本发明公开了一种基于神经网络的球仓温度预警方法，用于对火力发电厂等的大型球形储煤仓进行温度监测预警。步骤包括：利用均值滤波来对温度信号进行预处理；对温度信号提取球仓平均温度，升温速率和温度增加趋势值三种特征值；构建以特征值为输入节点，以预警等级为输出节点的三层LMBP神经网络温度预警模型。本发明的方法实现简单，温度预警可靠性高，降低了预警的不确定性。
1.一种基于神经网络的球仓温度预警方法，其特征在于：该方法包括以下步骤，步骤一、温度信息预处理：对一段时间内各个采样点的温度数据进行均值滤波，计算公式为 其中i表示预处理后的第i个采样点，T(i)表示预处理后第i个采样点的温度，它是实际测量的第j＝i0时刻到第j＝i0+n0时刻的n0个温度值的平均值；n0表示这一计算时间段内对应的原始采样温度的点数；j表示第j个原始温度采样点，T0(j)表示第j个采样点的原始温度；i0表示第i个采样点采样区间起点对应的原始温度采样点；
步骤二、温度特征提取：提取预处理后温度信息的特征值，即球仓平均温度、温升速率和温度增加趋势值，其具体过程如下：S2.1、平均温度计算：系统周期性采集球仓内温度，并计算一个周期内的温度数据平均值；
S2.2、温升速率计算：取球仓内某采样点上温度信号X(n1)与平均温度信号间的差值再与平均温度的商为d(n1)，计算式为： 其中RW为球仓平均温度；
S2.3、温度增加趋势值计算：通过处理一段时间内检测到的温度信号数据，得到能够表现出温度明显上升或下降的趋势值，用该趋势值来监测火灾发生态势，计算公式为其中ii表示第ii个采样点，N表示计算时间内段对应的采样温度点数，X(ii)表示第ii个采样点温度；定义符号函数 其中s表示温差最低门限值；
平均温度，温升速率和温度增加趋势值三个特征值有效描述球仓内的温升情况，将这三个特征值作为预警系统的输入比单纯的将温度值作为预警因素要可靠准确；
步骤三、将步骤二中的三个特征值作为输入，以预警等级作为输出，构建基于LMBP神经网络的温度预警，其具体步骤如下：S3.1、构建以步骤二得到的特征值为输入，以预警等级为输出的三层LMBP神经网络，将随机数值赋给权值矩阵V，W，V为输入层到隐含层的权值矩阵，W为隐含层到输出层的权值矩阵，设样本模式计数器m＝1，训练次数计数器n＝1，误差E＝0，学习率η＝0.01，网络训练后的精度Emin＝0.01；
S3.2、将训练样本输入训练网络，计算出隐藏层各神经单元输出，公式为其中xp为输入层第p个向量，θj为隐含层各单元的阈值，取值0.01；
S3.3、计算出输出层各神经元输出，公式为 并计算出网络输出误
S3.4、算出各层误差信号值，再根据误差信号调整各层权值，计算下一次隐含层和输出层新的连接权值；
S3.6、判断网络全局误差函数E是否小于预先设定的最小误差值Emin，若小于，则结束；
S3.7、训练完成后，输入待测样本的特征值，输出预警等级，完成温度预警。
一种基于神经网络的球仓温度预警方法
技术领域
[0001] 本发明涉及球形储煤仓安全监测领域，尤其涉及一种球仓温度预警系统。
背景技术
[0002] 储煤场是燃煤电厂，煤矿，洗煤厂等储煤、供煤的重要场所，关系到电厂的安全稳定生产。随着国内燃煤机组容量及建设规模的不断扩大，对环境保护愈加重视、土地资源日益宝贵的背景下，一种新的煤炭存储方式——封闭球形煤仓开始在国内外得到应用。但是封闭球仓处于全封闭的状态，通风条件差，仓内煤堆热量容易积聚，仓内煤堆易发生自燃，对煤仓设备和人员安全都会造成非常严重的安全隐患。煤堆自燃会伴随着显著的温度上升，因此温度预警系统是十分重要的球仓安全监测系统。
[0003] 球仓体积大，储煤量多，为了全面监测球仓内储煤的温度，需要布置大量的温度传感器，因此球仓温度监测系统具有以下特点：
[0004] 1、测点多；球仓内部空间巨大，为了全面监测储煤的温度变化，需要在球仓壁、球仓底部以及储煤的内部布置多个温度测点，测点可多达几十甚至上百。
[0005] 2、温度传感器类型多；球仓内的温度测点分布于整个内部空间，根据位置和需求的不同，需要安装不同类型的温度传感器，包括接触式的热电偶、热电阻温度传感器，监测煤堆内部温度的数字式多点测温线缆以及非接触式的红外测温装置。
[0006] 3、监测数据量大；球仓温度监测系统多测点多类型的特点决定了监测到的温度数据量会十分巨大，如何从大量的数据中得出准确的信息是需要解决的问题。
[0007] 现有的温度预警方法大多利用温度监测结果直接进行预警，即依据预先设置好的温度预警阈值，当监测温度超过阈值则进行报警。这种方法显然不适合球仓的温度监测系统，多类型温度传感器各自的精度与误差不一致，多测点导致的大数据量，这两点决定了单纯用测点监测的温度值来预警会导致误报，造成不必要的经济损失与安全隐患。因此本发明设计一种结合人工神经网络的温度预警方法，通过对监测数据进行特征提取、数据融合等处理，来提高预警的准确性和可靠性。
发明内容
[0008] 本发明针对现有温度预警系统的缺陷，提供一种球仓温度预警方法，以提高预警的准确性和可靠性。
[0009] 本发明采用的技术方案是：一种基于神经网络的球仓温度预警方法，该方法包括以下步骤：
[0010] 步骤一、温度信息预处理：对一段时间内各个采样点的温度数据进行均值滤波，计算公式为 其中i表示预处理后的第i个采样点，T(i)表示预处理后第i个采样点的温度，它是实际测量的第j＝i0时刻到第j＝i0+n0时刻的n0个温度值的平均值。n0表示这一计算时间段内对应的原始采样温度的点数。j表示第j个原始温度采样点，T0(j)表示第j个采样点的原始温度。i0表示第i个采样点采样区间起点对应的原始温度采样点。
[0011] 步骤二、温度特征提取：提取预处理后温度信息的特征值，即球仓平均温度、温升速率和温度增加趋势值，其具体过程如下：
[0012] S2.1、平均温度计算：系统周期性采集球仓内温度，并计算一个周期内的温度数据平均值。
[0013] S2.2、温升速率计算：取球仓内某采样点上温度信号X(n)与平均温度信号间的差值再与平均温度的商为d(n)，计算式为： 其中RW为球仓平均温度。
[0014] S2.3、温度增加趋势值计算：通过处理一段时间内检测到的温度信号数据，得到能够表现出温度明显上升或下降的趋势值，用该趋势值来监测火灾发生态势，计算公式为其中ii表示第ii个采样点，N表示计算时间内段对应的采样温度点数，X(ii)表示第ii个采样点温度。定义符号函数 其中s表示温差最低门限值。
[0015] 平均温度，温升速率和温度增加趋势值三个特征值有效描述球仓内的温升情况，将这三个特征值作为预警系统的输入比单纯的将温度值作为预警因素要可靠准确。
[0016] 步骤三、将步骤二中的三个特征值作为输入，以预警等级作为输出，构建基于LMBP神经网络的温度预警，其具体步骤如下：
[0017] S3.1、构建以步骤二得到的特征值为输入，以预警等级为输出的三层LMBP神经网络，将随机数值赋给权值矩阵V，W，V为输入层到隐含层的权值矩阵，W为隐含层到输出层的权值矩阵，设样本模式计数器m＝1，训练次数计数器n＝1，误差E＝0，学习率η＝0.01，网络训练后的精度Emin＝0.01。
[0018] S3.2、将训练样本输入训练网络，计算出隐藏层各神经单元输出，公式为其中xp为输入层第p个向量，θj为隐含层各单元的阈值，取值0.01。
[0019] S3.3、计算出输出层各神经元输出，公式为 并计算出网络输出误差，其中γt为输出层个单元的阈值，取值0.01。
[0020] S3.4、算出各层误差信号值，再根据误差信号调整各层权值，计算下一次隐含层和输出层新的连接权值。
[0021] S3.5、判断是否完成所有样本训练，若m
[0022] S3.6、判断网络全局误差函数E是否小于预先设定的最小误差值值Emin，若小于，则结束；否则E置0，m加1，返回S3.2。
[0023] S3.7、训练完成后，输入待测样本的特征值，输出预警等级，完成温度预警。
[0024] 本发明提出的一种基于神经网络的球仓温度预警方法，其优点是：
[0025] 1、对温度信号进行预处理，去除了因外界干扰和传感器本身不稳定带来的噪声影响，提高了原始数据的准确性和可靠性。
[0026] 2、针对一般温度预警系统只根据温度值直接进行预警的缺点，提出了温度信号特征值的提取方法，并将提取出的特征值作为人工神经网络的输入，通过进一步的信息融合，输出不同的预警等级，根据输出的结果来采取相应的措施，克服了单独利用温度值直接预警在预警阈值边界预警可靠性差的缺点，提高了预警的准确性。
附图说明
[0027] 图1为球仓壁温度测点布置示意图
[0028] 图2为硬件系统电路原理框图。
[0029] 图3为本发明温度预警方法的方法流程框图。
[0030] 图中：1-电阻式温度传感器，2-数字式多点测温线缆，3-红外测温装置。
具体实施方式
[0031] 温度测点如图1所示，电阻式温度传感器1布置在球仓壁和球仓底部出煤口处，球仓壁上的温度传感器在横向上沿内壁每隔50°安装一个，共六个。在纵向上从侧墙底部开始每隔3m安装一个，共10个。数字式多点测温线缆3自球仓顶部垂直安装，每个出煤口处布置一条测温线缆。红外测温装置2安装在球仓顶部，横向上每隔120°安装一台，共3台。
[0032] 系统的硬件结构如图2所示，主要由温度传感器，信号采集卡，微处理器、诊断结果显示装置和故障报警装置，微处理器具有数据文件读取和写入接口。系统每2s采样一次，一分钟采30个数据。
[0033] 温度预警方法的方法流程框图如图3所示，预警流程如下：
[0034] 1、温度信息预处理，将系统一分钟内各个采样点的温度数据进行均值滤波，计算公式为 其中i表示预处理后的第i个采样点，T(i)表示预处理后第i个采样点的温度，它是实际测量的第j＝i0时刻到第j＝i0+n0时刻的n0个温度值的平均值。n0表示这一计算时间段内对应的原始采样温度的点数。j表示第j个原始温度采样点，T0(j)表示第j个采样点的原始温度。i0表示第i个采样点采样区间起点对应的原始温度采样点。
[0035] 2、提取特征值，将系统3分钟内采集的90个温度数据进行平均值计算，得到球仓平均温度；取球仓内某采样点上温度信号X(n)与平均温度信号间的差值再与平均温度的商,得到球仓内的温升速率。
[0036] 用公式 得到温度增加趋势值，其中i表示第i个采样点，N表示计算时间内段对应的采样温度点数，X(i)表示第i个采样点温度。定义符号函数 其中s表示
温差最低门限值。
[0037] 3、以特征值为输入节点，以预警等级为输出节点的三层LMBP神经网络，并利用10组特征向量训练和测试神经网络，其中8组为训练样本，2组为测试样本，训练和测试结束后，建立预警模型。
[0038] 4、将特征值输入预警模型中，当球仓内有自燃倾向时，输出预警等级，显示在预警界面，根据不同的预警等级采取相应措施。
