基于深度學(xué)習(xí)與聲發(fā)射原理的鍋爐四管泄漏技術(shù)研究

解劍波 金宏偉 王煥明 屠海彪 楊林豪

摘要：鍋爐四管泄漏是電廠頻發(fā)的安全事故之一，目前國內(nèi)主流的鍋爐泄漏監(jiān)測(cè)方法為空氣聲監(jiān)測(cè)方法，該方法在空氣聲傳感器安裝位置選擇、信號(hào)覆蓋范圍、泄漏信號(hào)與鍋爐背景噪聲的重疊處理等方面存在問題。為此，提出了基于深度學(xué)習(xí)和聲發(fā)射原理的鍋爐四管泄漏監(jiān)測(cè)技術(shù)，并提出了一種新的聲發(fā)射信號(hào)狀態(tài)識(shí)別模型Scat-GANomaly。實(shí)驗(yàn)證明，該模型對(duì)聲發(fā)射信號(hào)的識(shí)別率在90%以上，完全可以滿足電廠對(duì)鍋爐泄漏監(jiān)測(cè)的實(shí)際需求。

關(guān)鍵詞：Scat-GANomaly;鍋爐泄漏;聲發(fā)射信號(hào);深度學(xué)習(xí)

0 引言

在火力發(fā)電廠中，鍋爐的過熱器、再熱器、水冷壁和省煤器（以下簡(jiǎn)稱“四管”）泄漏是造成鍋爐非計(jì)劃停爐的主要原因之一。鍋爐四管泄漏的特點(diǎn)是初期泄漏發(fā)展速度慢，為非破壞性泄漏，一般持續(xù)幾天或幾周，當(dāng)泄漏發(fā)展到一定階段就轉(zhuǎn)變?yōu)槠茐男孕孤?。因此，如何在早期發(fā)現(xiàn)鍋爐四管泄漏問題，對(duì)于妥善安排鍋爐檢修、縮短停爐時(shí)間以及降低維修費(fèi)用具有重要意義。

目前，國內(nèi)主流的鍋爐泄漏監(jiān)測(cè)方法為空氣聲監(jiān)測(cè)方法。該方法是在鍋爐管壁上開空氣聲傳播孔并將空氣聲波導(dǎo)管焊接在其中，在空氣聲傳感器的外側(cè)端安裝有空氣聲傳感器。爐內(nèi)的噪聲通過空氣傳播到波導(dǎo)管并被空氣聲傳感器探測(cè)到。這種方法比早期的水質(zhì)量平衡監(jiān)測(cè)技術(shù)、鍋爐水化學(xué)監(jiān)測(cè)技術(shù)以及X射線透照探傷監(jiān)測(cè)技術(shù)等更方便、簡(jiǎn)單、有效，但在空氣聲傳感器安裝位置選擇、信號(hào)覆蓋范圍、泄漏信號(hào)與鍋爐背景噪聲的重疊處理等方面還存在問題。

鍋爐管道在運(yùn)行時(shí)，爐內(nèi)管道充滿高溫、高壓介質(zhì)，這些高溫、高壓介質(zhì)會(huì)損傷和破壞工程材料，導(dǎo)致管道發(fā)生泄漏。這些高溫、高壓介質(zhì)會(huì)通過裂縫或破口噴射出來形成噴流，從管道泄漏的氣液混合物與管道外面的介質(zhì)迅速混合，在混合邊界層形成劇烈的湍流流動(dòng)，產(chǎn)生混合噪聲，管道內(nèi)壁以及管道壁面上產(chǎn)生超聲波信號(hào)，包含了鍋爐管道的泄漏信息，這就是聲發(fā)射現(xiàn)象。

為了克服聲學(xué)監(jiān)測(cè)方法存在的問題，聲發(fā)射技術(shù)所監(jiān)測(cè)的泄漏信號(hào)屬于超聲波范疇，超聲波在空氣中傳播衰減很快，但在固體尤其是金屬中傳播速度快、衰減小，鍋爐泄漏在管道中激發(fā)的應(yīng)力波會(huì)隨著管道傳播，通過在水冷壁或者出口集箱上焊接波導(dǎo)桿，在波導(dǎo)桿的外端側(cè)安裝聲發(fā)射傳感器，可以監(jiān)測(cè)到應(yīng)力波，從而實(shí)現(xiàn)對(duì)鍋爐泄漏情況的有效監(jiān)測(cè)。鍋爐內(nèi)的背景噪聲主要集中在低頻部分，超聲波信號(hào)很小，當(dāng)發(fā)生泄漏時(shí)超聲波信號(hào)增強(qiáng)，故超聲波監(jiān)測(cè)具有更高的靈敏度，信號(hào)覆蓋范圍更廣，發(fā)現(xiàn)管道泄漏的時(shí)機(jī)更早。

當(dāng)前主流的聲學(xué)監(jiān)測(cè)和聲發(fā)射監(jiān)測(cè)都是使用聲譜分析技術(shù)（短時(shí)FFT和小波技術(shù)）和傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)（神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)與K最近鄰算法），對(duì)泄漏信號(hào)所在的主要頻段進(jìn)行監(jiān)測(cè)，通過監(jiān)測(cè)該頻段的能量發(fā)生變化，發(fā)現(xiàn)鍋爐四管泄漏。它們的優(yōu)勢(shì)是對(duì)泄漏信號(hào)的聲譜非常敏感，可以檢測(cè)到微小的泄漏信號(hào)，能夠?qū)崟r(shí)地長(zhǎng)時(shí)間監(jiān)測(cè)泄漏信號(hào)，但它們的弊端是投入運(yùn)行時(shí)有漏報(bào)、誤報(bào)的情況發(fā)生，這是因?yàn)橄到y(tǒng)沒有很好地處理或者區(qū)分鍋爐運(yùn)行狀態(tài)下的背景噪聲，僅對(duì)某些頻段進(jìn)行了關(guān)注，并沒有全面關(guān)注機(jī)組的運(yùn)行狀態(tài)，所以即使發(fā)生了誤報(bào)、漏報(bào)情況，系統(tǒng)也未能學(xué)習(xí)到當(dāng)前鍋爐運(yùn)行狀態(tài)的信號(hào)信息，隨后在相同工況下仍然會(huì)發(fā)生誤報(bào)、漏報(bào)情況，給用戶帶來很大的困擾。

深度學(xué)習(xí)技術(shù)在最近十年來得到了廣泛應(yīng)用，尤其在圖像識(shí)別、語音識(shí)別等領(lǐng)域取得了顯著成果。它的本質(zhì)是通過不斷地學(xué)習(xí)提取數(shù)據(jù)特征。我們利用深度學(xué)習(xí)技術(shù)，提取鍋爐運(yùn)行狀態(tài)特征，從而實(shí)現(xiàn)對(duì)鍋爐運(yùn)行狀態(tài)的劃分，減少鍋爐泄漏監(jiān)測(cè)誤報(bào)、漏報(bào)情況。

1 聲發(fā)射信號(hào)狀態(tài)識(shí)別模型的建立

目前采集和處理聲發(fā)射信號(hào)的方法大致可以分為兩種：第一種是利用信號(hào)分析技術(shù)，提取多個(gè)波形特征參數(shù)，利用這些特征參數(shù)進(jìn)行分析，如時(shí)域特征分析，這類方法稱為波形特征參數(shù)分析法;第二種是貯存和記錄聲發(fā)射信號(hào)波形，然后對(duì)波形進(jìn)行分析。波形特征參數(shù)分析方法有利于對(duì)突發(fā)型聲發(fā)射信號(hào)進(jìn)行分析，目前得到了廣泛應(yīng)用，但對(duì)于連續(xù)型聲發(fā)射信號(hào)僅有振鈴次數(shù)、能量參數(shù)、平均電平和有效電壓4個(gè)參數(shù)可以使用，適應(yīng)性并不好。本文利用深度學(xué)習(xí)技術(shù)對(duì)波形進(jìn)行分析，學(xué)習(xí)波形的本質(zhì)特征。

1.1? ? 小波散射變換神經(jīng)網(wǎng)絡(luò)

小波散射變換神經(jīng)網(wǎng)絡(luò)是將卷積神經(jīng)網(wǎng)絡(luò)與小波變化相結(jié)合應(yīng)用，實(shí)質(zhì)上也是深度學(xué)習(xí)的一種。它通過迭代方向的復(fù)小波分解、取模運(yùn)算及局部平均法獲取信號(hào)的特征描述。不同散射路徑得到的散射系數(shù)聚集成信號(hào)的散射表示，可有效地平衡特征的不變性和類別區(qū)分度，具有局部形變穩(wěn)定性、平移不變性、非發(fā)散性、加性噪聲穩(wěn)定性、能量保持性等優(yōu)點(diǎn)。散射變換和深度學(xué)習(xí)框架之間的一個(gè)重要區(qū)別是過濾器是先驗(yàn)定義的而不是被學(xué)習(xí)的。散射變換使用了小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)元，故需要使用大量數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，因此散射網(wǎng)絡(luò)特別適合于小樣本數(shù)據(jù)的訓(xùn)練。

本文利用小波散射變化神經(jīng)網(wǎng)絡(luò)對(duì)超聲波波形信號(hào)進(jìn)行特征提取。0階系數(shù)含有較大的背景噪聲，一般不采用。本文觀察了不同運(yùn)行狀態(tài)下的1階系數(shù)和2階系數(shù)，利用主成分分析，選取主要的系數(shù)組成特征矩陣，這個(gè)矩陣作為基本特征矩陣。

1.2? ? GANomaly神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)需要大量的數(shù)據(jù)支撐，泄漏聲發(fā)射信號(hào)很難獲取，但鍋爐正常運(yùn)行的信號(hào)可以輕易獲取，該類深度學(xué)習(xí)稱為異常監(jiān)測(cè)。在深度學(xué)習(xí)領(lǐng)域，異常監(jiān)測(cè)得到了快速發(fā)展，尤其是生成式對(duì)抗網(wǎng)絡(luò)GAN的提出，對(duì)抗思想得到了廣泛應(yīng)用。在基于GAN的異常監(jiān)測(cè)早期應(yīng)用中，主要研究的是數(shù)據(jù)分布特征，通過與正常樣本數(shù)據(jù)的分布比較，判斷當(dāng)前樣本是否異常，這類應(yīng)用的典型代表是AnoGAN和Efficient-GAN-Anomaly，但這種方法局限性很強(qiáng)，計(jì)算成本也很高。GANomaly不同于前者，它關(guān)注的重點(diǎn)在潛在空間，通過編碼-解碼-再編碼獲得了兩個(gè)潛在空間，通過比較兩個(gè)潛在空間的距離判斷異常，可以說是一個(gè)新的突破，并且取得了較好的效果，計(jì)算量也比前者小得多。

GANormaly設(shè)計(jì)模式如圖1所示。

在訓(xùn)練階段，使用正常樣本對(duì)整個(gè)模型進(jìn)行訓(xùn)練。編碼器GE（x）、解碼器GD（z）和重構(gòu)編碼器E（■）模型參數(shù)都適用于正常樣本。

在測(cè)試階段，當(dāng)一個(gè)異常樣本進(jìn)入網(wǎng)絡(luò)時(shí)，因模型編碼器、解碼器不適用于異常樣本，故潛在變量z和潛在變量■的差距比較大。本文規(guī)定該差距是一個(gè)分值A(chǔ)（x）=||GE（x）-E（G（x））||1，通過設(shè)定閾值？準(zhǔn)，一旦A（x）>？準(zhǔn)，模型就認(rèn)定送入的樣本x是異常數(shù)據(jù)。

筆者在實(shí)踐過程中發(fā)現(xiàn)，GANomaly對(duì)于監(jiān)測(cè)正常運(yùn)行的不同工況存在一定的局限性，主要是因?yàn)樾盘?hào)的相似度較高，潛在空間的差距較小，對(duì)于閾值？準(zhǔn)的選擇存在一定困難。引起這種情況的原因是潛在空間分布不均衡。通?？梢圆捎脙煞N方法來處理這種情況：（1）將相似工況合并為同一工況;（2）對(duì)前期散射特征進(jìn)行進(jìn)一步處理，選擇更具有表征能力的系數(shù)作為特征。

GANomaly盡管存在上述局限性，但是鍋爐泄漏時(shí)的超聲波信號(hào)與正常運(yùn)行狀態(tài)下的超聲波信號(hào)存在明顯的區(qū)別，故這種局限性并不影響它的應(yīng)用效果。采用深度學(xué)習(xí)方法就是為了全面學(xué)習(xí)不同工況下的信號(hào)特征，通過學(xué)習(xí)能夠預(yù)防頻繁發(fā)生相同工況下的誤報(bào)、漏報(bào)情況。傳統(tǒng)的分析方法更側(cè)重泄漏特征而不是工況特征，所以它無法阻止誤報(bào)、漏報(bào)情況的發(fā)生。

1.3? ? 聲發(fā)射信號(hào)狀態(tài)識(shí)別模型Scat-GANomaly

深度學(xué)習(xí)的優(yōu)勢(shì)突出，但在實(shí)際的工業(yè)運(yùn)用中，其最大的限制就是計(jì)算資源，為此本文結(jié)合信號(hào)分析方法和深度學(xué)習(xí)方法，提出了一種能夠適應(yīng)現(xiàn)場(chǎng)需求的聲發(fā)射信號(hào)狀態(tài)識(shí)別模型Scat-GANomaly。Scat-GANomaly設(shè)計(jì)模式如圖2所示。

（1）散射網(wǎng)絡(luò)，它從頻域角度提取更為細(xì)致的特征。本文對(duì)這些特征進(jìn)行了選取，能夠更為有效地表征信號(hào)特征，同時(shí)為了降低計(jì)算資源的要求，對(duì)散射網(wǎng)絡(luò)進(jìn)行了資源共享，有效提升了計(jì)算效率。

（2）GANomaly網(wǎng)絡(luò)，它對(duì)散射特征進(jìn)行進(jìn)一步的特征提取，形成2個(gè)潛在空間，通過潛在空間的距離比較實(shí)現(xiàn)異常檢測(cè)。

2 實(shí)現(xiàn)過程與結(jié)果分析

由于鍋爐泄漏的超聲波信號(hào)很難獲取，本文采用了機(jī)組正常運(yùn)行的不同工況下的數(shù)據(jù)作為訓(xùn)練和測(cè)試數(shù)據(jù)，以驗(yàn)證所提出的Scat-GANomaly網(wǎng)絡(luò)的準(zhǔn)確性。本文采集了機(jī)組在1個(gè)月內(nèi)不同運(yùn)行狀態(tài)下的數(shù)據(jù)。機(jī)組在運(yùn)行時(shí)，不同的工況下其超聲波信號(hào)是不同的，所以本文針對(duì)不同的工況建立了不同的訓(xùn)練模型，一共建立了8組模型，采用交叉驗(yàn)證方法，抽取其中1個(gè)工況的數(shù)據(jù)作為正常數(shù)據(jù)，其他工況作為異常數(shù)據(jù)。Scat-GANomaly神經(jīng)網(wǎng)絡(luò)在不同工況下的應(yīng)用效果如表1所示。

通過分析識(shí)別率數(shù)據(jù)可以看出，相鄰工況的識(shí)別率較低（80%以上），不相鄰的工況則識(shí)別率較高（92%），通過合并相鄰工況可以進(jìn)一步提升信號(hào)的識(shí)別率。

以上實(shí)驗(yàn)是基于鍋爐正常運(yùn)行的數(shù)據(jù)分析結(jié)果。根據(jù)美國物理公司的鍋爐泄漏的超聲波信號(hào)分析結(jié)果，鍋爐泄漏時(shí)超聲波信號(hào)會(huì)有相對(duì)明顯的變化，使用該模型判定信號(hào)異常的識(shí)別率將會(huì)大大提升。

3 結(jié)語

本文針對(duì)鍋爐四管泄漏問題，提出了新的鍋爐泄漏監(jiān)測(cè)方案。鍋爐泄漏時(shí)會(huì)發(fā)出聲發(fā)射信號(hào)，利用深度學(xué)習(xí)技術(shù)可以識(shí)別聲發(fā)射信號(hào)，據(jù)此提出了一種聲發(fā)射信號(hào)狀態(tài)識(shí)別模型Scat-GANomaly。實(shí)驗(yàn)表明，聲發(fā)射信號(hào)狀態(tài)識(shí)別模型Scat-GANomaly的信號(hào)識(shí)別準(zhǔn)確率更高，抗噪性能更好，正常工況下的異常信號(hào)識(shí)別率在90%以上，由于泄漏工況的聲發(fā)射信號(hào)比正常工況更為明顯，泄漏工況下的異常信號(hào)識(shí)別率將大大高于90%，能夠滿足實(shí)際的鍋爐泄漏監(jiān)測(cè)需求。

[參考文獻(xiàn)]

[1] 許周樂.基于深度學(xué)習(xí)與散射變換的信號(hào)分類研究[D].重慶：重慶大學(xué)，2018.

[2] 原天龍.工業(yè)鍋爐泄漏聲發(fā)射檢測(cè)技術(shù)研究[D].昆明：昆明理工大學(xué)，2015.

[3] WIATOWSKI T，BOLCSKEI H.A mathematical theory of deep convolutional neural networks for feature extraction[J].IEEE Transactions on Information Theory，2018，64（3）：1845-1866.

收稿日期：2020-07-24

作者簡(jiǎn)介：解劍波（1970—），男，浙江臺(tái)州人，研究生，高級(jí)工程師，從事能源電氣化、自動(dòng)化方面研究工作。