CN111664823B - 基于介质热传导系数差异的均压电极垢层厚度检测方法 - Google Patents

Abstract

本发明请求保护一种基于介质热传导系数差异的均压电极垢层厚度检测方法，属于超声无损去除技术领域。本发明提出的均压电极垢层厚度检测方法主要通过外界热源向均压电极注入热量，并检测电极表面温度随时间变化的过程。同时利用有限元仿真分析模拟不同垢层厚度情况下边界温度的瞬态变化，并进行试验收集不同垢层厚度情况下电极表面温度变化曲线，利用收集的数据信息通过神经网络训练建立垢层厚度预测模型。采用迁移学习的方法通过少量的真实实验结果对神经网络训练，给出近似的网络链接权重，之后利用大量的仿真实验数据通过迁移学习再次训练神经网络权重使得网络具备分析所有情况下电极结垢的能力。

Description

基于介质热传导系数差异的均压电极垢层厚度检测方法

技术领域

本发明属于高压直流输电系统中设备的冷却系统，是一种基于无损检测方法。

背景技术

换流阀是高压直流输电系统的关键设备，而阀冷系统是换流阀的薄弱点，超过25％的换流阀故障是由阀冷系统造成。换流阀在工作过程会产生大量热量，阀冷系统通过循环冷却水带走热量，使得换流阀正常工作。均压电极在工作的过程中不断结垢。垢层脱落会引起冷却水管堵塞及换流站停运的问题。

目前国内解决均压电极结垢的方法是定期检修清洗，但采用的方法是拆除电极后由工作人员利用机械的方式除垢，由于拆卸均压电极过程比较繁琐，并且反复拆卸均压电极容易使密封垫圈松动，因此，换流阀均压电极结垢的需要更高效的检测无损方法。

传统方法采用拆卸方法可能损坏垫圈，导致密封不严。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种实现无损检测的基于介质热传导系数差异的均压电极垢层厚度检测方法。本发明的技术方案如下：

一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其包括以下步骤：

步骤1、在均压电极露出水管部分施加一个热源，测量热源流入均压电极的热量，并检测均压电极表面温度随注入热量的温度的变化曲线，对测量数据进行分段积分处理；

步骤2、模拟结垢测量垢层厚度，并进行步骤1中的温度测量和分段积分数据处理作为标记样本，同时构建三层的标准神经网络，利用实际测量的均压电极厚度样本对神经网络训练即权重初次更新；

步骤3、通过傅里叶热传导偏微分方程，利用有限元原理对各类不同的均压电极布置方式，均压电极不同形状设置不同的几何条件、边界条件进行瞬态仿真，导出均压电极表面温度变化数据，将电极表面温度变化数据带入到已训练的神经网络中进行迁移学习对网络权重进行微调整，得到在不同情况下适用的均压电极结垢分析模型，获取出不同情况下的均压电极垢层厚度。

进一步的，所述步骤1具体包括：对均压电极提供外界稳定的热源，测量电极表面的温度3分钟变化曲线，并利用每20s进行一次积分的方式如公式(1)整理成能够输入到神经网络的数据，并标记均压电极结垢厚度L，

T(t)表示t时刻均压电极表面的温度；

t(i)表示第i次测量的时间。

进一步的，所述步骤2构建三层的标准神经网络，利用实际测量的均压电极厚度样本对神经网络训练即权重初次更新，具体包括：

首先搭建一个具有输入层、隐藏层、输出层的三层神经网络，其中输入层包含9个节点，隐藏层包含18个节点，输出层包含1个节点，节点激活函数选择sigmoid函数如公式(2)，初始权重随机；神经网络的训练模式是通过有监督的BP学习，通过标记样本对网络链接权重进行更新方式，其输入是温度数据，损失函数为预测垢层厚度与实际垢层厚度的差值见公式(3)，对误差进行反向传播，更新每层的权重数据，为了避免局部极小导致的模型不收敛，通过小批量梯度下降使得模型跳出局部极优能力增强；

其中S(x)表示神经网络激活函数；E表示神经网络的预测误差；O表示神经网络的预测目标；d神经网络的预测值。

进一步的，所述步骤3通过傅里叶热传导偏微分方程，利用有限元原理对各类不同的均压电极布置方式，均压电极不同形状设置不同的几何条件、边界条件进行瞬态仿真，导出均压电极表面温度变化数据，具体包括：有限元仿真分析利用的是傅里叶热传导方程作为控制方程，同时对于阀冷系统中水流耦合N—S方程共同求解电极的温度场，为节省计算资源采取流场对热场的单向耦合，其边界条件包含热源强度，电极初始温度，管道内水温，水流速度。

进一步的，所述均压电极布置方式包括纵向插入到汇流水管中，横向插入到分支水管中；所述几何条件包括：不同长度的长条形电极以及圆环形电极。

进一步的，所述利用有限元原理进行瞬态仿真，导出均压电极表面温度变化数据，利用有限元原理具体包括通过三角形网络对区域进行区分，以拉格朗日二次元为插值函数列写刚度矩阵；通过高斯迭代法求解刚度矩阵。

进一步的，利用迁移学习将电极表面温度变化数据带入到已训练的神经网络中进行对网络权重进行微调整，其调整方法采用与神经网络训练方法一致的小批量梯度下降训练。

进一步的，所述通过过小批量梯度下降技术防止局部收敛具体为：

1)神经网络计算函数h

h_θ＝θ₁x+θ₀ (4)

2)用于更新的损失函数即代价函数J

其中：m为训练一组包含的数据个数

h_θ为神经网络计算函数；θ_k为神经网络权重参数；x分别为神经网络输入；y⁽ⁱ⁾为神经网络的目标；

3)更新方向为：

4)最终得到其参数的更新结果为：

式中：α为神经网络的学习率，θ_j为神经网络权重参数。

进一步的，电极内部传热过程通过热传导方程进行表示，而表面与管道内水的换热过程属于热传递过程需要考虑到水流速度对换热的影响，水流的流速与温度的关系属于弱耦合关系，提出采用单向耦合的方式对均压电极散热进行求取：

傅里叶热传导方程

热传导在三维的均压电极内部，管道管壁，水中，垢层中的传播可用以下方程表达：

其中：u＝u(t,x1,y1,z1)表温度，它是时间变数t与空间变数(x1,y1,z1)的函数；

是空间中一点的温度对时间的变化率；u_xx，u_yy和u_zz是温度对三个空间坐标轴的二次导数；k是热扩散率，决定于材料的热传导率、密度与热容；

N—S方程

纳维-斯托克斯方程是描述粘性不可压缩流体动量守恒的运动方程，通过此方程可计算水流在管道中的流速，从而判断电极或垢层表面的热耗散速度：

式中：ρ是流体密度；p是压力；u,v,w是流体在t时刻，在点(x,y,z)处的速度分量；μ是动力粘性系数。

本发明的优点及有益效果如下：

第一，无需拆卸均压电极，即可判断电极是否结垢，避免因拆卸导致的电极漏水等情况发生，为后续除垢提供信息，以及为每年结垢检测提供更好的方法；

第二，神经网络训练采用迁移学习，使得预测结构的神经网络更具有普遍实用性；

第三，神经网络训练再检测前完成，只需要将训练好的模型置入测量装置，使现场检测时无需消耗大量计算资源即可完成判断，具备即测即算的现场实用性；

第四，测量时合理控制温度，最主要的是采用低温检测技术、不会因为测量的原因损坏垫圈可以保证设备的可靠性。

综上次装置能极大加快现场检修人员的检修效率，从而保障换流阀运行安全，在垢层去除等领域具有较高的应用价值。

附图说明

图1是本发明提供优选实施例基于介质热传导系数差异的均压电极垢层厚度检测方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

如图1所示，基于介质热传导系数差异的均压电极垢层厚度检测方法，其包括以下步骤：

基于介质热传导系数差异的均压电极垢层厚度检测方法，其包括以下步骤：

步骤一，在均压电极露出水管部分施加一个热源，布置测量其流入均压电极的热量，并检测电极表面温度随注入热量的温度的变化曲线，对测量数据进行分段积分处理；

步骤二，在实验室模拟结垢测量垢层厚度，并进行步骤一中的温度测量和数据处理作为标记样本。同时构建三层的标准神经网络，利用实际测量的样本对神经网络训练即权重初次更新；

步骤三，通过傅里叶热传导偏微分方程，利用有限元原理对各类不同的均压电极布置方式，均压电极不同形状设置不同的几何条件、边界条件进行瞬态仿真。导出均压电极表面温度变化数据，将其带入到已训练的神经网络中进行迁移学习对网络权重进行微调整，得到在不同情况下适用的均压电极结垢分析模型。

优选的，步骤一中均压电极温度检测方法，对均压电极提供外界稳定的热源，测量电极表面的温度3分钟变化曲线，并利用每20s进行一次积分的方式如公式(1)整理成能够输入到神经网络的数据，并标记均压电极结垢厚度L。

优选的，根据步骤二所述标准神经网络的构建和训练，首先搭建一个具有输入层、隐藏层、输出层的三层神经网络，其中输入层包含9个节点，隐藏层包含18个节点，输出层包含1个节点，节点激活函数选择sigmoid函数如公式(2)，初始权重随机；神经网络的训练模式是通过有监督的BP学习，通过标记样本对网络链接权重进行更新方式，其输入是温度数据，损失函数为预测垢层厚度与实际垢层厚度的差值见公式(3)，对误差进行反向传播，更新每层的权重数据。为了避免局部极小导致的模型不收敛，通过随机梯度下降使得模型跳出局部极优能力增强。

优选的，根据步骤三所述的针对不同情况通过仿真模拟生成数据分类训练神经网络权重，通过仿真模拟可极大的扩充神经网络的训练集，使训练的神经网络模型更加适合不同情况下的实际使用；有限元仿真分析利用的是傅里叶热传导方程作为控制方程，同时对于阀冷系统中水流耦合N—S方程共同求解电极的温度场，为节省计算资源采取流场对热场的单向耦合。其边界条件包含热源强度，电极初始温度，管道内水温，水流速度。

优选的，通过迁移学习增强模型用于不同运行状况下判断垢层厚度准确性其特征在于需要判断垢层厚度的工况不同，并且实际实验过程复杂采用迁移学习，转移学习是一种通过使用来自多个域的具有类似属性或特征的其他数据集训练模型来改善在特定域中学习的方法。当目标域内的数据大小不足或学习任务不同时，使用这种类型的学习。迁移学习与其他传统机器学习方法的区别在于，训练集可以与测试集来自不同背景。它可以单独训练来自多种情况的数据。因此，迁移学习是在数据量不够，情况复杂的垢层厚度判别时的最好应对方案。通过小批量下降技术防止局部收敛，具体为：小批量梯度下降(MBGD)

MBGD作为机器学习中较常使用的优化算法其计算过程如下式所述通过过小批量梯度下降技术防止局部收敛具体为：

1)神经网络计算函数h

h_θ＝θ₁x+θ₀ (4)

2)用于更新的损失函数即代价函数J

其中：m为训练一组包含的数据个数

h_θ为神经网络计算函数；θ_k为神经网络权重参数；x分别为神经网络输入；y⁽ⁱ⁾为神经网络的目标；

3)更新方向为：

4)最终得到其参数的更新结果为：

式中：α为神经网络的学习率，θ_j为神经网络权重参数。

MBDG方法的优势在于优点在于通过矩阵运算，每次在一个batch上优化参数速度相比于传统的算法快的多。并且每次使用不同的batch使得每次的极优值点都不通过，可以大大减小算法，陷入局部最优的可能。此外算法通过控制模型学习率，小批量训练的组数还能够避免部分数据异常导致的迭代发散具有极强的鲁棒性。

根据热流单向耦合方法减少运算的时间：

电极内部传热过程通过热传导方程进行表示，而表面与管道内水的换热过程属于热传递过程需要考虑到水流速度对换热的影响，水流的流速与温度的关系属于弱耦合关系，提出采用单向耦合的方式对均压电极散热进行求取：

傅里叶热传导方程

热传导在三维的均压电极内部，管道管壁，水中，垢层中的传播可用以下方程表达：

其中：u＝u(t,x1,y1,z1)表温度，它是时间变数t与空间变数(x1,y1,z1)的函数；

是空间中一点的温度对时间的变化率；u_xx，u_yy和u_zz是温度对三个空间坐标轴的二次导数；k是热扩散率，决定于材料的热传导率、密度与热容；

N—S方程

纳维-斯托克斯方程是描述粘性不可压缩流体动量守恒的运动方程，通过此方程可计算水流在管道中的流速，从而判断电极或垢层表面的热耗散速度：

式中：ρ是流体密度；p是压力；u,v,w是流体在t时刻，在点(x,y,z)处的速度分量；μ是动力粘性系数。

耦合方式

本发明使用热流单向耦合方式，即通过n-s方程计算出管道中流场，已计算出的流场流速为不变量，通过热传导方程计算均压电极的温度场，通过瞬态仿真得到均压电极表面的温度，为迁移学习提供训练数据。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (9)

1.一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，包括以下步骤：

步骤1、在均压电极露出水管部分施加一个热源，测量热源流入均压电极的热量，并检测均压电极表面温度随注入热量的温度的变化曲线，对测量数据进行分段积分处理；

步骤2、模拟结垢测量垢层厚度，并进行步骤1中的温度测量和分段积分数据处理作为标记样本，同时构建三层的标准神经网络，利用实际测量的均压电极厚度样本对神经网络训练即权重初次更新；

步骤3、通过傅里叶热传导偏微分方程，利用有限元原理对各类不同的均压电极布置方式，均压电极不同形状设置不同的几何条件、边界条件进行瞬态仿真，导出均压电极表面温度变化数据，将电极表面温度变化数据带入到已训练的神经网络中进行迁移学习对网络权重进行微调整，得到在不同情况下适用的均压电极结垢分析模型，获取出不同情况下的均压电极垢层厚度。

2.根据权利要求1所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，所述步骤1具体包括：对均压电极提供外界稳定的热源，测量电极表面的温度3分钟变化曲线，并利用每20s进行一次积分的方式如公式(1)整理成能够输入到神经网络的数据，并标记均压电极结垢厚度L，

T(t)表示t时刻均压电极表面的温度；

t(i)表示第i次测量的时间。

3.根据权利要求1所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，所述步骤2构建三层的标准神经网络，利用实际测量的均压电极厚度样本对神经网络训练即权重初次更新，具体包括：

首先搭建一个具有输入层、隐藏层、输出层的三层神经网络，其中输入层包含9个节点，隐藏层包含18个节点，输出层包含1个节点，节点激活函数选择sigmoid函数如公式(2)，初始权重随机；神经网络的训练模式是通过有监督的BP学习，通过标记样本对网络链接权重进行更新方式，其输入是温度数据，损失函数为预测垢层厚度与实际垢层厚度的差值见公式(3)，对误差进行反向传播，更新每层的权重数据，为了避免局部极小导致的模型不收敛，通过小批量梯度下降使得模型跳出局部极优能力增强；

其中S(x)表示神经网络激活函数；E表示神经网络的预测误差；O表示神经网络的预测目标；d神经网络的预测值。

4.根据权利要求3所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，所述步骤3通过傅里叶热传导偏微分方程，利用有限元原理对各类不同的均压电极布置方式，均压电极不同形状设置不同的几何条件、边界条件进行瞬态仿真，导出均压电极表面温度变化数据，具体包括：有限元仿真分析利用的是傅里叶热传导方程作为控制方程，同时对于阀冷系统中水流耦合N—S方程共同求解电极的温度场，为节省计算资源采取流场对热场的单向耦合，其边界条件包含热源强度，电极初始温度，管道内水温，水流速度。

5.根据权利要求4所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，所述均压电极布置方式包括纵向插入到汇流水管中，横向插入到分支水管中；所述几何条件包括：不同长度的长条形电极以及圆环形电极。

6.根据权利要求4所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，所述利用有限元原理进行瞬态仿真，导出均压电极表面温度变化数据，利用有限元原理具体包括通过三角形网络对区域进行区分，以拉格朗日二次元为插值函数列写刚度矩阵；通过高斯迭代法求解刚度矩阵。

7.根据权利要求4所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，利用迁移学习将电极表面温度变化数据带入到已训练的神经网络中进行对网络权重进行微调整，其调整方法采用与神经网络训练方法一致的小批量梯度下降训练。

8.根据权利要求3所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，所述通过过小批量梯度下降技术防止局部收敛具体为：

1)神经网络计算函数h

h_θ＝θ₁x+θ₀ (4)

2)用于更新的损失函数即代价函数J

其中：m为训练一组包含的数据个数

h_θ为神经网络计算函数；θ_k为神经网络权重参数；x分别为神经网络输入；y⁽ⁱ⁾为神经网络的目标；

3)更新方向为：

4)最终得到其参数的更新结果为：

式中：α为神经网络的学习率，θ_j为神经网络权重参数。

9.根据权利要求4所述的一种基于介质热传导系数差异的均压电极垢层厚度检测方法，其特征在于，电极内部传热过程通过热传导方程进行表示，而表面与管道内水的换热过程属于热传递过程需要考虑到水流速度对换热的影响，水流的流速与温度的关系属于弱耦合关系，提出采用单向耦合的方式对均压电极散热进行求取：

傅里叶热传导方程

热传导在三维的均压电极内部，管道管壁，水中，垢层中的传播可用以下方程表达：

其中：u＝u(t,x1,y1,z1)表温度，它是时间变数t与空间变数(x1,y1,z1)的函数；

是空间中一点的温度对时间的变化率；u_xx，u_yy和u_zz是温度对三个空间坐标轴的二次导数；k是热扩散率，决定于材料的热传导率、密度与热容；

N—S方程

纳维-斯托克斯方程是描述粘性不可压缩流体动量守恒的运动方程，通过此方程可计算水流在管道中的流速，从而判断电极或垢层表面的热耗散速度：

式中：ρ是流体密度；p是压力；μ是动力粘性系数。

Images