一种确定锅炉的减薄值的方法、装置以及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113761785A(43)申请公布日2021.12.07(21)申请号202110655053.7(22)申请日2021.06.11(71)申请人神华国能宁夏煤电有限公司地址751400宁夏回族自治区银川市灵武市宁东镇回民巷(72)发明人尹慧敏(74)专利代理机构北京万思博知识产权代理有限公司11694代理人刘冀(51)Int.Cl.G06F30/27(2020.01)G06N3/04(2006.01)G06N3/08(2006.01)G06F111/10(2020.01)G06F119/08(2020.01)权利要求书2页说明书10页附图5页(54)发明名称一种确定锅炉的减薄值的方法、装置以及存储介质(57)摘要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。CN113761785ACN113761785A权利要求书1/2页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述三维卷积神经网络模型中的权矩阵进行调整。6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至5中任意一项所述的方法。7.一种确定锅炉的减薄值的装置，其特征在于，包括：获取模块，用于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；以及预测模块，用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，确定所述预设位置的减薄值。8.根据权利要求7所述的装置，其特征在于，预测模块包括：检修数据向量生成子模块，用于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；检修数据向量序列生成子模块，用于按照时间顺序将与各个时间点对应的检修数据向2CN113761785A权利要求书2/2页量进行排列，生成与所述预设位置对应的检修数据向量序列；以及减薄值预测子模块，用于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。9.根据权利要求7所述的装置，其特征在于，通过以下子模块训练所述三维卷积神经网络模型：获取子模块：用于获取锅炉各部位的历史检修数据；生成子模块：用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