CN108875719A - 基于深度学习与红外图像识别的空冷器积灰状态感知***与计算方法 - Google Patents
基于深度学习与红外图像识别的空冷器积灰状态感知***与计算方法 Download PDFInfo
- Publication number
- CN108875719A CN108875719A CN201811119900.2A CN201811119900A CN108875719A CN 108875719 A CN108875719 A CN 108875719A CN 201811119900 A CN201811119900 A CN 201811119900A CN 108875719 A CN108875719 A CN 108875719A
- Authority
- CN
- China
- Prior art keywords
- dust stratification
- air
- air cooler
- pond
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及基于深度学***衡原理,联合外部传感器通过测量模拟汽轮机排汽的水温与散热管道出口水温,翅片进出口风温等间接模拟空冷凝汽器运行状态。
Description
技术领域
本发明涉及空冷器积灰状态感知技术,特别是涉及一种空冷器积灰状态感知***与计算方法。
背景技术
空冷凝汽器是蒸汽动力循环发电机组的重要环节。在1939年以前均采用水冷,他的工作状态直接影响了整个机组的安全性和经济性。无论是当前占全国总发电量73.1%的火电机组,预计到2020年和2030年仍将占60%和48%,还是将还是将要大规模发展的太阳能热发电机组,其所需的燃煤和太阳能资源主要分布在我国的东北、西北和华北(“三北”)地区,然而“三北”地区却是水资源贫乏的缺水或少水地带,导致燃煤和太阳能资源与水资源分布存在地理结构上的矛盾,但空冷器以热容量小很多的空气作为冷却介质,引起冷端散热能力锐减,致使发电热耗高,经济性差。为了强化空气侧换热过程,空冷器的基管上布置翅片,这在我国干燥、风沙大、扬尘多的“三北”地区,空气所携带的悬浮颗粒物极易在翅片管上积聚,生成灰垢(积灰层)。灰垢的存在降低了空冷器的换热性能,提高了运行成本,可使同环境条件下机组排汽压力抬高8~12kPa,增大发电煤耗约12~18g/kWh,又增加了直冷机组的安全隐患。
从火电厂的建设上来分析,由于我国的水资源匮乏,节约生产、生活用水作为设计的首要任务,因此在火电站大力的发展空冷技术更好解决这一问题。但空冷换热器积灰是难以避免的问题,尤其是温度变化大且风沙多的地区,受积灰的影响、负荷变化大时气流冲击以及其他因素引起的振动等原因,空冷换热器的换热效果常常受到影响而降低甚至会发生故障。因为空冷岛的积灰会造成换热系数降低、垢层厚度增大,所以空冷岛的积灰处理非常重要,但在空冷凝汽器运行方面,现场的运行基本靠经验来判断灰垢的积聚状态以及对汽轮机组排汽压力和发电量的影响,至于空冷器灰垢的维护清洗也完全是凭借经验,导致清洗不及时,灰垢积聚严重,危害机组安全运行的状况经常发生。
发明内容
本发明的目的在于克服上述不足,提供一种空冷器积灰状态感知***与计算方法。
基于深度学习与红外图像识别的空冷器积灰状态感知***,包括汽轮机通过汽轮机排汽与排汽分配管输入端相连;入口温度传感器布置于空冷凝汽器管束内侧,出口温度传感器布置于空冷凝汽器管束外侧,入口温度传感器和出口温度传感器输出端均经温度传输总线与数据采集模块输入端相连;入口风速传感器布置于空冷凝汽器管束内侧,出口温度传感器布置于空冷凝汽器管束外侧,入口风速传感器和出口风速传感器输出端均经风速传输总线与数据采集模块输入端相连;红外热像仪布置于空冷凝汽器管束外侧不同角度处,红外热成像仪输出端经图像数据传输总线与数据采集模块输入端相连;数据采集模块输出端经数据传输总线与工控机输入端相连;流量计输出端经输水管与凝结水箱输入端相连;配电柜输出端经电源线与数据采集模块、工控机、空冷风机输入端相连。
作为优选:所述的红外热成像仪安装于空冷凝汽器管束的迎风面和背风面。
该模型的网络输入数据是一个4维tensor,将输入的红外图像分解为2-4个特征层,尺寸为1280-60000,28-256,28-256,2-4,分别表示一批图片的个数1280-60000、图片的宽的像素点个数28-256、高的像素点个数28-256和信道个数2-4;首先使用多个卷积神经网络层进行图像的特征提取,卷积神经网络层的计算过程如下步骤:
卷积层1:卷积核大小a×a,卷积核移动步长1-2,卷积核个数a1,池化大小a2×a2,池化步长1-3,池化类型为最大池化,激活函数MELU,输出a1张图像,a=3-7,a1=28-256,a2=3-7;
卷积层2:卷积核大小b×b,卷积核移动步长1-2,卷积核个数b1,池化大小b2×b2,池化步长1-3,池化类型为最大池化,激活函数MELU,输出b1张图像b=3-7,b1=28-256,b2=3-7;
卷积层3:卷积核大小c×c,卷积核移动步长1-2,卷积核个数c1,池化大小c2×c2,池化步长1-3,池化类型为最大池化,激活函数Meanout,输出c1张图像,c=3-7,c1=28-256,c2=3-7;
卷积层4:卷积核大小d×d,卷积核移动步长1-2,卷积核个数d1,池化大小d2×d2,池化步长1-3,池化类型为平均池化,激活函数Meanout,输出d1张图像,d=3-7,d1=28-256,d2=3-7;
全连接层:隐藏层单元数512-1024,激活函数Meanout;第四池化层后依次配置了2-4 层全连接层;
分类层:即为全连接层的第三层,该隐藏层单元数10-20,激活函数Meanout;
其中MELU(x)=δELU(x),为指数线性单元ELU的变种,加入一个的系数δ,参数δ是高斯分布随机产生的参数与训练的参数结合取得的;公式如下:
Meanout引入系数λ,公式如下:
n表示输入样本的个数,d表示上一层节点的个数,m表示本层节点的个数,k表示每个隐藏层节点对应了k个“中间隐层”节点,这k个“中间隐层”节点都是线性输出的,而Meanout 的每个节点就从这k个“中间隐层”节点中取平均值,这里结果只表示取出的第i列,下标 i前的省略号表示对应第i列中的所有行;
参数初始化,所有权重矩阵使用random_normal(0.0-0.00,0.01-0.001),所有偏置向量使用constant(0.0-0.00);使用cross entropy作为目标函数,使用梯度下降法进行参数更新,学习率设为0.01-0.001;
空冷器积灰状态计算方法由下述方程组定量描述:
用PSNR的值来评价消除抖动的效果:
利用彩色图像中的R、G、B信息将各自分量的亮度作为灰度图的灰度值:
f1(i,j)=R(i,j) (6)
f2(i,j)=G(i,j) (7)
f3(i,j)=B(i,j) (8)
微分算子计算在一像素点(x,y)处的梯度的幅度为:
根据热平衡原理,汽轮机排汽放热量、ACC传热量和冷却空气吸热量相等;
Qe=K×F×ΔT0=G×Cp×ΔTa (11)
空冷凝汽器的对数平均温差:
ΔTa=ta2-ta1 (13)
积灰状态总传热热阻与清洁状态总传热热阻之差为由于积灰所产生的污垢热阻,称为灰垢热阻:
通过采集空冷器积灰状态红外图像,监测空冷器壁温、空冷器出、入口冷却空气温度、冷却风流量,结合空冷器换热面积结构参数,联立式(4)~(5)对空冷器红外图像进行去抖处理,联立式(6)~(8)对得到的图像进行图像灰度化处理,联立式(9)~(10)对图像进行边缘检测处理,获得积灰图像特征信息;联立式(11)~(14)得到空冷器积灰热阻;以空冷器积灰图像为输入量,空冷器积灰热阻为目标量,建立基于深度学习网络和红外图像的空冷器积灰状态识别与分析模型。
本发明的有益效果是:
一是本发明考虑到火电站直接空冷***排汽温度随环境气温的变化出现高频率、大浮动波动,环境高温时段排汽压力居高不下的特点,基于热平衡原理:汽轮机排汽放热量、空冷凝汽器换热量和冷却空气吸热量相等的特点,联合外部传感器通过测量模拟汽轮机排汽的水温与散热管道出口水温,翅片进出口风温等间接模拟空冷凝汽器运行状态。
二是本发明基于深度学习与红外图像处理的方法处理红外图像,获取图像数据实时变化情况,利用深度学习算法在处理图像上的优势,节省人力,提高获取空冷器运行状态数据的效率,提高问题预警的能力,增加了监测人员处理问题的时间,为空冷凝汽器的安稳、高效运行提供很大的帮助。
三是本发明考虑积灰对透光率的影响,当灰尘颗粒沉积量达到一定浓度时,图像数据 R-G-B值发生变化,以预测积灰厚度。同时计算与灰垢积聚关联度较大的6个变量:积灰时间、汽轮机排汽热负荷、排汽温度、环境气温、空冷凝汽器出口风温和迎面风速。对比计算出空冷凝汽器运行状态与灰垢厚度关系。
四是本发明的结构简单、合理,造价低廉,可实施性好,更重要的是提高了功率预测精度,旨在建立更加精确的空冷凝汽器积灰与清洗预测***,方便电厂操作人员日常检测和清洗工作,准确及时调整空冷凝汽器维护计划,为科学发电优化调管设备提供依据,实现发电收益最大化。
附图说明
图1为基于深度学习与红外图像识别的空冷器积灰状态感知***;
图2为图像及数据处理流程框图;
图3为卷积神经网络示意图;
附图标记说明:1汽轮机,2汽轮机排汽,3排汽分配管,4空冷凝汽器管束,5空冷凝汽器翅片,6入口温度传感器,7出口温度传感器,8入口风速传感器,9出口风速传感器, 10红外热像仪,11数据采集模块,12工控机,13空冷风机,14凝结水箱,15凝结泵,16 温度传输总线,17风速传输总线,18图像数据传输总线,19数据传输总线,20配电柜,21 电源线,22流量计。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明的基于深度学习与红外图像识别的空冷器积灰状态感知***,针对现有不能实时感知空冷***运行状态的缺点,提出基于深度学习与红外图像识别的空冷器积灰状态感知***,现有的深度学习感知模型研究只是对颗粒污垢的生成机理和影响因素的初步探索,还没有专门针对空冷器灰垢深入分析其影响因素与灰垢特性间的关联特性,也未建立一个普适的经过实验检验的机理模型。本发明基于气深度学习与红外图像识别的空冷器积灰状态感知***,在深度学习算法的基础上,利用红外图像获取的信息与空冷器运行状态参数,通过深度学习算法和空冷凝汽器积灰热阻值计算方法,实时获知空冷凝汽器运行状态,实现空冷凝汽器短期精确感知、长期预报功能。
本发明的构思基础是,针对空冷凝汽器翅片积灰影响传热效率的特性,针对传统通过经验确定清洗周期的现状,1)本发明提出针对积灰对空冷凝汽器运行参数的影响为基础,通过红外热像仪获取实时红外图像,利用深度学***时养护工作带来极大便利,同时也可通过红外成像技术实时了解翅片管表面温度场分布,监测空冷凝汽器温差温升变化,可以实时了解空冷***工作状态。
参照图1基于深度学习与红外图像识别的空冷器积灰状态感知***,它包括:汽轮机1 通过汽轮机排汽2与排汽分配管3输入端相连;入口温度传感器6布置于空冷凝汽器管束4 内侧,出口温度传感器7布置于空冷凝汽器管束4外侧,入口温度传感器6和出口温度传感器7输出端均经温度传输总线16与数据采集模块11输入端相连;入口风速传感器8布置于空冷凝汽器管束4内侧,出口温度传感器9布置于空冷凝汽器管束4外侧,入口风速传感器 8和出口风速传感器9输出端均经风速传输总线17与数据采集模块11输入端相连;红外热像仪10布置于空冷凝汽器管束4外侧不同角度处,红外热像仪10输出端经图像数据传输总线18与数据采集模块11输入端相连;数据采集模块11输出端经数据传输总线19与工控机 12输入端相连;流量计22输出端经输水管与凝结水箱14输入端相连;配电柜20输出端经电源线21与数据采集模块11、工控机12、空冷风机13输入端相连。
所述配电柜20是现场所有仪器的供电核心,主要包括配电柜箱体、空开、交流接触器以及相关保险等防火放电电路。其中总空开可承受大功率电路,总空开分流给锅炉供电电路、给水泵电路、空冷风机电路以及控制器电路。实现各个部分器件随意开关,并采用摁键和指示灯通过交流接触器方便日常操作。
所述数据采集***主体框架由红外热像仪10、入口温度传感器6,出口温度传感器7、入口风速传感器8,出口风速传感器9构成。采用数个温度传感器分别对空冷凝汽器机组的水箱水温、环境气温、入水口水温、出水口水温、入口风温、出口风风温进行测量。将温度传感器串行连接到控制***,可仅用数根线实现数据的传输。
所述风速传感器5精度强分辨率高,实现对空冷凝汽器管道翅片上的入口出口风速测量,与控制***通过的A、B信号线连接,使用ModbusRtu协议进行通信。
所述的流量计采用高精度电磁流量计。
所述控制***是采集现场数据的核心器件,使用主控芯片,液晶显示器作为屏幕显示监测数据,控制和采集温度传感器、风速传感器以及流量计的正常运作和信号输出。通过串口报文传输的方式,将数据传送给上位机数据处理***。由于实验室空间距离较短,可用串口电平传输数据,控制器同时配备信号传输线,通过串行总线发送给串口转换模块,最后串口转换模块通过串行总线将空冷凝汽器积灰特性的运行参数发送给上位机,实现远距离传输。
所述上位机11数据处理***使用windows平台labview虚拟仪器软件实现,可以识别串口转换模块作为输入信号源,然后在组态软件上设置输入口的对应的参数类别,即可在上位机中显示、存储空冷器的运行状态参数,并调用matlab中算法实现预测灰垢与计算换热系数。可由数据采集***传输的数据进行计算换热面积灰程度的特征参数。并根据热平衡原理,模拟汽轮机排汽放热量、空冷凝汽器换热和冷却空气吸热量相等计算翅片换热量。即可在上位机中显示、存储空冷凝汽器积灰特性的运行参数,并基于这类参数实时预测空冷凝汽器积灰程度与最优清洗周期,方便电厂操作人员日常检测和清洗工作,准确及时调整空冷凝汽器维护计划。上位机数据处理***通过labview虚拟仪器软件设计图像显示、图像处理界面。
参照图2和图3所述基于深度学习网络的图像检测方法,其特征在于,包括:它包含了若干卷积层、池化层和全连接层。将数据采集模块采集到的红外图像建立成一个数据库,并使用卷积神经网络算法对数据库中大部分的图像数据进行训练,用剩下小部分的数据进行验证。搭建起合适的模型,以便于下一步的数据图像处理。具体步骤如下:输入红外图像;对所述红外图像进行处理,生成多个训练样本;利用所述多个训练样本进行基于卷积神经网络的图像识别训练,生成训练模型;以及使用所述训练模型检测上传的图像中是否含有所述红外图像。
所述深度学习网络具体为卷积神经网络算法,该模型的网络输入数据是一个4维tensor,将输入的红外图像分解为2-4个特征层,尺寸为(1280-60000,28-256,28-256,2-4),分别表示一批图片的个数1280-60000(图片的个数不宜过少,也不宜过多)、图片的宽的像素点个数28-256、高的像素点个数28-256和信道个数2-4。首先使用多个卷积神经网络层进行图像的特征提取,卷积神经网络层的计算过程如下步骤:
卷积层1:卷积核大小a×a,卷积核移动步长1-2,卷积核个数a1,池化大小a2×a2,池化步长1-3,池化类型为最大池化,激活函数MELU,输出a1张图像,a=3-7,a1=28-256,a2=3-7。
卷积层2:卷积核大小b×b,卷积核移动步长1-2,卷积核个数b1,池化大小b2×b2,池化步长1-3,池化类型为最大池化,激活函数MELU,输出b1张图像b=3-7,b1=28-256,b2=3-7。
卷积层3:卷积核大小c×c,卷积核移动步长1-2,卷积核个数c1,池化大小c2×c2,池化步长1-3,池化类型为最大池化,激活函数Meanout,输出c1张图像,c=3-7,c1=28-256,c2=3-7。
卷积层4:卷积核大小d×d,卷积核移动步长1-2,卷积核个数d1,池化大小d2×d2,池化步长1-3,池化类型为平均池化,激活函数Meanout,输出d1张图像,d=3-7,d1=28-256,d2=3-7。
全连接层:隐藏层单元数512-1024,激活函数Meanout。第四池化层后依次配置了2-4 层全连接层,以3层为例,神经元个数分别为1024、512、10,将第四池化层输出图像依次转化为对应的一维向量,向量元素个数分别为1024、512、10,第三全连接层输出10个元素的一维数组对应本实验设计的10组图像分类。
分类层:即为全连接层的第三层,该隐藏层单元数10-20,激活函数Meanout。
其中MELU(x)=δELU(x),为指数线性单元ELU的变种,加入一个的系数δ,参数δ是高斯分布随机产生的参数与训练的参数结合取得的。公式如下:
Meanout不同于Maxout的地方在于,Maxout引入的参数过多,而Meanout则在Maxout 的基础上减少了引入的参数规模,但不影响训练的准确度,所以Meanout引入了另外的一个系数λ,λ需要通过训练和经验进行调整,以提高模型的效率。公式如下:
n表示输入样本的个数,d表示上一层节点的个数,m表示本层节点的个数,k表示每个隐藏层节点对应了k个“中间隐层”节点,这k个“中间隐层”节点都是线性输出的,而Meanout 的每个节点就从这k个“中间隐层”节点中取平均值,这里结果只表示取出的第i列,下标 i前的省略号表示对应第i列中的所有行。
参数初始化,所有权重矩阵使用random_normal(0.0-0.00,0.01-0.001),所有偏置向量使用constant(0.0-0.00)。使用cross entropy作为目标函数,使用梯度下降法进行参数更新,学习率设为0.01-0.001。
参照图2本发明的一种基于深度学习与红外图像识别的空冷器积灰状态计算方法,其特征在于:利用红外图像获取的信息与空冷器运行状态参数,通过深度学习算法和空冷凝汽器积灰热阻值计算方法,实时获知空冷凝汽器运行状态,实现空冷凝汽器短期精确感知、长期预报功能,整个计算方法由下述方程组定量描述:
用PSNR的值来评价消除抖动的效果,其中PSNR定义是:
利用彩色图像中的R、G、B信息将各自分量的亮度作为灰度图的灰度值,公式如下所示:
f1(i,j)=R(i,j) (6)
f2(i,j)=G(i,j) (7)
f3(i,j)=B(i,j) (8)
微分算子计算在一像素点(x,y)处的梯度的幅度为:
根据热平衡原理,汽轮机排汽放热量、ACC传热量和冷却空气吸热量相等。
Qe=K×F×ΔT0=G×Cp×ΔTa (11)
空冷凝汽器的对数平均温差:
ΔTa=ta2-ta1 (13)
积灰状态总传热热阻与清洁状态总传热热阻之差为由于积灰所产生的污垢热阻,称为灰垢热阻:
其中,其中fi、fi-1分别表示第i和第(i+1)帧的像素值,fK(i,j)(k=1,2,3)表示在坐标(i,j) 点各分量的灰度值,Qe为汽轮机排汽放热量,kW;K为ACC总传热系数,W/(m2·K);F为总换热面积,m2;ΔT0为对数平均温差,℃; Cp为空气的定压比热,kJ/(kg·K);ΔTa为冷却空气温升,℃;G为通风量,m3/s。tn为汽轮机排汽的凝结温度,℃;ta1和ta2分别为冷却空气在翅片通道入口和出口温度,℃。Rf为灰垢热阻,R为积灰状态总传热热阻,Rc为清洁状态总传热热阻,Kc为清洁状态ACC总传热系数。通过采集空冷器积灰状态红外图像,监测空冷器壁温、空冷器出、入口冷却空气温度、冷却风流量,结合空冷器换热面积等结构参数,联立式(4)~(5)对空冷器红外图像进行去抖处理,联立式(6)~(8)对得到的图像进行图像灰度化处理,联立式(9)~(10)对图像进行边缘检测处理,获得积灰图像特征信息;联立式(11)~(14)可得到空冷器积灰热阻;以空冷器积灰图像为输入量,空冷器积灰热阻为目标量,建立基于深度学习网络和红外图像的空冷器积灰状态识别与分析模型。
Claims (3)
1.一种基于深度学习与红外图像识别的空冷器积灰状态感知***,其特征在于:包括汽轮机(1)通过汽轮机排汽(2)与排汽分配管(3)输入端相连;入口温度传感器(6)布置于空冷凝汽器管束(4)内侧,出口温度传感器(7)布置于空冷凝汽器管束(4)外侧,入口温度传感器(6)和出口温度传感器(7)输出端均经温度传输总线(16)与数据采集模块(11)输入端相连;入口风速传感器(8)布置于空冷凝汽器管束(4)内侧,出口温度传感器(9)布置于空冷凝汽器管束(4)外侧,入口风速传感器(8)和出口风速传感器(9)输出端均经风速传输总线(17)与数据采集模块(11)输入端相连;红外热像仪(10)布置于空冷凝汽器管束(4)外侧不同角度处,红外热成像仪(10)输出端经图像数据传输总线(18)与数据采集模块(11)输入端相连;数据采集模块(11)输出端经数据传输总线(19)与工控机(12)输入端相连;流量计(22)输出端经输水管与凝结水箱(14)输入端相连;配电柜(20)输出端经电源线(21)与数据采集模块(11)、工控机(12)和空冷风机(13)的输入端相连。
2.根据权利要求1所述的基于深度学习与红外图像识别的空冷器积灰状态感知***,其特征在于:所述的红外热成像仪(10)安装于空冷凝汽器管束(4)的迎风面和背风面。
3.一种如权利要求1所述的基于深度学习与红外图像识别的空冷器积灰状态感知***的计算方法,其特征在于:该模型的网络输入数据是一个4维tensor,将输入的红外图像分解为2-4个特征层,尺寸为1280-60000,28-256,28-256,2-4,分别表示一批图片的个数1280-60000、图片的宽的像素点个数28-256、高的像素点个数28-256和信道个数2-4;首先使用多个卷积神经网络层进行图像的特征提取,卷积神经网络层的计算过程如下步骤:
卷积层1:卷积核大小a×a,卷积核移动步长1-2,卷积核个数a1,池化大小a2×a2,池化步长1-3,池化类型为最大池化,激活函数MELU,输出a1张图像,a=3-7,a1=28-256,a2=3-7;
卷积层2:卷积核大小b×b,卷积核移动步长1-2,卷积核个数b1,池化大小b2×b2,池化步长1-3,池化类型为最大池化,激活函数MELU,输出b1张图像b=3-7,b1=28-256,b2=3-7;
卷积层3:卷积核大小c×c,卷积核移动步长1-2,卷积核个数c1,池化大小c2×c2,池化步长1-3,池化类型为最大池化,激活函数Meanout,输出c1张图像,c=3-7,c1=28-256,c2=3-7;
卷积层4:卷积核大小d×d,卷积核移动步长1-2,卷积核个数d1,池化大小d2×d2,池化步长1-3,池化类型为平均池化,激活函数Meanout,输出d1张图像,d=3-7,d1=28-256,d2=3-7;
全连接层:隐藏层单元数512-1024,激活函数Meanout;第四池化层后依次配置了2-4层全连接层;
分类层:即为全连接层的第三层,该隐藏层单元数10-20,激活函数Meanout;
其中MELU(x)=δELU(x),为指数线性单元ELU的变种,加入一个的系数δ,参数δ是高斯分布随机产生的参数与训练的参数结合取得的;公式如下:
Meanout引入系数λ,公式如下:
Zij=aTW...ij+bij,W∈Rd×m×k,a∈Rd×n,b∈Rm×k (3)
n表示输入样本的个数,d表示上一层节点的个数,m表示本层节点的个数,k表示每个隐藏层节点对应了k个“中间隐层”节点,这k个“中间隐层”节点都是线性输出的,而Meanout的每个节点就从这k个“中间隐层”节点中取平均值,这里结果只表示取出的第i列,下标i前的省略号表示对应第i列中的所有行;
参数初始化,所有权重矩阵使用random_normal(0.0-0.00,0.01-0.001),所有偏置向量使用constant(0.0-0.00);使用cross entropy作为目标函数,使用梯度下降法进行参数更新,学习率设为0.01-0.001;
空冷器积灰状态计算方法由下述方程组定量描述:
用PSNR的值来评价消除抖动的效果:
利用彩色图像中的R、G、B信息将各自分量的亮度作为灰度图的灰度值:
f1(i,j)=R(i,j) (6)
f2(i,j)=G(i,j) (7)
f3(i,j)=B(i,j) (8)
微分算子计算在一像素点(x,y)处的梯度的幅度为:
|grad(f(x,y))=|▽xf|+|▽yf|| (10)
根据热平衡原理,汽轮机排汽放热量、ACC传热量和冷却空气吸热量相等;
Qe=K×F×ΔT0=G×Cp×ΔTa (11)
空冷凝汽器的对数平均温差:
ΔTa=ta2-ta1 (13)
积灰状态总传热热阻与清洁状态总传热热阻之差为由于积灰所产生的污垢热阻,称为灰垢热阻:
通过采集空冷器积灰状态红外图像,监测空冷器壁温、空冷器出、入口冷却空气温度、冷却风流量,结合空冷器换热面积结构参数,联立式(4)~(5)对空冷器红外图像进行去抖处理,联立式(6)~(8)对得到的图像进行图像灰度化处理,联立式(9)~(10)对图像进行边缘检测处理,获得积灰图像特征信息;联立式(11)~(14)得到空冷器积灰热阻;以空冷器积灰图像为输入量,空冷器积灰热阻为目标量,建立基于深度学习网络和红外图像的空冷器积灰状态智能识别与分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119900.2A CN108875719B (zh) | 2018-09-25 | 2018-09-25 | 基于深度学习与红外图像识别的空冷器积灰状态感知***与计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119900.2A CN108875719B (zh) | 2018-09-25 | 2018-09-25 | 基于深度学习与红外图像识别的空冷器积灰状态感知***与计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875719A true CN108875719A (zh) | 2018-11-23 |
CN108875719B CN108875719B (zh) | 2023-09-22 |
Family
ID=64324624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811119900.2A Active CN108875719B (zh) | 2018-09-25 | 2018-09-25 | 基于深度学习与红外图像识别的空冷器积灰状态感知***与计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875719B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别***及其分析调控方法 |
CN111047206A (zh) * | 2019-12-18 | 2020-04-21 | 东北电力大学 | 一种空冷器灰垢防治镀层评测***及性能分析方法 |
CN111238251A (zh) * | 2020-01-15 | 2020-06-05 | 山东电力工程咨询院有限公司 | 一种空冷岛散热器翅片通道积灰程度的监测方法及*** |
CN112283731A (zh) * | 2020-10-27 | 2021-01-29 | 广东电科院能源技术有限责任公司 | 一种燃煤电站锅炉受热面吹灰方法和*** |
CN113062835A (zh) * | 2021-04-02 | 2021-07-02 | 西安热工研究院有限公司 | 一种风光互补驱动智能防冻***及方法 |
CN113588654A (zh) * | 2021-06-24 | 2021-11-02 | 宁波大学 | 一种发动机热交换器接口的三维视觉检测方法 |
CN114018982A (zh) * | 2021-10-14 | 2022-02-08 | 国网江西省电力有限公司电力科学研究院 | 一种空预器积灰可视化监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018565A1 (en) * | 2004-07-26 | 2006-01-26 | Davidson Scott W | System and method for infrared sensor simulation |
JP2008284005A (ja) * | 2007-05-15 | 2008-11-27 | Takashi Sone | 画像処理装置、画像処理システム、画像処理方法 |
US20100312136A1 (en) * | 2007-06-22 | 2010-12-09 | Advanced Functional Systems, Llc | Systems and methods for thermographic-guided medical treatment |
CN105423772A (zh) * | 2015-11-18 | 2016-03-23 | 东北电力大学 | 汽轮机轴封漏汽与锅炉连续排污余热联合制冷电站空冷***及空冷凝汽器换热系数预测方法 |
CN205245832U (zh) * | 2015-09-24 | 2016-05-18 | 北京安泰百克能源技术有限公司 | 一种天然气压缩机换热装置 |
CN106981063A (zh) * | 2017-03-14 | 2017-07-25 | 东北大学 | 一种基于深度学习的电网设备状态监测装置 |
-
2018
- 2018-09-25 CN CN201811119900.2A patent/CN108875719B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018565A1 (en) * | 2004-07-26 | 2006-01-26 | Davidson Scott W | System and method for infrared sensor simulation |
JP2008284005A (ja) * | 2007-05-15 | 2008-11-27 | Takashi Sone | 画像処理装置、画像処理システム、画像処理方法 |
US20100312136A1 (en) * | 2007-06-22 | 2010-12-09 | Advanced Functional Systems, Llc | Systems and methods for thermographic-guided medical treatment |
CN205245832U (zh) * | 2015-09-24 | 2016-05-18 | 北京安泰百克能源技术有限公司 | 一种天然气压缩机换热装置 |
CN105423772A (zh) * | 2015-11-18 | 2016-03-23 | 东北电力大学 | 汽轮机轴封漏汽与锅炉连续排污余热联合制冷电站空冷***及空冷凝汽器换热系数预测方法 |
CN106981063A (zh) * | 2017-03-14 | 2017-07-25 | 东北大学 | 一种基于深度学习的电网设备状态监测装置 |
Non-Patent Citations (1)
Title |
---|
曾朝阳等: "红外图像模拟中的红外光学***影响分析", 《激光与红外》, vol. 39, no. 10, pages 1108 - 1111 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别***及其分析调控方法 |
CN109615629B (zh) * | 2018-12-24 | 2022-05-24 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别***及其分析调控方法 |
CN111047206A (zh) * | 2019-12-18 | 2020-04-21 | 东北电力大学 | 一种空冷器灰垢防治镀层评测***及性能分析方法 |
CN111047206B (zh) * | 2019-12-18 | 2022-01-18 | 东北电力大学 | 一种空冷器灰垢防治镀层评测***及性能分析方法 |
CN111238251A (zh) * | 2020-01-15 | 2020-06-05 | 山东电力工程咨询院有限公司 | 一种空冷岛散热器翅片通道积灰程度的监测方法及*** |
CN112283731A (zh) * | 2020-10-27 | 2021-01-29 | 广东电科院能源技术有限责任公司 | 一种燃煤电站锅炉受热面吹灰方法和*** |
CN113062835A (zh) * | 2021-04-02 | 2021-07-02 | 西安热工研究院有限公司 | 一种风光互补驱动智能防冻***及方法 |
CN113588654A (zh) * | 2021-06-24 | 2021-11-02 | 宁波大学 | 一种发动机热交换器接口的三维视觉检测方法 |
CN113588654B (zh) * | 2021-06-24 | 2024-02-02 | 宁波大学 | 一种发动机热交换器接口的三维视觉检测方法 |
CN114018982A (zh) * | 2021-10-14 | 2022-02-08 | 国网江西省电力有限公司电力科学研究院 | 一种空预器积灰可视化监测方法 |
CN114018982B (zh) * | 2021-10-14 | 2023-11-07 | 国网江西省电力有限公司电力科学研究院 | 一种空预器积灰可视化监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108875719B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875719A (zh) | 基于深度学习与红外图像识别的空冷器积灰状态感知***与计算方法 | |
Ge et al. | Performance monitoring of direct air-cooled power generating unit with infrared thermography | |
CN107577859A (zh) | 一种凝汽器污垢度在线监测方法 | |
CN101393148B (zh) | 涂料散热性能的测试装置及其测试方法 | |
Gao et al. | Thermal performance analysis for high level water collecting wet cooling tower under crosswind conditions | |
Gough et al. | Evaluating single-sided natural ventilation models against full-scale idealised measurements: Impact of wind direction and turbulence | |
CN105067661B (zh) | 气-液换热器传热系数测定装置 | |
CN109084613A (zh) | 基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制***及其调控方法 | |
CN104048842A (zh) | 一种基于软测量技术的汽轮机热耗率在线监测方法 | |
Min et al. | Characteristics of primary air condensation in indirect evaporative cooler: Theoretical analysis and visualized validation | |
CN105184395B (zh) | 含余热利用***的火电机组的初参数确定方法 | |
CN102338568A (zh) | 基于清洁系数指标的电厂凝汽器性能在线监测***及方法 | |
Wu et al. | Flow and heat transfer characteristics of indirect dry cooling system with horizontal heat exchanger A-frames at ambient winds | |
Ocłoń et al. | Design optimization of a high-temperature fin-and-tube heat exchanger manifold–a case study | |
CN104360984B (zh) | 一种基于两点边值测量下冷却塔填料热力性能计算方法 | |
Yu et al. | Water recovery efficiency improvement using the enhanced structure of the mist eliminator | |
Dang et al. | Crosswind influence on cooling capacity in different zones for high level water collecting wet cooling towers based on field test | |
CN108871821A (zh) | 基于均值-移动极差法的空冷器能效状态实时监测方法 | |
CN208985185U (zh) | 基于深度学习与红外图像识别的空冷器积灰状态感知*** | |
CN112923349A (zh) | 一种燃煤锅炉低温省煤器的污垢动态监测方法及其*** | |
Cheng et al. | Heat transfer and pressure drop characteristics of 3-D finned tube heat exchanger in ash-laden flue gas | |
Lee et al. | Numerical investigation of turbulent flow in an annular sector channel with staggered semi-circular ribs using large eddy simulation | |
CN102494895A (zh) | 对电站汽轮机组节能及优化的分析方法 | |
CN108692608A (zh) | 一种换热器运行状况智能在线监控装置 | |
CN208606637U (zh) | 一种换热器运行状况智能在线监控装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |