CN110119759A - 一种基于增益张量的高温承压元件红外图像监测方法 - Google Patents

Abstract

本发明公开了一种基于增益张量的高温承压元件红外图像监测方法，该方法包括以下步骤：(1)在待测高温承压元件附近安装红外热成像仪并采集图像；(2)存储图像并进行特征提取，构成故障类型图像数据库；(3)通过神经网络学习方法建立故障监测模型并完成训练、评估和保存；(4)监测高温承压元件故障；对采集到的元件实时红外图谱数据进行图像截取，使用训练好的故障监测模型进行预测，并根据预测结果提示元件正常或存在问题；(5)当出现采集到的红外图谱数据的预测类别为存在问题时，对红外图谱数据进行如下计算和处理。本发明可以在线监测元件的温度图像数据，及时应对并处置，消除事故隐患。

Description

一种基于增益张量的高温承压元件红外图像监测方法

技术领域

本发明属于电站锅炉技术应用领域，具体涉及一种基于增益张量的高温承压元件红外图像监测方法。

背景技术

大型电站锅炉机组中汽水工质侧的承压元件长期服役于高温、高压环境。特别是在机组调峰运行的过程中，机组启停或变负荷运行会使得受压元件相应承受大幅度的温度变化和交变应力，产生疲劳损伤，影响元件的使用寿命。对于超临界参数锅炉机组，炉内过热器等受热面的炉管、以及过热器进出口集箱工作在接近材料许用温度极限的条件下，这一运行安全性问题就更为突出和重要。根据现有的技术，主要依靠对高温承压部件局部布置很少的热电偶，测量单点金属温度数据。但是实际生产过程中，由于受到生产条件限制，无法获取多数的元件的数据，从而无法对这些元件进行在线监测，经常因某些局部高温超时，而不易被发现，造成爆管等安全事故。

目前的红外成像仪已经普遍用于金属探伤等领域，在电站电气等专业也经常使用，因电气设备周围空间温度较低，可以在线部署普通的红外成像装置，对获取的图像进行简单的温度上下限设置和报警。而本专利，对获取的红外图谱数据进行基于增益张量的温度场图像分析技术，极大的提高了红外图像的价值，高温承压原件大多用于传感器的改进，目前还未发现本专利中的技术在高温承压元件红外图像分析中使用的先例。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于增益张量的高温承压元件红外图像监测方法，通过在电站锅炉高温承压元件周边部署红外成像装置，红外热像仪安装在耐高温的屏蔽箱内，以便隔绝周围复杂的高温恶劣环境，在线监测元件的温度图像数据，通过增益张量技术分析红外视频图像的温度异常，及时应对并处置，消除事故隐患。

本发明的目的是通过以下技术方案实现的：

一种基于增益张量的高温承压元件红外图像监测方法，包括以下步骤：

(1)在待测高温承压元件附近安装红外热成像仪并采集图像；

(2)存储图像并进行特征提取，构成故障类型图像数据库；

(3)通过神经网络学习方法建立故障监测模型并完成训练、评估和保存；

(4)监测高温承压元件故障；对采集到的元件实时红外图谱数据进行图像截取，使用训

练好的故障监测模型进行预测，并根据预测结果提示元件正常或存在问题；

(5)当出现采集到的红外图谱数据的预测类别为存在问题时，对红外图谱数据进行如下

计算和处理：

a)假定采集时刻t1的元件红外图谱张量数据为：X_pic_t1，采集时刻t2的该元件红外图谱张量数据为X_pic_t2；

b)该元件t1和t2时刻红外图谱张量偏差为：⊿X_pic_t2_t1＝Subtraction(X_pic_t1,X_pic_t2)；

c)提取有效红外图谱的色差和色温的张量值，对计算所得⊿X_pic_t2_t1进行放大，给张量偏差一个比例系数P，放大张量偏差，即⊿X_pic_t2_t1＝P*(⊿X_pic_t2_t1)；

d)把t2时刻采集到的图谱张量X_pic_t2与⊿X_pic_t2_t1进行有效叠加，形成新的元件图谱张量X_pic_t2_p；

e)将X_pic_t2_p张量与故障监测模型中的该元件红外图谱张量数据进行相似度计算，根据相似度的值，预测出该部件距离发生故障的时间；

f)将X_pic_t2_p张量放在故障监测模型中进行预测。

与现有技术相比，本发明的技术方案所带来的有益效果是：

高压承压元件每年都有多起安全事件发生，尤其是电站锅炉炉管爆裂，造成的危害很大，而本发明方法可有效的对高温承压元件的故障进行预警，并通过增益张量技术的运用，对元件事故的预测更加精准，对早前较小故障的预测更加提前，提高了高温承压元件的运行安全性。

附图说明

图1是本发明方法的流程图；

具体实施方式

下面结合附图对本发明作进一步的描述。

本发明保护一种基于增益张量的高温承压元件红外图像监测方法，具体步骤如下：

1.图像采集：在高温承压元件附近选择有利位置，把红外热像仪安装在合适的观测位置，在线获取元件的红外图像数据，通过网络传输到监测室机房。

2.图像存储和特征提取，构成故障类型图像数据库：将从现场传输回来的图像，存储在磁盘等介质上，构成建模训练数据库的一部分。

可提前选择以前元件曾经发生事故的红外图像，提供学习和比对分析使用，如果无法找到以前元件发生事故的红外图像数据，也可以通过其他手段，从类似元器件(如记录有其他类似事故中的历史数据的元器件)的红外图像数据中提取图像特征，加载入学习和比对分析库中，形成故障或者将要发生故障的元件红外图像库，构成模型训练数据库的故障部分，为不同故障图形进行分类，并加注不同标签，比如一般性超温图、较严重性超温图、严重超温图、金属即将蠕变图、金属蠕变图、将要爆管图等，如下表1，每种类型的故障红外数据视频图片为多张。

表1

使用cPickle包里面的函数，本实施例中cPickle包封装了keras库中的神经网络函数，把带标签的图像文件保存为gwcy.pkl(高温承压)文件,这样，元件的红外图片故障数据库就建立起来了，供后续建模使用。

3.建立故障监测模型

本实施例使用keras的多层神经网络(mlp)方式建立模型，当然也可以使用keras中的卷积云神经网络(cnn)等其他神经网络学习方法。

Keras是为深度学习设计和开发的工具，包括以下一些基本概念，神经元模型、多层感知器、全连接网络、卷积神经网络、递归神经网络、目标函数(损失函数)、激活函数、梯度下降法等：

1)多层神经网络(mlp)参数初始化

训练时每次梯度更新的样本数batch_size，小批的梯度下降，这种方法把数据分为若干个批，按批来更新参数，这样，一个批中的一组数据共同决定了本次梯度的方向，下降起来就不容易跑偏，减少了随机性。另一方面因为批的样本数与整个数据集相比小了很多，计算量也不是很大可，这里赋值batch_size＝128；

输出类别数，也就是红外图像故障类别，根据第2步中整理的类别确定，这里赋值nb_classes＝10；

神经网络模型训练的次数nb_epoch，可根据训练后的损失函数和准确度进行调整，这里赋值nb_epoch＝20；

2)加载故障红外图片库中的数据

加载时，数据库图片总数量的一部分用于训练，一部分用于测试训练模型的准确度，在建库时确定，比如语句(X_train,y_train),(X_test,y_test)＝gwcy.load_data()，其中X_train、y_train为存储红外故障图片库中图片和标签变量，X_test、y_test为存储红外故障库图片库中测试图片和测试标签的变量，这里，以上四个变量均为张量，张量可以看作是向量、矩阵的自然推广，用张量来表示广泛的数据类型。规模最小的张量是0阶张量，即标量，也就是一个数。当把一些数有序的排列起来，就形成了1阶张量，也就是一个向量，如果继续把一组向量有序的排列起来，就形成了2阶张量，也就是一个矩阵，把矩阵摞起来，就是3阶张量，其可以称为一个立方体，具有3个颜色通道的彩色图片就是一个这样的立方体。

3)构建神经网络模型

a)使用Keras的序贯模型(Sequential)构建网络，可通过语句model＝Sequential()完成。

b)搭建神经网络全连接层dense_1，其中输入形如(nb_samples,input_dim)的2D张量，输出形如(nb_samples,output_dim)的2D张量，可使用语句model.add(Dense(512,input_shape＝(784,)))完成。

c)搭建神经网络激活层activation_1，activation激活层对dense_1层的输出施加激活函数，可使用语句model.add(Activation('relu'))完成。

d)搭建神经网络Dropout层dropout_1，为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时随机断开一定百分比(p)的输入神经元连接，用于防止过拟合，可用语句model.add(Dropout(0.2))完成。

本实施例中，Dropout将在训练过程中每次更新参数时按一定概率(rate)随机断开输入神经元，Dropout层用于防止过拟合。Dropout技术是神经网络和深度学习模型的一种简单而有效的正则化方式。

e)Keras的神经网络结构可自己按照实际情况搭建，后面再继续添加全连接层dense_2、激活层activation_2、Dropout层dropout_2、全连接层dense_3、激活层activation_3，本实施例中搭建的神经网络模型如下：

其中，搭建的神经网络的架构是三层，每层都是全连接。Layer表示神经网络的层；Dense表示神经网的全连接层网；Activation表示神经网络激活层；

f)神经网络模型编译和配置，模型优化器和损失函数可在提供的方法中自由选择，model.compile(loss＝'categorical_crossentropy',optimizer＝RMSprop(),metrics＝['accuracy'])语句完成。

g)可以使用此前完成的故障学习库(gwcy.pkl)，对神经网络模型进行训练、评估和保存，使用语句：history＝model.fit(X_train,Y_train,batch_size＝batch_size,nb_epoch＝nb_epoch,verbose＝1,validation_data＝(X_test,Y_test))训练模型，使用语句score＝model.evaluate(X_test,Y_test,verbose＝0)评估模型，至此，模型已经训练完成，可把某高温承压元件训练好的模型保存为gwcyModel_A，以便于后面使用。

4.监测高温承压元件故障：对采集到的元件实时红外数据进行图像截取，使用训练好的模型(gwcyModel_A)进行预测，使用语句classes＝model.predict_classes(X_视频周期1图片数据)，如果classes＝R1或者R2，则提示该元件温度正常。如果classes＝F1～F8,则提示该元件有问题，并根据预测出来的classes，提示该元件相应的故障。

5.基于增益张量的元件监测和分析：以上已经可以初步判断元件可能存在问题，但是对早期故障的监测和诊断不够灵敏，对一些出现征兆后，在很短时间会形成安全威胁的故障显得无能为力，而基于增益张量的方法可以很好的完成元件这方面的监测和诊断任务，甚至可以精确预测出经过多长时间后，可能出现故障类别中描述的问题。

当出现采集到的红外图谱数据预测类别为F1～F8的时候，对红外图谱数据进行如下计算和处理：

1)假定采集时刻t1的元件红外图谱张量数据为：X_pic_t1，采集时刻t2的该元件红外图谱张量数据为X_pic_t2。

2)该元件t1和t2时刻红外图谱张量偏差为：⊿X_pic_t2_t1＝Subtraction(X_pic_t1,X_pic_t2)。

3)提取有效红外图谱的色差和色温等张量值，对计算所得⊿X_pic_t2_t1进行放大，给张量偏差一个比例系数P，放大张量偏差，也就是⊿X_pic_t2_t1＝P*(⊿X_pic_t2_t1)。

4)然后把t2时刻采集到的图片张量X_pic_t2与⊿X_pic_t2_t1进行有效叠加，形成新的元件图谱张量X_pic_t2_p。

5)将X_pic_t2_p张量与故障监测模型中的该元件红外图片数据张量进行相似度计算，根据相似度的值，预测出该部件距离发生故障的时间。

6)将X_pic_t2_p张量放在故障监测模型中进行预测，因为增益张量技术放大了故障在图片中的图形信息熵的增量，因此可以更早的预测该元件发生更严重级别的故障情况。比如X_pic_t2张量预测的类型是F1，目前是一般性超温，X_pic_t2_p则会预测出多久后回出现F3、F4、F5中的故障，这样就可给元件维修和修复创造条件，避免了元件进一步蠕变甚至爆管等严重的后果发生。

具体的，本实施还针对某型号600MW亚临界燃煤电站锅炉承压元件进行监测和评估，经过12个月时间的运行，收集元件的红外图像数据，形成红外图像故障数据库原始文件，进一步处理为600_gwcy_X001.pbl。

基于该600MW电站锅炉的结构模型，架设红外热像仪，并放置在高温屏蔽箱内，完成该电站锅炉承压元件红外温度采集部署，进而依据在线采集的高温承压元件红外温度图谱，并人工加注标签，形成600_gwcy_X001.pbl，即承压元件的红外图谱故障库。而后，进行软件实施，构建神经网络模型，对采集的红外图谱数据进行基于增益张量的预测和分析，实现对电站锅炉承压元件故障的早期预警评估。具体实现过程可分为如下步骤：

第一步：在待评估电站锅炉系统的汽水系统内选择合适位置，将红外热成像仪安装在高温屏蔽箱体内；根据锅炉热工水力系统的详细结构模型，以高温承压部件的具体安装位置，选择有利位置安装红外热成像仪。

第二步：把一段时期内的红外谱图数据，最好是1年的红外图谱数据，进行处理，按照不同元件，形成不同的故障数据图谱库，比如元件A的600_gwcy_A001.pkl如下：

序号	元件A红外视频图片库存放文件夹	故障类别	故障标签
				1	/A01Pic1/	一般性超温	F1
2	/A01Pic2/	较严重性超温	F2
				3	/A01Pic3/	严重超温	F3
4	/A01Pic4/	金属即将蠕变	F4
				5	/A01Pic5/	金属局部蠕变	F5
6	/A01Pic6	早期爆管预兆	F6
				7	/A01pic7	金属蠕变蔓延	F7
8	/A01pic8	即将爆管预兆	F8
				9	/A01pic9	正常情况1	R1

第二步：以Δt＝t₁秒的周期间隔采集各元件的红外热像仪数据；根据安装的红外热成像仪具体技术参数、测量对象尺寸、镜头部署位置参数、监测要求等，确定采集周期t₁，并把采集到的红外图谱数据传输到监测诊断室。

第三步：使用此前建立的600_gwcy_A001.pbl故障库进行mlp神经网络建模，并存储精度高的模型。

第四步诊断软件以Δt＝t₁秒的周期间隔读取电站锅炉部分承压元件红外谱图数据，按照不同元件的进行神经网络模型进行故障类别预测和基于增益张量的精确预测和分析，给出元件的当前和未来一段时间可能发生的问题，并给出维修策略和运行及维护建议，减少了锅炉爆管等事故的发生，提高了电站机组的可靠性，进而创造了较大的经济效益，为电站安全稳定运行保驾护航。

综上，本发明方法可以对元件的故障在线进行预警，并对元件未来一段时间可能发生的故障进行预测和预报，对于电站锅炉承压元件的长周期安全稳定运行具有较好的指导作用。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (1)

1.一种基于增益张量的高温承压元件红外图像监测方法，其特征在于，包括以下步骤：

(1)在待测高温承压元件附近安装红外热成像仪并采集图像；

(2)存储图像并进行特征提取，构成故障类型图像数据库；

(3)通过神经网络学习方法建立故障监测模型并完成训练、评估和保存；

(4)监测高温承压元件故障；对采集到的元件实时红外图谱数据进行图像截取，使用训练好的故障监测模型进行预测，并根据预测结果提示元件正常或存在问题；

(5)当出现采集到的红外图谱数据的预测类别为存在问题时，对红外图谱数据进行如下计算和处理：

a)假定采集时刻t1的元件红外图谱张量数据为：X_pic_t1，采集时刻t2的该元件红外图谱张量数据为X_pic_t2；

b)该元件t1和t2时刻红外图谱张量偏差为：⊿X_pic_t2_t1＝Subtraction(X_pic_t1,X_pic_t2)；

c)提取有效红外图谱的色差和色温的张量值，对计算所得⊿X_pic_t2_t1进行放大，给张量偏差一个比例系数P，放大张量偏差，即⊿X_pic_t2_t1＝P*(⊿X_pic_t2_t1)；

d)把t2时刻采集到的图谱张量X_pic_t2与⊿X_pic_t2_t1进行有效叠加，形成新的元件图谱张量X_pic_t2_p；

e)将X_pic_t2_p张量与故障监测模型中的该元件红外图谱张量数据进行相似度计算，根据相似度的值，预测出该部件距离发生故障的时间；

f)将X_pic_t2_p张量放在故障监测模型中进行预测。