基于时空注意力机制的燃煤锅炉结渣与壁温超温联合软测量及分级预警框架

《Scientific Reports》：A convolution–attention network predicts boiler slagging and warns of waterwall overheating from the furnace temperature field

　　

摘要

结渣与壁温超温是燃煤锅炉安全经济运行面临的最昂贵威胁之一，然而各电厂至今仍分别对二者进行诊断，尽管它们同源于同一非均匀的炉膛温度场。本文对两者进行联合处理。我们从耦合了烟气温度、近壁热流、灰沉积及管壁金属温度的传热平衡出发，构建了一个网络：该网络通过卷积读取温度场的空间结构，通过通道、空间和时序注意力机制对其进行重加权，随后分支为结渣分类器与壁温回归器。数据来自一台燃烧灰软化温度为1265 °C烟煤混配煤的660 MW切圆燃烧超临界机组，辅以经网格独立性检验并与现场测量数据匹配的CFD温度场，并通过置信度门控分级准则将两个输出转化为分级超温预警。在五个随机种子的平均下，模型在峰值金属温度预测上达到决定系数0.958 ± 0.004；在预警任务上达到F1值0.931 ± 0.008，精确率-召回率曲线下面积为0.912 ± 0.013，中位预警提前时间为40 s。与最强基线相比，回归误差、排序质量和预警提前时间的提升在统计上可分辨，而F1值的提升则不然，本文如实报告了这一对比结果。消融实验与注意力权重可视化表明，空间加权集中于燃烧器带的沉积区域，时序加权集中于事件发生前的时间窗口。跨灰熔融特性的迁移测试标定了该方法的适用边界：在不进行微调的情况下将其应用于灰软化温度较低的煤种时，F1值降至0.842。因此，该框架被提出作为针对单一特征明确机组的可复现软测量层，而非通用工具，相关代码及已发布的数据提取置于附加文件中。