CN110095204A - 一种乙烯裂解炉管温度诊断系统 - Google Patents

Abstract

本发明涉及一种乙烯裂解炉管温度诊断系统，包括边缘设备和工业云服务器。边缘设备包括：数据采集模块用于构成CNN网络模型的训练数据集；模型构建模块用于将训练数据集输入PC端的CNN网络模型进行训练，在PC端构建CNN重管识别模型，将构建好的PC端的CNN重管识别模型移植至智能测温仪内部的嵌入式处理器，在嵌入式处理器内对CNN重管识别模型进行重构；温度计算模块用于利用嵌入式处理器的CNN重管识别模型判断提取的炉管距离数据是否为重管，对非重管与重管的炉管外表面温度值进行计算；工业云服务器接收计算得到的炉管外表面温度值，根据炉管温度值进行统计和/或决策。本发明能够高精准度判别裂解炉重管和非重管，并且实现智能测温仪的边缘计算功能。

Description

一种乙烯裂解炉管温度诊断系统

技术领域

本发明涉及裂解炉管温度监测技术领域，更具体地，涉及一种基于乙烯裂解炉管温度诊断系统。

背景技术

近些年来，随着物联网(Internet of Things,IoT)的快速发展和普及，多种领域的终端和设备实现联网。在工业领域，工业无线网络(industrial wireless networks,IWNs)也渐趋成熟，促使以物联网通信框架作为基础的工业物联网(Industrial Internetof Things,IIoT)和智能工厂成为当下研究和发展的热点。目前，在工业物联网中，众多的边缘设备每时每刻都在产生着巨量的原始数据，以传统的云计算联网模式将产生的数据传输到远端的工业云服务器进行处理和分析，往往会对网络资源及云平台形成严重的负担和考验，而且在数据传输方面形成的时延，会极大影响设备运行的分析结果和控制指令发送的时效性，对实际生产造成无法估量的后果。

乙烯工业作为石油化工产业的核心，世界上已将乙烯产量作为衡量一个国家石油化工发展水平的重要标志之一。转变以往的乙烯工业运作管理模式，将乙烯工业生产中的设备逐步实现物物互联，形成边缘式大数据处理模式，对于乙烯生产过程的时效性管理和提高乙烯产量具有极其重大的意义。在乙烯裂解生产过程中，裂解炉管温度的监测是一必不可少的环节，该环节对于诊断裂解炉管是否发生结焦、破裂、堵塞等异常情况是一项重要指标。如果在这一环节中，对裂解炉管温度的监测不精确，将会对裂解炉管运行状况的诊断造成极大影响，进而影响乙烯的质量和产量。在长期实际的裂解炉管温度监测过程中，经常发现会存在炉管互相遮挡、重叠严重的状况，这种状况对准确测量每根炉管的温度造成了很大程度上的干扰。目前，广泛应用的裂解炉管测温方式主要为通过人工手持非接触式红外测温枪对炉管进行定位测温，此方式在测量、分辨裂解炉重管温度的过程中具有极大难度和不准确性。现有技术中有提出一种双相位驱动同步测量方法，该方法通过在水平运动过程中旋转测温仪，实现炉管批量温度的自动测量，并提出了一种温度处理算法，实现了批量温度数据中单根炉管温度的提取。但是在处理重管的问题上，采用计算采集炉管温度值的数目和距离的跳变阈值为判别标准，实现重管的判别和温度的计算。然而在实际生产过程中，裂解炉管在高温、高压，燃烧嘴喷射火焰带动的强烈气流和振动下，会使得炉管的位置情况时刻发生着小距离范围内的变动，同时也造成炉管重叠的状况在实际生产过程中多种多样，仅仅依据采集的炉管温度值数目的多少和距离跳变阈值去判断是否为重管，还存在着很大的不可靠性。

近年来，随着智能工厂概念的提出，工业物联网(IIoT)和边缘计算成为了当下研究的热点。在此大背景下，乙烯裂解工业也不例外，逐步在向着以边缘计算为核心的工业物联网进程迈进。裂解炉管温度监测作为保障乙烯裂解正常生产的必要环节，以现有的智能测温仪测温过程中常会发现裂解炉管重叠的现象，导致不同炉管的温度难以区分，无法精准检测每根炉管的温度变化情况。

随着人工智能的发展，卷积神经网络凭借着其强大的特征提取能力而被广泛应用于自动控制、模式识别、计算机视觉、传感器信号处理等方面。Yann LeCun等提出的LeNet-5卷积神经网络模型被成功应用于银行支票上手写数字的识别，这是卷积神经网络第一次大范围在工业实践中应用，取得了很好的应用效果。Krizhevsky等设计的Alex-Net卷积神经网络模型进一步提升了卷积神经网络在图像识别领域的准确率。

在物联网飞速发展的同时，以Cortex-M为内核的嵌入式处理器(Cortex-M CPU)也取得了长足的进步，特别是以Cortex-M7为内核的处理器在运行主频、内存容量有了很大程度的提升，而且针对Cortex-M CPU，ARM公司提出了一种专门用在Cortex-M CPU上部署神经网络的优化软件内核CMSIS-NN。Cortex-M CPU基于CMSIS-NN内核进行神经网络推理运算，对于运行时间、吞吐量将会有4.6倍的提升，对于能效也将有4.9倍的提升，使得嵌入式处理器融入物联网并嵌入神经网络成为了可能。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于乙烯裂解炉管温度诊断系统，能够高精准度判别裂解炉重管和非重管，且能够实现智能测温仪的边缘计算功能，在降低工业云服务器的数据处理量的同时提升了数据处理的实时性和高效性。

本发明采取的技术方案是：

一种乙烯裂解炉管温度诊断系统，包括边缘设备和工业云服务器，所述边缘设备包括数据采集模块、模型构建模块、温度计算模块；

数据采集模块，用于通过智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据，提取原始一维数据中的炉管数据，将采集的原始一维数据变换为二维直方图，在二维直方图中对炉管距离数据进行特征提取，获得炉管的重管和非重管的距离特征图，构成CNN网络模型的训练数据集；

模型构建模块，用于将训练数据集输入PC端的CNN网络模型进行训练，在PC端构建CNN重管识别模型，将构建好的PC端的CNN重管识别模型移植至智能测温仪内部的嵌入式处理器，在嵌入式处理器内对CNN重管识别模型进行重构；

温度计算模块，用于提取待诊断的炉管距离数据和炉管温度数据，并返回炉管距离数据在原始一维数据中的起始位置坐标，再利用嵌入式处理器的CNN重管识别模型判断提取的炉管距离数据是否为重管，返回每根炉管的识别类型标签，根据返回的炉管识别类型标签、炉管距离数据的起始位置坐标和炉管温度数据，对相应起始位置坐标的非重管与重管的炉管外表面温度值进行计算；

工业云服务器，用于接收计算得到的炉管外表面温度值，根据炉管外表面温度值进行统计分析和/或决策优化。

本发明首先利用重管和非重管的特征差异，通过数据采集模块采集样本数据集，模型构建模块根据所采集的样本数据集在PC端训练CNN重管识别模型，其次针对嵌入式处理器的特性，将训练好的PC端的CNN重管识别模型移植到智能测温仪内部的嵌入式处理器，然后，温度计算模块再通过嵌入式处理器的CNN重管识别模型对智能测温仪内部的待诊断炉管距离数据和炉管温度数据，计算得到重管和非重管的温度。本发明利用训练生成的CNN重管识别模型能够高精准度判别重管和非重管，提高裂解炉管温度值测量的准确性，同时通过边缘设备对炉管温度值进行边缘计算，工业云服务器接收边缘计算结果开展数据的统计分析和/或决策优化，能够保证设备的正常运行并提升生产效率，实现了边缘设备与工业云服务器之间的相互智能协同。

进一步地，所述数据采集模块用于在二维直方图中对炉管距离数据进行特征提取的步骤，具体包括：先去除二维直方图中炉管外表面和炉膛内壁的温度数据，再去除二维直方图中炉膛内壁的距离数据后，去除炉管距离数据中与炉管特征相关度低的无效阈值数据，提取得到炉管的重管和非重管的距离特征图。

进一步地，所述模型构建模块包括：

PC端构建模块，用于将训练数据集输入PC端的CNN网络模型进行训练，在PC端构建CNN重管识别模型；

数据变换模块，用于将PC端构建好的CNN重管识别模型的浮点类型权重定点化为整数类型权重；

嵌入端构建模块，用于将整数类型权重和PC端的CNN重管识别模型移植至智能测温仪内部的嵌入式处理器，在嵌入式处理器内根据整数类型权重对CNN重管识别模型进行重构。

CNN网络模型在PC端的训练过程中，通常使用32位浮点型的权重和激活函数进行训练，然而嵌入式处理器通常系统内存有限，将32位浮点类型的CNN重管识别模型的训练权重定点化为8位的整数类型权重然后再移植到嵌入式处理器内，可以使CNN重管识别模型的规模减小4倍，此外，在嵌入式处理器内，整数运算的速度要比浮点运算快很多，所以，在移植CNN重管识别模型之前，需要将PC端构建好的CNN重管识别模型的32位浮点类型权重定点化为8位整数类型权重，然后，再将PC端构建好的CNN重管识别模型移植到嵌入式处理器内进行重构。

进一步地，所述数据变换模块包括：

计算转换模块，用于将PC端构建好的CNN重管识别模型的浮点数类型权重定点化为整数类型近似值；

补码处理模块，用于对近似值进行补码处理，得到整数类型权重。

进一步地，所述计算转换模块，具体用于根据下式将PC端构建好的CNN重管识别模型的浮点数类型权重定点化为整数类型近似值：

Ix＝(int)Fx·2^Q

式中，Ix表示定点数，Fx表示浮点数，Q表示量化系数，int表示转换为整数类型。

进一步地，所述补码处理模块，具体用于根据下式对近似值进行补码处理，得到整数类型权重：

式中v为补码真实表示的值，N表示浮点数小数位的长度，B表示二进制形式的补码。

进一步地，所述嵌入端构建模块设有N值选取模块，所述N值选取模块用于嵌入端构建模块在嵌入式处理器内重构CNN重管识别模型的过程中，对CNN重管识别模型的不同层根据下式进行不同的N值选取：

N＝arg min∑|W_f-W(8,N)|

式中W_f表示浮点类型权重，W(8,N)表示在N取值情况下的整数类型权重。

进一步地，所述温度计算模块设有数据处理模块，所述数据处理模块用于将待诊断的原始一维炉管距离数据转换为用于输入嵌入式处理器内的CNN重管识别模型的二维炉管距离数据。

进一步地，所述数据处理模块具体用于执行以下数据处理算法步骤：

S1.根据炉膛内壁和炉管的距离差异特征，从待诊断的炉管和炉膛内壁距离数据中提取出每一根炉管的距离值；

S2.将提取出的炉管距离值做特征变换，得到一维的炉管距离特征数据；

S3.将变换得到的一维炉管特征数据做维度变换，得到能用于输入嵌入式处理器内的CNN重管识别模型的二维数据。

进一步地，所述温度计算模块用于对相应起始位置坐标的非重管与重管的炉管温度值进行计算的步骤，具体包括：

当炉管为非重管时，提取炉管距离数据起始位置坐标对应的温度数据，去除边缘温度点，再计算剩余温度数据的平均值，得到当前炉管的温度值；

当炉管为重管时，先根据重管的炉管距离数据起始位置坐标提取对应的温度数据，再由温度数据中的炉管边缘跳变点找到炉管数据的切分边界，并将重管温度数据切分为若干段，根据非重管温度处理方法，计算切分完成的炉管温度数据，得到重管中各炉管的不同温度值。

与现有技术相比，本发明的有益效果为：

(1)本发明利用重管和非重管的特征差异，在PC端训练生成CNN重管识别模型，并针对嵌入式处理器的特性，将PC端的CNN重管识别模型移植到智能测温仪内部的嵌入式处理器，再由嵌入式处理器的CNN重管识别模型结合边缘设备内部的数据处理算法和温度值计算方法，计算得到重管和非重管的温度，实现边缘设备的边缘计算；

(2)本发明训练生成的CNN重管识别模型能够高精准度判别重管和非重管，提高裂解炉管温度值测量的准确性；

(3)本发明中边缘设备的边缘计算功能将密集型计算任务从工业云服务器的集中式节点迁移到智能测温仪等网络边缘，在靠近移动设备和数据源头的智能测温仪等网络边缘侧就近提供裂解炉管温度值的边缘智能计算服务，减少了海量原始数据往返云端的等待时间和网络成本，在降低工业云服务器的数据处理量的同时提升了数据处理的实时性和高效性。

附图说明

图1为本发明实施例的系统组成示意图。

图2为本发明实施例的原始测量数据的二维直方图。

图3为本发明实施例的对炉管距离数据进行特征提取示意图。

图4(a)为本发明实施例的炉管非重管的特征图。

图4(b)为本发明实施例的炉管重管的特征图。

图5为本发明实施例的CNN重管识别模型的CNN网络结构。、

图6为本发明实施例的另一个系统组成示意图。

图7为本发明实施例的数据处理算法示意图。

图8为本发明实施例中应用本发明所述系统采集的炉管温度变化曲线图。

图9为本发明实施例中利用文献1的方法采集的炉管温度变化曲线图一。

图10为本发明实施例中利用文献1的方法采集的炉管温度变化曲线图二。

图11为本发明实施例中利用传统人工测量方法采集的炉管温度变化曲线图。

说明：100.边缘设备；110.数据采集模块；120.模型构建模块；121.PC端构建模块；122.数据变换模块；123.嵌入端构建模块；130.温度计算模块；131.数据处理模块；200.工业云服务器。

具体实施方式

本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

实施例

如图1所示，本实施例提供一种乙烯裂解炉管温度诊断系统，包括边缘设备100和工业云服务器200，所述边缘设备100包括数据采集模块110、模型构建模块120、温度计算模块130；

数据采集模块110，用于通过智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据，提取原始一维数据中的炉管数据，将采集的原始一维数据变换为二维直方图，在二维直方图中对炉管距离数据进行特征提取，获得炉管的重管和非重管的距离特征图，构成CNN网络模型的训练数据集；

模型构建模块120，用于将训练数据集输入PC端的CNN网络模型进行训练，在PC端构建CNN重管识别模型，将构建好的PC端的CNN重管识别模型移植至智能测温仪内部的嵌入式处理器，在嵌入式处理器内对CNN重管识别模型进行重构；

温度计算模块130，用于提取待诊断的炉管距离数据和炉管温度数据，并返回炉管距离数据在原始一维数据中的起始位置坐标，再利用嵌入式处理器的CNN重管识别模型判断提取的炉管距离数据是否为重管，返回每根炉管的识别类型标签，根据返回的炉管识别类型标签、炉管距离数据的起始位置坐标和炉管温度数据，对相应起始位置坐标的非重管与重管的炉管外表面温度值进行计算；

工业云服务器200，用于接收计算得到的炉管外表面温度值，根据炉管外表面温度值进行统计分析和/或决策优化。

本实施例首先利用重管和非重管的特征差异，通过数据采集模块110采集样本数据集，模型构建模块120根据所采集的样本数据集在PC端训练CNN重管识别模型，其次针对嵌入式处理器的特性，将训练好的PC端的CNN重管识别模型移植到智能测温仪内部的嵌入式处理器，然后，温度计算模块130再通过嵌入式处理器的CNN重管识别模型对智能测温仪内部的待诊断炉管距离数据和炉管温度数据，计算得到重管和非重管的温度。本实施例利用训练生成的CNN重管识别模型能够高精准度判别重管和非重管，提高裂解炉管温度值测量的准确性，同时通过边缘设备100对炉管温度值进行边缘计算，工业云服务器200接收边缘计算结果开展数据的统计分析和/或决策优化，能够保证设备的正常运行并提升生产效率，实现了边缘设备100与工业云服务器200之间的相互智能协同。

优选地，所述系统还包括控制车间，用于接收工业云服务器输出的统计分析结果和/或决策优化结果，并将结果显示给相关人员。

所述智能测温仪具备温度和距离同步测量的功能，其内部集成了红外测温模块和激光测距模块。智能测温仪测量炉管温度的同时会同步测量炉管距离测温仪的距离，当测量炉壁温度时也会同步测量炉壁距离测温仪的距离。所述智能测温仪具备温度和距离同步测量的功能，是为了区分测量温度数据中包含的炉管温度和炉壁温度。在温度距离同步测量过程中，智能测温仪采集的数据为一维数据。一直以来，由人为校对数据时，通常将测量得到的一维数据变换为二维形式的直方图进行识别重管，并以此为标准，来衡量原始重管识别算法的准确性。原始测量的得到的一维原始数据的二维直方图表现形式如图2所示。

如图2所示的直方图中，横坐标表示一个裂解炉观测窗口采集到的温度和距离数据点的个数，纵坐标则表示采集距离和温度的刻度值，其中上层淡黑色区数据域代表距离，下层灰色区数据域代表温度。由直方图可知，采集数据中的炉管和炉壁的温度区分度很小，区分程度较难，而炉管和炉壁的距离却存在着显著的差异，上层淡黑色区数据域凹陷部分即为测量到的炉管。所以可以根据距离差异的特征，达到区分炉管和炉壁温度的目的。经分析可以知道图2直方图中的条形标识框所示的是重管，由图2直方图中的条形标识框还可以发现一个问题，测量过程中的炉管还会存在重叠的现象，且重叠的程度不尽相同，由此带来的一个问题就是重叠炉管如何通过算法进行识别。在实际测量过程中，原始的由采集数据点个数为标准来判断是否为重管的算法，经常会存在漏判和错判的问题，由此提出一种高准确率识别重管的方法极为重要。

通过人为观察直方图去识别重管的准确度是非常高的，这很大程度上取决于二维数据的直观性，而且CNN网络的输入为二维向量，因此提出了基于CNN网络进行重管识别的方法。

如图3所示，在本实施例中，所述数据采集模块110用于在二维直方图中对炉管距离数据进行特征提取的步骤，具体包括：先去除二维直方图中炉管外表面和炉膛内壁的温度数据，再去除二维直方图中炉膛内壁的距离数据后，去除炉管距离数据中与炉管特征相关度低的无效阈值数据，提取得到炉管的重管和非重管的距离特征图。

如图4(a)所示为炉管非重管的特征图，如图4(b)所示为炉管重管的特征图，由此构成CNN重管识别模型的训练数据集。其中，无效阈值为炉管距离数据中最低点以下数据，具体的，去除二维直方图中炉壁的距离数据后，先提取炉管距离数据中的最小值，将炉管各个距离数据与该最小值做差后再加1，最后得到炉管的重管和非重管特征图。

在本实施例的具体实施过程中，边缘设备100可以内置于智能测温仪或者包括智能测温仪。

如图5所示，在本实施例的具体实施过程中，CNN重管识别模型的网络模型可以包括1个输入层、3个卷积层、3个最大池化层、1个全连通层和1个输出层，各层按以下顺序依次进行分布：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连通层和输出层，CNN重管识别模型的输入是一个32x32像素的炉管特征灰度图，其输出为重管和非重管的分类概率，根据分类概率可以返回每根炉管的识别类型标签是重管还是非重管。

设置好CNN重管识别模型的网络模型之后，即可将重管和非重管特征图构成的训练数据集输入网络模型中进行训练，在训练过程中，通过修改网络模型的参数提升CNN重管识别模型的识别准确率，最终得到期望的准确率的CNN重管识别模型。

如图6所示，在本实施例中，所述模型构建模块120包括：

PC端构建模块121，用于将训练数据集输入PC端的CNN网络模型进行训练，在PC端构建CNN重管识别模型；

数据变换模块122，用于将PC端构建好的CNN重管识别模型的浮点类型权重定点化为整数类型权重；

嵌入端构建模块123，用于将整数类型权重和PC端的CNN重管识别模型移植至智能测温仪内部的嵌入式处理器，在嵌入式处理器内根据整数类型权重对CNN重管识别模型进行重构。

CNN网络模型在PC端的训练过程中，通常使用32位浮点型的权重和激活函数进行训练，然而嵌入式处理器通常系统内存有限，将32位浮点类型的CNN重管识别模型的训练权重定点化为8位的整数类型权重然后再移植到嵌入式处理器内，可以使CNN重管识别模型的规模减小4倍，此外，在嵌入式处理器内，整数运算的速度要比浮点运算快很多，所以，在移植CNN重管识别模型之前，需要将PC端构建好的CNN重管识别模型的32位浮点类型权重定点化为8位整数类型权重，然后，再将PC端构建好的CNN重管识别模型移植到嵌入式处理器内进行重构。

优选地，32位浮点型激活函数相关的数值也可以定点化为8位的整数类型激活值然后再移植到嵌入式处理器内。

本实施例优选为采用Cortex-M作为智能测温仪的嵌入式处理器，其中Cortex-M优选为以CMSIS-NN为内核，CMSIS-NN内核库中包含了CNN网络实现所需的卷积、池化、激活和全连接等功能函数，使得我们在嵌入式处理器中重构CNN重管识别模型成为可能。

在本实施例中，所述数据变换模块122包括：

计算转换模块，用于将PC端构建好的CNN重管识别模型的浮点数类型权重定点化为整数类型近似值；

补码处理模块，用于对近似值进行补码处理，得到整数类型权重。

在本实施例中，所述计算转换模块，具体用于根据下式将PC端构建好的CNN重管识别模型的浮点数类型权重定点化为整数类型近似值：

Ix＝(int)Fx·2^Q

式中，Ix表示定点数，Fx表示浮点数，Q表示量化系数，int表示转换为整数类型。

在本实施例中，所述补码处理模块，具体用于根据下式对近似值进行补码处理，得到整数类型权重：

式中v为补码真实表示的值，N表示浮点数小数位的长度，B表示二进制形式的补码。

在本实施例中，所述嵌入端构建模块123设有N值选取模块，所述N值选取模块用于嵌入端构建模块123在嵌入式处理器内重构CNN重管识别模型的过程中，对CNN重管识别模型的不同层根据下式进行不同的N值选取：

N＝arg min∑|W_f-W(8,N)|

式中W_f表示浮点类型权重，W(8,N)表示在N取值情况下的整数类型权重。

数据变换模块122完成CNN重管识别模型的权重定点化后，嵌入端重构模块123将定点化后的整数类型权重添加到智能测温仪嵌入式处理器的单片机程序中，完成权重的移植，再根据PC端构建好的CNN重管识别模型在智能测温仪的嵌入式处理器中构建同样结构的CNN重管识别模型，然后再结合定点化后的权重，即可实现CNN重管识别模型在嵌入式处理器内的重构。

如图6、图7所示，在本实施例中，所述温度计算模块130设有数据处理模块131，所述数据处理模块131用于将待诊断的原始一维炉管距离数据转换为用于输入嵌入式处理器内的CNN重管识别模型的二维炉管距离数据。

在本实施例中，所述数据处理模块131具体用于执行以下数据处理算法步骤：

S1.根据炉膛内壁和炉管的距离差异特征，从待诊断的炉管和炉膛内壁距离数据中提取出每一根炉管的距离值；

S2.将提取出的炉管距离值做特征变换，得到一维的炉管距离特征数据；

S3.将变换得到的一维炉管特征数据做维度变换，得到能用于输入嵌入式处理器内的CNN重管识别模型的二维数据。

所述维度变换的算法描述如Algorithm 1：

在本实施例中，所述温度计算模块130用于对相应起始位置坐标的非重管与重管的炉管温度值进行计算的步骤，具体包括：

当炉管为非重管时，提取炉管距离数据起始位置坐标对应的温度数据，去除边缘温度点，再计算剩余温度数据的平均值，得到当前炉管的温度值；

当炉管为重管时，先根据重管的炉管距离数据起始位置坐标提取对应的温度数据，再由温度数据中的炉管边缘跳变点找到炉管数据的切分边界，并将重管温度数据切分为若干段，根据非重管温度处理方法，计算切分完成的炉管温度数据，得到重管中各炉管的不同温度值。

将本发明所述的裂解炉管重管温度识别方法应用于大型石化公司的乙烯裂解装置。该乙烯裂解装置有多个裂解炉，每个裂解炉有8个观察孔和96根炉管，每孔可观察到12根炉管。为了验证本发明的有效性，进行了两个方面的实测实验，并对实验结果进行了分析。

1、CNN重管识别模型训练与仿真

在乙烯裂解过程中，裂解炉运行于高温、高压和强烈震动的环境下，导致炉管位置时刻发生着变动，不同时段测量得到的炉管位置存在不同程度上的差异。本次实验用于CNN重管识别模型训练的测试集和训练集采集于不同的时间段，训练集和测试集的样本构成如表1所示：

CNN重管识别模型的验证过程：首先利用测试集在PC端对CNN网络模型进行训练并验证，经验证训练模型的准确率为：99.85％；接下来对训练完成的CNN网络模型进行权重转换，生成可运行于嵌入式处理器内的数据类型，转换完成后的CNN网络模型经测试集再次验证，其准确率为：99.70％。分析准确率，生成的CNN重管识别模型完全符合实际生产所适用的准确率范围。

表1实验数据结构组成

样本	非重管	重管	总计
				训练样本	980	560	1540
测试样本	620	230	850

2、裂解炉重管温度识别方法与其他方法的对比实验

为了验证本发明所提出方法的优越性，我们以乙烯裂解装置中的5号裂解炉为实验对象，使用本发明所述的方法与文献1及传统人工测量方法做了对比性试验。由实际生产状况可知，裂解炉管在不同时段内的分布状态和炉管温度是发生变化的，为了确保实验的真实可靠性，在实验中，本实验使用不同的测量方法，分阶段测量了7天的炉管温度数据。根据3种方法测量得到的炉管温度，绘制了炉管温度的变化曲线。由于在实际测量过程中，5号裂解炉的6号观察孔存在重管的概率最高，为了体现本发明所述方法在重管识别准确率方面的优势，图8-11仅仅绘制出了6号观察孔所观测的12根炉管的温度变化曲线。

由图8可以看出，利用本发明的方法进行测量时，在测量的7天里，5号炉的6号观察孔所观察到的12根裂解炉管温度都呈上升的趋势，并经由乙烯裂解厂工艺员确认，图示趋势符合实际裂解生产过程中炉管温度的变化规律；由经文献1所介绍的测量方法得到的炉管温度变化曲线(图9所示)可以发现存在多个温度异常值和缺失值，缺失值发生在测量第3天和第6天数据中的第12跟炉管，且测量值由图10可知都为零。通过分析，问题出现的原因是由文献1所介绍的测量方法在实际测量过程中出现了重管识别失败的情况，由此无法将重管中的两根炉管的温度值分别出来，使得后面炉管的温度值的编号顺序向前递进了一位，而造成位于最后的12号炉管的温度值缺失，计算结果为零。而在其它测量天数内，文献1的方法对所有炉管中的重管都可以成功识别，最后计算的炉管温度值也同样处于正常范围内。综上所述，该文献1的方法在面对炉管位置时刻发生变动的情况下，识别的准确率还有待提高；由图11可以看出，传统人工测量的方式所测得的炉管温度会存在异常数据值，其变动超出了正常的范围，会使得对炉管运行的健康状况造成误判，再次测量同样也会加重人工测量的劳动量。

有上述实验结果可知，本发明所提出的一种裂解炉重管温度识别方法在裂解炉重管的识别准确率上，相比现有的测量方法都有了很大得高，而且将CNN移植到嵌入式单片机，实现了乙烯化工厂边缘设备100的边缘计算，也在一定程度上减轻了乙烯裂解工人的劳动量，对乙烯裂解生产提供了极大的便捷和保障。

其中，上述提及的文献1指的是Peng Z,He J,Tan Y,et al.Study of dual-phasedrive synchronization method and temperature measurement algorithm formeasuring external surface temperatures of ethylene cracking furnace tubes[J].Applied Petrochemical Research,2018,8(3):163-172。

显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种乙烯裂解炉管温度诊断系统，其特征在于，包括边缘设备和工业云服务器，所述边缘设备包括数据采集模块、模型构建模块、温度计算模块；

数据采集模块，用于通过智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据，提取原始一维数据中的炉管数据，将采集的原始一维数据变换为二维直方图，在二维直方图中对炉管距离数据进行特征提取，获得炉管的重管和非重管的距离特征图，构成CNN网络模型的训练数据集；

模型构建模块，用于将训练数据集输入PC端的CNN网络模型进行训练，在PC端构建CNN重管识别模型，将构建好的PC端的CNN重管识别模型移植至智能测温仪内部的嵌入式处理器，在嵌入式处理器内对CNN重管识别模型进行重构；

温度计算模块，用于提取待诊断的炉管距离数据和炉管温度数据，并返回炉管距离数据在原始一维数据中的起始位置坐标，再利用嵌入式处理器的CNN重管识别模型判断提取的炉管距离数据是否为重管，返回每根炉管的识别类型标签，根据返回的炉管识别类型标签、炉管距离数据的起始位置坐标和炉管温度数据，对相应起始位置坐标的非重管与重管的炉管外表面温度值进行计算；

工业云服务器，用于接收计算得到的炉管外表面温度值，根据炉管外表面温度值进行统计分析和/或决策优化。

2.根据权利要求1所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述数据采集模块用于在二维直方图中对炉管距离数据进行特征提取的步骤，具体包括：先去除二维直方图中炉管外表面和炉膛内壁的温度数据，再去除二维直方图中炉膛内壁的距离数据后，去除炉管距离数据中与炉管特征相关度低的无效阈值数据，提取得到炉管的重管和非重管的距离特征图。

3.根据权利要求1所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述模型构建模块包括：

PC端构建模块，用于将训练数据集输入PC端的CNN网络模型进行训练，在PC端构建CNN重管识别模型；

数据变换模块，用于将PC端构建好的CNN重管识别模型的浮点类型权重定点化为整数类型权重；

嵌入端构建模块，用于将整数类型权重和PC端的CNN重管识别模型移植至智能测温仪内部的嵌入式处理器，在嵌入式处理器内根据整数类型权重对CNN重管识别模型进行重构。

4.根据权利要求3所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述数据变换模块包括：

计算转换模块，用于将PC端构建好的CNN重管识别模型的浮点数类型权重定点化为整数类型近似值；

补码处理模块，用于对近似值进行补码处理，得到整数类型权重。

5.根据权利要求4所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述计算转换模块，具体用于根据下式将PC端构建好的CNN重管识别模型的浮点数类型权重定点化为整数类型近似值：

Ix＝(int)Fx·2^Q

式中，Ix表示定点数，Fx表示浮点数，Q表示量化系数，int表示转换为整数类型。

6.根据权利要求4所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述补码处理模块，具体用于根据下式对近似值进行补码处理，得到整数类型权重：

式中v为补码真实表示的值，N表示浮点数小数位的长度，B表示二进制形式的补码。

7.根据权利要求6所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述嵌入端构建模块设有N值选取模块，所述N值选取模块用于嵌入端构建模块在嵌入式处理器内重构CNN重管识别模型的过程中，对CNN重管识别模型的不同层根据下式进行不同的N值选取：

N＝arg min∑|W_f-W(8,N)|

式中W_f表示浮点类型权重，W(8,N)表示在N取值情况下的整数类型权重。

8.根据权利要求1至7任一项所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述温度计算模块设有数据处理模块，所述数据处理模块用于将待诊断的原始一维炉管距离数据转换为用于输入嵌入式处理器内的CNN重管识别模型的二维炉管距离数据。

9.根据权利要求8所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述数据处理模块具体用于执行以下数据处理算法步骤：

S1.根据炉膛内壁和炉管的距离差异特征，从待诊断的炉管和炉膛内壁距离数据中提取出每一根炉管的距离值；

S2.将提取出的炉管距离值做特征变换，得到一维的炉管距离特征数据；

S3.将变换得到的一维炉管特征数据做维度变换，得到能用于输入嵌入式处理器内的CNN重管识别模型的二维数据。

10.根据权利要求1所述的一种乙烯裂解炉管温度诊断系统，其特征在于，所述温度计算模块用于对相应起始位置坐标的非重管与重管的炉管温度值进行计算的步骤，具体包括：

当炉管为非重管时，提取炉管距离数据起始位置坐标对应的温度数据，去除边缘温度点，再计算剩余温度数据的平均值，得到当前炉管的温度值；

当炉管为重管时，先根据重管的炉管距离数据起始位置坐标提取对应的温度数据，再由温度数据中的炉管边缘跳变点找到炉管数据的切分边界，并将重管温度数据切分为若干段，根据非重管温度处理方法，计算切分完成的炉管温度数据，得到重管中各炉管的不同温度值。