一种锅炉烟气含氧量测量方法和装置制造方法及图纸

本发明专利技术公开了一种锅炉烟气含氧量测量方法、装置、可读存储介质及计算锅炉，包括：获取非共享的源设备的数据信息和目标设备的特征数据；利用所述非共享的源设备的特征数据和目标设备的特征数据，确定目标设备标签数据和源设备标签数据；基于所述目标设备标签数据和源设备标签数据训练分类器，计算源设备的特征数据的权重；根据源设备的特征数据的权重，得到烟气含氧量预测软测量模型；根据所述烟气含氧量预测软测量模型，预测所述目标设备的烟气含氧量。本发明专利技术使用基于联合学习的分类模型，计算运行数据集中每条数据的权重，确保锅炉烟气含氧量软测量中源锅炉和目标锅炉之间信息共享时，各方数据不出本地，以保证各方数据的隐私性。私性。私性。

【技术实现步骤摘要】
一种锅炉烟气含氧量测量方法和装置


[0001]本专利技术涉及物联网
，特别涉及一种锅炉烟气含氧量测量方法、装置、可读存储介质及计算锅炉。

技术介绍

[0002]软测量是工业设备监测过程中，利用软件技术代替传感器进行测量的一种技术方案，使用传感器测量一些测点的变量，通过算法和变量的关联来推断或者估计其它测点的变量。软测量能够有效降低硬件成本，提高测控的鲁棒性等。锅炉烟气含氧量的软测量使用燃气锅炉设备运行的历史数据，包括燃气流量，燃气温度，空气温度，排烟温度，烟气流量等，通过机器学习的方法建立测点与烟气含氧量之间的关系，从而预测烟气含氧量。
[0003]通常需要联合至少两台锅炉的运行数据建模(由于目标锅炉没有标注数据，也就是烟气含氧量数据)，在联合数据建模过程中，会遇到以下问题：
[0004]1.联合学习过程中，两台锅炉设备均各自的数据隐私保护需求，不能暴露自身数据；
[0005]2.不同设备的运行数据分布有所不同，即使是相同型号的锅炉设备，由于工况，维护情况不同，其产生的数据分布会有一定的关联，但也不完全相同。
[0006]已有的技术方案通过直接共享源锅炉(也就是源锅炉)数据和目标锅炉(也就是待测量锅炉)数据，建模解决软测量的问题，但是对不同设备之间，由于模型训练和使用建立在共享数据的基础上，会导致各数据持有方的数据隐私泄露。

技术实现思路

[0007]本专利技术旨在至少在一定程度上解决上述技术问题中的至少一个。
[0008]为此，本专利技术的第一个目的在于提出一种锅炉烟气含氧量测量方法，使用基于联合学习的分类模型，计算运行数据集中每条数据的权重，确保锅炉烟气含氧量软测量中源锅炉和目标锅炉之间信息共享时，各方数据不出本地，以保证各方数据的隐私性。
[0009]本专利技术的第二个目的在于提出一种锅炉烟气含氧量测量装置，使用基于联合学习的分类模型，计算运行数据集中每条数据的权重，确保锅炉烟气含氧量软测量中源锅炉和目标锅炉之间信息共享时，各方数据不出本地，以保证各方数据的隐私性。
[0010]本专利技术的第三个目的在于提出一种可读存储介质。
[0011]本专利技术的第四个目的在于提出一种计算设备。
[0012]第一方面，本专利技术实施例提供了一种锅炉烟气含氧量测量方法，该锅炉烟气含氧量测量方法包括：
[0013]获取非共享的源设备的数据信息和目标设备的特征数据；所述非共享的源设备的数据信息包括所述非共享的源设备的特征数据；
[0014]利用所述非共享的源设备的特征数据和目标设备的特征数据，确定目标设备标签数据和源设备标签数据；
[0015]基于所述目标设备标签数据和源设备标签数据以联合学习的方式训练分类器，计算源设备的特征数据的权重；
[0016]根据源设备的特征数据的权重，建立所述源设备的特征数据与源设备的烟气含氧量数据之间的关系，并得到烟气含氧量预测软测量模型；
[0017]根据所述烟气含氧量预测软测量模型，预测所述目标设备的烟气含氧量
[0018]可选地，所述非共享的源设备的数据信息包括所述非共享的源设备的特征数据和烟气含氧量数据；
[0019]所述目标设备的特征数据和所述源设备的特征数据至少包含：燃气流量、燃气温度、空气温度、排烟温度和烟气流量。
[0020]可选地，所述利用所述非共享的源设备的特征数据信息和目标设备的特征数据，确定目标设备标签数据和源设备标签数据，包括：
[0021]分别为所述目标设备的特征数据和所述源设备的特征数据打标签，得到所述目标设备标签数据和所述源设备标签数据。
[0022]可选地，所述基于所述目标设备标签数据和源设备标签数据以联合学习的方式训练分类器，计算源设备的特征数据的权重，包括：
[0023]所述权重的计算公式为：
[0024][0025]其中，ω
i
为所述源设备标签数据中第i条数据的权重，P
1i
为所述第i条数据属于所述源设备的概率，P
2i
为所述第i条数据属于所述目标设备的概率。
[0026]可选地，所述根据源设备的特征数据的权重，建立所述源设备的特征数据与源设备的烟气含氧量数据之间的关系，并得到烟气含氧量预测软测量模型，包括：
[0027]根据所述源设备的特征数据、每条特征数据的权重和所述源设备的烟气含氧量数据，使用神经网络建立所述源设备的特征数据与源设备的烟气含氧量数据之间的关系，并得到烟气含氧量预测软测量模型。
[0028]第二方面，本专利技术实施例提供了一种锅炉烟气含氧量测量装置，该锅炉烟气含氧量测量装置包括：数据获取模块、数据区分模块、权重计算模块、模型训练模块和含量测算模块，其中，
[0029]所述数据获取模块，用于获取非共享的源设备的数据信息和目标设备的特征数据；所述非共享的源设备的数据信息包括所述非共享的源设备的特征数据；；
[0030]所述数据区分模块，用于利用所述非共享的源设备的特征数据和目标设备的特征数据，确定目标设备标签数据和源设备标签数据；
[0031]所述权重计算模块，用于基于所述目标设备标签数据和源设备标签数据以联合学习的方式训练分类器，计算源设备的特征数据的权重；
[0032]所述模型训练模块，用于根据源设备的特征数据的权重，建立所述源设备的特征数据与源设备的烟气含氧量数据之间的关系，并得到烟气含氧量预测软测量模型；
[0033]所述含量测算模块，用于根据所述烟气含氧量预测软测量模型，预测所述目标设备的烟气含氧量。
[0034]可选地，所述非共享的源设备的数据信息包括所述非共享的源设备的特征数据和
烟气含氧量数据；所述目标设备的特征数据和所述源设备的特征数据至少包含：燃气流量、燃气温度、空气温度、排烟温度和烟气流量。
[0035]可选地，所述数据区分模块，用于分别为所述目标设备的特征数据和所述源设备的特征数据打标签，得到所述目标设备标签数据和所述源设备标签数据。
[0036]可选地，所述权重计算模块中所述权重的计算公式为：
[0037][0038]其中，其中，ω
i
为所述源设备标签数据中第i条数据的权重，P
1i
为所述第i条数据属于所述源设备的概率，P
2i
为所述第i条数据属于所述目标设备的概率。
[0039]可选地，所述模型训练模块，用于根据所述源设备的特征数据、每条特征数据的权重和所述源设备的烟气含氧量数据，使用神经网络建立所述源设备的特征数据与源设备的烟气含氧量数据之间的关系，并得到烟气含氧量预测软测量模型。
[0040]第三方面，本专利技术实施例提供了一种可读存储介质，其上具有可执行指令，当可执行指令被执行时，使得计算机执行如第一方面中所包括的操作。
[0041]第四方面，本专利技术实施例提供了一种计算锅炉，包括：一个或多个处理器、存储器，以及一个或多个程序，其中，所述一个或多个程序存储在所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锅炉烟气含氧量测量方法，其特征在于，包括：获取非共享的源设备的数据信息和目标设备的特征数据；所述非共享的源设备的数据信息包括所述非共享的源设备的特征数据；利用所述非共享的源设备的特征数据和目标设备的特征数据，确定目标设备标签数据和源设备标签数据；基于所述目标设备标签数据和源设备标签数据以联合学习的方式训练分类器，计算源设备的特征数据的权重；根据源设备的特征数据的权重，建立所述源设备的特征数据与源设备的烟气含氧量数据之间的关系，并得到烟气含氧量预测软测量模型；根据所述烟气含氧量预测软测量模型，预测所述目标设备的烟气含氧量。2.根据权利要求1所述锅炉烟气含氧量测量方法，其特征在于，所述非共享的源设备的数据信息包括所述非共享的源设备的特征数据和烟气含氧量数据；所述目标设备的特征数据和所述源设备的特征数据至少包含：燃气流量、燃气温度、空气温度、排烟温度和烟气流量。3.根据权利要求1所述锅炉烟气含氧量测量方法，其特征在于，所述利用所述非共享的源设备的特征数据信息和目标设备的特征数据，确定目标设备标签数据和源设备标签数据，包括：分别为所述目标设备的特征数据和所述源设备的特征数据打标签，得到所述目标设备标签数据和所述源设备标签数据。4.根据权利要求1所述锅炉烟气含氧量测量方法，其特征在于，所述基于所述目标设备标签数据和源设备标签数据以联合学习的方式训练分类器，计算源设备的特征数据的权重，包括：所述权重的计算公式为：其中，ω
i
为所述源设备标签数据中第i条数据的权重，P
1i
为所述第i条数据属于所述源设备的概率，P
2i
为所述第i条数据属于所述目标设备的概率。5.根据权利要求2所述锅炉烟气含氧量测量方法，其特征在于，所述根据源设备的特征数据的权重，建立所述源设备的特征数据与源设备的烟气含氧量数据之间的关系，并得到烟气含氧量预测软测量模型，包括：根据所述源设备的特征数据、每条特征数据的权重和所述源设备的烟气含氧量数据，使用神经网络建立所述源设备的...

【专利技术属性】
技术研发人员：杨杰，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：