基于改進(jìn)水平集算法的鍋爐承壓視覺預(yù)警技術(shù)

張?zhí)K穎

(江蘇省南京工程高等職業(yè)學(xué)校 南京 211135)

0 引言

承壓類鍋爐是一種具備高溫、高壓的特種設(shè)備，目前已廣泛應(yīng)用于很多企業(yè)。承壓類鍋爐工作環(huán)境復(fù)雜，具有潛在高危性，一旦發(fā)生事故，造成的影響將不可估量[1]。據(jù)相關(guān)調(diào)查結(jié)果顯示，當(dāng)前階段承壓類鍋爐設(shè)備隱患整改率幾乎可達(dá)90%以上，安全形式十分嚴(yán)峻。人工巡查是承壓類鍋爐設(shè)備安全監(jiān)測的主要手段，通過定期檢查鍋爐設(shè)備，可保證特種設(shè)備的正常運(yùn)行。這種方式的優(yōu)勢是檢測精度較高，弊端是常常會(huì)發(fā)生早檢、晚檢以及漏檢情況。其中漏檢產(chǎn)生的影響最為嚴(yán)重，很多設(shè)備隱患無法及時(shí)處理，有可能造成人員傷亡[2]。近年來，隨著智能視覺研究分析技術(shù)的發(fā)展，智能視覺識別技術(shù)逐漸成為特種設(shè)備預(yù)警領(lǐng)域的主流算法。在監(jiān)管資源有限的大背景下，對承壓類鍋爐設(shè)備實(shí)施基于智能視覺的監(jiān)管，具有重要的意義[3]。

隨著圖像處理技術(shù)的飛速發(fā)展，相關(guān)人員提出將圖像去噪、三維重建、采集、分割以及識別等技術(shù)相結(jié)合，實(shí)現(xiàn)鍋爐承壓設(shè)備故障預(yù)警智能識別和故障診斷的綜合方法[4-6]。如文獻(xiàn)[7-8]構(gòu)建了鍋爐承壓特征設(shè)備的熱點(diǎn)圖像采集和噪點(diǎn)濾波模型，對鍋爐承壓特征設(shè)備熱點(diǎn)圖像進(jìn)行視覺特征三維重建，利用圖像分割算法對設(shè)備熱點(diǎn)圖像區(qū)域進(jìn)行有效分割，并對分割結(jié)果進(jìn)行檢測，實(shí)現(xiàn)鍋爐承壓設(shè)備預(yù)警。該方法故障檢測精度較高，但無法實(shí)現(xiàn)故障實(shí)時(shí)告警。為了實(shí)現(xiàn)鍋爐承壓設(shè)備故障的實(shí)時(shí)預(yù)警，提高鍋爐承壓設(shè)備檢測的智能化水平，結(jié)合現(xiàn)有的設(shè)備檢測與診斷技術(shù)，根據(jù)鍋爐承壓設(shè)備溫度進(jìn)行故障預(yù)警。

1 水平集算法的設(shè)計(jì)以及關(guān)鍵部件圖像分割

針對鍋爐承壓圖像的特點(diǎn)，通過圖1背景區(qū)域中的噪聲分布進(jìn)行閾值選取。利用區(qū)域增長方法分割第一部分圖像的關(guān)鍵部件及其背景區(qū)域，在完成關(guān)鍵部件區(qū)域分割后，得出其灰度值的平均數(shù)以及標(biāo)準(zhǔn)差[9]，為第二部分水平集分割算法閾值區(qū)間提供理論支持。

圖1 鍋爐承壓設(shè)備圖像灰度

在關(guān)鍵部件與背景區(qū)域分割處理階段，統(tǒng)計(jì)出關(guān)鍵部件的灰度值平均數(shù)值和方差，為確定背景區(qū)域初始輪廓的灰度提供依據(jù)，利用區(qū)域增長方法得到關(guān)鍵部件與背景區(qū)域分界面的輪廓，統(tǒng)計(jì)與關(guān)鍵部件灰度均值較為相近的全部點(diǎn)，將閾值區(qū)間選取為關(guān)鍵部件灰度均值，結(jié)合關(guān)鍵部件灰度方差，即可獲得二值圖像?？紤]到背景區(qū)域中灰度大的部分會(huì)對分界面的確定造成影響，為了避免這部分區(qū)域?qū)φw結(jié)果的影響，引入了位置信息進(jìn)行加權(quán)操作[10]。由于鍋爐承壓特種設(shè)備成像方式和相應(yīng)的關(guān)鍵部件位置是固定的，其可用來確定初始輪廓位置信息，如式(1)所示：

(1)

其中，I′表示初始輪廓圖像關(guān)鍵信息，(x,y,z)表示原始圖像坐標(biāo)點(diǎn)。I(x,y,z)表示原關(guān)鍵部件圖像通過區(qū)域增長后的二值圖像，灰度為1或0，(x0,y0,z0)表示點(diǎn)p處的坐標(biāo)，T用于描述比例因子，根據(jù)鍋爐承壓圖像的尺寸大小而定，由尺寸大小調(diào)整初始輪廓圖像I′的灰度區(qū)間，最終設(shè)定為0.005。

在水平集分割算法中，關(guān)鍵部件圖像輪廓的分裂與合并均包括水平集函數(shù)的演變階段[11]。利用關(guān)鍵部件區(qū)域與背景區(qū)域的分界面得到關(guān)鍵部件圖像的灰度值，對此設(shè)定閾值區(qū)間。采用初分割中獲得的關(guān)鍵部件圖像灰度的先驗(yàn)信息，將關(guān)鍵部件圖像所處的灰度區(qū)域劃分為前景，其他灰度劃分為背景，構(gòu)成特征圖像，利用下式給出特征圖像的映射形式：

(2)

其中，g表示原始鍋爐承壓特種設(shè)備關(guān)鍵部件圖像，閾值區(qū)間U和L以第1部分分割階段得到的灰度均值及方差為根據(jù)，選?。?/p>

(3)

將式(3)的統(tǒng)計(jì)結(jié)果作為第2部分水平集分割算法閾值區(qū)間的依據(jù)，構(gòu)造水平集函數(shù)[12]，將與鍋爐承壓特征設(shè)備關(guān)鍵部件圖像灰度與形態(tài)學(xué)相關(guān)的因素考慮在內(nèi)，即：

F=TP(X)+UK(X)

(4)

其中，P(X)表示與關(guān)鍵部件圖像灰度梯度有關(guān)的權(quán)重指數(shù)，K(X)用于描述與曲率相關(guān)的權(quán)重指數(shù)，T表示兩者權(quán)重系數(shù)。將權(quán)重系數(shù)T應(yīng)用于速度函數(shù)的計(jì)算階段，T選取1.0。

2 基于支持向量機(jī)的算法改進(jìn)

利用支持向量機(jī)算法對算法進(jìn)行改進(jìn)，支持向量機(jī)參數(shù)選取徑向基函數(shù)[13-14]，利用下式表示：

(5)

其中，x和y分別用于已知的鍋爐承壓特種設(shè)備關(guān)鍵部件圖像過熱區(qū)域特征向量，σ表示核函數(shù)寬度。

為實(shí)現(xiàn)算法改進(jìn)，將算法的預(yù)警按等級劃分，參考鍋爐承壓設(shè)備維修標(biāo)準(zhǔn)和歷史經(jīng)驗(yàn)確定鍋筒、爐膛等部件預(yù)警分級閾值[15]。結(jié)合鍋爐承壓設(shè)備關(guān)鍵部件圖像過熱區(qū)域的識別結(jié)果及溫度信息，通過鍋爐承壓部件預(yù)警規(guī)則實(shí)現(xiàn)特種設(shè)備故障等級的評判，并針對不同故障等級采取不同的預(yù)警措施[16]。

假設(shè)，T0表示鍋爐承壓設(shè)備關(guān)鍵部件故障的溫度閾值，T1、T2、T3分別表示由高到低的故障等級的溫度閾值，故障等級越高說明該故障越嚴(yán)重，Tmax表示設(shè)備關(guān)鍵部件圖像過熱區(qū)域溫度，根據(jù)以下規(guī)則對部件異常升溫故障進(jìn)行分級：

假設(shè)滿足Tmax>T2時(shí)，為設(shè)備緊急故障，此時(shí)應(yīng)當(dāng)停機(jī)排除故障。

假設(shè)滿足T2≥Tmax≥T1時(shí)，為設(shè)備嚴(yán)重故障，此時(shí)應(yīng)當(dāng)予以重視，對此故障盡快處理。

假設(shè)滿足T1≥Tmax≥T0時(shí)，為一般故障，應(yīng)當(dāng)記錄故障，并觀測設(shè)備故障發(fā)展，盡快處理。

3 算法的應(yīng)用

結(jié)合以往經(jīng)驗(yàn)知識，Zernike多項(xiàng)式具有正交完備性[17]，根據(jù)此特性，在單位區(qū)間內(nèi)關(guān)鍵部件圖像可由下式展開：

(6)

其中，Vpq(ρ,θ)表示關(guān)鍵部件圖像的Zernike矩Zpq的共軛，p、q分別表示圖像像素點(diǎn)，Zpq可利用下式表示為：

(7)

其中，(x,y)表示離散的關(guān)鍵部件圖像像素點(diǎn)。對于離散的關(guān)鍵部件圖像，可將其積分形式描述為式(7)給出的累加形式：

(8)

計(jì)算一幅鍋爐承壓關(guān)鍵部件圖像的Zernike矩時(shí)，以關(guān)鍵部件圖像的中心為坐標(biāo)原點(diǎn)，將其像素坐標(biāo)映射至單位區(qū)間內(nèi)。Zernike矩通常為復(fù)數(shù)矩，低階矩特征可表征關(guān)鍵部件圖像的整體輪廓，高階矩特征可表征關(guān)鍵部件圖像的細(xì)節(jié)[18]。Zernike矩不具有平移和比例不變性，在提取Zernike矩實(shí)現(xiàn)鍋爐承壓關(guān)鍵部件圖像識別前，需要對其進(jìn)行平移和尺度歸一化處理，以下給出標(biāo)準(zhǔn)矩形式：

mpq=∑xqyqf(x,y)

(9)

4 實(shí)驗(yàn)結(jié)果與分析

采用Cart實(shí)時(shí)數(shù)據(jù)庫提供的鍋爐承壓設(shè)備圖像，對所提預(yù)警技術(shù)進(jìn)行驗(yàn)證。實(shí)驗(yàn)是在Visual Studio 2010平臺上結(jié)合OpenCV 2.3.1實(shí)現(xiàn)的。將某鍋爐廠提供的3組分辨率大小為500×500的鍋爐承壓設(shè)備關(guān)鍵部件圖像作為實(shí)驗(yàn)對象，圖2—圖4給出了承壓類鍋爐設(shè)備不同部件過熱區(qū)域的分割結(jié)果。

(a)部件A原始圖像

(b)過熱區(qū)域分割結(jié)果

(a)部件B原始圖像

(b)過熱區(qū)域分割結(jié)果

(a)部件C原始圖像

(b)過熱區(qū)域分割結(jié)果

采用所設(shè)計(jì)的預(yù)警技術(shù)，計(jì)算相對溫差，并通過各部件不同區(qū)域溫度數(shù)據(jù)(表1)判斷圖2—圖4中鍋爐承壓設(shè)備關(guān)鍵部件的升溫值。

表1 各部件溫度數(shù)據(jù) ℃

已知圖2—圖4的設(shè)備關(guān)鍵部件故障分別為軸承過熱、電動(dòng)機(jī)超負(fù)荷運(yùn)作引起發(fā)熱、爐膛溫度過高。通過與表1中給出的數(shù)據(jù)進(jìn)行對比可知，圖2—圖4中承壓類故障設(shè)備關(guān)鍵部件均出現(xiàn)了過熱故障，并通過診斷判定為一般缺陷，對于該等級的設(shè)備故障，采取在檢修階段對其進(jìn)行故障消除。診斷結(jié)果與該設(shè)備關(guān)鍵部件實(shí)際故障情況相吻合，說明所采用的故障檢測算法檢測效果良好。

分別采用所提預(yù)警技術(shù)和文獻(xiàn)[8]提出的預(yù)警技術(shù)進(jìn)行未知鍋爐承壓設(shè)備過熱區(qū)域故障報(bào)警實(shí)時(shí)性分析，結(jié)果如圖5所示。

圖5 不同預(yù)警技術(shù)故障預(yù)警實(shí)時(shí)性對比

分析圖5可以看出，所提預(yù)警技術(shù)，平均故障預(yù)警時(shí)間在100 ms左右，而文獻(xiàn)[8]提出的預(yù)警技術(shù)平均故障預(yù)警時(shí)間約在220 ms左右，說明所提預(yù)警技術(shù)可以提前發(fā)出告警，為鍋爐承壓設(shè)備故障處理贏得寶貴時(shí)間，同時(shí)也說明采用該技術(shù)能提前發(fā)現(xiàn)鍋爐承壓設(shè)備實(shí)時(shí)運(yùn)行中存在的故障并及時(shí)預(yù)警。

以上實(shí)驗(yàn)結(jié)果顯示，所提鍋爐承壓預(yù)警技術(shù)具有較高的可靠性，可以滿足基于智能視覺鍋爐承壓設(shè)備故障實(shí)時(shí)預(yù)警需求。

5 結(jié)論

以承壓類鍋爐特種設(shè)備關(guān)鍵部件故障預(yù)警為出發(fā)點(diǎn)，提出一種基于智能視覺鍋爐承壓預(yù)警技術(shù)。研究結(jié)果如下：

(1)利用基于灰度和位置信息的方法獲取鍋爐承壓關(guān)鍵部件初始輪廓，并將先前統(tǒng)計(jì)的鍋爐承壓關(guān)鍵部件灰度作為理論基礎(chǔ)，設(shè)定初始輪廓和特征圖像，提高圖像分割速度。

(2)提取分割獲得的部件目標(biāo)特征向量，設(shè)計(jì)支持向量機(jī)分類器完成對鍋爐承壓關(guān)鍵部件圖像的識別，根據(jù)識別結(jié)果及溫度信息，對鍋爐承壓特種設(shè)備的故障等級做出判斷，進(jìn)行故障預(yù)警。

以上過程完成了基于智能視覺的鍋爐承壓預(yù)警中涉及的圖像分割、自動(dòng)識別算法，但還有不足之處需要在未來階段進(jìn)一步改進(jìn)，具體總結(jié)如下：

(1)采用水平集算法分割效果較好，但分割速度較慢，未來階段將針對分割速度方面進(jìn)一步改善。

(2)設(shè)計(jì)支持向量機(jī)分類器，并將故障圖像過熱區(qū)域的特征向量輸入到支持向量機(jī)分類模型中，根據(jù)識別結(jié)果及溫度信息，對鍋爐承壓特種設(shè)備的故障等級做出判斷，進(jìn)行故障預(yù)警。