CN109084613A - 基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统及其调控方法 - Google Patents

Abstract

一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统，其特点是：包括汽轮机与排汽分配管连通，排汽分配管通过空冷凝汽器单排管基管与凝结水箱连通，凝结水箱与凝结水泵连通；第一可见光摄像头、第二可见光摄像头置于空冷凝汽器单排管基管内侧，位于空冷风机上部，第一可见光摄像头与第二可见光摄像头与图像采集器连接，图像采集器与监控主机连接，监控主机与数模转换器连接，数模转换器与清洗装置控制箱连接，清洗装置控制箱与压缩空气清洗装置连接，压缩空气清洗装置悬挂于清洗装置行走桁架下侧，清洗装置行走桁架置于空冷凝汽器单排管基管外侧，分别与排汽分配管和凝结水箱连接。并提供科学合理的调控方法。

Description

基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与 清洗控制系统及其调控方法

技术领域

本发明涉及空冷凝汽器积灰状态监测与清洗控制技术领域，特别是一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统及其调控方法。

背景技术

我国东北、西北和华北(“三北”)地区煤炭资源丰富，但缺水、少水，为解决煤炭与水资源分布地理结构上的矛盾，空冷机组得到快速发展，目前已经占燃煤机组总装机容量的20％以上。然而“三北”地区风沙大、扬尘多，冷却空气携带的悬浮颗粒物及其容易堵塞空冷凝汽器的翅片通道，大幅度降低空冷凝汽器的换热性能，抬高了机组汽轮机排汽压力，既危害到空冷机组的安全运行，又增加了空冷机组供电煤耗，运行经济性大幅度下降。

针对空冷凝汽器积灰难题，目前现场采用的方法是除盐水冲洗，虽然可显著提高空冷凝汽器换热性能，但是也产生一系列问题：1)冲洗的无水与碳钢材料的空冷凝汽器单排管接触，易造成单排管腐蚀泄漏等；2)生产现场依靠运维人员人工观测空冷凝汽器积灰状态，依据运维人员经验来定性分析积灰对空冷凝汽器换热过程的影响；3)积灰的清洗完全是人为决定，或是基于环境气象参数与机组运行参数，依据运维人员的经验来决定是否需要清洗空冷凝汽器积灰，或是每年固定时间清洗，如在每年4月份、10月份各清洗一次。所以，如何实现空冷凝汽器积灰状态精确、实时的监测、如何依据空冷凝汽器积灰状态来调控清洗装置是目前急需解决的问题。

发明内容

本发明的构思基础是，针对空冷凝汽器积灰状态监测、定量评估影与清洗维护调控方法存在的不足，1)本发明实时采集空冷凝汽器迎风面可将光图像，基于积灰状态空冷凝汽器翅片通道轮廓特征和颜色特征的变化特性，建立空冷凝汽器积灰热阻的卷积神经网络计算模型；2)本发明基于空冷凝汽器积灰积灰热阻的评估结果，调控压缩空气清洗装置的启停和运行参数。

本发明的目的是，提供一种结构简单、直接、智能、精确的基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统；并提供其科学合理，能够提高空冷凝汽器积灰清洗经济性，提高空冷凝汽器清洗维护装置智能化运维水平的基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统的调控方法。

实现本发明目的所采取的技术方案一是：一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统，其特征在于：它包括汽轮机1输出端与排汽分配管3输入端连通，排汽分配管3输出端通过空冷凝汽器单排管基管4与凝结水箱5输入端连通，凝结水箱5输出端与凝结水泵7输入端连通；第一可见光摄像头14置于空冷凝汽器单排管基管4内侧，位于空冷风机6上部，第二可见光摄像头15置于空冷凝汽器单排管基管4内侧的另一面，第一可见光摄像头14与第二可见光摄像头15的输出端与图像采集器10输入端连接，图像采集器10输出端与监控主机8输入端连接，监控主机8输出端与数模转换器9输入端连接，数模转换器9输出端与清洗装置控制箱11输入端连接，清洗装置控制箱11输出端与压缩空气清洗装置13连接，压缩空气清洗装置悬挂于清洗装置行走桁架12下侧，清洗装置行走桁架12置于空冷凝汽器单排管基管4外侧，分别与排汽分配管3和凝结水箱5连接。

所述第一可见光摄像头14、第二可见光摄像头15与空冷凝汽器单排管基管4呈90°角度垂直布置，到空冷凝汽器单排管基管4间距为0.8～1.2米。

实现本发明目的所采取的技术方案之二是：一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统的调控方法，其特征在于：

1)基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型

深度学习网络具体为卷积神经网络算法，该模型的网络输入数据是一个3维tensor，将输入的空冷凝汽器积灰状态可见光图像分解为2-3个特征层，尺寸为2560-60000,42-256,42-256,2-3，分别表示一批图片的个数2560-60000，图片的宽的像素点个数42-256，高的像素点个数42-256和信道个数2-3，首先使用多个卷积神经网络层进行图像的特征提取，卷积神经网络层的计算过程如下步骤：

卷积层1：卷积核大小a×a，卷积核移动步长2-3，卷积核个数a1，池化大小a2×a2，池化步长2-3，池化类型为最大池化，激活函数ELU，输出a1张图像,a＝3-8,a1＝42-256,a2＝3-7；

卷积层2：卷积核大小b×b,卷积核移动步长2-3，卷积核个数b1，池化大小b2×b2，池化步长2-3，池化类型为最大池化，激活函数ELU，输出b1张图像b＝3-8,b1＝42-256,b2＝3-7；

卷积层3：卷积核大小c×c,卷积核移动步长2-3，卷积核个数c1，池化大小c2×c2，池化步长2-3，池化类型为最大池化，激活函数Meanout，输出c1张图像,c＝3-8,c1＝42-256,c2＝3-7；

卷积层4：卷积核大小d×d,卷积核移动步长2-3，卷积核个数d1，池化大小d2×d2，池化步长2-3，池化类型为平均池化，激活函数Meanout，输出d1张图像,d＝3-8,d1＝42-256,d2＝3-7；

卷积层5：卷积核大小d×d,卷积核移动步长2-3，卷积核个数e1，池化大小e2×e2，池化步长2-3，池化类型为平均池化，激活函数Meanout，输出e1张图像,e＝3-8,e1＝42-256,e2＝3-7；

全连接层：隐藏层单元数512-1024，激活函数Meanout。第五池化层后依次配置了2-5层全连接层，以四层为例，神经元个数分别为1024、512、256、10，将第五池化层输出图像依次转化为对应的一维向量，向量元素个数分别为1024、512、256、10，第三全连接层输出多个元素的一维数组对应空冷凝汽器积灰状态的多组图像分类；

分类层：即为全连接层的第四层，该隐藏层单元数15-30，激活函数Meanout；

其中，ELU计算如下：

Meanout(x)＝δtanh(x)，为指数线性单元ELU的变种，加入一个的系数δ，参数δ是高斯分布随机产生的参数与训练的参数结合取得的，计算如下：

Meanout不同于Maxout的地方在于，Maxout引入的参数过多，而Meanout则在Maxout的基础上减少了引入的参数规模，但不影响训练的准确度，所以Meanout引入了另外的一个系数λ，λ需要通过训练和经验进行调整，以提高模型的效率，计算为式(3)和式(4)：

Z_ij＝a^TW...ij+b_ij,W∈R^d×m×k,a∈R^d×n,b∈R^m×k (4)

n表示输入样本的个数，d表示上一层节点的个数，m表示本层节点的个数，k表示每个隐藏层节点对应了k个“中间隐层”节点，这k个“中间隐层”节点都是线性输出的，而Meanout的每个节点就从这k个“中间隐层”节点中取平均值，这里结果只表示取出的第i列，下标i前的省略号表示对应第i列中的所有行；

参数初始化，所有权重矩阵使用random_normal(0.0-0.10,0.01-0.001)，所有偏置向量使用constant(0.0-0.01)，使用cross entropy作为目标函数，使用梯度下降法进行参数更新，学习率设为0.01-0.001，实现空冷凝汽器积灰图像识别；

2)建立空冷凝汽器积灰图像与积灰热阻的相关关系

根据热平衡原理，汽轮机排汽放热量、空冷凝汽器传热量和冷却空气吸热量相等

Q_e＝K×F×ΔT₀＝G×C_p×ΔT_a (5)

空冷凝汽器的对数平均温差：

ΔT_a＝t_a2-t_a1 (7)

积灰状态总传热热阻与清洁状态总传热热阻之差为由于积灰所产生的积灰热阻：

其中，Q_e为汽轮机排汽热负荷，G为冷却空气质量流量，t_n为空冷凝汽器壁温，t_a1为空冷凝汽器入口风温，t_a2为空冷凝汽器出口风温，ΔT₀为空冷凝汽器对数平均温差，ΔT_a为冷却空气温升，K为空冷凝汽器换热系数，F为空冷凝汽器总换热面积，C_p为冷却空气定压比热容，R_f为空冷凝汽器积灰热阻，R为积灰状态空冷凝汽器热阻，R_c为清洁状态空冷凝汽器热阻，K为积灰状态空冷凝汽器换热系数，K_c为清洁状态空冷凝汽器换热系数。

通过可见光摄像头采集空冷凝汽器积灰状态图像，联立式(5)～式(8)计算该状态下空冷凝汽器积灰热阻值，以空冷凝汽器积灰状态图像为输入量，空冷凝汽器积灰热阻为目标量，建立基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型；

3)对压缩空气清洗装置的调控：

①第一可见光摄像头与第二可见光摄像头实时采集空冷凝汽器翅片通道积灰图像；

②基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型定量分析积灰热阻；

③计算空冷凝汽器积灰热阻和总换热系数，分析积灰热阻是否大于设定值，

当空冷凝汽器积灰热阻R_f<0.0027m²·K/W时，关闭压缩空气清洗装置；

当空冷凝汽器积灰热阻R_f≥0.0027m²·K/W时，启动压缩空气清洗装置，压缩空气压力为0.5Mpa，压缩空气清洗装置行走速度为2.5m/min；

当空冷凝汽器积灰热阻R_f≥0.0048m²·K/W时，压缩空气压力为0.7Mpa，压缩空气清洗装置行走速度为1.5m/min；

④压缩空气清洗装置完成清洗后，第一可见光摄像头与第二可见光摄像头实时采集空冷凝汽器翅片通道积灰图像。

本发明的一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统的优点体现在：一是实时采集空冷凝汽器迎风面积灰状态可将光图像，采用卷积神经网络的方法，根据积灰状态图像的轮廓特征和颜色特征来实现空冷凝汽器积灰状态的直接、智能、精确识别，定量评估空冷凝汽器积灰热阻和总换热系数；二是积灰状态图像识别、监控主机、清洗装置控制箱与压缩空气清洗装置组成空冷凝汽器积灰清洗维护智能监控系统，基于空冷凝汽器积灰状态图像识别的分析结果，自动调控压缩空气清洗装置的启停与运行参数；三是可设置干式清洗装置的压缩空气压力、行走速度，依据积灰的严重程度，调节相应的清洗工况参数；四是结构简单、合理，造价低廉，无特殊要求设备，可实施性好，更重要的是实时监测了空冷凝汽器积灰状态，自动实时清洗，方便运维人员日常检修和清洗工作，准确及时调整空冷凝汽器维护计划，为科学发电优化调管设备提供依据，实现发电收益最大化。

本发明的一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统的调控方法科学合理，能够提高空冷凝汽器积灰清洗经济性，提高空冷凝汽器清洗维护装置智能化运维水平。

附图说明

图1为一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统结构示意图；

图2为积灰量对空冷凝汽器翅片通道状态影响示意图；

图3为积灰量与空冷凝汽器总换热系数关联示意图；

图4为空冷凝汽器积灰状态图像识别的卷积神经网络模型结构示意图；

图5为空冷凝汽器积灰状态监测与清洗控制流程示意图。

图中：1汽轮机；2汽轮机排汽；3排汽分配管；4空冷凝汽器单排管基管；5凝结水箱；6空冷风机；7凝结水泵；8监控主机；9数模转换器；10图像采集器；11清洗装置控制箱；12清洗装置行走桁架；13压缩空气清洗装置；14第一可见光摄像头；15第二可见光摄像头；16空冷凝汽器单排管翅片；17单排管基管蒸汽通道；18单排管翅片通道；19空冷凝汽器翅片通道积灰。

具体实施方式

下面利用附图和具体实施方式对本发明作进一步说明。

参照图1，本发明的一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统，包括汽轮机1输出端与排汽分配管3输入端连通，排汽分配管3输出端通过空冷凝汽器单排管基管4与凝结水箱5输入端连通，凝结水箱5输出端与凝结水泵7输入端连通；第一可见光摄像头14置于空冷凝汽器单排管基管4内侧，位于空冷风机6上部，第二可见光摄像头15置于空冷凝汽器单排管基管4内侧的另一面，第一可见光摄像头14与第二可见光摄像头15的输出端与图像采集器10输入端连接，图像采集器10输出端与监控主机8输入端连接，监控主机8输出端与数模转换器9输入端连接，数模转换器9输出端与清洗装置控制箱11输入端连接，清洗装置控制箱11输出端与压缩空气清洗装置13连接，压缩空气清洗装置悬挂于清洗装置行走桁架12下侧，清洗装置行走桁架12置于空冷凝汽器单排管基管4外侧，分别与排汽分配管3和5凝结水箱5连接。

参照图2，所述第一可见光摄像头14与第二可见光摄像头15与空冷凝汽器单排管基管4呈90°角度垂直布置，到空冷凝汽器单排管基管4间距为0.8～1.2米。

参照图2、图3、图4和图5，本发明的一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统的调控方法，具体实施如下：

1)基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型

深度学习网络具体为卷积神经网络算法，该模型的网络输入数据是一个3维tensor，将输入的空冷凝汽器积灰状态可见光图像分解为2-3个特征层，尺寸为(2560-60000,42-256,42-256,2-3)，分别表示一批图片的个数2560-60000，图片的宽的像素点个数42-256，高的像素点个数42-256和信道个数2-3。首先使用多个卷积神经网络层进行图像的特征提取，卷积神经网络层的计算过程如下步骤：

卷积层1：卷积核大小a×a，卷积核移动步长2-3，卷积核个数a1，池化大小a2×a2，池化步长2-3，池化类型为最大池化，激活函数ELU，输出a1张图像,a＝3-8,a1＝42-256,a2＝3-7。

卷积层2：卷积核大小b×b,卷积核移动步长2-3，卷积核个数b1，池化大小b2×b2，池化步长2-3，池化类型为最大池化，激活函数ELU，输出b1张图像b＝3-8,b1＝42-256,b2＝3-7。

卷积层3：卷积核大小c×c,卷积核移动步长2-3，卷积核个数c1，池化大小c2×c2，池化步长2-3，池化类型为最大池化，激活函数Meanout，输出c1张图像,c＝3-8,c1＝42-256,c2＝3-7。

卷积层4：卷积核大小d×d,卷积核移动步长2-3，卷积核个数d1，池化大小d2×d2，池化步长2-3，池化类型为平均池化，激活函数Meanout，输出d1张图像,d＝3-8,d1＝42-256,d2＝3-7。

卷积层5：卷积核大小d×d,卷积核移动步长2-3，卷积核个数e1，池化大小e2×e2，池化步长2-3，池化类型为平均池化，激活函数Meanout，输出e1张图像,e＝3-8,e1＝42-256,e2＝3-7。

全连接层：隐藏层单元数512-1024，激活函数Meanout。第五池化层后依次配置了2-5层全连接层，以四层为例，神经元个数分别为1024、512、256、10，将第五池化层输出图像依次转化为对应的一维向量，向量元素个数分别为1024、512、256、10，第三全连接层输出多个元素的一维数组对应空冷凝汽器积灰状态的多组图像分类。

分类层：即为全连接层的第四层，该隐藏层单元数15-30，激活函数Meanout。

其中，ELU计算如下：

Meanout(x)＝δtanh(x)，为指数线性单元ELU的变种，加入一个的系数δ，参数δ是高斯分布随机产生的参数与训练的参数结合取得的，计算如下：

Meanout不同于Maxout的地方在于，Maxout引入的参数过多，而Meanout则在Maxout的基础上减少了引入的参数规模，但不影响训练的准确度，所以Meanout引入了另外的一个系数λ，λ需要通过训练和经验进行调整，以提高模型的效率，计算如下：

Z_ij＝a^TW...ij+b_ij,W∈R^d×m×k,a∈R^d×n,b∈R^m×k (4)

n表示输入样本的个数，d表示上一层节点的个数，m表示本层节点的个数，k表示每个隐藏层节点对应了k个“中间隐层”节点，这k个“中间隐层”节点都是线性输出的，而Meanout的每个节点就从这k个“中间隐层”节点中取平均值，这里结果只表示取出的第i列，下标i前的省略号表示对应第i列中的所有行。

参数初始化，所有权重矩阵使用random_normal(0.0-0.10,0.01-0.001)，所有偏置向量使用constant(0.0-0.01)。使用cross entropy作为目标函数，使用梯度下降法进行参数更新，学习率设为0.01-0.001。实现空冷凝汽器积灰图像识别。

2)建立空冷凝汽器积灰图像与积灰热阻的相关关系

根据热平衡原理，汽轮机排汽放热量、空冷凝汽器传热量和冷却空气吸热量相等。

Q_e＝K×F×ΔT₀＝G×C_p×ΔT_a (5)

空冷凝汽器的对数平均温差：

ΔT_a＝t_a2-t_a1 (7)

积灰状态总传热热阻与清洁状态总传热热阻之差为由于积灰所产生的积灰热阻：

其中，Q_e为汽轮机排汽热负荷，G为冷却空气质量流量，t_n为空冷凝汽器壁温，t_a1为空冷凝汽器入口风温，t_a2为空冷凝汽器出口风温，ΔT₀为空冷凝汽器对数平均温差，ΔT_a为冷却空气温升，K为空冷凝汽器换热系数，F为空冷凝汽器总换热面积，C_p为冷却空气定压比热容，R_f为空冷凝汽器积灰热阻，R为积灰状态空冷凝汽器热阻，R_c为清洁状态空冷凝汽器热阻，K为积灰状态空冷凝汽器换热系数，K_c为清洁状态空冷凝汽器换热系数。

通过可见光摄像头采集空冷凝汽器积灰状态图像，联立式(5)～(8)计算该状态下空冷凝汽器积灰热阻值，以空冷凝汽器积灰状态图像为输入量，空冷凝汽器积灰热阻为目标量，建立基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型。

3)对压缩空气清洗装置的调控：

①第一可见光摄像头14与第二可见光摄像头15实时采集空冷凝汽器翅片通道积灰19图像；

②基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型定量分析积灰热阻；

③计算空冷凝汽器积灰热阻和总换热系数，分析积灰热阻是否大于设定值，

当空冷凝汽器积灰热阻R_f<0.0027m²·K/W时，关闭压缩空气清洗装置；

当空冷凝汽器积灰热阻R_f≥0.0027m²·K/W时，启动压缩空气清洗装置，压缩空气压力为0.5Mpa，压缩空气清洗装置行走速度为2.5m/min；

当空冷凝汽器积灰热阻R_f≥0.0048m²·K/W时，压缩空气压力为0.7Mpa，压缩空气清洗装置行走速度为1.5m/min；

④压缩空气清洗装置完成清洗后，第一可见光摄像头14与第二可见光摄像头15实时采集空冷凝汽器翅片通道积灰19图像。

实施例的一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统,具体工作过程为：汽轮机1的排汽进入排汽分配管3，通过排汽分配管3进入单排管基管蒸汽通道17，冷却空气通过单排管翅片通道18，经过空冷凝汽器单排管基管4和空冷凝汽器单排管翅片16换热吸收汽轮机排汽潜热，汽轮机排汽冷凝为凝结水进入凝结水箱5，再通过凝结水泵7送到锅炉循环利用；空冷风机6上部、空冷凝汽器单排管基管4内侧的第一可见光摄像头14和第二可见光摄像头15分别置于“A”型空冷凝汽器的两面，采集的空冷凝汽器积灰状态图像经过图像采集器10送入监控主机8，监控主机8通过已建立的空冷凝汽器积灰状态图像卷积神经网络识别模型定量评估积灰对空冷凝汽器换热性能的影响，将其与设定值比较，将数字控制信号通过数模转换器9转换为模拟信号后送入清洗装置控制箱11，清洗装置控制箱11控制压缩空气清洗装置13的启停和运行参数。

所述的空冷凝汽器积灰状态监测与清洗控制系统的调控方法，首先，采集空冷凝汽器积灰状态图像，构建积灰状态图像集；其次同时采集空冷凝汽器翅片通道出、入口风温、迎面风速、空冷凝汽器壁温，通过热平衡法计算空冷凝汽器积灰热阻，构建积灰热阻数据集；再次，以空冷凝汽器积灰状态图像集为输入量，积灰热阻数据集为输出量，采用卷积神经网络构建空冷凝汽器积灰热阻智能识别与分析模型；再次，实时采集空冷凝汽器积灰状态图像，送入监控主机，采用该模型实时分析积灰状态参数；最后，将其数值与智能监控系统设定值比较，当空冷凝汽器积灰热阻R_f<0.0027m²·K/W时，关闭压缩空气清洗装置；当空冷凝汽器积灰热阻R_f≥0.0027m²·K/W时，启动压缩空气清洗装置，压缩空气压力为0.5Mpa，压缩空气清洗装置行走速度为2.5m/min；当空冷凝汽器积灰热阻R_f≥0.0048m²·K/W时，压缩空气压力为0.7Mpa，压缩空气清洗装置行走速度为1.5m/min。

本发明的一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统及其调控方法的优点体现在：

(1)能够定量评估积灰对空冷凝汽器传热性能的影响，调控压缩空气清洗装置对空冷凝汽器进行清洗维护，可以克服以下缺点：①空冷凝汽器积灰热阻的计算采用热平衡法，需要同时监测空冷凝汽器出、入口风温、管壁温度、迎面风速等相关参数，需要布置多种类型多个传感器；②依据现场运维人员的人工观测空冷凝汽器的积灰状态，定性判定积灰热阻等参数，或是依据现场运维人员的经验，通过汽轮机排汽压力(或排汽温度)、环境气温等参数来定性判定积灰热阻等参数，次两种方法都是依靠人为确定清洗时间；③除盐水清洗空冷凝汽器积灰，与积灰混合形成具有一定酸性或碱性的水、泥混合物，其与碳钢材质的空冷凝汽器单排管基管接触，易腐蚀基管的焊缝、翅片连接处等重要部位，形成真空泄漏点。

(2)能够实时采集空冷凝汽器积灰状态可见光图像，采用卷积神经网络分析积灰状态图像的轮廓特征和颜色特征，建立图像与积灰热阻的对应关系，通过图像识别来定量评估空冷凝汽器积灰热阻和总换热系数，直接以积灰图像为输入，自动提取图像特征并评估积灰状态，避开了复杂的空冷凝汽器运行状态参数与环境气象参数监测设备的安装与维护，避免了传统机器学习算法需人工提取显性特征的种种弊端，实现了空冷凝汽器积灰状态的直接、智能、精确识别与分析。

(3)调控压缩空气清洗装置实施积灰清洗，一方面不受制于水资源的限制，可以采用发电机组仪用或杂用压缩空气为清洗介质，减少了除盐水消耗，避免了除盐水清洗后的污水腐蚀空冷凝汽器单排管，避免了除盐水高压输送设备的投资；另一方面，压缩空气可以在机组不停机工况下实施全天候清洗，降低了清洗人员劳动强度。

(4)基于空冷凝汽器积灰状态智能识别，根据积灰对空冷凝汽器换热性能的影响，调节压缩空气清洗装置启停和运行参数(包括压缩空气压力、压缩空气清洗装置行走速度)，实现了空冷凝汽器清洗的智能监控，可以避免通过现场运维人员的人工观测来确定清洗时间；避免由于积灰清洗不及时造成汽轮机排汽压力抬高，危害发电机组安全运行，增加发电机组供电煤耗，降低机组运行经济性。

本发明所用元件、器件均为市售产品，容易实施。监控主机8的智能监控程序编制是本领域技术人员所熟悉的技术。

本发明的具体实施方式已对本发明的内容作出了说明，但不局限本具体实施方式，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (3)

1.一种基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统，其特征在于：它包括汽轮机(1)输出端与排汽分配管(3)输入端连通，排汽分配管(3)输出端通过空冷凝汽器单排管基管(4)与凝结水箱(5)输入端连通，凝结水箱(5)输出端与凝结水泵(7)输入端连通；第一可见光摄像头(14)置于空冷凝汽器单排管基管(4)内侧，位于空冷风机(6)上部，第二可见光摄像头(15)置于空冷凝汽器单排管基管(4)内侧的另一面，第一可见光摄像头(14)与第二可见光摄像头(15)的输出端与图像采集器(10)输入端连接，图像采集器(10)输出端与监控主机(8)输入端连接，监控主机(8)输出端与数模转换器(9)输入端连接，数模转换器(9)输出端与清洗装置控制箱(11)输入端连接，清洗装置控制箱(11)输出端与压缩空气清洗装置(13)连接，压缩空气清洗装置悬挂于清洗装置行走桁架(12)下侧，清洗装置行走桁架(12)置于空冷凝汽器单排管基管(4)外侧，分别与排汽分配管(3)和凝结水箱(5)连接。

2.根据权利要求1所述的基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统，其特征在于：所述第一可见光摄像头(14)、第二可见光摄像头(15)与空冷凝汽器单排管基管(4)呈90°角度垂直布置，所述第一可见光摄像头(14)、第二可见光摄像头(15)到空冷凝汽器单排管基管(4)间距均为0.8～1.2米。

3.根据权利要求1所述的基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统，其特征在于：其调控方法包括以下步骤：

1)基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型

深度学习网络具体为卷积神经网络算法，该模型的网络输入数据是一个3维tensor，将输入的空冷凝汽器积灰状态可见光图像分解为2-3个特征层，尺寸为2560-60000,42-256,42-256,2-3，分别表示一批图片的个数2560-60000，图片的宽的像素点个数42-256，高的像素点个数42-256和信道个数2-3，首先使用多个卷积神经网络层进行图像的特征提取，卷积神经网络层的计算过程如下步骤：

卷积层1：卷积核大小a×a，卷积核移动步长2-3，卷积核个数a1，池化大小a2×a2，池化步长2-3，池化类型为最大池化，激活函数ELU，输出a1张图像,a＝3-8,a1＝42-256,a2＝3-7；

卷积层2：卷积核大小b×b,卷积核移动步长2-3，卷积核个数b1，池化大小b2×b2，池化步长2-3，池化类型为最大池化，激活函数ELU，输出b1张图像b＝3-8,b1＝42-256,b2＝3-7；

卷积层3：卷积核大小c×c,卷积核移动步长2-3，卷积核个数c1，池化大小c2×c2，池化步长2-3，池化类型为最大池化，激活函数Meanout，输出c1张图像,c＝3-8,c1＝42-256,c2＝3-7；

卷积层4：卷积核大小d×d,卷积核移动步长2-3，卷积核个数d1，池化大小d2×d2，池化步长2-3，池化类型为平均池化，激活函数Meanout，输出d1张图像,d＝3-8,d1＝42-256,d2＝3-7；

卷积层5：卷积核大小d×d,卷积核移动步长2-3，卷积核个数e1，池化大小e2×e2，池化步长2-3，池化类型为平均池化，激活函数Meanout，输出e1张图像,e＝3-8,e1＝42-256,e2＝3-7；

全连接层：隐藏层单元数512-1024，激活函数Meanout。第五池化层后依次配置了2-5层全连接层，以四层为例，神经元个数分别为1024、512、256、10，将第五池化层输出图像依次转化为对应的一维向量，向量元素个数分别为1024、512、256、10，第三全连接层输出多个元素的一维数组对应空冷凝汽器积灰状态的多组图像分类；

分类层：即为全连接层的第四层，该隐藏层单元数15-30，激活函数Meanout；

其中，ELU计算如下：

Meanout(x)＝δtanh(x)，为指数线性单元ELU的变种，加入一个的系数δ，参数δ是高斯分布随机产生的参数与训练的参数结合取得的，计算如下：

Meanout不同于Maxout的地方在于，Maxout引入的参数过多，而Meanout则在Maxout的基础上减少了引入的参数规模，但不影响训练的准确度，所以Meanout引入了另外的一个系数λ，λ需要通过训练和经验进行调整，以提高模型的效率，计算为式(3)和式(4)：

Z_ij＝a^TW...ij+b_ij,W∈R^d×m×k,a∈R^d×n,b∈R^m×k (4)

n表示输入样本的个数，d表示上一层节点的个数，m表示本层节点的个数，k表示每个隐藏层节点对应了k个“中间隐层”节点，这k个“中间隐层”节点都是线性输出的，而Meanout的每个节点就从这k个“中间隐层”节点中取平均值，这里结果只表示取出的第i列，下标i前的省略号表示对应第i列中的所有行；

参数初始化，所有权重矩阵使用random_normal(0.0-0.10,0.01-0.001)，所有偏置向量使用constant(0.0-0.01)，使用cross entropy作为目标函数，使用梯度下降法进行参数更新，学习率设为0.01-0.001，实现空冷凝汽器积灰图像识别；

2)建立空冷凝汽器积灰图像与积灰热阻的相关关系

根据热平衡原理，汽轮机排汽放热量、空冷凝汽器传热量和冷却空气吸热量相等

Q_e＝K×F×ΔT₀＝G×C_p×ΔT_a (5)

空冷凝汽器的对数平均温差：

ΔT_a＝t_a2-t_a1 (7)

积灰状态总传热热阻与清洁状态总传热热阻之差为由于积灰所产生的积灰热阻：

其中，Q_e为汽轮机排汽热负荷，G为冷却空气质量流量，t_n为空冷凝汽器壁温，t_a1为空冷凝汽器入口风温，t_a2为空冷凝汽器出口风温，ΔT₀为空冷凝汽器对数平均温差，ΔT_a为冷却空气温升，K为空冷凝汽器换热系数，F为空冷凝汽器总换热面积，C_p为冷却空气定压比热容，R_f为空冷凝汽器积灰热阻，R为积灰状态空冷凝汽器热阻，R_c为清洁状态空冷凝汽器热阻，K为积灰状态空冷凝汽器换热系数，K_c为清洁状态空冷凝汽器换热系数。

通过可见光摄像头采集空冷凝汽器积灰状态图像，联立式(5)～式(8)计算该状态下空冷凝汽器积灰热阻值，以空冷凝汽器积灰状态图像为输入量，空冷凝汽器积灰热阻为目标量，建立基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型；

3)对压缩空气清洗装置的调控：

①第一可见光摄像头与第二可见光摄像头实时采集空冷凝汽器翅片通道积灰图像；

②基于卷积神经网络和积灰图像的空冷凝汽器积灰状态智能识别与分析模型定量分析积灰热阻；

③计算空冷凝汽器积灰热阻和总换热系数，分析积灰热阻是否大于设定值，

当空冷凝汽器积灰热阻R_f<0.0027m²·K/W时，关闭压缩空气清洗装置；

当空冷凝汽器积灰热阻R_f≥0.0027m²·K/W时，启动压缩空气清洗装置，压缩空气压力为0.5Mpa，压缩空气清洗装置行走速度为2.5m/min；

当空冷凝汽器积灰热阻R_f≥0.0048m²·K/W时，压缩空气压力为0.7Mpa，压缩空气清洗装置行走速度为1.5m/min；

④压缩空气清洗装置完成清洗后，第一可见光摄像头与第二可见光摄像头实时采集空冷凝汽器翅片通道积灰图像。