CN110197199A - 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 - Google Patents
嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 Download PDFInfo
- Publication number
- CN110197199A CN110197199A CN201910309296.8A CN201910309296A CN110197199A CN 110197199 A CN110197199 A CN 110197199A CN 201910309296 A CN201910309296 A CN 201910309296A CN 110197199 A CN110197199 A CN 110197199A
- Authority
- CN
- China
- Prior art keywords
- dcnn
- pipe
- boiler tube
- data
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D21/0014—Devices for monitoring temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,所述方法包括深度卷积神经网络(Deep Convolution Neural Network,DCNN)重管识别模型的构建、DCNN重管识别模型的重构及炉管温度的边缘计算等步骤,即先利用重管和非重管的特征差异,训练生成DCNN重管识别模型;其次针对嵌入式处理器的特性,将DCNN重管识别模型移植到红外自动测温仪内部的嵌入式处理器;再由DCNN重管识别模型结合红外自动测温仪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,实现红外自动测温仪的边缘计算。该方法能高精准度判别裂解炉重管和非重管,且红外自动测温仪边缘计算功能的实现,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。
Description
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,涉及一种嵌入式DCNN和边缘计算的裂解炉重管温度识别方法。
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试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。
发明内容
本发明旨在克服上述现有技术的至少一种不足,提供一种嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,该方法能高精准度判别裂解炉重管和非重管,且红外自动测温仪边缘计算功能的实现,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:
提供一种嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,包括以下步骤:
S101深度卷积神经网络(Deep Convolution Neural Network,DCNN)重管识别模型的构建:先采用红外自动测温仪采集炉管温度和距离以及炉壁温度和距离的原始一维数据,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特征图,以构成DCNN网络模型训练的数据集;再将数据集输入PC端的DCNN网络模型进行训练,以在PC端构建DCNN重管识别模型;
S102DCNN重管识别模型的重构:将PC端训练好的DCNN重管识别模型移植至红外自动测温仪内部的嵌入式处理器,以对DCNN重管识别模型在嵌入式处理器内进行重构;
S103炉管温度的边缘计算:提取原始一维数据中的炉管距离数据,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DCNN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和炉管距离数据的起始位置坐标,对相应起始位置坐标的非重管与重管的炉管温度值进行边缘计算。
本发明优选为采用Cortex-M作为红外自动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DCNN网络实现所需的深度卷积、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DCNN重管识别模型成为可能。
本发明首先利用重管和非重管的特征差异,训练生成DCNN重管识别模型,其次针对嵌入式处理器的特性,将DCNN重管识别模型移植到红外自动测温仪内部的嵌入式处理器,然后,再由DCNN重管识别模型结合红外自动测温仪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,实现红外自动测温仪的边缘计算,本发明训练生成的DCNN重管识别模型能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。
红外自动测温仪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红外自动测温仪等网络边缘,在靠近移动设备和数据源头的红外自动测温仪等网络边缘侧,融合网络、计算、储存、应用核心能力的新的网络架构开放平台,就近提供裂解炉管温度值的边缘智能计算服务,从而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。
优选地,步骤S101中,在二维直方图中对炉管距离数据进行特征提取的过程中,先去除二维直方图中炉管和炉壁的温度数据,再去除二维直方图中炉壁的距离数据后,去除炉管距离数据中与重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特征图,由此构成DCNN网络模型训练的数据集。
优选地,步骤S101中,所述DCNN重管识别模型的DCNN网络结构包括1个输入层、3个卷积层、3个max池化层、1个全连通层和一个输出层,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。DCNN网络结构的输入是一个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。
设置好DCNN网络结构之后,即可将提取的重管和非重管特征图构成的数据集输入DCNN网络模型进行训练,在训练过程中,通过修改DCNN网络结构的参数提升DCNN网络模型的识别准确率,最终得到期望的准确率的DCNN重管识别模型。
优选地,在步骤S102之前,还包括将PC端训练好的DCNN重管识别模型的浮点类型权重定点化为8位整数类型权重后,再移植到嵌入式处理器内的步骤。
DCNN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DCNN网络模型训练权重定点化为8位的权重然后再移植到嵌入式处理器内,可以使DCNN网络模型的规模减小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,我们在移植DCNN网络模型之前,需要将PC端训练好的DCNN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,然后,再将其移植到嵌入式处理器内。
进一步优选地,将PC端训练好的DCNN重管识别模型的浮点类型权重定点化为8位整数类型权重的具体步骤为:
S201先将PC端训练好的DCNN重管识别模型的浮点数转换为8位的近似值;
S202再对所得的近似值进行补码处理,由定点化公式得到近似值的定点数,最后由8位的定点数来表示所有训练好的DCNN重管识别模型的权重和激活值。
10.更进一步优选地,步骤S201中,将PC端训练好的DCNN重管识别模型的浮点数转换为8位定点数的具体过程如下:
定点数的表示形式为:[QI:QF],其中QI和QF分别对应于整数和小数部分,定点数还包括一个符号位,用来表示数字的正负;定点数整数部分的长度IL、分数部分的长度FL、符号位的长度和定点数位数的位宽B的关系如式(1)所示:
B=FL+IL+1 (1)
对于给定的一组数字S,所需的整数部分长度由公式2给出:
式中表示进行向上取整,x表示给定的一组数字S中的任一数值;
对于转换为指定位宽为N的定点数,整数部分长度IL的确定方式如式3所示:
由式(1)即可计算出小数部分的长度为
FL=N-IL-1 (4)
定义定点数方式表示的最小正数,即为定点数的表示精度为ε,其公式如下:
ε=2-FL (5)
对于一个给定的浮点型数字,根据下式将其转换成指定位宽的近似值,转换公式为:
式中将定义为小于等于x的取值且是关于ε的最大整数倍,fixed(x)表示x的指定位宽的近似值;
对于给定位宽的定点数,浮点型数字近似的取值范围为:
原始数值近似化完毕之后,接下来实现近似值的定点化,定点化公式如下式所示:
式中x代表近似值的二进制补码形式,i表示[0,B-2]区间内的值,value表示近似值的定点化值。
DCNN训练模型的权重定点化完成后,将定点化后的权重添加到红外自动测温仪的单片机程序中,完成权重的移植,再根据PC端训练的DCNN网络模型,在嵌入式处理器内构建同样结构的DCNN网络模型,然后再结合定点化后的DCNN网络权重,即可实现DCNN重管识别模型在嵌入式处理器内的重构。
优选地,步骤S102之后,采用数据处理算法将采集的原始一维炉管距离数据转换为DCNN网络结构输入形式的二维数据,以实现DCNN重管识别模型在嵌入式处理器内的运行。
进一步优选地,所述数据处理算法的具体步骤为:
S301根据炉壁和炉管的距离差异特征,从采集的炉管和炉壁距离数据中提取出每一根炉管的距离值;
S302将提取出的炉管距离值做特征变换,得到一维的炉管特征数据;
S303将变换得到的一维炉管特征数据做维度变换,得到能用于DCNN网络结构输入的二维数据。
优选地,步骤S103中,对非重管与重管的炉管温度值进行边缘计算的具体步骤为:
S401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;
S402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:
一、本发明利用重管和非重管的特征差异,训练生成DCNN重管识别模型,并针对嵌入式处理器的特性,将DCNN重管识别模型移植到红外自动测温仪内部的嵌入式处理器,再由DCNN重管识别模型结合红外自动测温仪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,实现红外自动测温仪的边缘计算,本发明训练生成的DCNN重管识别模型能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。
二、红外自动测温仪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红外自动测温仪等网络边缘,在靠近移动设备和数据源头的红外自动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为所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法的流程图。
图2为所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法具体步骤的流程图。
图3为原始测量数据的二维直方图。
图4为炉管距离数据进行特征提取的流程图。
图5(a)为炉管非重管的特征图。
图5(b)为炉管重管的特征图。
图6为所述DCNN重管识别模型的DCNN网络结构。
图7为所述数据处理算法流程图。
图8为应用本发明所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法采集的炉管温度变化曲线图。
图9为利用文献1的方法采集的炉管温度变化曲线图一。
图10为利用文献1的方法采集的炉管温度变化曲线图二。
图11为利用传统人工测量方法采集的炉管温度变化曲线图。
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1
如图1所示,一种嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,包括以下步骤:
S101深度卷积神经网络DCNN重管识别模型的构建:先采用红外自动测温仪采集炉管温度和距离以及炉壁温度和距离的原始一维数据,红外自动测温仪具备温度和距离同步测量的功能,红外自动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;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特征图,以构成DCNN网络模型训练的数据集;再将数据集输入PC端的DCNN网络模型进行训练,以在PC端构建DCNN重管识别模型;
S102DCNN重管识别模型的重构:将PC端训练好的DCNN重管识别模型移植至红外自动测温仪内部的嵌入式处理器,以对DCNN重管识别模型在嵌入式处理器内进行重构;
S103炉管温度的边缘计算:提取原始一维数据中的炉管距离数据,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DCNN重管识别模型判断提取的炉管距离数据对应的炉管否为重管,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和炉管距离数据的起始位置坐标,对相应起始位置坐标的非重管与重管的炉管温度值进行边缘计算。
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,以现有的红外自动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。本发明优选为采用Cortex-M作为红外自动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DCNN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DCNN重管识别模型成为可能。
本发明首先利用重管和非重管的特征差异,训练生成DCNN重管识别模型,其次针对嵌入式处理器的特性,将DCNN重管识别模型移植到红外自动测温仪内部的嵌入式处理器,然后,再由DCNN重管识别模型结合红外自动测温仪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,实现红外自动测温仪的边缘计算,本发明训练生成的DCNN重管识别模型能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,整个方法的具体流程如图2所示。
红外自动测温仪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红外自动测温仪等网络边缘,在靠近移动设备和数据源头的红外自动测温仪等网络边缘侧,融合网络、计算、储存、应用核心能力的新的网络架构开放平台,就近提供裂解炉管温度值的边缘智能计算服务,从而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。
用于本发明的红外自动测温仪,其具备温度和距离同步测量的功能,此功能目的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,红外自动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3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3直方图中的条形标识框所示的是重管,由图3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想象,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DCNN网络的输入即为二维向量,受此启发,提出了基于DCNN网络进行重管识别的方法。
其中,如图4所示,步骤S101中,在二维直方图中对炉管距离数据进行特征提取的过程中,先去除二维直方图中炉管和炉壁的温度数据,再去除二维直方图中炉壁的距离数据后,去除炉管距离数据中与重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特征图(其中,图5(a)为炉管非重管的特征图,图5(b)为炉管重管的特征图),由此构成DCNN网络模型训练的数据集。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,最后得到炉管和重管和非重管特征图。
其中,如图6所示,步骤S101中,所述DCNN重管识别模型的DCNN网络结构包1个输入层、3个卷积层、3个max池化层、1个全连通层和一个输出层,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。DCNN网络结构的输入是一个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。
设置好DCNN网络结构之后,即可将提取的重管和非重管特征图构成的数据集输入DCNN网络模型进行训练,在训练过程中,通过修改DCNN网络结构的参数提升DCNN网络模型的识别准确率,最终得到期望的准确率的DCNN重管识别模型。
其中,在步骤S102之前,还包括将PC端训练好的DCNN重管识别模型的浮点类型权重定点化为8位整数类型权重后,再移植到嵌入式处理器内的步骤。
DCNN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DCNN网络模型训练权重定点化为8位的权重然后再移植到嵌入式处理器内,可以使DCNN网络模型的规模减小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,我们在移植DCNN网络模型之前,需要将PC端训练好的DCNN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,然后,再将其移植到嵌入式处理器内。
具体地,将PC端训练好的DCNN重管识别模型的浮点类型权重定点化为8位整数类型权重的具体步骤为:
先将PC端训练好的DCNN重管识别模型的浮点数转换为8位的近似值;
S202再对所得的近似值进行补码处理,由定点化公式得到近似值的定点数,由8位的定点数来表示所有训练好的DCNN重管识别模型的权重和激活值。
11.更具体地,步骤S201中,将PC端训练好的DCNN重管识别模型的浮点数转换为8位定点数的具体过程如下:
定点数的表示形式为:[QI:QF],其中QI和QF分别对应于整数和小数部分,定点数还包括一个符号位,用来表示数字的正负;定点数整数部分的长度IL、分数部分的长度FL、符号位的长度和定点数位数的位宽B的关系如式(1)所示:
B=FL+IL+1 (1)
对于给定的一组数字S,所需的整数部分长度由公式2给出:
式中表示进行向上取整,x表示给定的一组数字S中的任一数值;
对于转换为指定位宽为N的定点数,整数部分长度IL的确定方式如式3所示:
由式(1)即可计算出小数部分的长度为
FL=N-IL-1 (4)
定义定点数方式表示的最小正数,即为定点数的表示精度为ε,其公式如下:
ε=2-FL (5)
对于一个给定的浮点型数字,根据下式将其转换成指定位宽的近似值,转换公式为:
式中将定义为小于等于x的取值且是关于ε的最大整数倍,fixed(x)表示x的指定位宽的近似值;
对于给定位宽的定点数,浮点型数字近似的取值范围为:
原始数值近似化完毕之后,接下来实现近似值的定点化,定点化公式如下式所示:
式中x代表近似值的二进制补码形式,i表示[0,B-2]区间内的值,value表示近似值的定点化值。
DCNN训练模型的权重定点化完成后,将定点化后的权重添加到红外自动测温仪的单片机程序中,完成权重的移植,再根据PC端训练的DCNN网络模型,在嵌入式处理器内构建同样结构的DCNN网络模型,然后再结合定点化后的DCNN网络权重,即可实现DCNN重管识别模型在嵌入式处理器内的重构。
其中,如图7所示,步骤S102之后,采用数据处理算法将采集的原始一维炉管距离数据转换为DCNN网络结构输入形式的二维数据,以实现DCNN重管识别模型在嵌入式处理器内的运行。
具体地,所述数据处理算法的具体步骤为:
S301根据炉壁和炉管的距离差异特征,从采集的炉管和炉壁距离数据中提取出每一根炉管的距离值,炉管提取数据中的中间色区数据代表炉管表面距离,两边色区数据来源于炉壁距离,用于代表炉管和炉壁的分界;
S302将提取出的炉管距离值做特征变换,得到一维的炉管特征数据,处理方法为:将炉管数据中的炉管表面距离分别减去其中的最小值再加1,炉管和炉膛的分界值则变换为300;
S303将变换得到的一维炉管特征数据做维度变换,得到能用于DCNN网络结构输入的二维数据,维度变换的算法描述如(Algorithm 1)。
其中,步骤S103中,对非重管与重管的炉管温度值进行边缘计算的具体步骤为:
S401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;
S402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。
实施例2
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、DCNN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DCNN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:
DCNN重管识别模型的验证过程:首先利用测试集在PC端对DCNN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DCNN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DCNN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DCNN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、嵌入式DCNN和边缘计算的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嵌入式DCNN和边缘计算的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DCNN移植到嵌入式单片机,实现了乙烯化工厂边缘设备——红外自动测温仪的边缘计算,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 (9)
1.一种嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,包括以下步骤:
S101 深度卷积神经网络DCNN重管识别模型的构建:先采用红外自动测温仪采集炉管温度和距离以及炉壁温度和距离的原始一维数据,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特征图,以构成DCNN网络模型训练的数据集;再将数据集输入PC端的DCNN网络模型进行训练,以在PC端构建DCNN重管识别模型;
S102 DCNN重管识别模型的重构:将PC端训练好的DCNN重管识别模型移植至红外自动测温仪内部的嵌入式处理器,以对DCNN重管识别模型在嵌入式处理器内进行重构;
S103 炉管温度的边缘计算:提取原始一维数据中的炉管距离数据,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DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管,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和炉管距离数据的起始位置坐标,对相应起始位置坐标的非重管与重管的炉管温度值进行边缘计算。
2.根据权利要求1所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,步骤S101中,在二维直方图中对炉管距离数据进行特征提取的过程中,先去除二维直方图中炉管和炉壁的温度数据,再去除二维直方图中炉壁的距离数据后,去除炉管距离数据中与重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特征图。
3.根据权利要求1所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,步骤S101中,所述DCNN重管识别模型的DCNN网络结构包括1个输入层、3个卷积层、3个max池化层、1个全连通层和一个输出层,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。
4.根据权利要求1所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,在步骤S102之前,还包括将PC端训练好的DCNN重管识别模型的浮点类型权重定点化为8位整数类型权重后,再移植到嵌入式处理器内的步骤。
5.根据权利要求4所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,将PC端训练好的DCNN重管识别模型的浮点类型权重定点化为8位整数类型权重的具体步骤为:
S201 先将PC端训练好的DCNN重管识别模型的浮点数转换为8位的近似值;
S202 再对所得的近似值进行补码处理,由定点化公式得到近似值的定点数,最后由8位的定点数来表示所有训练好的DCNN重管识别模型的权重和激活值。
6.根据权利要求5所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,步骤S201中,将PC端训练好的DCNN重管识别模型的浮点数转换为8位定点数的具体过程如下:
定点数的表示形式为:[QI:QF],其中QI和QF分别对应于整数和小数部分,定点数还包括一个符号位,用来表示数字的正负;定点数整数部分的长度IL、分数部分的长度FL、符号位的长度和定点数位数的位宽B的关系如式(1)所示:
B=FL+IL+1 (1)
对于给定的一组数字S,所需的整数部分长度由公式2给出:
式中表示进行向上取整,x表示给定的一组数字S中的任一数值;
对于转换为指定位宽为N的定点数,整数部分长度IL的确定方式如式3所示:
由式(1)即可计算出小数部分的长度为
FL=N-IL-1 (4)
定义定点数方式表示的最小正数,即为定点数的表示精度为ε,其公式如下:
ε=2-FL (5)
对于一个给定的浮点型数字,根据下式将其转换成指定位宽的近似值,转换公式为:
式中将定义为小于等于x的取值且是关于ε的最大整数倍,fixed(x)表示x的指定位宽的近似值;
对于给定位宽的定点数,浮点型数字近似的取值范围为:
原始数值近似化完毕之后,接下来实现近似值的定点化,定点化公式如下式所示:
式中x代表近似值的二进制补码形式,i表示[0,B-2]区间内的值,value表示近似值的定点化值。
7.根据权利要求1所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,步骤S102之后,采用数据处理算法将采集的原始一维炉管距离数据转换为DCNN网络结构输入形式的二维数据,以实现DCNN重管识别模型在嵌入式处理器内的运行。
8.根据权利要求7所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,所述数据处理算法的具体步骤为:
S301 根据炉壁和炉管的距离差异特征,从采集的炉管和炉壁距离数据中提取出每一根炉管的距离值;
S302 将提取出的炉管距离值做特征变换,得到一维的炉管特征数据;
S303 将变换得到的一维炉管特征数据做维度变换,得到能用于DCNN网络结构输入的二维数据。
9.根据权利要求1所述嵌入式DCNN和边缘计算的裂解炉重管温度识别方法,其特征在于,步骤S103中,对非重管与重管的炉管温度值进行边缘计算的具体步骤为:
S401 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;
S402 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910309296.8A CN110197199B (zh) | 2019-04-17 | 2019-04-17 | 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910309296.8A CN110197199B (zh) | 2019-04-17 | 2019-04-17 | 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197199A true CN110197199A (zh) | 2019-09-03 |
CN110197199B CN110197199B (zh) | 2020-07-28 |
Family
ID=67751993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910309296.8A Active CN110197199B (zh) | 2019-04-17 | 2019-04-17 | 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197199B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253484A1 (zh) * | 2019-06-18 | 2020-12-24 | 广东石油化工学院 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5279534A (en) * | 1991-07-10 | 1994-01-18 | Sollac, A French Body Corporate | Roller for supporting or driving flat products, in particular for a continuous treating installation |
CN106766943A (zh) * | 2017-01-17 | 2017-05-31 | 华北水利水电大学 | 一种烧结矿竖式冷却炉装置以及冷却方法 |
CN108072448A (zh) * | 2017-12-13 | 2018-05-25 | 广东石油化工学院 | 一种关于裂解炉炉管外壁温度计量的数据处理方法 |
CN109492940A (zh) * | 2018-12-06 | 2019-03-19 | 华中科技大学 | 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 |
US10253995B1 (en) * | 2017-01-31 | 2019-04-09 | State Farm Mutual Automobile Insurance Company | Systems and methods for mitigating smoke damage to a property |
-
2019
- 2019-04-17 CN CN201910309296.8A patent/CN110197199B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5279534A (en) * | 1991-07-10 | 1994-01-18 | Sollac, A French Body Corporate | Roller for supporting or driving flat products, in particular for a continuous treating installation |
CN106766943A (zh) * | 2017-01-17 | 2017-05-31 | 华北水利水电大学 | 一种烧结矿竖式冷却炉装置以及冷却方法 |
US10253995B1 (en) * | 2017-01-31 | 2019-04-09 | State Farm Mutual Automobile Insurance Company | Systems and methods for mitigating smoke damage to a property |
CN108072448A (zh) * | 2017-12-13 | 2018-05-25 | 广东石油化工学院 | 一种关于裂解炉炉管外壁温度计量的数据处理方法 |
CN109492940A (zh) * | 2018-12-06 | 2019-03-19 | 华中科技大学 | 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253484A1 (zh) * | 2019-06-18 | 2020-12-24 | 广东石油化工学院 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
US11415469B2 (en) | 2019-06-18 | 2022-08-16 | Guangdong University Of Petrochemical Technology | Edge-cloud collaboration platform for intelligent coking monitoring of cracking furnace tubes and working method thereof |
CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
CN113344909B (zh) * | 2021-07-01 | 2023-12-08 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110197199B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022141669A1 (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
CN107065842B (zh) | 一种基于粒子群优化核独立元分析模型的故障检测方法 | |
Srinivasan et al. | An efficient implementation of artificial neural networks with K-fold cross-validation for process optimization | |
CN110343541B (zh) | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN107967487A (zh) | 一种基于证据距离和不确定度的冲突数据融合方法 | |
CN110197199A (zh) | 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 | |
CN113157678B (zh) | 一种多源异构数据关联方法 | |
CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN108628164A (zh) | 一种基于循环神经网络模型的工业过程半监督软测量方法 | |
CN110260774A (zh) | 一种基于Pettitt算法的GNSS变形信息检验与预警方法 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN110222814A (zh) | 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法 | |
CN113344275B (zh) | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 | |
Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
CN108563201B (zh) | 一种dmaic驱动的小批量零件加工工艺过程质量改进方法 | |
CN110095204A (zh) | 一种乙烯裂解炉管温度诊断系统 | |
CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
CN111898746A (zh) | 一种中断航迹接续关联深度学习方法 | |
CN108763289B (zh) | 一种海量异构传感器格式数据的解析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |