基于深度學(xué)習(xí)算法的硝酸銨溶液析晶點檢測系統(tǒng)

［摘 要］ 為解決膨化硝銨生產(chǎn)線水相溶液質(zhì)量自動檢測的問題，根據(jù)生產(chǎn)線現(xiàn)場條件，設(shè)計了水相溶液質(zhì)量自動檢測系統(tǒng)。通過研究不同深度學(xué)習(xí)算法對硝酸銨析晶狀態(tài)判定的準(zhǔn)確度發(fā)現(xiàn)，EfficientNet算法的準(zhǔn)確度最高。對EfficientNet算法進(jìn)行改良，上調(diào)每層特征通道數(shù)，在深度上刪去了多個MBConv層，減小參數(shù)量，降低FLOPs，加速檢測，使系統(tǒng)自動測量的析晶點溫度與人工測量的平均誤差小于0.3 ℃。結(jié)果表明：系統(tǒng)可準(zhǔn)確測量硝酸銨水相溶液的析晶溫度及密度，并自動生成硝酸銨水相溶液檢測報告;同時，實現(xiàn)數(shù)據(jù)的追溯和查詢，并對異常數(shù)據(jù)進(jìn)行標(biāo)記，滿足生產(chǎn)需要。

［關(guān)鍵詞］ 硝酸銨水相溶液；深度學(xué)習(xí)；析晶點；EfficientNet算法

［分類號］ TQ560.7

A Detection System for Crystallization Points of Ammonium Nitrate Solution Based on Deep Learning Algorithm

WEI Zhouhua①， WANG Qinghua①， HE Fengjun①， DANG Chuanggang①， TIAN Lu②， SUN Weibo②

①Shaanxi Beifang Civil Explosive Group Co.， Ltd. （Shaanxi Xi’an， 715600）

②College of Energy Engineering， Xi’an University of Science and Technology （Shaanxi Xi’an， 710054）

［ＡＢＳＴＲＡＣＴ］ An automatic quality detection system for expanded ammonium nitrate aqueous solution was designed based on the on-site conditions of the production line. The accuracy of different deep learning algorithms in determining the crystallization state of ammonium nitrate solution was studied. EfficiencyNet algorithm exhibited the highest accuracy. EfficiencyNet algorithm was improved by increasing the number of feature channels in each layer and removing multiple MBConv layers in depth. The numbers of parameters were reduced， FLOPs were lowered， and the detection were accelerated. The average error between the automatically measured crystallization point temperature by the system and the manually measured temperature is less than 0.3 ℃. The results demonstrate that the system can accurately measure the crystallization temperature and density of ammonium nitrate solution， and automatically generate detection reports for ammonium nitrate solution. At the same time， it can trace and query data， and mark abnormal data， thereby meeting production requirements.

［KEYWORDS］ aqueous solution of ammonium nitrate; deep learning; crystallization point; EfficientNet algorithm

0 引言

硝銨類炸藥是應(yīng)用最廣泛的工業(yè)炸藥品種之一，具有中等威力和一定的敏感性。膨化硝銨炸藥是硝銨炸藥的一種，它的多微孔結(jié)構(gòu)具有能夠形成熱點起爆的敏化作用，故無需如一般工業(yè)炸藥中要加單質(zhì)炸藥、高感度鹽或金屬粉等敏化劑，可降低成本，減少污染及生產(chǎn)、使用中的危險性。膨化硝銨炸藥由硝酸銨溶液在專用表面活性劑作用下經(jīng)真空強制析晶工藝而制得［1］。由于實際生產(chǎn)的需要，硝酸銨溶液需處于過飽和狀態(tài)，但高濃度硝酸銨溶液易在較低溫度下析晶結(jié)塊［2］。硝酸銨溶液析晶點不僅是生產(chǎn)時質(zhì)量標(biāo)準(zhǔn)的重要參數(shù)，同時對于炸藥儲存、運輸以及爆炸性能等均具有重要的影響［3］。

目前，炸藥生產(chǎn)廠家大多使用2種析晶點檢測手段：一種是水相溶液析晶點溫度檢測；一種是水相溶液pH值檢測。這2種方法均需人工進(jìn)行操作。一方面，我國號召實現(xiàn)工廠機器換人，使用智能化手段進(jìn)行產(chǎn)品生產(chǎn);另一方面，人工檢測析晶點對于操作人員來說有一定的安全隱患，同時，外部因素對結(jié)果影響較大。為響應(yīng)國家號召，同時確保檢測結(jié)果的準(zhǔn)確性，眾多科研人員對該項目進(jìn)行了深入研究［4-8］。

前人的研究在自動化、無人化方面均有一定的技術(shù)更新，但仍存在不足。本文中，基于某膨化炸藥生產(chǎn)線，采用深度學(xué)習(xí)算法對采集的硝酸銨溶液視頻進(jìn)行剪裁，結(jié)合溫度、密度以及pH值等傳感器顯示的溶液當(dāng)前狀態(tài)數(shù)據(jù)，自動確定溶液析晶點溫度，確保了系統(tǒng)檢測結(jié)果的準(zhǔn)確性以及操作的安全性。

1 系統(tǒng)結(jié)構(gòu)

基于深度學(xué)習(xí)算法的硝酸銨水相溶液析晶點檢測系統(tǒng)，按照功能實現(xiàn)可以分為以下4個主要系統(tǒng)：取樣系統(tǒng)、數(shù)據(jù)采集系統(tǒng)、析晶狀態(tài)檢測系統(tǒng)和控制系統(tǒng)。系統(tǒng)及結(jié)構(gòu)如圖1所示。

取樣系統(tǒng)實現(xiàn)了對硝酸銨溶液的泵送取樣。主要包括溶液循環(huán)泵與氣動球閥。溶液循環(huán)泵通過電機驅(qū)動葉輪旋轉(zhuǎn)，產(chǎn)生強大的壓力，從而將硝酸銨溶液從儲液罐中抽取，并輸送到析晶狀態(tài)檢測系統(tǒng)的設(shè)備中。氣動球閥通過氣動執(zhí)行器控制球體的旋轉(zhuǎn)來實現(xiàn)閥門的開啟和關(guān)閉。氣動執(zhí)行器接收到氣源信號時，活塞推動承插桿并帶動球體旋轉(zhuǎn)90°，使球體從閥體出口上移開，從而打開通道，允許硝酸銨液體通過。反之，當(dāng)氣源信號斷開時，彈簧將球體緊密貼合到閥體的出口上，保持閥門閉合狀態(tài)，阻止硝酸銨液體通過。

數(shù)據(jù)采集系統(tǒng)使用密度傳感器與溫度傳感器傳送數(shù)據(jù)，獲得溶液的實時狀態(tài)。

析晶狀態(tài)檢測系統(tǒng)主要包括玻璃視蠱、高清攝像頭。取樣系統(tǒng)工作完畢后，溶液停留在玻璃視蠱內(nèi)，由攝像頭將此刻的實時畫面?zhèn)鬏斀o計算機。計算機利用深度學(xué)習(xí)算法判斷此刻溶液是否析晶，并自動記錄析晶溫度。

控制系統(tǒng)主要包括可編程邏輯控制器（PLC）與計算機。PLC通過周期性地循環(huán)執(zhí)行一系列步驟完成工作。工作過程中，深度學(xué)習(xí)算法服務(wù)器通過企業(yè)網(wǎng)絡(luò)采集并保存圖像、溫度、密度等信息，自動進(jìn)行深度學(xué)習(xí)。通過該服務(wù)器，可以發(fā)送系統(tǒng)開始析晶點檢測的信號給PLC，水相析晶點檢測系統(tǒng)開始運行，判斷析晶點后，及時發(fā)給PLC控制電磁動作和循環(huán)泵動作，并控制蒸汽吹掃。PLC和攝像機掛在控制系統(tǒng)內(nèi)千兆交換機端口，可以通過該接口交換信息。PLC通過模擬輸入端口和通訊端口采集溫度、密度等信息;通過模擬輸出端口控制變頻器運行；通過數(shù)字信號控制集料電磁閥、吹掃電磁閥、循環(huán)泵等工作；通過自帶工業(yè)以太網(wǎng)端口上傳采集參數(shù)和接收控制指令與信號。計算機則放置在控制室中，作為整個系統(tǒng)的核心控制元件，工作人員通過觀察檢測界面，判斷此時系統(tǒng)運作是否正常；出現(xiàn)意外情況時，可以根據(jù)不同的問題選擇手動操作點擊對應(yīng)按鈕來實現(xiàn)調(diào)控。

2 析晶狀態(tài)判定算法研究

2.1 算法選擇

深度學(xué)習(xí)算法是系統(tǒng)判斷析晶狀態(tài)的核心方法。本系統(tǒng)中，使用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型進(jìn)行圖像識別。CNN本質(zhì)上是一種輸入到輸出的映射［9］。為了找到最高效的圖像識別算法，對ResNet-50、MobileNetV2、ShuffleNet、Dense-Net和EfficientNet算法進(jìn)行了對比研究。

對于圖2所示的一組隨機的析晶狀態(tài)，ResNet-50的準(zhǔn)確率為98.57%；MobileNetV2的準(zhǔn)確率為95.11%;ShuffleNet的準(zhǔn)確率為95.22%;DenseNet的準(zhǔn)確率為98.21%;EfficientNet的準(zhǔn)確率為98.05%。故而本系統(tǒng)使用準(zhǔn)確率較高的EfficientNet算法進(jìn)行析晶判斷，這是目前較為先進(jìn)的CNN模型之一［10］，它可用更少的訓(xùn)練量達(dá)到更高的識別度［11］。

2.2 算法訓(xùn)練

訓(xùn)練時，首先需要輸入圖像樣本集（帶標(biāo)簽的圖像），接著進(jìn)行數(shù)據(jù)由低層次向高層次的前向傳播。在前向傳播過程中，輸入的圖形數(shù)據(jù)經(jīng)過多層卷積層的卷積和池化處理，提出特征向量，將特征向量傳入全連接層中，得出分類識別的結(jié)果。全連接層中的全連接權(quán)值矩陣通常會基于專家經(jīng)驗設(shè)置初始值。當(dāng)輸出的結(jié)果與期望值相符時，輸出結(jié)果，完成訓(xùn)練，得到全連接權(quán)值矩陣。

當(dāng)前向傳播得出的結(jié)果與預(yù)期不相符時，則進(jìn)入反向傳播階段，即將誤差從高層次向底層次進(jìn)行傳播訓(xùn)練的階段。在反向傳播過程中，求出結(jié)果與期望值的誤差，再將誤差一層一層返回，計算出每一層誤差，然后進(jìn)行權(quán)值更新。該過程的主要目的是通過訓(xùn)練樣本和期望值來調(diào)整網(wǎng)絡(luò)權(quán)值。

最后，經(jīng)多次前向和反向傳播循環(huán)，得到輸出符合預(yù)期結(jié)果的訓(xùn)練后權(quán)重文件模型，即輸出適合分辨析晶狀態(tài)的一類CNN網(wǎng)絡(luò)。達(dá)到99.9%的成功率后，訓(xùn)練結(jié)束。

2.3 閾值判定

使用EfficientNet進(jìn)行閾值判定時，通常會根據(jù)具體的任務(wù)和數(shù)據(jù)集來確定閾值的設(shè)定。閾值判定是指根據(jù)模型輸出的概率，與預(yù)先設(shè)定的閾值進(jìn)行比較，以確定最終的分類結(jié)果或者決策。用均方誤差來計算當(dāng)前幀截圖中“正在析晶狀態(tài)”與工程中訓(xùn)練的權(quán)重參數(shù)的相似度情況，并輸出相似度。采用SoftMax函數(shù)篩選與訓(xùn)練中的最相似情況，一階求導(dǎo)輸出范圍為0～1的數(shù)，以最高相似度得分作為判定標(biāo)準(zhǔn)。

2.4 結(jié)果輸出

為了得到更高的準(zhǔn)確率，上調(diào)了每層特征通道數(shù)的同時，在深度上刪去了多個MBConv層，減小參數(shù)量，降低FLOPs（即系統(tǒng)每秒可以執(zhí)行完成的浮點數(shù)運算次數(shù)），加速檢測，得到了改良算法Efficient-blast，準(zhǔn)確率高達(dá)99.83%。數(shù)據(jù)集中算法結(jié)果如表1所示。

如圖3所示，對于不同的析晶狀態(tài)，本系統(tǒng)都能夠成功識別，并生成圖4所示相應(yīng)的檢測報告。檢測報告主要包括開始檢測時的密度、析晶狀態(tài)轉(zhuǎn)化時的溫度及幀圖片。

3 測量方法與結(jié)果分析

3.1 測量方法

首先，在控制室打開保溫蒸汽閥，讓測量管道升溫;然后，打開出口球閥和溶液泵，使水相溶液在管道內(nèi)循環(huán)，做好測量準(zhǔn)備。

接著，通過點擊水相溶液檢測界面的“開始”按鍵，即可讓系統(tǒng)按照既定的流程開始運轉(zhuǎn);當(dāng)測量管道內(nèi)水相溶液溫度達(dá)到檢測工藝溫度時，記錄此刻溶液的密度，啟動析晶判斷程序。進(jìn)行析晶判斷時，通過深度學(xué)習(xí)算法判斷是否析晶。當(dāng)出現(xiàn)析晶狀態(tài)時，記錄此刻溫度，并生成檢測報告，如圖4所示。

自動測量結(jié)束后，控制溶液泵停止、再反轉(zhuǎn)，打開吹掃蒸汽閥，以清掃管道內(nèi)的殘余晶體。

3.2 結(jié)果與分析

自2023年11月19日至2024年1月30日，對1 027 t硝酸銨水相溶液進(jìn)行了自動檢測，共得到了180余組系統(tǒng)測量的析晶點溫度。將自動測量的析晶點溫度與人工測量溫度進(jìn)行對比，兩者平均誤差在0.3 ℃以內(nèi)。表2列出了節(jié)選的20組測量溫度。圖5顯示了這20組析晶點溫度的測量誤差。

為了直觀地分析硝酸銨溶液析晶點檢測系統(tǒng)所得數(shù)據(jù)的穩(wěn)定程度，對比系統(tǒng)測量析晶點溫度與人工測量析晶點溫度的方差，進(jìn)行判斷。

使用節(jié)選的部分?jǐn)?shù)據(jù)，用樣本統(tǒng)計量來代替總體參數(shù)。樣本方差計算公式為

S2=∑ni=1（xi-）2n-1。（1）

式中：S2為樣本方差；xi為樣本值；為樣本均值。

將表2數(shù)據(jù)代入式（1），計算可得：系統(tǒng)測量的S2為0.025 89；人工測量的S2為0.034 74。兩者相比，系統(tǒng)測量樣本方差較小；計算2個樣本方差的差值為0.008 85，可知兩者測量結(jié)果誤差非常小。同時，由計算結(jié)果可知，系統(tǒng)測量析晶點溫度的離散程度更小，測量波動更小，穩(wěn)定性更高。

4 結(jié)論

1）基于深度學(xué)習(xí)算法的硝酸銨水相溶液析晶點檢測系統(tǒng)，可以實現(xiàn)現(xiàn)場無人值守的硝酸銨水相溶液析晶點自動測量，避免人為因素對溫度檢測結(jié)果影響的同時，實現(xiàn)了工廠內(nèi)部無人化、機器化操作，管理更加安全。

2）修正的EfficientNet算法即Eifficient-blast對析晶狀態(tài)的判別度最高，準(zhǔn)確率為99.83%，可以識別多種析晶狀態(tài)，滿足析晶點自動測量的需求。

3）基于深度學(xué)習(xí)算法的硝酸銨水相溶液析晶點檢測系統(tǒng)，自動測量的析晶點溫度與人工測量的平均誤差在0.3 ℃之內(nèi)，且相較人工檢測，系統(tǒng)檢測樣本方差更小。因而，系統(tǒng)檢測析晶點溫度的離散程度更小，測量波動更小，穩(wěn)定性更高。

參考文獻(xiàn)

［1］ 陸明， 呂春緒， 劉祖亮. 硝酸銨的膨化機理研究［J］.兵工學(xué)報， 2002， 23（1）： 30-34.

LU M，L C X，LIU Z L. A study on the expansion me-chanism of ammonium nitrate［J］.Acta Armamentarii， 2002， 23（1）： 30-34.

［2］ 黃麟， 趙旭東， 席韜， 等.現(xiàn)場混裝乳化炸藥中低溫制備及性能表征［J］.工程爆破， 2023， 29（4）： 143-148.

HUANG L， ZHAO X D， XI T， et al. Mid-low tempe-rature preparation and properties characterization of on-site mixed emulsion explosive ［J］. Engineering Blasting， 2023， 29（4）： 143-148.

［3］ 徐尊， 吳紅波， 繆志軍， 等.析晶點對乳化炸藥穩(wěn)定性的影響研究［J］.廣東化工， 2015， 42（8）： 66， 60.

XU Z， WU H B， MIU Z J， et al. Effect of crystallization point on the stability of emulsion explsoives［J］.Guangdong Chemical Industry， 2015， 42（8）： 66， 60.

［4］ 王枚， 遲平， 吳攀宇， 等.硝酸銨水溶液析晶點在線無人化測量方法的研究［J］.火工品， 2023（4）： 71-75.

WANG M， CHI P， WU P Y， et al. Study on online unmanned measurement method of crystallization point of ammonium nitrate aqueous solution ［J］.Initiators amp; Pyrotechnics， 2023（4）： 71-75.

［5］ 劉萬義， 耿圖禹， 徐森， 等.硝酸銨溶液析晶點測量方法研究［J］.爆破器材， 2021， 50（3）： 60-64.

LIU W Y， GENG T Y， XU S， et al. Study on measurement method of crystallization point of ammonium nitrate solution ［J］.Explosive Materials， 2021， 50（3）： 60-64.

［6］ 崔雪峰， 張日強， 孟祥宇， 等.基于Arduino的硝酸銨溶液析晶點溫度測量系統(tǒng)的研究［J］.現(xiàn)代礦業(yè)， 2020（12）： 165-167， 173.

［7］ 劉德晶.W/O法在乳化炸藥水相析晶點測試中的應(yīng)用［J］.廣東化工， 2018， 45（3）： 38-39.

LIU D J.Application of W/O method in the determination of crystallization point of emulsion explosive ［J］.Guangdong Chemical Industry， 2018， 45（3）： 38-39.

［8］ 張東杰.乳化炸藥用液體硝酸銨技術(shù)指標(biāo)在線檢測系統(tǒng)［J］.火工品， 2018（4）： 45-48.

ZHANG D J. Research on on-line detection system for technical indicators of liquid ammonium nitrate for emulsion explosives ［J］.Initiators amp; Pyrotechnics， 2018（4）： 45-48.

［9］ 傅楊攀， 劉勇健， 陳貢發(fā)， 等.基于CSMR和卷積神經(jīng)網(wǎng)絡(luò)的巖質(zhì)邊坡穩(wěn)定性分析［J］.自然災(zāi)害學(xué)報， 2023， 32（1）： 114-121.

FU Y P， LIU Y J， CHEN G F， et al.Stability analysis of rock slope based on CSMR and convolution neural network ［J］.Journal of Natural Disasters， 2023， 32（1）： 114-121.

［10］ 王瀟怡， 羅運華， 喻忠軍， 等.基于EfficientNet的多通道雷達(dá)目標(biāo)微動特征分類方法［J］.系統(tǒng)工程與電子技術(shù)， 2024，46（9）： 1-14.

WANG X Y， LUO Y H， YU Z J， et al.Multi-channel radar target micro-motion feature classification method based on EfficientNet ［J］.Journal of Systems Enginee-ring and Electronics， 2024， 46（9）： 1-14.

［11］ 周子云， 黃洪. 改進(jìn)EfficientNet圖像分類的惡意流量檢測模型［J］.四川輕化工大學(xué)學(xué)報（自然科學(xué)版）， 2023， 36（6）： 49-56.

ZHOU Z Y， HUANG H. Improved malicious traffic detection model for efficientnet image classification［J］.Journal of Sichuan University of Science amp; Engineering（Natural Science Edition）， 2023， 36（6）： 49-56.