(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210951036.2 (22)申请日 2022.08.09 (71)申请人 中国大唐集团科 学技术研究总院有 限公司西北电力试验研究院 地址 710000 陕西省西安市经济技 术开发 区凤城七路155号 (72)发明人 李典典　杜胜东　高爱民　 (74)专利代理 机构 成都金英专利代理事务所 (普通合伙) 51218 专利代理师 郭肖凌 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 一种电除尘器 坍塌风险预测的方法和系统 (57)摘要 本发明公开了一种电除尘器坍塌风险预测 的方法和系统， 使用传感器监控电除尘器的各项 风险指标； 对采集的数据进行滤波处理， 过滤掉 电除尘器入口压力波动对设备振幅产生的影响； 构建BP神经网络模型， 作为辨识电除尘器本体坍 塌风险的依据； 计算是否发生位移超限现象， 并 根据结果调整BP 模型触发报警条件的阈值； 利用 BP神经网络模型对电除尘坍塌风险进行预测。 采 用本方法可以减少电除尘器本体的巡检工作量， 节约火力发电中的人力成本， 并且提升电力生产 过程中的安全性和风险可控度， 延长设备的使用 寿命。 权利要求书2页 说明书8页 附图3页 CN 115293431 A 2022.11.04 CN 115293431 A 1.一种电除尘器坍塌风险预测的方法， 其特 征在于， 包括以下步骤： S1， 使用传感器采集数据， 监控电除尘器的风险指标； S2， 对采集的数据进行滤波处理， 过滤掉电除尘器入口压力波动对设备振幅产生的影 响； S3， 构建BP神经网络模型， 作为 辨识电除尘器本体坍塌风险的依据； S4， 判断是否发生 位移超限现象， 并根据判断结果调整BP模型触发报警条件的阈值； S5， 利用构建的BP神经网络模型对电除尘坍塌风险进行 预测。 2.根据权利要求1所述的一种电除尘器坍塌风险预测的方法， 其特征在于， 所述传感器 采集数据， 包括以下步骤： S101， 使用加速度传感器用于测量承重柱偏折角； S102， 使用沉降传感器用于测量电向位移； S103， 使用位移传感器用于测量承重结构位移偏移。 3.根据权利要求1所述的一种电除尘器坍塌风险预测的方法， 其特征在于， 对采集的数 据进行滤波处理， 包括以下步骤： S201， 选择Haar函数作为小波基， 分解层数J层， 对加速度传感器采集到的所有含噪信 号f(t)进行离 散小波变换， 得到一系列的小 波分解系数dj,k： dj， k＝<f(t)， ψj， k(t)> 其中ψj,k(t)是L2(R)的标准正交基， <.>表示内积运算， dj,k记为在j尺度 下位置k处 的小 波系数； S202， 选择合 适的初始阈值， 对其进行处 理， 得到改进阈值： 选取通用阈值(sqtw olog)作为初始阈值， 第J层小 波系数对应的初始阈值Tj为 其中σ ＝median(WHH)/0.6475， WHH是噪声在高频子带的正交小波系数， me dian表示取中 值； 使用相关系数对初始阈值进行改进， 改进阈值Ti： 其中， α 表示权值系数， 介于 0～1之间； S203， 选择合适的阈值函数， 对从S201中得到 的一系列小波系数dj,k进行处理， 得到估 计的小波系数 选取硬阈值 函数作为阈值 函数， 经阈值 函数处理后得到的估计小 波系数 其中， T表示改进阈值； S204， 利用S203的估计小波系数 进行小波重构， 得到去噪后的信号f ′(t)， 信号f ′权　利　要　求　书 1/2 页 2 CN 115293431 A 2(t)表示某一时刻 传感器在仅受电除尘器入口压力影响下输出的倾 斜角与位移。 4.根据权利要求1所述的一种电除尘器坍塌风险预测的方法， 其特征在于， 构建BP神经 网络模型， 包括以下步骤： S301， 初始化神经网络中各参数； S302， 获取重心下移 距离和积灰质量的对应关系， 并输入样本； S303， 激活正向传播， 样本从输入层传入， 经各隐层逐层处理后， 传向输出层， 获得输出 层的输出与实际输出之间的误差值， 转入误差的反向传播； S304， 激活反向传播， 根据损失函数E( θ )， 计算输出单元的误差项和隐藏单元的误差 项， 并更新神经网络中的权值和偏置项等 参数； S305， 输出样本， 判断是否训练成功， 若训练成功则 存储当前权值， 并根据权值预测0～ 2Δm范围内的重心下移距离 △L,输出ΔL与Δm的对应关系曲线， 同时输出Δm到达临界报 警值所需的时间； 若训练失败则判断是否满足结束条件， 不满足则重复步骤S303、 S304、 S305， 直至满足结束条件为止 。 5.根据权利要求1所述的一种电除尘器坍塌风险预测的方法， 其特征在于， 判断是否发 生位移超限现象的步骤为： 计算位移传感器采集到的水平位移S与承重柱长度 d和承重柱倾斜角α 间的关系， 表达 式为 S＞d*tanα 若上述表达式成立， 则判断为 位移超限。 6.根据权利要求1所述的一种电除尘器坍塌风险预测的方法， 其特征在于， 利用BP神经 网络模型对电除尘坍塌风险进行 预测， 包括以下步骤： S501， 检查是否已被判断为位移超限， 如已被判断为位移超限， 则将Δm临界报警值降 为0.8*7‰d； S502， 根据重心下移距离ΔL随Δm变化的曲线， 输出重心下移距离ΔL在 更广范围(0 ‑2 Δm)的对应关系曲线； S503， 根据对应关系曲线结合传感器采集的当前数据， 判断当前工况下的ΔL对应的Δ m值离达到临界报警值的时间长度， 即预测当前工况继续运作直至坍塌危险状态的时间长 度。 7.一种电除尘器坍塌风险预测系统， 其特 征在于， 包括： 传感器， 包括加速度传感器、 位移传感器和沉降传感器， 用于采集电除尘器风险数据， 所述风险数据包括承重柱偏折角度、 垂直方向位移以及承重结构位移偏移： 降噪模块， 用于过 滤电除尘器入口压力波动带来的振幅波动影响； 神经网络模块， 包括BP神经网络， 用于生成风险因素对应曲线， 预测坍塌风险； 智能控制器， 用于计算并将结果通过通信协议传递给DCS系统并上传厂级监控信息系 统(SIS)。 8.根据权利要求7所述的一种电除尘器坍塌风险预测系统， 其特征在于， 智能控制器为 外挂式， 确保DCS系统的安全性与独立 性， 且智能控制器可以在任何时间进行切除。 9.根据权利要求7所述的一种电除尘器坍塌风险预测系统， 其特征在于， 加速度传感器 与位移传感器设置在承重柱 顶端， 沉降传感器设置在灰斗的下 灰口处。权　利　要　求　书 2/2 页 3 CN 115293431 A 3