1.一种离散化转换的超临界锅炉受热面管壁超温预警方法，其特征在于，该方法具体是按照以下步骤进行的：步骤一、在锅炉上安装传感器，以Gape秒为间隔收集M行锅炉运行状态数据和M行锅炉受热面管壁状态数据并存储到历史数据表HistoryTable中；其中，Gape为数据收集间隔的秒数，默认为10秒；锅炉运行状态包括17种状态信息：发电机功率c1、高压给水压力c2、高压给水温度c3、减温器入口蒸汽温度c4、减温出口蒸汽温度c5、炉侧主蒸汽压力c6、炉主汽流量c7、再热器入口集箱蒸温度c8、再热器出口集箱蒸温度c9、总风量c10、侧锅炉送风机出口流量c11、风暖风器入口风温c12、风暖风器出口风温c13、侧炉膛烟温探针温度c14、侧炉膛烟气压力c15、侧炉膛省煤器入口烟气压力c16和侧炉膛省煤器出口烟气压力c17；

锅炉受热面管壁状态包括5种状态信息：分隔屏壁温度d1、后屏过热器壁温d2、末级过热器壁温d3、低温过热器壁温d4和末级再热器壁温d5；

步骤二、根据历史数据表HistoryTable存储的第m行的c1至c17锅炉运行状态信息建立锅炉运行状态离散化转换方法FeahterDic；利用离散化转换方法FeahterDic的输出第m行的dc1至dc17共17个变量；具体过程为：步骤二一、输入HistoryTable的数据条目位置Pos1；

步骤二二、建立离散化状态变量dc1至dc17，共17个状态变量；

步骤二三、用逻辑表达式“大于”来对HistoryTable的第Pos1条记录的fc1至fc17字段和第Pos1-1条记录的fc1至fc17字段进行逐个比对，如果逻辑表达式为真那么存储结果为

1，如果逻辑表达式为否那么存储结果0；

步骤二四、确定离散化转换方法FeahterDic的输出为dc1至dc17共17个变量；

步骤三、根据步骤二输出第m行的dc1至dc17共17个变量建立锅炉运行状态离散化转换方法IntervalFeahterDic；利用转换方法IntervalFeahterDic输出第m行的gc1至gc17共17个变量；具体过程为：步骤三一、利用步骤二建立的FeahterDic对HistoryTable进行处理获得数据表1，输入数据表1中的数据条目位置Pos2；

步骤三二、计算前驱条目数PrevNum＝StaticGap/Gape；其中，StaticGap为指定统计变量；

步骤三三、计数器变量Counter＝Pos2-PrevNum；

步骤三四、读取HistoryTable的第Counter条记录，并使用FeahterDic将第Counter 条记录转换获得dc1至dc17；

步骤三五、根据步骤三四得到的dc1至dc17计算gc1至gc17：

gc(i)＝gc(i)+dc(i)

其中，i的值域范围为1到17，gc(i)为第i个gc变量，dc(i)为第i个dc变量；将gc1至gc17初始值设定为0，步骤三六、将Counter自增1，判断如果Counter

步骤三七、利用锅炉运行状态离散化转换方法IntervalFeahterDic输出gc1至gc17共

17个变量；

步骤四、根据历史数据表HistoryTable存储的第m行的c1至c17锅炉运行状态信息建立即将超温状况转换方法OverHeatDic；确定即将超温状况转换方法OverHeatDic的输出为第m行的dmark变量；具体过程为：步骤四一、建立即将超温状况转换方法OverHeatDic，输入历史数据表HistoryTable的数据条目位置Pos3；

步骤四二、计算后续条目数AfterNum＝(StaticGap/Gape+1)；

步骤四三、计数器变量Counter＝Pos3；

步骤四四、读取HistoryTable的第Counter条记录，获得该条记录的cmark值；

步骤四五、dmark通过如下公式进行计算：

dmark＝dmark+cmark；

其中，Dmark为即将超温标记变量，设dmark的初始值为0；

步骤四六、如果dmark大于3，那么将dmark置为3；

步骤四七、Counter自增1，判断如果Counter<(Pos+AfterNum)那么转到步骤四四，否则转到步骤四八；

步骤四八、确定即将超温状况转换方法OverHeatDic的输出为dmark变量；

步骤五、根据步骤二输出的第m行的dc1至dc17共17个变量、步骤三输出的第m行的gc1至gc 17的17个变量和步骤四输出的第m行的dmark变量获得样本集合SampleSet，通过神经网算法学习SampleSet内容获得分类模型Model；

步骤六、利用FeahterDic和IntervalFeahterDic对HistoryTable的最后一条记录内容进行转换，利用Model对转换结果进行预测，对超临界锅炉受热面管壁是否即将超温进行预警；

步骤六一、利用FeahterDic和IntervalFeahterDic对HistoryTable的最后一条记录内容进行转换，获得dc1至dc17，gc1至gc17；

步骤六二、使用input作为分类模型Model的输入内容，获得决策结果decsion’；其中，输入内容input＝{dc1至dc 17，gc1至gc 1}；

步骤六三、如果决策结果decsion’为0，那么输出不存在超温风险；如果decsion’>0那么输出存在超温风险来提醒用户。

2.根据权利要求1所述一种离散化转换的超临界锅炉受热面管壁超温预警方法，其特征在于：步骤一中在锅炉上安装传感器，以Gape秒为间隔收集锅炉的锅炉运行状态数据和锅炉受热面管壁状态数据并存储到历史数据表HistoryTable中具体过程为：步骤一一、在锅炉上安装传感器，收集来自锅炉的锅炉运行状态数据和锅炉受热面管壁状态数据；在锅炉上安装传感器，收集来自锅炉的数据信息，这些信息分为两类：步骤一二、建立历史数据表HistoryTable；所述HistoryTable中的包含以下字段：数据条目的存储时间Time、存储锅炉运行状态的c1至c17的信息fc1至fc17、存储锅炉受热面管壁的d1至d5的信息fd1至fd5以及标志该锅炉是否处于超温状态0表示未超温1表示超温cmark；

步骤一三、每间隔Gape秒收集所有传感器数据，获得锅炉运行状态c1到c17的信息和锅炉受热面管壁状态d1到d5的信息，当收集到数据之后执行步骤一四至步骤一九；

步骤一四、建立历史数据表的数据条目对象HistoryTableRow；其中，HistoryTableRow的Time字段等于当前系统时间；

步骤一五、将锅炉运行状态的c1至c17经过处理后存储到HistoryTableRow的fc(1)至fc(17)之中，对应公式如下：其中，fc(i)为第i个存储锅炉运行状态信息，c(i)为第i个锅炉运行状态信息，MaxC(i)为第i个锅炉运行状态信息的最大值，MinC(i)为第i个锅炉运行状态信息的最小值，i的取值范围为1到17，e为自然对数；

步骤一六、锅炉受热面管壁状态的d1至d5经过处理后存储到HistoryTableRow的fd(1)至fd(5)字段，对应公式如下：其中，fd(j)为存储第j个锅炉受热面管壁的信息，d(j)为第j个锅炉受热面管壁的信息，MinD(j)为第j个锅炉受热面管壁状态的最小值，MaxD(j)为第j个锅炉受热面管壁状态的最大值，j的取值范围为1到5；

步骤一七、根据锅炉受热面管壁状态的未超温时的最高温度；

判断锅炉是否处于超温状态，如果超温HistoryTableRow的cmark字段置为1，否则cmark字段置为0；

HistoryTableRow的cmark字段使用如下逻辑表达式计算：cmark＝d(1)≥SD(1)or d(2)≥SD(2)or d(3)≥SD(3)or d(4)≥SD(4)or d(5)≥SD(5)其中，or表示逻辑的与操作，该逻辑表达式的结果使用1表达逻辑真，使用0表示逻辑假；SD(1)、SD(2)、SD(3)、SD(4)、SD(5)为5个锅炉受热面管壁状态的未超温时的最高温度；

锅炉受热面管壁状态的未超温时的最高温度由锅炉的型号决定；

步骤一八、将步骤一七确定的HistoryTableRow存储到HistoryTable之中。

3.根据权利要求1所述一种离散化转换的超临界锅炉受热面管壁超温预警方法，其特征在于：步骤三一中StaticGap值域区间为2400至3600。

4.根据权利要求3所述一种离散化转换的超临界锅炉受热面管壁超温预警方法，其特征在于：步骤五中根据步骤二输出的第m行的dc1至dc17共17个变量、步骤三输出的第m行的gc1至gc 17的17个变量和步骤四输出的第m行的dmark变量获得样本集合SampleSet，通过神经网算法学习SampleSet内容获得分类模型Model具体过程为：步骤五一、根据步骤二输出的第m行的dc1至dc17，步骤三输出的第m行的gc1至gc17以及步骤四输出的第m行的dmark的信息建立第SampleCounter个样本Sample；

其中，Sample为一个二元组{input,decsion},input为输入内容，decsion为决策结果，input＝{dc1至dc  17，gc1至gc 17}共34个变量，decsion＝dmark共1个变量；

SampleCounter为样本Sample计数器变量；SampleCounter＝StaticGap/Gape+1；1≤SampleCounter≤MaxNums；MaxNums为样本集合SampleSet中最大样本条目数；

步骤五二、建立样本集合SampleSet；将第SampleCounter个样本Sample存储到样本集合SampleSet中；

步骤五三、如果SampleCounter<(StaticGap/Gape+1+MaxNums)，那么将样本计数器变量SampleCounter增加1转到步骤五一，否则将步骤五二得到的样本集合SampleSet转到步骤五五；

步骤五四、建立一个神经网，该神经网输入层为32个神经元，中间层为10个神经元，输出层为4个神经元；

步骤五五、利用神经网学习算法学习SampleSet中的所有Sample，将每个Sample的Input作为神经网的输入，将Sample的decsion作为神经网的输出，获得分类模型Model。

5.根据权利要求4所述一种离散化转换的超临界锅炉受热面管壁超温预警方法，其特征在于：步骤五三中MaxNums值域范围为10000至50000。