)泄漏与爆破事故时有发生，在众多事故中出现最多，约占锅炉总事故的70％以上，成为困扰火力发电厂安全生产的一大难题。
[0003]长期以来，针对锅炉“四管”事故的研究主要集中于事故发生之后的爆管泄漏的原因分析，总结“爆管”经验指导之后的工业生产从而延长“四管”的使用寿命。针对各管减薄腐蚀程度，提出温度及一些灰烟是导致管壁腐蚀减薄的主要原因。但是，现有的锅炉减薄预测方法大多数通过分析管壁腐蚀因素，结合数学物理方法建立模型来预测管壁厚度的减薄程度，准确性低。
[0004]针对上述的现有技术中存在的通过分析管壁腐蚀因素，结合数学物理方法建立模型来对锅炉减薄进行预测的方法的准确性低的技术问题，目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定锅炉的减薄值的方法，其特征在于，包括：获取锅炉预设位置的检修数据，其中所述检修数据为按照时间顺序在所述预设位置检测的不同类型的检修数据；以及利用预先训练的三维卷积神经网络模型，根据所述检修数据，确定所述预设位置的减薄值。2.根据权利要求1所述的方法，其特征在于，利用预先训练的三维卷积神经网络模型，根据所述检修数据，确定所述预设位置处的减薄值的操作，包括：根据每个时间点在所述预设位置检测的检修数据生成相应的检修数据向量；按照时间顺序将与各个时间点对应的检修数据向量进行排列，生成与所述预设位置对应的检修数据向量序列；以及将所述检修数据向量序列输入所述三维卷积神经网络模型，并将所述三维卷积神经网络的全连接层的输出值作为所述预设位置的减薄值。3.根据权利要求1所述的方法，其特征在于，还包括通过以下操作训练所述三维卷积神经网络模型：获取锅炉各部位的历史检修数据；根据所述历史检修数据，生成用于对所述三维卷积神经网络模型进行训练的训练数据集和测试数据集；以及利用所述训练数据集和所述测试数据集对所述三维卷积神经网络模型进行训练。4.根据权利要求3所述的方法，其特征在于，根据所述历史检修数据，生成用于对所述三维卷积神经网络模型进行训练的训练数据集和测试数据集的操作，包括：对所述历史检修数据进行预处理，其中所述预处理包括异常值检测和缺失值处理；以及对所述预处理后的数据进行归一化处理，生成所述训练数据集和所述测试数据集。5.根据权利要求4所述的方法，其特征在于，利用所述训练数据集和所述测试数据集对所述三维卷积神经网络模型进行训练的操作，包括：分别将所述训练数据集和所述测试数据集通过所述三维卷积神经网络模型计算得到输出结果，比较所述训练数据集和所述测试数据集的所述输出结果的均方误差；以及根据所述均方误差的情况对所...

【专利技术属性】
技术研发人员：尹慧敏，
申请(专利权)人：神华国能宁夏煤电有限公司，
类型：发明
国别省市：