【技术实现步骤摘要】
本专利技术涉及锅炉，特别是一种基于cnn-transformer的锅炉液位风险预警方法。
技术介绍
1、锅炉是工业生产的关键设备，锅炉在液位过低工作一段时间后出现干烧现象，除易烧坏锅炉本体外，还会在误操作干锅加水时造成爆炸等重大安全事故，因此建立有效的锅炉液位风险预警方法迫在眉睫。
2、由于锅炉系统的特殊性，锅炉故障征兆及参数具有模糊性和随机性，锅炉液位的状态不能仅用“正常”或“故障”来描述，缺少系统评价。
3、目前锅炉液位的故障判断和诊断大部分都是人机结合在本地实现，这限制了专家知识和外部经验的作用。
4、虽然目前锅炉液位风险预警方法智能化水平较低，但在锅炉的其他预警方法中出现了一种基于cnn-transformer的预警方法，cnn是卷积神经网络，是深度学习的代表算法之一，transformer是基于注意力机制的序列到序列模型，是一种用于处理序列建模问题的深度神经网络架构。
5、例如申请公布号为cn116894397a的中国专利技术专利申请，公开了一种多时间图谱卷积双向transformer的锅炉炉壁温度增量预测方法，该方法将cnn网络、双向transformer和增量学习相结合，用于锅炉炉壁温度的预测，将cnn网络在局部特征提取方面的优势与transformer模型在全局信息建模方面的优势两相结合，来进一步提高模型的性能，具有准确预测锅炉炉壁温度的能力，使锅炉高效且安全地运行。
6、但是上述专利其针对的是锅炉炉壁温度进行预警，无法应用于锅炉的液位风险预警之中，哪怕
7、1、通过cnn网络获取局部特征时，仅进行水平卷积操作，而没有进一步提取更加重要的特征；
8、2、transformer模型的并行计算能力虽然提高了训练和推理的效率，但需要处理的序列长度较长，处理效率仍有待提高。
技术实现思路
1、本专利技术的目的在于，提供一种基于cnn-transformer的锅炉液位风险预警方法。本专利技术具有能够提取更加重要的特征、同时减小序列长度、提高处理效率的优点。
2、本专利技术的技术方案：一种基于cnn-transformer的锅炉液位风险预警方法，步骤如下：
3、s1、从锅炉运行历史数据库里提取锅炉的运行数据；
4、s2、对运行数据进行预处理并生成时序特征；
5、s3、将时序特征输入至cnn网络的卷积层进行一维卷积操作，得到第一特征；
6、s4、通过transformer模型的词嵌入层对第一特征进行位置编码，将位置编码后的特征与第一特征相加获得第二特征；
7、s5、将第二特征输入至transformer模型的第一层编码器的多头注意力机制中；
8、s6、将当前层编码器的多头注意力机制中的每个注意力头的输出，传递到cnn网络的池化层进行池化操作，并将所有注意力头的池化结果拼接起来进行线性变换，得到融合所有注意力头信息的特征；
9、s7、判断当前层编码器是否为最后一层，若是，则进入s8；若否，则将当前编码器层经步骤s6处理后的最终结果输入至下一编码器层的多头注意力机制中作为下一编码器层的输入特征，然后下一编码器层作为当前编码器层继续返回执行步骤s6；
10、s8、将最后一个编码器层经步骤s6处理后的最终结果输入至一个全连接层，全连接层用于降维并生成得分向量，生成的得分向量再通过多分类激活函数转换为各种工作状态类型的概率，生成预测的工作状态分类结果。
11、前述的基于cnn-transformer的锅炉液位风险预警方法中，还包括s9模型优化；所述s1还包括，同时获取各运行数据对应的实际工作状态类型，作为实际的工作状态分类结果；
12、s9模型优化具体为，将预测的工作状态分类结果与实际的工作状态分类结果通过交叉熵损失函数计算对应的损失度，并由优化器优化生成的模型。
13、前述的基于cnn-transformer的锅炉液位风险预警方法中，还包括s10模型验证；所述s1还包括，将运行数据分为训练集和验证集；所述训练集用于s2-s9的模型训练；
14、s10模型验证具体为，将验证集输入至训练好的模型中获取预测的工作状态分类结果，并根据预测的工作状态分类结果与实际的工作状态分类结果获取模型的预测准确度。
15、前述的基于cnn-transformer的锅炉液位风险预警方法中，所述s6还包括，在得到当前编码器层的融合所有注意力头信息的特征后，将当前编码器层的融合所有注意力头信息的特征与当前编码器层的输入特征相加，以进行第一次残差连接处理。
16、前述的基于cnn-transformer的锅炉液位风险预警方法中，所述s6还包括，对第一次残差连接处理后的结果进行归一化处理。
17、前述的基于cnn-transformer的锅炉液位风险预警方法中，所述s6还包括，将归一化处理后的结果输入至前馈神经网络作为前馈神经网络的输入特征，然后将前馈神经网络处理后的结果输出。
18、前述的基于cnn-transformer的锅炉液位风险预警方法中，所述s6还包括，将前馈神经网络的输入特征与输出特征相加以进行第二次残差连接处理。
19、前述的基于cnn-transformer的锅炉液位风险预警方法中，所述前馈神经网络包括两个全连接层，前馈神经网络的计算公式为，fnn(x)＝relu(xw1+b1)w2+b2，其中x：是第一次线性变换的输入向量，w1是第一次线性变换的权重矩阵，b1是第一次线性变换的偏置向量，relu是非线性激活函数且其输出作为第二次线性变换的输入，w2是第二次线性变换的权重矩阵，b2是第二次线性变换的偏置向量。
20、前述的基于cnn-transformer的锅炉液位风险预警方法中，所述s1中的运行数据包括排烟温度、液位和蒸汽压力；所述s1还包括，根据运行数据计算排烟温度变化值、液位变化值和蒸汽压力变化值。
21、与现有技术相比，本专利技术在将cnn网络获取的局部特征输入至transformer模型的多头注意力机制中后，从多头注意力机制中提取的特征并没有直接在transformer模型中完成后续所有的操作，而是重新返回到cnn网络的池化层进行池化操作，经池化处理后的数据再返回至transformer模型中；
22、正由于增设了池化操作，使得时序特征的维度和序列的长度减小了，同时保留了最显著的特征信息，因此能够进一步提取更加重要的特征，有助于模型集中注意力于最重要的特征，并可以减少参数数量和计算量，以提高处理效率。
23、所以，本专利技术具有能够提取更加重要的特征、同时减小序列长度、提高处理效率的优点。
本文档来自技高网...【技术保护点】
1.一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于,步骤如下：
2.根据权利要求1所述的一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于：还包括S9模型优化；所述S1还包括，同时获取各运行数据对应的实际工作状态类型，作为实际的工作状态分类结果；
3.根据权利要求2所述的一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于：还包括S10模型验证；所述S1还包括，将运行数据分为训练集和验证集；所述训练集用于S2-S9的模型训练；
4.根据权利要求1所述的一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于：所述S6还包括，在得到当前编码器层的融合所有注意力头信息的特征后，将当前编码器层的融合所有注意力头信息的特征与当前编码器层的输入特征相加，以进行第一次残差连接处理。
5.根据权利要求4所述的一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于：所述S6还包括，对第一次残差连接处理后的结果进行归一化处理。
6.根据权
7.根据权利要求6所述的一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于：所述S6还包括，将前馈神经网络的输入特征与输出特征相加以进行第二次残差连接处理。
8.根据权利要求6所述的一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于：所述前馈神经网络包括两个全连接层，前馈神经网络的计算公式为，FNN(x)＝ReLU(xW1+b1)W2+b2，其中x是第一次线性变换的输入向量，W1是第一次线性变换的权重矩阵，b1是第一次线性变换的偏置向量，ReLU是非线性激活函数且其输出作为第二次线性变换的输入，W2是第二次线性变换的权重矩阵，b2是第二次线性变换的偏置向量。
9.根据权利要求1所述的一种基于CNN-Transformer的锅炉液位风险预警方法，其特征在于：所述S1中的运行数据包括排烟温度、液位和蒸汽压力；所述S1还包括，根据运行数据计算排烟温度变化值、液位变化值和蒸汽压力变化值。
...【技术特征摘要】
1.一种基于cnn-transformer的锅炉液位风险预警方法，其特征在于,步骤如下：
2.根据权利要求1所述的一种基于cnn-transformer的锅炉液位风险预警方法，其特征在于：还包括s9模型优化；所述s1还包括，同时获取各运行数据对应的实际工作状态类型，作为实际的工作状态分类结果；
3.根据权利要求2所述的一种基于cnn-transformer的锅炉液位风险预警方法，其特征在于：还包括s10模型验证；所述s1还包括，将运行数据分为训练集和验证集；所述训练集用于s2-s9的模型训练；
4.根据权利要求1所述的一种基于cnn-transformer的锅炉液位风险预警方法，其特征在于：所述s6还包括，在得到当前编码器层的融合所有注意力头信息的特征后，将当前编码器层的融合所有注意力头信息的特征与当前编码器层的输入特征相加，以进行第一次残差连接处理。
5.根据权利要求4所述的一种基于cnn-transformer的锅炉液位风险预警方法，其特征在于：所述s6还包括，对第一次残差连接处理后的结果进行归一化处理。
6.根据权利要求5所述的一种基于cnn-transf...
【专利技术属性】
技术研发人员：徐峰，虞雪芬，虞杰，邓杰，陈征宇，柯登峰，汤杰，胡博文，
申请(专利权)人：浙江省特种设备科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。