基于深度學(xué)習(xí)的空預(yù)器轉(zhuǎn)子紅外補(bǔ)光圖像積灰狀態(tài)識(shí)別

劉君，鄧毅，楊延西*，魏永貴，薛燕輝，史雯雯

（1.東方電氣集團(tuán)東方鍋爐股份有限公司，四川省 成都市 611731；2.西安理工大學(xué)自動(dòng)化與信息工程學(xué)院，陜西省 西安市 710048）

0 引言

目前，大型電站鍋爐廣泛采用回轉(zhuǎn)式空氣預(yù)熱器(簡(jiǎn)稱(chēng)“空預(yù)器”)，通過(guò)上下端板的布置，具有煙氣側(cè)通道和空氣側(cè)通道，分別對(duì)流經(jīng)的煙氣和風(fēng)進(jìn)行吸熱和放熱[1-2]。空預(yù)器普遍存在堵塞問(wèn)題[3-5]，不但增大了煙氣阻力和風(fēng)機(jī)電耗，嚴(yán)重時(shí)還會(huì)限制鍋爐出力，導(dǎo)致空預(yù)器傳熱效果減弱，從而使熱風(fēng)溫度下降、排煙溫度升高、鍋爐效率降低。

造成空預(yù)器堵塞的主要原因有：1）排煙溫度過(guò)高，運(yùn)行中煙道氣的酸露點(diǎn)升高，此時(shí)硫酸溶液會(huì)在空預(yù)器的低溫部分冷凝，在加熱元件上發(fā)生低溫腐蝕并形成積灰；2）吹灰蒸汽疏水不充分，造成管道過(guò)熱度過(guò)低，且未將積水全部排出，可能導(dǎo)致傳熱板潮濕粘灰；3）脫硝系統(tǒng)氨逃逸率大，逸出氨與煙氣中的SO3和水蒸氣生成硫酸氫氨凝結(jié)物，導(dǎo)致空預(yù)器結(jié)垢堵灰；4）入爐煤硫分和灰分含量高，燃燒后具有較高的積灰沾污傾向[6]。柴一占等[7]采用鍋爐內(nèi)燃煤積灰的輻射特性來(lái)描述爐內(nèi)熱量傳遞，但當(dāng)回轉(zhuǎn)式空預(yù)器內(nèi)部積灰至一定程度時(shí)，蒸汽吹灰器難以深度清灰，當(dāng)通道完全堵塞時(shí)，在線(xiàn)處理難度大。為了減少積灰和腐蝕的危害，目前空預(yù)器普遍采用吹灰器進(jìn)行吹掃。邢軍等[8]嘗試使用新型移動(dòng)聲波吹灰器進(jìn)行吹灰，與傳統(tǒng)蒸汽吹灰相比，吹灰效果明顯改善，省煤器運(yùn)行參數(shù)得到優(yōu)化。張良等[9]采用在折焰角斜坡增加固定旋轉(zhuǎn)式吹灰器的技術(shù)方案進(jìn)行鍋爐水平煙道除灰，有效解決鍋爐折焰角及水平煙道區(qū)域積灰問(wèn)題，消除安全隱患，確保鍋爐安全經(jīng)濟(jì)運(yùn)行。

但由于缺乏有效的檢測(cè)和觀察手段，吹損問(wèn)題普遍存在，造成以下危害：吹損會(huì)導(dǎo)致傳熱面積減少，從而使傳熱效果減弱、鍋爐效率降低；吹損搪瓷表面，會(huì)增加腐蝕的風(fēng)險(xiǎn)；吹損會(huì)導(dǎo)致回轉(zhuǎn)式空預(yù)器傳熱元件松散，掉落的散件可能會(huì)卡住空預(yù)器；吹損會(huì)增加攜帶漏風(fēng)。為盡可能地避免產(chǎn)生積灰堵塞，可對(duì)空預(yù)器熱態(tài)運(yùn)行中轉(zhuǎn)子受熱面的積灰程度、積灰分布進(jìn)行在線(xiàn)監(jiān)測(cè)，根據(jù)監(jiān)測(cè)結(jié)果合理安排計(jì)劃，優(yōu)化吹灰與沖洗操作，從而提高機(jī)組運(yùn)行的經(jīng)濟(jì)性和安全性[10]。

針對(duì)電站鍋爐空預(yù)器受熱面的積灰程度和優(yōu)化吹灰的研究，傳統(tǒng)方法包括熱平衡法[11-13]、數(shù)學(xué)模型法[14-17]等。隨著計(jì)算機(jī)和控制技術(shù)的發(fā)展，各種軟件系統(tǒng)、人工智能、在線(xiàn)監(jiān)測(cè)等技術(shù)已逐步應(yīng)用于吹灰優(yōu)化。楊祥良等[18]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的積灰實(shí)時(shí)監(jiān)測(cè)方法，以預(yù)測(cè)鍋爐對(duì)流受熱面的積灰情況。趙勇綱等[19]將支持向量機(jī)與遺傳算法相結(jié)合，建立一種預(yù)測(cè)低溫過(guò)熱器受熱面清潔換熱量的模型，與實(shí)際情況較吻合，可為實(shí)現(xiàn)大型電站鍋爐積灰在線(xiàn)監(jiān)測(cè)提供有力證據(jù)。周俊波等[20]對(duì)比分析了多種對(duì)流受熱面的灰污程度智能監(jiān)測(cè)技術(shù)，包括采用潔凈因子的對(duì)流及半對(duì)流、半輻射受熱面灰污監(jiān)測(cè)技術(shù)，以及回轉(zhuǎn)式空預(yù)器受熱面灰污監(jiān)測(cè)技術(shù)等。

針對(duì)積灰堵塞現(xiàn)象，雖然已有多種吹灰優(yōu)化方法，但是目前的解決方案，尤其是測(cè)量傳感部分局限于數(shù)值顯示或定性評(píng)判，操作人員難以直觀判斷具體狀態(tài)。鑒于此，要從根本上解決上述問(wèn)題，應(yīng)將先進(jìn)的機(jī)器視覺(jué)技術(shù)應(yīng)用到空預(yù)器積灰程度及分布監(jiān)測(cè)中。本文采用深度學(xué)習(xí)智能算法進(jìn)行積灰演化分析，采集空預(yù)器轉(zhuǎn)子紅外補(bǔ)光圖像并進(jìn)行預(yù)處理后建立特征工程，有效提取圖像紋理特征，最后引入深度學(xué)習(xí)模型實(shí)現(xiàn)積灰狀態(tài)識(shí)別。

1 空預(yù)器轉(zhuǎn)子紅外圖像預(yù)處理

1.1 紅外補(bǔ)光成像原理

紅外攝像機(jī)成像依靠的是光敏圖像傳感器，通過(guò)它可將外界的光信號(hào)轉(zhuǎn)化為電信號(hào)。針對(duì)因環(huán)境中照度不夠而出現(xiàn)圖像虛焦、昏暗、噪點(diǎn)等現(xiàn)象，最簡(jiǎn)單有效的方法就是對(duì)攝像機(jī)監(jiān)控環(huán)境進(jìn)行人為補(bǔ)光，而補(bǔ)光常采用紅外光。紅外光的波長(zhǎng)在0.76～1 000μm，是介于微波與可見(jiàn)光之間的電磁波，是比紅光還要長(zhǎng)的非可見(jiàn)光[21]，如圖1所示。紅外補(bǔ)光成像原理如下：紅外補(bǔ)光燈發(fā)射某固定波段人眼不可感知的紅外光，去照射周?chē)拔?，紅外圖像傳感器接收周?chē)拔锓瓷浠貋?lái)的紅外光，產(chǎn)生視頻信號(hào)，并將信號(hào)通過(guò)數(shù)據(jù)線(xiàn)傳輸?shù)綌z像機(jī)的主控制電路，經(jīng)處理后，將視頻信號(hào)輸出到顯示設(shè)備上。

圖1 電磁波譜圖Fig.1 Electromagnetic spectrum

1.2 轉(zhuǎn)子紅外補(bǔ)光圖像預(yù)處理

采用安裝在空預(yù)器上的紅外攝像機(jī)獲取空預(yù)器轉(zhuǎn)子的紅外補(bǔ)光圖像，采用紅外補(bǔ)光技術(shù)最終得到可見(jiàn)的圖像，實(shí)現(xiàn)非接觸式檢測(cè)以及全封閉、零照度環(huán)境下監(jiān)控。但因拍攝過(guò)程中會(huì)存在環(huán)境、設(shè)備、人為等其他不可避免的因素干擾，所采集的圖像往往存在噪聲污染。紅外補(bǔ)光圖像噪聲的幅值常近似于服從均值為零的正態(tài)分布，噪聲對(duì)圖像的影響是隨機(jī)的，且任何時(shí)刻像素點(diǎn)的噪聲幅值不相關(guān)，具有統(tǒng)計(jì)獨(dú)立性。因此，需要進(jìn)行適當(dāng)?shù)膱D像預(yù)處理以減少噪聲干擾，同時(shí)提高圖像質(zhì)量。

高斯濾波器是一類(lèi)根據(jù)高斯函數(shù)的形狀來(lái)選擇權(quán)值的線(xiàn)性平滑濾波器，且對(duì)于抑制服從正態(tài)分布的噪聲非常有效。工程實(shí)踐表明，高斯濾波是最有用的濾波操作，高斯函數(shù)確定的核可在抗噪聲干擾和圖像邊緣檢測(cè)精度定位之間提供較好的折中方案。因此本文選用二維零均值離散高斯函數(shù)作為平滑濾波器，表示如下：

式中：x、y為像素的模板坐標(biāo)；σ為高斯分布參數(shù)，其決定了高斯函數(shù)的寬度，該參數(shù)值越大，則高斯濾波器的頻帶越寬，平滑效果越好，通過(guò)調(diào)節(jié)σ可在圖像過(guò)平滑與欠平滑之間折中。

2 基于深度信念網(wǎng)絡(luò)的轉(zhuǎn)子紅外補(bǔ)光圖像積灰狀態(tài)識(shí)別

2.1 圖像邊緣提取與增強(qiáng)

圖像邊緣指圖像局部區(qū)域亮度變化顯著的部分，該區(qū)域的灰度剖面可視為一個(gè)階躍，即圖像灰度矩陣的強(qiáng)度值存在顯著變化。邊緣部分集中了圖像的大部分信息，在實(shí)際處理中，都是通過(guò)將原始圖像與檢測(cè)算子進(jìn)行卷積來(lái)完成邊緣提取。考慮到Sobel算子對(duì)灰度漸變和含噪圖像具有更好的處理效果，且對(duì)邊緣定位也比較準(zhǔn)確，故本文選擇Sobel算子對(duì)預(yù)處理后的空預(yù)器轉(zhuǎn)子圖像進(jìn)行邊緣檢測(cè)。

Sobel算子x方向和y方向的梯度模板分別表示如下：

Sobel算子x方向和y方向的差分形式分別表示如下：

式中f(x,y)為輸入圖像。

利用Sobel兩個(gè)方向上的算子在輸入圖像上滑動(dòng)，算子與其覆蓋的9個(gè)像素進(jìn)行卷積操作，即可分別得到水平及垂直方向邊緣檢測(cè)的幅值：

最終該點(diǎn)的幅值表示為

由于圖像邊緣增強(qiáng)的過(guò)程中，不僅提高了邊緣檢測(cè)靈敏度，同時(shí)還提高了噪聲靈敏度，故再次采用高斯濾波進(jìn)行圖像增強(qiáng)，即基于高斯核函數(shù)對(duì)圖像灰度矩陣的像素點(diǎn)進(jìn)行加權(quán)求和，進(jìn)一步有效濾除噪聲。

2.2 圖像紋理特征提取

圖像灰度的空間相關(guān)特性可以描述圖像的紋理，而灰度共生矩陣(gray level co-occurrence matrix，GLCM)包含圖像灰度關(guān)于方向、相鄰間隔、變化幅度等信息，實(shí)現(xiàn)了紋理數(shù)字化。

灰度共生矩陣采用條件概率來(lái)反映紋理，計(jì)算圖像中一定距離和方向的兩點(diǎn)灰度之間的相關(guān)性，得到圖像中2個(gè)像素灰度級(jí)的聯(lián)合分布的統(tǒng)計(jì)形式，并用聯(lián)合概率密度函數(shù)表示。

選取圖像f(x,y)中的任意一點(diǎn)(x,y)以及相隔距離為d的另一點(diǎn)(x+a,y+b)，假設(shè)該點(diǎn)對(duì)的灰度值為(g1,g2)，令(x,y)在整個(gè)圖像平面上移動(dòng)，便會(huì)得到不同的點(diǎn)對(duì)灰度值，統(tǒng)計(jì)某種點(diǎn)對(duì)灰度值(g'1,g'2)出現(xiàn)的次數(shù)，并用不同點(diǎn)對(duì)灰度值出現(xiàn)的總次數(shù)進(jìn)行歸一化處理，得到各點(diǎn)對(duì)出現(xiàn)的概率P(g'1,g'2)，將其排成方陣，即為灰度共生矩陣G。

共生矩陣常用的特征包含角二階矩(angular second moment，ASM)能量JASM、對(duì)比度、熵、逆方差(inverse difference moment，IDM)、自相關(guān)。其中，ASM能量表示為矩陣元素的平方和，反映了圖像的灰度分布均勻程度以及紋理的粗細(xì)程度，其值越大，表明元素分布越集中；反之，表明元素分布越均勻。ASM能量可表示為

式中：k表示方陣G的行(列)數(shù)；i、j分別表示方陣G的行、列序號(hào)。

對(duì)比度直接反映了某個(gè)像素值及其鄰域像素值亮度的對(duì)比情況，其值越大，表明紋理溝紋越深，視覺(jué)效果越清晰。對(duì)比度可表示為

而紋理信息是圖像的一個(gè)隨機(jī)性的度量，熵值越大，表明紋理越復(fù)雜。熵可表示為

逆方差也稱(chēng)為反差分矩陣，可反映圖像紋理的同質(zhì)性，其值越大，說(shuō)明紋理的不同區(qū)域缺少變化，局部非常均勻。逆方差可表示為

自相關(guān)反映了圖像紋理的一致性，當(dāng)矩陣元素值均勻相等時(shí)，則相關(guān)值大；當(dāng)元素值相差很大時(shí)，則相關(guān)值小。自相關(guān)可表示為

式中μi、μj、s i和s j分別表示如下：

2.3 基于深度信念網(wǎng)絡(luò)的轉(zhuǎn)子積灰狀態(tài)識(shí)別

深度信念網(wǎng)絡(luò)(deep belief network，DBN)是加拿大多倫多大學(xué)教授Geoffrey Hinton于2006年提出的。在結(jié)構(gòu)上，DBN由多個(gè)受限玻爾茲曼機(jī)(restricted Boltzmann machines，RBM)堆疊而成，采用逐層訓(xùn)練的方式，解決了深層神經(jīng)網(wǎng)絡(luò)的優(yōu)化問(wèn)題。RBM由可見(jiàn)層和隱含層組成，層之間對(duì)稱(chēng)雙向連接，層內(nèi)單元之間無(wú)連接。其中，可見(jiàn)層為底層，用于表示觀測(cè)數(shù)據(jù)；隱含層為上層，用于提取輸入數(shù)據(jù)的抽象特征。所有單元的狀態(tài)為二值變量，即只能取值0或1。采用對(duì)比散度算法對(duì)RBM不斷進(jìn)行學(xué)習(xí)以獲取參數(shù)，包括可見(jiàn)層、隱含層的偏置以及層之間的權(quán)值3類(lèi)實(shí)值。

針對(duì)空預(yù)器轉(zhuǎn)子積灰狀態(tài)識(shí)別問(wèn)題，建立了5輸入4輸出的DBN模型，由3層RBM和1層BP組成。模型的輸入為ASM能量、對(duì)比度、熵、逆方差、自相關(guān)這5種紋理特征參數(shù)歸一化之后的數(shù)值；輸出為空預(yù)器轉(zhuǎn)子的狀態(tài)，包括完全通暢、輕微堵塞、嚴(yán)重堵塞、完全堵塞4種。

DBN模型如圖2所示，實(shí)現(xiàn)流程如圖3所示。具體實(shí)現(xiàn)步驟如下：

圖2 DBN模型Fig.2 Model of DBN

圖3 DBN模型分析流程圖Fig.3 Analysis flow chart of DBN

1）選取這5種相關(guān)紋理特征數(shù)據(jù)，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理后，按照一定的比例分為預(yù)訓(xùn)練集、調(diào)優(yōu)集、測(cè)試集。

2）對(duì)空預(yù)器轉(zhuǎn)子的堵塞類(lèi)型進(jìn)行狀態(tài)劃分，即根據(jù)專(zhuān)家知識(shí)來(lái)識(shí)別不同樣本的堵塞程度。

3）建立DBN分析模型，以對(duì)空預(yù)器轉(zhuǎn)子積灰狀態(tài)進(jìn)行分析，并進(jìn)行參數(shù)初始化。

4）采用對(duì)比散度算法分別單獨(dú)無(wú)監(jiān)督地訓(xùn)練每一層RBM，學(xué)習(xí)相關(guān)特征，保留特征信息。

5）將最后一層RBM的輸出向量作為BP網(wǎng)絡(luò)層的輸入，有監(jiān)督地通過(guò)BP算法微調(diào)整個(gè)DBN網(wǎng)絡(luò)，使其性能達(dá)到全局最優(yōu)。

6）利用測(cè)試集樣本對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試，實(shí)現(xiàn)空預(yù)器轉(zhuǎn)子積灰狀態(tài)分析。

3 實(shí)驗(yàn)驗(yàn)證

2020年10月，在西寧某電廠600 MW燃煤發(fā)電機(jī)組A側(cè)空預(yù)器上安裝了可視化監(jiān)控系統(tǒng)，總工期15天左右，并進(jìn)行相應(yīng)的實(shí)驗(yàn)測(cè)試，對(duì)空預(yù)器受熱面不同程度的灰污狀態(tài)進(jìn)行識(shí)別。本文所搭建的深度神經(jīng)網(wǎng)絡(luò)模型基于TensorFlow框架，利用python語(yǔ)言完成。本次實(shí)驗(yàn)在Intel Core i5-7300 HQ CPU，運(yùn)行內(nèi)存為8 GB，顯卡為2 GB的GPU平臺(tái)上進(jìn)行，實(shí)驗(yàn)中batchsize的大小設(shè)置為10，最大迭代步數(shù)為3 000。訓(xùn)練完成之后，選取360張測(cè)試樣本圖像，其中包括260張灰塵圖像以及100張清潔圖像，輸入到訓(xùn)練好的DBN空預(yù)器轉(zhuǎn)子紅外補(bǔ)光圖像故障分類(lèi)模型中進(jìn)行分析，識(shí)別結(jié)果如圖4—6所示。

圖4 不同積灰狀態(tài)圖像的紋理特征對(duì)比Fig.4 Comparison of texture features of images in different ash states

圖4對(duì)比了灰塵、清潔圖像所提取的5種紋理特征，可以看出，5種紋理特征均能有效地區(qū)分出不同積灰狀態(tài)，為進(jìn)行后續(xù)識(shí)別提供可靠的理論依據(jù)。

圖6 不同積灰狀態(tài)下的轉(zhuǎn)子受熱面圖像(工況2)Fig.6 Images of rotor heating surface under different ash accumulation states(working condition 2)

對(duì)不同積灰程度工況下的空預(yù)器轉(zhuǎn)子紅外補(bǔ)光監(jiān)控圖像進(jìn)行處理，結(jié)果分別如圖5、6所示。可以看出，在工況1下，灰塵識(shí)別圖像中檢測(cè)到21個(gè)輪廓，輪廓總面積為61 412.5像素；清潔識(shí)別圖像中檢測(cè)到27個(gè)輪廓，輪廓總面積為328 859.0像素。在工況2下，灰塵識(shí)別圖像中檢測(cè)到575個(gè)輪廓，輪廓總面積為23 604.5像素；清潔識(shí)別圖像中檢測(cè)到595個(gè)輪廓，輪廓總面積為127 912.0像素。

圖5 不同積灰狀態(tài)下的轉(zhuǎn)子受熱面圖像(工況1)Fig.5 Images of rotor heating surface under different ash accumulation states(working condition 1)

以圖像中所檢測(cè)到的輪廓數(shù)量和輪廓總面積為參考指標(biāo)，這2個(gè)指標(biāo)數(shù)值越小，表明轉(zhuǎn)子受熱面的積灰程度越高，堵塞越嚴(yán)重；反之，表明轉(zhuǎn)子受熱面的積灰程度越輕。輪廓數(shù)量和輪廓總面積的具體閾值大小視操作人員專(zhuān)業(yè)知識(shí)而定。以上實(shí)驗(yàn)結(jié)果表明，在不同工況下，采用本文方法均能實(shí)現(xiàn)空預(yù)器轉(zhuǎn)子受熱面灰污狀態(tài)和清潔狀態(tài)的有效識(shí)別。

進(jìn)一步對(duì)更復(fù)雜的工況進(jìn)行實(shí)驗(yàn)，識(shí)別結(jié)果如圖7所示，可以看出，采用本文方法能實(shí)現(xiàn)4種轉(zhuǎn)子受熱面的積灰狀態(tài)識(shí)別，驗(yàn)證了方法的有效性和實(shí)用性?，F(xiàn)場(chǎng)工作人員可直觀地實(shí)時(shí)監(jiān)測(cè)空預(yù)器受熱面的灰污嚴(yán)重程度，并以所檢測(cè)的輪廓數(shù)量及其總面積作為參考指標(biāo)，綜合考慮是否需要進(jìn)行吹灰操作。

圖7 識(shí)別分類(lèi)結(jié)果示例Fig.7 Examples of identifying classification results

根據(jù)以上識(shí)別結(jié)果可以發(fā)現(xiàn)，本文所建立的基于DBN的空預(yù)器轉(zhuǎn)子紅外補(bǔ)光圖像積灰狀態(tài)識(shí)別模型具有很高的分類(lèi)識(shí)別準(zhǔn)確率，大大提高了檢測(cè)率，節(jié)省了檢測(cè)時(shí)間。在后期實(shí)踐應(yīng)用中，隨著樣本數(shù)據(jù)的積累，網(wǎng)絡(luò)的識(shí)別分類(lèi)能力有望進(jìn)一步增強(qiáng)。

4 結(jié)論

1）基于DBN進(jìn)行積灰演化分析，以圖像中所檢測(cè)的輪廓數(shù)量和輪廓總面積為參考指標(biāo)，可以定量表示受熱面灰污程度。相較于清潔狀態(tài)下的轉(zhuǎn)子圖像，灰污狀態(tài)下能檢測(cè)出的輪廓數(shù)量和輪廓總面積明顯偏少，且灰污程度越高，對(duì)應(yīng)的指標(biāo)數(shù)值越小，表明轉(zhuǎn)子堵塞越嚴(yán)重，需要進(jìn)行吹灰清洗等操作。

2）引入先進(jìn)的機(jī)器視覺(jué)技術(shù)，有助于操作人員更加直觀地監(jiān)測(cè)鍋爐內(nèi)空預(yù)器轉(zhuǎn)子運(yùn)行狀況，具有非接觸式檢測(cè)、全封閉、零照度下晝夜監(jiān)控的優(yōu)勢(shì)，同時(shí)可定量地判斷實(shí)際積灰堵塞狀態(tài)，優(yōu)化排產(chǎn)吹灰等操作，有一定經(jīng)濟(jì)性和安全性?xún)r(jià)值。另外，對(duì)其他實(shí)物也可以利用該方法進(jìn)行類(lèi)似檢測(cè)，具有一定的通用性。

下一步，將對(duì)檢測(cè)出的空預(yù)器轉(zhuǎn)子積灰狀態(tài)進(jìn)行趨勢(shì)預(yù)測(cè)，以實(shí)現(xiàn)更高程度的自動(dòng)化檢測(cè)，進(jìn)一步提高檢測(cè)效率。