烟丝除尘器料斗的温度监测方法及系统与流程

摘要: 本技术涉及烟草,尤其涉及一种烟丝除尘器料斗的温度监测方法及系统。背景技术:1、烟丝除尘器是烟草制丝生产线中捕获烟末粉尘、保障生产环境安全与工艺稳定的关键设备。2...
烟丝除尘器料斗的温度监测方法及系统与流程

本技术涉及烟草,尤其涉及一种烟丝除尘器料斗的温度监测方法及系统。

背景技术:

1、烟丝除尘器是烟草制丝生产线中捕获烟末粉尘、保障生产环境安全与工艺稳定的关键设备。

2、料斗作为除尘器的核心组件,其进料口承接含尘气流、出料口排出净化后气流,进出口温度状态直接反映除尘器运行工况与安全隐患。当料斗进出口温度异常升高时,可能引发烟末粉尘燃烧甚至爆炸,同时加速过滤材料老化与设备损耗,影响制丝车间温湿度稳定进而导致烟叶水分波动与产品质量偏差。

3、因此,对料斗进出口温度的实时监测与异常预警是保障除尘器安全运行的重要环节。

4、现有除尘器温度监测多采用单点测温或设备表面接触式测温方式,采集的环境温度或表面温度无法反映料斗内部气流的真实热力学状态。

5、更为关键的是,料斗进料口与出料口温度之间存在动态耦合关系,进料口温度受上游工艺设备运行状态影响而产生波动,经料斗内部粉尘过滤与气流传输后传导至出料口,形成具有时延与衰减特征的温度传导链路。

6、单点测温方式割裂了进出口温度之间的耦合关联,无法量化温差时序变化趋势,导致对异常温升的检测存在滞后,难以在温度异常演化为安全事故前实现早期预警。

技术实现思路

1、本技术的主要目的在于提供一种烟草激光打孔设备的温度监测方法及系统,以解决现有技术中对料斗进出口温度的实时监测与异常预警不准确的问题。

2、为了实现上述目的,本技术提供了如下技术方案:

3、一种烟丝除尘器料斗的温度监测方法,所述烟丝除尘器料斗的进料口与出料口分别布设有温度传感单元,所述温度监测方法包括:

4、步骤s1,通过所有温度传感单元同步采集料斗进料口温度数据流与料斗出料口温度数据流,并进行多分辨率重采样与时间戳对齐,得到进出口温度对齐数据流;

5、步骤s2,通过变分模态分解将所述进出口温度对齐数据流分解为多个本征模态函数,剔除高频噪声模态后将剩余模态重构,得到降噪进出口温度时序数据;

6、步骤s3,基于所述降噪进出口温度时序数据计算进料口与出料口之间的温差时序序列,提取包括均值、方差、斜率、峭度的多尺度统计特征,并拼接为温差多维特征向量;

7、步骤s4,将所述温差多维特征向量输入时间卷积网络,通过因果膨胀卷积层进行时序特征编码,输出温度耦合表征向量;

8、步骤s5,将所述温度耦合表征向量输入高斯混合模型拟合正常工况概率密度分布,通过负对数似然计算异常得分,并结合自适应阈值进行分级判定,得到温度状态分级结果;

9、步骤s6,采集新一批进出口温度数据与对应的温度状态标签拼接为增量训练样本,对所述时间卷积网络参数与所述高斯混合模型参数执行增量更新,得到迭代后温度监测模型。

10、步骤s1至步骤s6有益效果:

11、本方法针对现有除尘器料斗温度监测手段割裂进出口耦合关系、异常检测滞后的问题,通过双路测温同步采集与时间戳对齐建立料斗进出口温度的统一数据基线,经变分模态分解抑制非平稳温度信号中的高频噪声,提取温差多维统计特征量化进出口热力学关联的时序变化趋势,利用时间卷积网络捕获长程时序依赖生成温度耦合表征向量,通过高斯混合模型拟合正常工况概率密度分布并以负对数似然量化异常得分实现三级分级判定,结合增量训练样本对模型参数执行自适应迭代更新,实现了料斗进出口温度动态耦合关系的量化建模与异常温升的早期预警。

12、其中,步骤s1通过双路同步采集与多分辨率重采样对齐消除两路温度数据的时间偏差;步骤s2通过变分模态分解剔除高频噪声模态保留温度信号本质特征;步骤s3通过多尺度统计特征提取量化温差时序的集中趋势、离散程度、变化方向与分布形态;步骤s4通过因果膨胀卷积编码捕获温差特征的长时间尺度依赖关系;步骤s5通过高斯混合模型与负对数似然实现基于概率密度的异常得分量化与分级判定;步骤s6通过增量更新使模型参数随工况漂移自适应调整。

13、作为本技术的进一步改进,步骤s1,通过所有温度传感单元同步采集料斗进料口温度数据流与料斗出料口温度数据流,并进行多分辨率重采样与时间戳对齐,得到进出口温度对齐数据流,包括:

14、步骤s1.1,通过所述温度传感单元以预设采样频率分别采集料斗进料口模拟温度信号与料斗出料口模拟温度信号;

15、步骤s1.2,对所述料斗进料口模拟温度信号与所述料斗出料口模拟温度信号分别执行模数转换,得到料斗进料口温度采样序列与料斗出料口温度采样序列;

16、步骤s1.3,对所述料斗进料口温度采样序列与所述料斗出料口温度采样序列分别执行线性插值重采样,将两路序列统一至目标采样频率,得到进料口重采样序列与出料口重采样序列;

17、步骤s1.4,对所述进料口重采样序列与所述出料口重采样序列分别提取时间戳,以所述进料口重采样序列的时间戳为基准对所述出料口重采样序列执行线性时间戳对齐,得到出料口对齐序列;

18、步骤s1.5,将所述进料口重采样序列与所述出料口对齐序列按时间戳逐点配对,得到进出口温度对齐数据流。

19、步骤s1.1至步骤s1.5有益效果:

20、本系列步骤针对料斗进出口温度采集存在采样频率差异与时间基准不一致的问题,通过对进料口与出料口模拟温度信号分别采集、模数转换、线性插值重采样与时间戳对齐,建立两路温度数据的统一时间基准与统一采样频率,为后续温差计算与耦合特征提取提供时间对齐的数据基础。

21、其中,步骤s1.1通过温度传感单元同步采集进出口模拟温度信号获取原始数据源;步骤s1.2通过模数转换将模拟信号转化为可处理的离散温度采样序列;步骤s1.3通过线性插值重采样将两路序列统一至相同采样频率消除分辨率差异;步骤s1.4以进料口时间戳为基准对出料口序列执行对齐消除传输时延偏差;步骤s1.5通过逐点配对拼接为进出口温度对齐数据流完成统一数据基线构建。

22、作为本技术的进一步改进,步骤s2,通过变分模态分解将所述进出口温度对齐数据流分解为多个本征模态函数,剔除高频噪声模态后将剩余模态重构,得到降噪进出口温度时序数据,包括:

23、步骤s2.1,对所述进出口温度对齐数据流中的进料口温度序列与出料口温度序列分别设定模态数量与惩罚参数,构建二次惩罚项约束的变分问题;

24、步骤s2.2,通过交替方向乘子法对所述变分问题迭代求解,得到多个进料口本征模态函数与多个出料口本征模态函数;

25、步骤s2.3,分别计算所述进料口本征模态函数与所述出料口本征模态函数的中心频率,按中心频率从低到高排序;

26、步骤s2.4,将中心频率高于预设截止频率的模态判定为高频噪声模态并予以剔除,保留剩余模态;

27、步骤s2.5,将所述进料口剩余模态与所述出料口剩余模态分别累加重构,得到降噪进出口温度时序数据。

28、步骤s2.1至步骤s2.5有益效果:

29、本系列步骤针对料斗进出口温度信号中混叠传感器噪声与高频环境干扰的问题,通过变分模态分解将温度对齐数据流分解为多个不同频域的本征模态函数,按中心频率排序剔除高频噪声模态后重构剩余模态,在保留温度信号低频趋势与中频波动特征的同时抑制非本质高频扰动,为后续温差特征提取提供信噪比提升的降噪数据基础。

30、其中,步骤s2.1通过设定模态数量与惩罚参数构建变分问题确定分解约束;步骤s2.2通过交替方向乘子法迭代求解得到多个本征模态函数实现频域分解;步骤s2.3通过计算中心频率并排序建立模态频谱分布;步骤s2.4通过截止频率判定剔除高频噪声模态保留有效成分;步骤s2.5通过累加重构得到降噪进出口温度时序数据恢复信号本质特征。

31、作为本技术的进一步改进,步骤s3,基于所述降噪进出口温度时序数据计算进料口与出料口之间的温差时序序列,提取包括均值、方差、斜率、峭度的多尺度统计特征,并拼接为温差多维特征向量,包括:

32、步骤s3.1,基于所述降噪进出口温度时序数据,将同一时间戳的进料口温度值与出料口温度值作差,得到温差时序序列;

33、步骤s3.2,对所述温差时序序列以预设滑动窗口长度计算窗口内温度差的算术平均值,得到温差均值序列;

34、步骤s3.3,对所述温差时序序列以所述预设滑动窗口长度计算窗口内温度差的方差,得到温差方差序列;

35、步骤s3.4,对所述温差时序序列以所述预设滑动窗口长度进行线性拟合,将拟合斜率作为窗口温差变化趋势,得到温差斜率序列;

36、步骤s3.5,对所述温差时序序列以所述预设滑动窗口长度计算窗口内温度差的峭度,得到温差峭度序列;

37、步骤s3.6,将所述温差均值序列、所述温差方差序列、所述温差斜率序列、所述温差峭度序列按时间戳对齐拼接,得到温差多维特征向量。

38、步骤s3.1至步骤s3.6有益效果:

39、本系列步骤针对单点测温无法量化进出口温度耦合关系的问题,通过计算进料口与出料口温差时序序列并以滑动窗口提取均值、方差、斜率、峭度四维统计特征,从集中趋势、离散程度、变化方向与分布形态四个维度刻画温差时序的动态变化规律,为后续时序特征编码提供多维度的温差耦合特征输入。

40、其中,步骤s3.1通过同时间戳温差计算建立进出口温度差异的时间序列;步骤s3.2通过窗口均值刻画温差的集中趋势反映平均热传导状态;步骤s3.3通过窗口方差刻画温差的离散程度反映热传导波动幅度;步骤s3.4通过线性拟合斜率刻画温差的变化方向反映热力学趋势演化;步骤s3.5通过窗口峭度刻画温差的分布形态反映极端偏差出现概率;步骤s3.6通过按时间戳对齐拼接四维序列得到温差多维特征向量完成耦合特征构建。

41、作为本技术的进一步改进,步骤s4,将所述温差多维特征向量输入时间卷积网络,通过因果膨胀卷积层进行时序特征编码,输出温度耦合表征向量,包括:

42、步骤s4.1,对所述温差多维特征向量执行零均值标准化处理,得到标准化特征向量;

43、步骤s4.2,将所述标准化特征向量输入时间卷积网络的第一因果膨胀卷积层,以膨胀因子控制感受野范围进行卷积运算,得到第一层特征映射;

44、步骤s4.3,将所述第一层特征映射经relu激活函数与dropout正则化处理后输入第二因果膨胀卷积层,得到第二层特征映射;

45、步骤s4.4,将所述第二层特征映射输入全局平均池化层沿时间维度压缩,得到固定维度特征向量;

46、步骤s4.5,将所述固定维度特征向量输入全连接层映射至目标维度,得到温度耦合表征向量。

47、步骤s4.1至步骤s4.5有益效果:

48、本系列步骤针对温差多维特征向量缺乏高阶时序表征能力的问题,通过时间卷积网络的因果膨胀卷积层对温差特征进行逐层抽象编码,利用膨胀因子扩展感受野范围捕获长时间尺度的温差依赖关系,经激活函数与正则化处理增强特征判别力,通过全局平均池化与全连接映射输出固定维度的温度耦合表征向量,为后续异常检测提供具备长程时序依赖建模能力的高阶特征输入。

49、其中,步骤s4.1通过零均值标准化消除特征量纲差异对卷积运算的影响;步骤s4.2通过第一因果膨胀卷积层以膨胀因子扩展感受野捕获中短程时序模式;步骤s4.3通过relu激活与dropout正则化增强非线性表达能力并抑制过拟合;步骤s4.4通过全局平均池化沿时间维度压缩得到固定维度特征向量;步骤s4.5通过全连接层映射至目标维度得到温度耦合表征向量完成高阶特征编码。

50、作为本技术的进一步改进,步骤s5,将所述温度耦合表征向量输入高斯混合模型拟合正常工况概率密度分布,通过负对数似然计算异常得分,并结合自适应阈值进行分级判定,得到温度状态分级结果,包括:

51、步骤s5.1,将正常工况下的历史温度耦合表征向量作为训练样本输入高斯混合模型,通过期望最大化算法迭代估计各高斯分量的均值向量、协方差矩阵与混合权重,得到拟合后高斯混合模型;

52、步骤s5.2,将所述温度耦合表征向量输入所述拟合后高斯混合模型,计算所述温度耦合表征向量在各高斯分量下的概率密度加权求和值,得到概率密度值;

53、步骤s5.3,对所述概率密度值取负对数,得到异常得分;

54、步骤s5.4,将所述异常得分与预设正常阈值进行比较,当所述异常得分不超过所述预设正常阈值时判定为正常状态;

55、步骤s5.5,当所述异常得分超过所述预设正常阈值时,将所述异常得分与预设预警阈值进行比较,当所述异常得分不超过所述预设预警阈值时判定为预警状态;

56、步骤s5.6,当所述异常得分超过所述预设预警阈值时判定为报警状态,综合所述正常状态、所述预警状态与所述报警状态,得到温度状态分级结果。

57、步骤s5.1至步骤s5.6有益效果:

58、本系列步骤针对固定阈值报警无法区分温度异常演变程度的问题,通过高斯混合模型拟合正常工况概率密度分布并以负对数似然量化异常得分,结合正常阈值与预警阈值实现正常、预警、报警三级分级判定,使温度异常检测从二元阈值比较升级为基于概率密度分布的渐进式分级评估,提升异常温升早期识别的灵敏度与误报控制能力。

59、其中,步骤s5.1通过期望最大化算法估计高斯分量参数建立正常工况基准分布;步骤s5.2通过概率密度加权求和量化当前表征向量与正常分布的匹配程度;步骤s5.3通过负对数变换将匹配度转换为异常得分统一异常度量尺度;步骤s5.4通过与正常阈值比较判定正常状态排除非异常工况;步骤s5.5通过与预警阈值比较判定预警状态捕捉早期异常征兆;步骤s5.6通过超过预警阈值判定报警状态并汇总三级结果完成温度状态分级输出。

60、作为本技术的进一步改进,步骤s6,采集新一批进出口温度数据与对应的温度状态标签拼接为增量训练样本,对所述时间卷积网络参数与所述高斯混合模型参数执行增量更新,得到迭代后温度监测模型,包括:

61、步骤s6.1,采集新一批进出口温度数据与对应的温度状态标签,将所述新一批进出口温度数据与所述温度状态标签按时间戳配对,得到标注样本集;

62、步骤s6.2,将所述标注样本集输入所述时间卷积网络执行前向传播计算交叉熵损失,通过梯度下降更新所述时间卷积网络的卷积层参数与全连接层参数,得到更新后时间卷积网络参数;

63、步骤s6.3,将所述标注样本集对应的温度耦合表征向量输入所述高斯混合模型,通过期望最大化算法重新估计各高斯分量的均值向量、协方差矩阵与混合权重,得到更新后高斯混合模型参数;

64、步骤s6.4,将所述更新后时间卷积网络参数与所述更新后高斯混合模型参数整合,得到迭代后温度监测模型。

65、步骤s6.1至步骤s6.4有益效果:

66、本系列步骤针对温度监测模型随工况漂移导致检测基准老化的问题,通过采集新一批进出口温度数据与温度状态标签构建标注样本集,分别对时间卷积网络参数与高斯混合模型参数执行增量更新,使模型在运行过程中持续吸收新工况数据自适应调整检测基准,延长模型有效服役周期并维持异常检测准确率。

67、其中,步骤s6.1通过新批次数据与状态标签配对构建标注样本集为增量更新提供数据基础;步骤s6.2通过交叉熵损失与梯度下降更新时间卷积网络参数提升特征编码对工况漂移的适应性;步骤s6.3通过期望最大化算法重新估计高斯分量参数修正正常工况基准分布;步骤s6.4通过整合更新后两类模型参数得到迭代后温度监测模型完成自适应迭代闭环。

68、为了实现上述目的,本技术还提供了如下技术方案:

69、一种烟丝除尘器料斗的温度监测系统,所述温度监测系统应用于如上述的温度监测方法,所述温度监测系统包括:

70、进出口温度对齐数据流获取模块,用于通过所有温度传感单元同步采集料斗进料口温度数据流与料斗出料口温度数据流,并进行多分辨率重采样与时间戳对齐,得到进出口温度对齐数据流;

71、进出口温度时序数据降噪模块,用于通过变分模态分解将所述进出口温度对齐数据流分解为多个本征模态函数,剔除高频噪声模态后将剩余模态重构,得到降噪进出口温度时序数据;

72、温差多维特征向量拼接模块,用于基于所述降噪进出口温度时序数据计算进料口与出料口之间的温差时序序列,提取包括均值、方差、斜率、峭度的多尺度统计特征,并拼接为温差多维特征向量;

73、温度耦合表征向量获取模块,用于将所述温差多维特征向量输入时间卷积网络,通过因果膨胀卷积层进行时序特征编码,输出温度耦合表征向量;

74、温度状态分级结果获取模块,用于将所述温度耦合表征向量输入高斯混合模型拟合正常工况概率密度分布,通过负对数似然计算异常得分,并结合自适应阈值进行分级判定,得到温度状态分级结果;

75、温度监测模型迭代模块,用于采集新一批进出口温度数据与对应的温度状态标签拼接为增量训练样本,对所述时间卷积网络参数与所述高斯混合模型参数执行增量更新,得到迭代后温度监测模型。

76、为了实现上述目的,本技术还提供了如下技术方案:

77、一种电子设备,包括处理器,以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的烟丝除尘器料斗的温度监测方法。

78、为了实现上述目的,本技术还提供了如下技术方案:

79、一种计算机可读存储介质,所述计算机可读存储介质内存储有程序指令,所述程序指令被处理器执行时能够实现如上述的烟丝除尘器料斗的温度监测方法。‌