摘要
火力发电厂输煤巡检场景存在环境工况复杂、干扰因素多、监测数据异构性强等特点，传统单一传感监测模式数据维度单一、特征关联性弱，难以有效识别皮带堵煤、轻微跑偏、轴承渐进超温等复合型隐性故障，误漏报问题突出。针对上述工程痛点，本文引入多模态异构数据融合技术，搭建端边云协同的输煤智慧巡检系统，集成视觉、红外、振动、声学、温湿度、粉尘浓度等多类异构感知数据，构建“数据预处理-注意力特征融合-量化决策判别”三级融合体系。通过自适应注意力机制解决传统固定权重模型适配性差、异构数据融合浅层化的问题，建立多模态数据与六大典型输煤异常的耦合识别机理，形成分级预警与闭环运维机制。工程实践结果表明，所提技术方案整体异常检测准确率可达97.2%，误报率、漏报率分别控制在2.2%、1.5%，有效克服粉尘、高湿环境干扰，大幅提升火电厂输煤设备复合型故障的识别精度与巡检智能化水平，可为火电输煤系统智能化改造提供成熟的应用实践参考。
关键词：火电厂；输煤系统；智慧巡检；多模态异构数据；数据融合
1. 引言
随着国家“双碳”战略的深入推进和新型电力系统的构建，火电机组深度调峰成为常态，输煤系统作为锅炉原煤供给的“生命线”，其安全稳定运行面临更高挑战。根据《火力发电厂智能化技术导则》（DL/T2413-2021）及《关于推进电力源网荷储一体化和多能互补发展的指导意见》等政策与行业标准的要求，推进火电厂输煤系统的智慧化、少人化改造已成为行业共识[1, 2]。近年来，国内学者围绕火电厂输煤区域智能巡检系统设计[3]及基于信息化的栈桥智慧巡检系统构建[4]开展了大量研究。然而，火力发电厂输煤巡检场景存在环境工况复杂、干扰因素多、监测数据异构性强等特点。
火力发电厂输煤系统承担锅炉原煤接卸、输送、筛分的核心任务，设备长期连续重载运行，输煤廊道普遍存在高粉尘、高湿度、光照不均等复杂工况，设备机械故障与环境扰动耦合异常频发，直接影响发电机组稳定运行。传统输煤巡检多采用人工巡检辅以单一传感器监测模式，各类监测设备独立部署、数据孤立存储、研判逻辑相互独立，采集的图像、温度、振动、环境参数等数据存在显著的异构性、冗余性、干扰性问题，无法形成多维度特征互补校核机制。单一视频监测难以识别设备机械劣化趋势，单点温度、振动传感缺乏场景佐证，极易受环境干扰产生误判，对初期堵煤、轻微跑偏、轴承隐性超温等隐患识别能力不足，难以满足现代火电厂智慧巡检的精准化、前置化、自动化管控需求。
多模态异构数据融合技术是工业智能监测领域的核心技术方向，可对不同维度、不同类型、不同量级的异构感知数据进行统一净化、特征关联与协同决策，突破单一监测手段的技术瓶颈，显著提升复杂工况下故障识别的抗干扰性与精准性。当前该技术已广泛应用于电力、矿山等工业场景[5, 6]，但在火电厂输煤巡检领域，仍存在异构数据对齐难度大、多参数耦合特征挖掘不充分、融合算法场景适配性不足等问题。为此，本文结合某 600MW 火电厂输煤系统工程实际，开展多模态异构数据融合技术的落地应用研究，搭建一体化智慧巡检平台，构建适配输煤复杂工况的多级融合检测模型与分级响应机制，实现输煤皮带、转机设备、廊道环境全维度状态精准监测，解决传统巡检技术短板，为火电厂输煤系统安全稳定运行提供技术保障。
2. 输煤系统巡检痛点与异构数据特征分析
2.1. 典型巡检异常类型
结合火电厂输煤系统运行规程与现场故障统计，系统高频异常可划分为皮带结构异常、转动设备工况异常、廊道环境超标三大类，涵盖六大典型异常工况，且多为环境与设备耦合引发的复合型故障。一是皮带结构异常，包含皮带撕裂、皮带跑偏、皮带堵煤，多由环境积尘、原煤潮湿、受力不均诱发，故障表象兼具形态形变、振动异常、局部温升、扬尘突变等多维度特征[7]；二是转动设备异常，包含转机振动超标、轴承超温，设备长期重载磨损、高湿锈蚀会引发设备渐进式劣化，呈现振动频谱畸变、温度持续攀升、运行异响等关联特征；三是环境参数异常，廊道粉尘、湿度过标不仅属于独立安全隐患，同时会加剧设备老化、诱发各类机械故障，是输煤系统异常频发的重要诱因。
2.2. 传统巡检核心技术瓶颈
1）数据异构割裂，融合程度低。传统监测体系中图像、温度、振动、环境参数等异构数据独立采集、独立分析，时空基准不统一、特征无关联[8]，无法发挥多源数据互补校核优势，海量监测数据资源利用率极低。
2）抗干扰能力弱，误漏报频发。单一监测模型采用固定阈值判定，未区分设备常态波动、环境干扰与真实故障，高粉尘、高湿工况下视觉成像失真、传感数据波动大，隐性、复合型故障漏判、误判问题突出。
3）特征挖掘浅层化，预判能力缺失。传统监测仅依托单参数阈值判定故障，无法挖掘多模态异构数据的关联劣化趋势，难以实现轻微跑偏、初期堵煤、渐进超温等前置隐患预判。
4）管控机制粗放，闭环能力不足。无量化异常评价体系，预警层级模糊，无法实现分级、分类、分区的精准处置，难以形成全流程闭环巡检管控。
2.3. 多模态异构数据构成及特性
本文结合输煤巡检全场景监测需求，构建六维多模态异构感知体系，涵盖图像视觉、红外温度、机械振动、运行声学、环境湿度、粉尘浓度六大类异构数据，数据类型包含图像类二维数据、时序类数值数据、环境类参数数据，数据维度、量纲、特征差异显著，具备典型的多源异构特性。其中视觉图像负责识别皮带撕裂、跑偏、堆煤等形态异常[9]；红外温度聚焦轴承、托辊摩擦热劣化监测；振动与声学数据表征转机设备机械运行状态；温湿度、粉尘浓度数据用于环境干扰修正与故障诱因分析，多类数据相互补充、交叉校核，为复合型故障精准识别提供完整数据支撑。
为保障多源异构数据的有效融合，系统对各感知终端的关键技术参数与时空同步机制进行了统一规范。在硬件参数方面，视觉相机分辨率为 200 万像素（帧率 25fps），红外热像仪测温精度为 ±2°C MEMS 振动传感器采样频率为 20kHz，声学传感器采样率为 48kHz，温湿度及粉尘传感器采样周期为1s。在时空同步机制上，所有感知终端基于 PTP（精确时间协议）或 NTP 协议实现毫秒级时钟同步，确保多源数据在同一时间基准下对齐；在采样周期匹配上，采用边缘计算节点本地缓存与滑动窗口机制，将高频振动/声学数据与低频温湿度/粉尘数据统一映射至相同的时间切片窗口（如 100ms）内，进行特征提取与时空对齐，为后续的多模态融合提供高保真的数据基础。
3. 多模态异构数据融合关键技术
3.1. 多级分层融合架构
针对输煤场景数据异构性强、环境干扰突出的特点，本文采用“数据层预处理-特征层注意力融合-决策层量化判别”三级分层融合架构，逐级实现异构数据标准化、特征深度关联、智能精准决策，解决传统浅层融合算法特征利用率低、场景适配性差的问题。
数据层为异构数据净化与对齐阶段:针对不同类型异构数据开展差异化预处理，采用小波阈值降噪算法对振动、声学、温湿度、粉尘时序数据进行滤波，消除电磁干扰与随机波动噪声；采用 Canny 边缘检测与图像增强算法优化视觉、红外图像质量，解决粉尘遮挡、镜头雾化、光照不均导致的图像失真问题。同时完成所有数据的时空对齐、量纲统一与标准化处理，消除异构数据差异壁垒，为深度融合提供高质量数据基础。
特征层为核心融合阶段:引入注意力自适应加权融合机制，摒弃传统固定权重分配模式，针对六大类典型异常，动态调整不同模态异构数据的特征权重。针对皮带结构性故障，强化视觉图像特征权重，辅以振动、粉尘数据校核；针对转机机械故障，重点凸显振动、声学、温度特征，结合环境参数修正判定阈值；针对环境耦合故障，联动设备与环境异构特征，精准挖掘复合型故障关联规律，实现异构数据深度特征融合。
决策层为量化智能判别阶段:结合电力行业辅机监督导则与设备故障机理[10]，构建多证据融合量化评分体系，依据多模态融合特征偏差度输出 0～100分设备健康评分，划分正常、轻微隐患、一般故障、严重故障四级状态，输出标准化预警与处置决策，实现故障精准定级与闭环管控。
3.2. 多模态异构数据-故障耦合识别机理
通过核心模态精准定位故障特征、辅助模态交叉校核剔除环境干扰，建立多模态异构数据与输煤典型异常的精准耦合识别机制[11]，彻底解决单一监测误判、复合型故障识别难的问题，具体匹配与融合机理如表 1 所示。
表 1 多模态异构数据与输煤典型异常融合识别机理
| 典型异常类型 | 核心感知模态 | 辅助校核模态 | 融合识别机理 |
| 皮带撕裂 | 视觉图像 | 振动、粉尘浓度 | 以视觉纹理破损、裂口剥离特征为核心,耦合皮带瞬时冲击振动、局部扬尘突增特征,排除粉尘遮挡造成的视觉误判,精准识别隐蔽性撕裂故障。 |
| 皮带跑偏 | 视觉图像 | 振动、湿度 | 提取皮带偏移量、边缘错位特征,结合单侧托辊受力振动异常、高湿皮带打滑诱因,实现轻微跑偏隐患前置预判。 |
| 皮带堵煤 | 视觉、振动 | 红外温度、粉尘浓度 | 融合堆煤形变、电机负载振动、摩擦温升、瞬时扬尘多维度异构特征,精准识别初期隐性堵煤复合型故障。 |
| 转机振动超标 | 振动、声学 | 红外温度、湿度 | 依托振动频谱畸变、设备异常异响判定机械故障,结合轴承温升、高湿锈蚀诱因,有效区分设备常态波动与故障性振动。 |
| 轴承超温 | 红外温度 | 振动、环境温度 | 以高精度红外测温数据为核心,耦合轴承异常振动、环境基准温度,剔除环境热辐射干扰,杜绝虚假超温报警。 |
| 环境超标 | 粉尘、湿度 | 视觉、振动 | 量化环境超标参数,结合画面积尘雾化、设备小幅振动异常,双向验证环境风险,研判环境工况对设备故障的诱发作用。 |
4. 智慧巡检系统整体方案设计
4.1. 端边云协同系统架构
基于多模态异构数据融合技术，本文搭建了“感知层-传输层-边缘融合层-云端应用层”四级端边云协同架构（如图 1 所示），实现异构数据采集、传输、融合、决策、管控全流程自动化[12]，适配火电厂输煤系统高实时、高可靠、高安全的巡检管控需求。
感知层部署高清防爆摄像仪、红外热像仪、MEMS 振动传感器、本安型声学传感器及温湿度、粉尘浓度传感器，搭配智能巡检机器人补盲，全覆盖采集多模态异构数据；传输层采用工业以太网+5G专网双链路传输模式，保障大数据量图像与低时延移动数据的安全交互[13]；边缘融合层部署计算节点，本地化完成数据预处理、时空对齐与注意力特征融合，就地输出检测结果，满足毫秒级实时检测需求[14]；云端应用层搭建智慧巡检管理平台，集成状态监测、智能诊断、分级预警与闭环运维管理功能，实现设备健康态势可视化与巡检数据台账数字化。
图 1 端边云协同系统架构示意图
4.2. 分级预警闭环响应机制
依托异构数据融合量化评分结果，建立三级分级预警与闭环响应机制。80～100 分为设备正常状态，执行常态化实时监测；60～79 分为轻微隐患，触发一般预警，提示运维人员定期跟踪核查；40～59 分为一般故障，触发重要预警，限期完成隐患处置；0～39 分为严重故障，触发紧急预警，联动除尘、通风、皮带停机联锁保护。通过分级预警、精准派单、现场处置、复核归档，形成完整巡检闭环管控体系。
4.3. 系统核心功能模块
1）多模态异构数据实时监测模块:集中展示设备图像、温度、振动、噪声及环境温湿度、粉尘浓度全维度参数，动态刷新输煤系统设备状态与环境工况，实现全域可视化监测。
2）智能异常诊断模块:基于多级融合算法，精准识别六大类典型异常，有效区分设备本体故障、环境干扰、复合型耦合故障，精准定位故障点位与成因。
3）分级联动预警模块:根据异常等级分级推送预警信息，联动现场设备自动干预，有效杜绝隐患扩大引发停机、积煤自燃等安全事故。
4）运维闭环管理模块:自动存储全量异构监测数据与故障预警台账，自动生成设备健康分析报告，实现隐患全生命周期数字化管控。
5. 工程应用实践与效果分析
5.1. 工程概况
本次工程应用场景为某 2×600MW 火力发电厂输煤系统，系统配置 7 段输煤廊道、百余组托辊及配套驱动、减速设备，承担全厂锅炉原煤输送核心任务。改造前系统采用单一视频监测+人工巡检模式，异构数据未融合、抗干扰能力差，隐性故障排查滞后，每年多次出现输煤设备异常引发的机组降负荷事件。本次完成全域感知终端部署与多模态异构数据融合系统搭建，实现全厂输煤系统智能巡检全覆盖。
5.2. 应用效果量化分析
系统连续稳定试运行 6 个月，从检测精度、巡检效率、安全效益、运维效益四维度开展量化验证，应用成效显著。
在检测精度方面，系统整体异常检测准确率达97.2%，误报率 2.2%、漏报率 1.5%。其中皮带撕裂、跑偏识别准确率 98.5%，复合型堵煤识别准确率 98.5%，轴承超温预警准确率 99.0%，环境超标监测准确率 98.5%，彻底解决传统单一监测环境干扰误判、隐性故障漏判的行业难题。
在巡检效率方面，系统实现 24h 不间断全自动巡检。量化对比依据如下:改造前，人工巡检模式下每日需安排 3 个班组共 6 人次进行全线巡查，单次耗时约 2h，日均巡检工时约为 12h；系统投运后，日常巡检完全由系统自动完成，仅需运维人员在收到预警后赴现场核实，日均人工工时缩减至 2h 以内。按此测算，替代人工巡检工作量比例达到(12-2)/12≈83.3%，即有效替代了 80%以上的人工现场巡检工作量。隐患发现时效由传统小时级提升至秒级，试运行期间累计提前排查各类隐性异常 20 余起，未发生输煤系统故障导致的机组降负荷事件。
在运维效益方面，系统通过精准运维减少了设备过修、欠修问题。成本测算依据主要包含以下三部分:1）人工成本缩减:降低高危廊道人工作业频次，按减少 2 名外委巡检人员计，年节约人工费用约 10 万元；2）设备维护成本降低:通过早期预警避免轴承烧毁、皮带撕裂等恶性故障扩大，减少备件更换与应急抢修费用，预计年节约备件及维修费约 8 万元；3）停机损失规避:避免因输煤故障导致的机组降负荷，按试运行期间成功避免 1 次非计划降负荷事件、减少发电量损失约 5 万元计算。综合上述各项，系统每年可为电厂节约综合运维成本及减少损失合计 15 万元以上，有效延长了设备使用寿命。
5.3. 现存不足与优化展望
系统在极端高粉尘、高湿工况下，视觉成像质量与环境传感器采集精度存在小幅衰减，小众复合型故障样本量不足导致算法泛化能力有待提升。后续将优化感知终端防尘、防潮、自动吹扫防护结构，适配恶劣工况运行需求；持续积累多工况异构数据与故障样本，迭代优化注意力融合模型权重参数，提升小众复合型故障识别精度[15]；同时融合数字孪生技术，构建设备-环境一体化仿真模型，实现设备健康状态可视化、故障趋势预判与全生命周期精细化管控。
6. 结论
本文针对火电厂输煤巡检多源数据异构割裂、复合型故障识别难、环境干扰误漏报率高的工程痛点，引入多模态异构数据融合技术，搭建端边云协同智慧巡检系统，构建三级分层融合体系与量化决策机制，实现皮带撕裂、跑偏、堵煤、转机振动超标、轴承超温、环境超标六大类典型异常的精准监测。通过多模态异构数据的标准化净化、注意力深度融合、交叉校核判别，有效突破单一监测技术瓶颈，大幅提升复杂工况下故障识别的精准性与稳定性。工程实践表明，该技术方案适配火电厂输煤恶劣运行工况，智能化程度高、检测效果优异，可有效提升输煤系统巡检自动化水平与安全管控能力，为火电及同类工矿输送系统多源数据融合、智能巡检改造提供可靠的实践参考与技术支撑。
参考文献
[1] 国家能源局. DL/T 2413-2021 火力发电厂智能化技术导则[S]. 北京: 中国电力出版社, 2021. 返回引用处
[2] 国家发展改革委, 国家能源局. 关于推进电力源网荷储一体化和多能互补发展的指导意见[Z]. 2021. 返回引用处
[3] 柳长胜, 邵华国, 何军, 等. 火电厂输煤区域智能巡检系统设计[J]. 中国高新科技, 2026, (1): 153-155. 返回引用处
[4] 韩瑜. 基于信息化的火电厂输煤栈桥智慧巡检系统创新与构建[J]. 企业管理, 2025, (S2): 174-175. 返回引用处
[5] 陈前, 刘天旭, 郭航, 等. 基于多传感器融合的输煤皮带机状态监测与早期故障预警系统[J]. 环境工程, 2025(07): 112- 116. 返回引用处
[6] 张千元. 输煤系统自动化故障的智能诊断策略[J]. 煤矿机械, 2025, 46(09): 134-136. 返回引用处
[7] 杨文波, 闫学伟, 王明信, 等. 基于多模态信息融合的输煤皮带跑偏故障智能视觉识别[J]. 自动化应用, 2025(19): 45- 48. 返回引用处
[8] 国家能源局. DL/T 5187.1-2016 火力发电厂输煤系统设计技术规程[S]. 北京: 中国计划出版社, 2016. 返回引用处
[9] 全瑞琴, 程丽娟, 何向阳, 等. 基于机器视觉的输煤皮带故障识别与定位研究[J]. 计算机测量与控制, 2026, 34(8): 34-41. 返回引用处
[10] 国家能源局. DL/T 1823-2018 火电厂辅机设备状态监测与技术监督导则[S]. 北京: 中国电力出版社, 2018. 返回引用处
[11] 荆涛, 李铁一, 王杰, 等. 火电厂多源感知数据的输煤故障诊断系统开发[J]. 能源新观察, 2026, (4): 57-58. 返回引用处
[12] 电力行业智能化标准工作组. DL/T 2463-2021 火力发电厂智能巡检系统技术规范[S]. 2021. 返回引用处
[13] 马战南, 杨发亮, 贺辽, 等. 5G 技术在火电厂智慧视频监控系统中的应用[J]. 电力设备管理, 2026, (4): 83- 85. 返回引用处
[14] 李盛平, 文壮选, 王军林. 基于边缘计算的火电厂输煤系统巡检机器人状态监测与故障诊断[J]. 国外电子测量技术, 2025, 44(11): 35-41. 返回引用处
[15] 张宏利.基于智能监测的火电厂输煤系统电气设备故障预测技术研究[J]. 现代制造技术与装备, 2026, 62(9): 193- 195+ 221. 返回引用处