Development of an intelligent IoT-based framework for boiler water quality monitoring and early warning using statistical process control and machine learning

方法

六参数实时传感、SPC、规则决策支持与九种监督学习模型对比。

发现

随机森林与LightGBM分类准确率达99.5%，温度、pH和硬度影响最大。

机会点

可将该框架迁移至农业锅炉或灌溉水质监测，并引入长期工业数据验证与边缘部署。

摘要 锅炉水质直接影响工业蒸汽发生系统的效率、可靠性和使用寿命，监测不足会导致结垢、腐蚀、传热效率下降和非计划停机。本研究提出了一种基于物联网（IoT）的智能锅炉水质连续监测与预警框架，集成了实时传感、统计过程控制（SPC）、基于规则的决策支持和机器学习。系统连续监测六项关键参数：pH值、电导率、氯离子浓度、硬度、溶解氧和温度。SPC执行实时过程监控，基于规则的决策支持系统根据预设运行限值生成纠正建议。为验证该框架，采用代表性运行场景对九种监督机器学习模型进行了评估；随机森林和LightGBM取得了最高的分类性能，在10折交叉验证下准确率达99.5%。相关性分析显示，电导率与硬度（r = 0.73）、电导率与氯离子（r = 0.70）、硬度与氯离子（r = 0.72）之间存在强正相关关系。特征重要性分析表明，温度（31.9%）、pH值（27.9%）和硬度（18.1%）是最具影响力的变量。该框架能够实现连续监测、快速识别锅炉异常工况并及时提供运行决策支持，展示了进一步利用长期工业锅炉数据进行验证的概念验证能力。