CN116340795A - 一种用于纯氧燃烧加热炉运行数据处理方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于纯氧燃烧加热炉运行数据处理方法。该方法获取表面温度数据的关联数据，通过对关联数据进行数据离散分析和关联分析，确定对应时刻下的异常干扰因子。进一步对表面温度数据进行数据偏离分析，确定每个表面温度数据的疑似异常影响因子。将异常干扰因子和疑似异常影响因子结合，获得综合异常影响因子，根据综合异常影响因子对表面温度数据进行处理，识别异常温度数据。本发明通过对关联数据的处理与关联分析，获得表征纯氧燃烧加热炉表面温度数据的受影响程度的指标，进而对异常检测算法进行结合，识别出准确的异常温度数据。

Description

一种用于纯氧燃烧加热炉运行数据处理方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种用于纯氧燃烧加热炉运行数据处理方法。

背景技术

纯氧加热炉是一种高温加热设备，通过纯氧与燃料的燃烧产生高温气体，利用高温气体的辐射和对流传热方式进行加热。纯氧燃烧加热炉的燃烧效率更高、能耗更低，因此被广泛使用。而在使用过程中，因为长时间使用会导致炉壁变薄、出现裂纹等异常情况，若不及时进行维护会使得炉壁出现气体泄露进而产生爆炸。因此需要对纯氧加热炉的温度数据进行实时监测并进行异常检测，及时发现异常并及时处理。

在现有技术中，常用的数据异常检测包括LOF算法、COF算法、随机森林算法等，这些异常检测算法能够通过时序上温度表现出来的波动及异常筛选出异常温度数据。但是在纯氧燃烧加热炉中，炉壁表面温度受到多种因素的干扰，例如高温排气流量、氧气流量、燃料流量等，在这些因素的干扰下，会导致某个时刻下炉壁产生了异常，但是在表面温度数据下展现的是正常的结果，在异常检测过程中并未识别出异常，导致异常检测不及时，进而影响纯氧燃烧加热炉的维护与检修，形成安全隐患。

发明内容

为了解决因为多种因素影响纯氧燃烧加热炉表面温度的异常检测，导致异常检测不准确的技术问题，本发明的目的在于提供一种用于纯氧燃烧加热炉运行数据处理方法，所采用的技术方案具体如下：

本发明提出了一种用于纯氧燃烧加热炉运行数据处理方法，所述方法包括：

根据预设采用频率和采样时段，获取纯氧燃烧加热炉的待处理区域的关联数据序列和表面温度序列；关联数据至少包括排气流量、燃料流量和氧气流量；

根据所述关联数据序列中元素的数据离散程度，获得每个时刻下关联数据的第一影响因子；对历史数据进行拟合，获得表面温度预测模型；所述表面温度预测模型的自变量为各个关联数据，因变量为表面温度预测值，所述表面温度预测模型中包含各个关联数据的关联系数；根据每种所述关联系数和对应的所述第一影响因子，获得对应时刻下的异常干扰因子；

根据所述关联数据序列和所述表面温度预测模型获得平均表面温度预测值；根据所述表面温度序列中各个表面温度相对于所述平均表面温度预测值的偏离程度获得对应表面温度的疑似异常影响因子；

根据所述疑似异常影响因子和所述异常干扰因子获得对应时刻下所述表面温度的综合异常影响因子；根据所述综合异常影响因子和所述表面温度的数据值识别出异常温度数据。

进一步地，所述根据所述关联数据序列中元素的变化特征获得每个时刻下关联数据的第一影响因子包括：

获得所述关联数据序列的数据均值和数据标准差，获得每个时刻下关联数据与所述数据均值的数据差异，以所述数据差异和所述数据标准差的乘积作为对应时刻下关联数据的所述第一影响因子。

进一步地，所述表面温度预测模型的获取方法包括：

统计历史数据，以各个关联数据作为自变量，所述表面温度预测值作为因变量，拟合多元一次模型，获得所述表面温度预测模型。

进一步地，所述关联系数的获取方法包括：

所述关联系数为所述多元一次模型中各个关联数据对应的系数的绝对值。

进一步地，所述异常干扰因子的获取方法包括：

将每个时刻下各个关联数据对应的所述关联系数和所述第一影响因子相乘，将乘积累加后，获得对应时刻下的所述异常干扰因子。

进一步地，所述根据所述表面温度预测模型获得平均表面温度预测值的获取方法包括：

获得各个所述关联数据序列中的关联数据均值；将所述关联数据均值输入所述表面温度预测模型中，输出所述平均表面温度预测值。

进一步地，所述根据所述表面温度序列中各个表面温度的偏离程度获得对应表面温度的疑似异常影响因子包括：

获得各个表面温度与所述平均表面温度预测值之间的温度差异；以所述平均表面温度预测值作为基准值，获得所述表面温度序列相对于所述基准值的温度标准差；以所述温度差异与所述温度标准差的乘积作为对应表面温度数据的第一偏离程度；将所述温度差异归一化，获得对应表面温度数据的第二偏离程度；将所述第一偏离程度和所述第二偏离程度相加后，获得所述疑似异常影响因子。

进一步地，所述根据所述疑似异常影响因子和所述异常干扰因子获得综合异常影响因子包括：

以所述异常干扰因子和所述疑似异常影响因子之间的差值绝对值作为所述综合异常影响因子。

进一步地，所述根据所述综合异常影响因子和所述表面温度的数据值识别出异常温度数据包括：

在DBSCAN聚类方法中，以每个所述表面温度的所述综合异常影响因子与常数1的和值作为权重，根据权重调整每个表面温度与其他表面温度之间的距离度量，获得聚类结果；根据所述聚类结果筛选出异常温度数据。

本发明具有如下有益效果：

本发明为了避免单独分析纯氧燃烧加热炉的表面温度造成的异常分析误差，同时采集了关联数据和表面温度数据。首先分析关联数据的离散程度，即通过关联数据的异常变换表现出第一影响因子，进一步结合历史数据，通过关联系数获得参考性较强的异常干扰因子。进一步处理表温度数据，获得对应表面温度的疑似异常因子，进而获得综合异常因子。即综合异常因子同时考虑到了表面温度自身异常情况和关联数据体现出的异常情况，因此结合综合异常因子对表面温度进行异常检测能够检测出准确的异常信息，避免仅对表面温度数据进行处理造成的异常检测误差，提高异常检测精度，能够及时识别出异常数据对纯氧燃烧加热炉进行维护和检修。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种用于纯氧燃烧加热炉运行数据处理方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于纯氧燃烧加热炉运行数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种用于纯氧燃烧加热炉运行数据处理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种用于纯氧燃烧加热炉运行数据处理方法流程图，该方法包括：

步骤S1：根据预设采用频率和采样时段，获取纯氧燃烧加热炉的待处理区域的关联数据序列和表面温度序列。

因为单独分析纯氧燃烧加热炉的表面温度会导致异常检测出现误差，因此为了保证异常检测的准确性，在获取纯氧燃烧加热炉表面温度的同时还需要获取炉内中影响温度的关联数据。因为纯氧燃烧加热炉是基于纯氧与燃料燃烧产生的高温气体的辐射和对流原理实现加热的，因此影响表面温度的关联数据至少要包括排气流量、燃料流量和氧气流量，即这三种基础数据是影响和决定的炉壁表面温度的关键信息，在后续分析关联特征时需要基于这三种数据进行分析。

需要说明的是，在其他实施例中，在排气流量、燃料流量和氧气流量三种数据的基础上还可以加入炉内气压、纯氧浓度等多种因素进行关联分析，每种关联数据的分析方法一致，并且关联数据与表面温度数据采集时所需要的传感器类型也为本领域技术人员熟知的，在此不做赘述与限定。

在本发明实施例中，考虑到纯氧加热炉的工作区包括燃烧室、进出料口、排放烟囱和炉管四种工作区，因此需要对这四种工作区均进行单独数据异常分析。又因为局部区域的温度无法表征整个工作区的温度信息，因此还需要在每个工作区中设置均匀的采样点，采集不同区域下数据，在本发明实施例中在每个工作区设置12个采样点，在后续数据处理利用这12个采样点的数据共同表示整个工作区的数据。在本发明实施例中，对于每个采样点，设置5s作为采样时间间隔，50为采样长度获得关联数据序列和表面温度序列。即每个数据序列的长度为50，序列中相邻元素之间的时间间隔为5s。

需要说明的是，为了方便后续对数据的处理，在获得待处理区域的数据后，还需要对数据进行归一化，以实现去量纲的目的，即后续数据均是值域为0到1之间的无量纲数据。

步骤S2：根据关联数据序列中元素的数据离散程度，获得每个时刻下关联数据的第一影响因子；对历史数据进行拟合，获得表面温度预测模型；表面温度预测模型的自变量为各个关联数据，因变量为表面温度预测值，表面温度预测模型中包含各个关联数据的关联系数；根据每种关联系数和对应的第一影响因子，获得对应时刻下的异常干扰因子。

在纯氧燃烧加热炉中，当排气流量增大时，高温气体在炉内流动的速度会增加，导致高温气体与炉壁表面接触的时间较短，从而使得高温其他传热辐射的能量密度增加，炉壁表面温度也会相应增加；当燃料流量增大时，会导致炉膛内燃烧反应更加强烈，产生更多热量，热量会随着气体对流和辐射传递到炉壁表面，导致炉壁表面温度升高；当氧气流量增大时，燃烧反应将会更加充分，放出的高温其他和燃烧的火焰的温度也会增加，进而通过辐射将热量传递到炉壁，使得炉壁表面接收到更多热量，导致表面温度升高。因此若某处工作区的炉壁出现细微裂缝或者炉壁变薄，会导致气压出现异常，炉内的高温其他、燃料和氧气会因为气压作用产生异常的剧烈流动，进而增加流量，使得炉壁表面温度升高，进而导致异常检测过程中通过表面温度数据无法准确的识别出异常数据。因此需要对关联数据进行分析，分析其数据的变化和关联数据对表面温度数据的关联性。

首先需要分析关联数据中的数据变化，在一段时序过程中，如果对应的关联数据内发生数据的异常波动与偏移，则说明此时段对应的关联数据产生了异常，即此时的表面温度数据反映出来的数据有可能并不准确。因此根据关联数据序列中元素的数据离散程度获得每个时刻下关联数据的第一影响因子，即第一影响因子越大，说明对应时刻下的关联数据越异常，该异常情况对表面温度数据的影响越大。

优选地，本发明一个实施例中，根据关联数据序列中元素的变化特征获得每个时刻下关联数据的第一影响因子包括：

获得关联数据序列的数据均值和数据标准差，获得每个时刻下关联数据与数据均值的数据差异，以数据差异和数据标准差的乘积作为对应时刻下关联数据的第一影响因子。第一影响因子用公式表示为：

其中，

为第

种关联数据中第

时刻下的第一影响因子，

为第

种关联数据的 关联数据序列中第

时刻下的元素值，

为第

种关联数据的关联数据序列中的数据均值，

为第

种关联数据的关联数据序列中的数据标准差。

由第一影响因子公式可看出，数据标准差越大，数据差异越大，说明序列内整体元素的变化越大，即此时对应的关联数据变化越异常，越容易对表面温度数据产生影响。

需要说明的是，每种关联数据对应的关联数据序列的第一影响因子的获取方法是 相同的，即经过分析后可获得三种第一影响因子，在本发明实施例中第

时刻下三种第一影 响因子分别记为：排气流量的第一影响因子

、燃料流量的第一影响因子

和氧气流量的 第一影响因子

。

第一影响因子通过对关联数据序列中数据的分析，利用数据离散程度表征关联数据的异常，进而体现出对表面温度的影响。但是不同关联数据对表面温度的影响程度是不同的，因此还需要分析每种关联数据对表面温度的关联程度，进而调整所获得的第一影响因子。

对历史数据进行拟合，历史数据包括一个时刻下的关联数据和表面温度数据，因此可获得一个表面温度预测模型，在表面温度预测模型中，自变量为各个关联数据，因变量为表面温度预测值。因此表面温度预测模型中包含有各个关联数据对表面温度的关联系数。结合关联系数和对应的第一影响因子即可获得对应时刻下的异常干扰因子。

优选地，本发明一个实施例中，表面温度预测模型的获取方法包括：

统计历史数据，以各个关联数据作为自变量，表面温度预测值作为因变量，拟合多元一次模型，获得表面温度预测模型。因为本发明一个实施例中关联数据包含了三种数据，因此所拟合得到的表面温度预测模型为一个三元一次模型，具体表达式为：

其中，

为第

个待处理区域的表面温度预测值，

为排气流量数据，

为排气流 量数据对应的系数，

为燃料流量数据，

为燃料流量数据对应的系数，

为氧气流量数 据，

为氧气流量数据对应的系数，

为模型偏移量。

在表面温度预测模型中，系数表示表面温度预测值因关联数据的变化程度，模型偏移量表示预测值与真实值之间的误差项，关联系数的绝对值越大说明对应关联数据对表面温度数据的影响越大，因此可将多元一次模型中各个关联数据对应的系数的绝对值作为对应的关联系数。

优选地，在本发明一个实施例中，异常干扰因子的获取方法包括：

将每个时刻下各个关联数据对应的关联系数和第一影响因子相乘，将乘积累加后，获得对应时刻下的异常干扰因子。异常干扰因子的公式表示为：

其中，

为第

个时刻下的异常干扰因子，

为排气流量的关联系数，

为排气流 量的第一影响因子，

为燃料流量的关联系数，

为燃料流量的第一影响因子，

为氧气 流量的关联系数，

为氧气流量的第一影响因子。即以关联系数作为对应第一影响因子的 权重，将各个关联数据的第一影响因子加权求和，获得异常干扰因子。所获得的异常干扰因 子表示了当前时刻下，待处理区域内的各个关联数据对表面温度数据的整体影响。

步骤S3：根据关联数据序列和表面温度预测模型获得平均表面温度预测值；根据表面温度序列中各个表面温度相对于平均表面温度预测值的偏离程度获得对应表面温度的疑似异常影响因子。

经过步骤S2的分析后，可获得当前待处理区域中关联数据对表面温度数据的整体影响。进一步需要利用表面温度数据分析表面温度数据自身的异常特征。

首先根据表面温度预测模型获得平均表面温度预测值，因为表面温度预测模型是基于历史数据获取的，根据先验知识可知，异常数据相较于正常数据而言，数据量极小，因此根据历史数据所获得的表面温度预测模型整体呈现一种正常的表面温度与各项关联数据的关系，即根据表面温度预测模型所获得的数据也为正常数据，因此根据关联数据序列和表面温度预测模型所获得的平均表面温度预测值能够表征一个正常的表面温度数据，因此可基于平均表面温度预测值获取表面温度序列中各个表面温度的偏离程度，确定对应表面温度的疑似异常影响因子。

需要说明的是，在本发明一个实施例中，考虑到某些待处理区域作为工作区的面积较大，并且工作区中不同区域不能够进行合并分析，因此对于这种待处理区域可将一个采样区域的数据构建成一个表面温度序列，即一个待处理区域对应多个表面温度序列，然后对表面温度序列中的数据进行相同方法的偏离程度分析，进而使得后续的异常检测更加准确，能够准确定位到异常数据产生的时刻和位置。为了方便描述，在后续过程中仅以一个表面温度序列进行举例描述。

优选地，本发明一个实施例中考虑到在获取用于表面温度数据偏离程度分析过程中的基准数据时，需要降低排气流量、燃料流量、氧气流量的异常变化对表面温度的影响，因此获得各个关联数据序列中的关联数据均值；将关联数据均值输入表面温度预测模型中，输出平均表面温度预测值。

优选地，本发明一个实施例中根据所述表面温度序列中各个表面温度的偏离程度获得对应表面温度的疑似异常影响因子包括：

获得各个表面温度与平均表面温度预测值之间的温度差异；以平均表面温度预测值作为基准值，获得表面温度序列相对于基准值的温度标准差；以温度差异与温度标准差的乘积作为对应表面温度数据的第一偏离程度；将温度差异归一化，获得对应表面温度数据的第二偏离程度；将第一偏离程度和第二偏离程度相加后，获得疑似异常影响因子。疑似异常影响因子的公式表示为：

其中，

为第

个时刻下的对应表面温度的疑似异常影响因子，

为第一偏离程度，

为第二偏离程度，

为第

个时刻下的对应表面温度的数据值，

为第

个待处理区域下 的平均表面温度预测值，

为归一化函数。

根据疑似异常因子的公式可知，温度差异越大，说明对应数据的偏离程度越大；标准差越大，说明对应序列内数据的波动程度越大，即偏离程度越大，因此疑似异常影响因子越大，说明对应时刻下的表面温度越为异常温度。

步骤S4：根据疑似异常影响因子和异常干扰因子获得对应时刻下表面温度的综合异常影响因子；根据综合异常影响因子和表面温度的数据值识别出异常温度数据。

为了后续通过表面温度的数据特征来检测纯氧燃烧加热炉是否初心运行异常，需要减少关联数据对表面温度的干扰，因此可结合疑似异常影响因子和所述异常干扰因子获得对应时刻下表面温度的综合异常影响因子，根据综合影响因子判断此时的表面温度的被影响程度，进而在后续异常检测过程中，可结合综合异常影响因子和表面温度的数据值识别出异常温度数据。

优选地，在本发明一个实施例中，根据疑似异常影响因子和异常干扰因子获得综合异常影响因子包括：

以异常干扰因子和疑似异常影响因子之间的差值绝对值作为综合异常影响因子。若异常干扰因子较大，疑似异常影响因子较小，则说明此时表面温度数据展示的表面数据特征并不是异常数据，但是此时的表面温度数据受到了关联数据的影响，因此所获得的差值绝对值较大，即综合异常影响因子较大；若异常干扰因子较小，疑似异常因子较大，则说明此时关联数据不对表面数据进行影响，但是表面数据已经呈现出了明显的异常特征，因此所获得的差值绝对值较大，即综合异常影响因子较大，能够进一步放大对应数据的异常参考性；若异常干扰因子和疑似异常影响因子均为较小值，则说明此时的表面温度数据为正常数据，不需要对其进行处理，则综合异常影响因子较小；若异常干扰因子和疑似异常影响因子均为较大值，则说明此时炉内产生了较大的异常特征，关联数据与表面温度均出现了问题，此时的表面温度数据体现出的异常特征足以被异常检测算法检测出来，因此不需要对其进行处理，则综合异常影响因子较小。

优选地，本发明一个实施例中，根据综合异常影响因子和表面温度的数据值识别出异常温度数据包括：

因为DBSCAN聚类异常分析的计算量相对于其他异常检测算法而言计算量较小、处理速度较快，因此使用DBSCAN聚类识别出异常温度数据。在DBSCAN聚类方法中，以每个表面温度的综合异常影响因子与常数1的和值作为权重，根据权重调整每个表面温度与其他表面温度之间的距离度量，获得聚类结果；根据聚类结果筛选出异常温度数据。即调整后的距离度量表达式为：

其中，

为表面温度

和其他表面温度b之间调整后的距离度量，

为 表面温度

和其他表面温度b之间调整前的距离度量，

为表面温度

的综合异常影响因 子。需要说明的是，调整前的距离度量可采用欧氏距离的获取方法进行获得，在其他实施例 中也可选用其他距离度量算法，此类运算为本领域技术人员熟知的技术手段，在此不做赘 述。

经过距离度量的调整后，可将各个表面数据映射值二维数据空间中，进而通过DBSCAN聚类将各个数据点进行聚类，最后得到的聚类结果中，孤立数据点和簇内样本较少的样本即为异常温度数据。在本发明实施例中，以孤立数据点和簇内样本最少的聚类簇对应的表面温度数据作为异常温度数据。

需要说明的是，在其他实施例中也可选用其他异常检测算法，在异常检测过程中结合综合异常影响因子调整对应的差异度量即可实现对异常温度数据的准确检测，具体方法为本领域技术人员熟知的技术手段，在此不做赘述。

工作人员可基于获取的异常温度数据所对应的时刻和位置确定待处理区域出现的异常情况，进行时序上和空间上的异常定位，方便工作人员进行后续的检修维护处理。

综上所述，本发明实施例获取表面温度数据的关联数据，通过对关联数据进行数据离散分析和关联分析，确定对应时刻下的异常干扰因子。进一步对表面温度数据进行数据偏离分析，确定每个表面温度数据的疑似异常影响因子。将异常干扰因子和疑似异常影响因子结合，获得综合异常影响因子，根据综合异常影响因子对表面温度数据进行处理，识别异常温度数据。本发明实施例通过对关联数据的处理与关联分析，获得表征纯氧燃烧加热炉表面温度数据的受影响程度的指标，进而对异常检测算法进行结合，识别出准确的异常温度数据。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述方法包括：

根据预设采用频率和采样时段，获取纯氧燃烧加热炉的待处理区域的关联数据序列和表面温度序列；关联数据至少包括排气流量、燃料流量和氧气流量；

根据所述关联数据序列中元素的数据离散程度，获得每个时刻下关联数据的第一影响因子；对历史数据进行拟合，获得表面温度预测模型；所述表面温度预测模型的自变量为各个关联数据，因变量为表面温度预测值，所述表面温度预测模型中包含各个关联数据的关联系数；根据每种所述关联系数和对应的所述第一影响因子，获得对应时刻下的异常干扰因子；

根据所述关联数据序列和所述表面温度预测模型获得平均表面温度预测值；根据所述表面温度序列中各个表面温度相对于所述平均表面温度预测值的偏离程度获得对应表面温度的疑似异常影响因子；

根据所述疑似异常影响因子和所述异常干扰因子获得对应时刻下所述表面温度的综合异常影响因子；根据所述综合异常影响因子和所述表面温度的数据值识别出异常温度数据。

2.根据权利要求1所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述根据所述关联数据序列中元素的变化特征获得每个时刻下关联数据的第一影响因子包括：

获得所述关联数据序列的数据均值和数据标准差，获得每个时刻下关联数据与所述数据均值的数据差异，以所述数据差异和所述数据标准差的乘积作为对应时刻下关联数据的所述第一影响因子。

3.根据权利要求1所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述表面温度预测模型的获取方法包括：

统计历史数据，以各个关联数据作为自变量，所述表面温度预测值作为因变量，拟合多元一次模型，获得所述表面温度预测模型。

4.根据权利要求3所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述关联系数的获取方法包括：

所述关联系数为所述多元一次模型中各个关联数据对应的系数的绝对值。

5.根据权利要求1所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述异常干扰因子的获取方法包括：

将每个时刻下各个关联数据对应的所述关联系数和所述第一影响因子相乘，将乘积累加后，获得对应时刻下的所述异常干扰因子。

6.根据权利要求1所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述根据所述表面温度预测模型获得平均表面温度预测值的获取方法包括：

获得各个所述关联数据序列中的关联数据均值；将所述关联数据均值输入所述表面温度预测模型中，输出所述平均表面温度预测值。

7.根据权利要求1所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述根据所述表面温度序列中各个表面温度的偏离程度获得对应表面温度的疑似异常影响因子包括：

获得各个表面温度与所述平均表面温度预测值之间的温度差异；以所述平均表面温度预测值作为基准值，获得所述表面温度序列相对于所述基准值的温度标准差；以所述温度差异与所述温度标准差的乘积作为对应表面温度数据的第一偏离程度；将所述温度差异归一化，获得对应表面温度数据的第二偏离程度；将所述第一偏离程度和所述第二偏离程度相加后，获得所述疑似异常影响因子。

8.根据权利要求1所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述根据所述疑似异常影响因子和所述异常干扰因子获得综合异常影响因子包括：

以所述异常干扰因子和所述疑似异常影响因子之间的差值绝对值作为所述综合异常影响因子。

9.根据权利要求1所述的一种用于纯氧燃烧加热炉运行数据处理方法，其特征在于，所述根据所述综合异常影响因子和所述表面温度的数据值识别出异常温度数据包括：

在DBSCAN聚类方法中，以每个所述表面温度的所述综合异常影响因子与常数1的和值作为权重，根据权重调整每个表面温度与其他表面温度之间的距离度量，获得聚类结果；根据所述聚类结果筛选出异常温度数据。

Images