基于深度学习算法实现锅炉水冷壁壁管缺陷识别.pdf

设备管理与维修2023 翼11（上）通过对系统总氮数据的连续检测，改造前后生化池进水、芬顿出水总氮含量基本持平，生化池出水由 43.89 mg/L降至 39.1 mg/L、降低 10.3%，外排出水由 12.3 mg/L 降至 9.9 mg/L、降低 19.5%。改造后的除氮效果非常明显，达到预期目标。为巩固除氮效果，制定了一系列的措施：加强对生化池运行参数监控，保证改造流程后稳定运行；更新生化池污泥回流操作规程，每 4 h 更换一次吸入管线，稳定后取样观察污泥沉降比；继续加强生化单元好氧池和污泥回流 SV 测定，观察变化情况，分析数据变化情况；对生化系统各级连续取样，统计数据分析数据变化情况。4总结及展望针对原油终端厂污水处理生化系统总氮含量接近限值的问题，通过对工艺设计、运行参数、微生物相的状态等方面进行分析，找到主要原因，通过优化改善生化池回流工艺及增加硝化液回流流程，有效提高污水系统生化单元的总氮去除率，从而将外排指标控制在一个较低范围，保障污水处理系统的稳定运行，增加污水达标外排的安全性。污水达标外排稳定，不仅有效保障上游 3 个区块、30 余座平台的安全生产任务，同时也为生化系统降低总氮含量提供了宝贵经验。参考文献1赵玉林，徐蕾.污水处理厂生化系统的脱氮除磷运行分析 J.三峡环境与生态，2009，2（5）：29-31.2张超，李贺敏，范镔锌.浅析生化系统的脱氮处理 J.大氮肥，2022，45（1）：65-68.3廖蔚峰，宋传京，宋少华.A2O-MBR 工艺对多来源难降解有机废水的深度处理 J.当代化工研究，2022（8）：146-148.4李培根，于永莲，郑小姣.东北地区超低温条件下生化系统脱氮除磷稳定性研究 J.辽宁化工，2022，51（12）：1698-1700.编辑吴建卿0引言机器视觉是由图像处理、机械工程、点光源照明、传感器和计算机软硬件等技术组成。在一些危险的作业环境中，用机器人搭载摄像头等图像采集装置采集作业环境的图像信息，用图像处理技术进行信息提取，做出各种检测和判断，可以在很大程度上代替人工，大大提高检测的效率和自动化水平。机器视觉的发展速度很快，也越来越成熟，已经应用到了各个行业中，最为广泛的应用是缺陷检测，可以减少人力投入，提高检测精度。本文主要针对深度学习算法对水冷壁缺陷宏观检测展开研究，利用摄像头近距离采集水冷壁各种数据，将图片数据进行相应的处理分析，完成对锅炉水冷壁的检测工作，最终可以代替人完成检测任务，降低火电厂锅炉维护检测费用以及人员安全风险。1深度学习算法1.1经典算法模型计算机的性能提升越来越快，变得越来越智能，在目前的大数据时代，AI（Artificial Intelligence，人工智能）是一个很具研究课题的领域，并且出现了很多优秀的 AI 企业，从而使人工智能与我们的生活越来越密切。作为人工智能的一个分支，机器学习是通过算法让机器从历史数据中学习潜在的规律。但是，由于机器学习需要特征，选取特征费时费力，有时候还会选取到不合适的特征。深度学习可以解决这个问题，它不需要人参与特征选取的过程。Facebook 在 DeepFace 项目中，人脸识别的准确率达到了97%以上，说明深度学习在图像识别方面具有优势。深度学习算法不断优化使深度学习不断发展。YOLOv5 提供了 5 个版本的目标检测网络：YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。YOLOv5 的网络结构分 4 个模块：输入端、Backbone、Neck、Prediction。（1）输入端对图像进行预处理，采用 Mosaic 数据增强、自适应图片缩放、自适应锚定框计算方法。（2）Backbone 增加了 Focus 结构和 CSP 结构，其中 Focus 结构用来做切片操作。（3）Neck 采用 FPN+PAN 结构，Neck 结构中的 CSP2_X 结构基于深度学习算法实现锅炉水冷壁壁管缺陷识别张雷1，吕一仕2，杨佳2，徐忠峰2，徐光平2，3（1.河北大唐国际王滩发电有限责任公司，河北唐山063611；2.苏州热工研究院有限公司，江苏苏州215043；3.北京中安吉泰科技有限公司，北京100029）摘要：随着火力发电锅炉检测技术的发展，基于深度学习算法检测水冷壁表面缺陷（磨损、腐蚀，裂缝、吹损等）趋向成熟稳定。传统水冷壁检测过程难度大，需要人工逐点确认，且检测结果参考性与设备使用人经验方法有直接关系，同时设备操作复杂容易导致误判。对深度学习方法进行介绍，通过深度学习算法结合水冷壁表面图像信号，快速检测锅炉水冷壁表面缺陷缺陷。关键词：深度学习；水冷壁；缺陷识别检测；人工智能中图分类号：TK223.3文献标识码：BDOI：10.16621/ki.issn1001-0599.2023.11.54骳髉髒设备管理与维修2023 翼11（上）增强了网络特征融合。（4）Prediction 使用 GIOU_Loss 函数做 Bounding Box 的损失函数。YOLOv5 网络模型检测速度非常快，每幅图像的推理时间只需要 0.007 s，达到了 140 FPS。YOLOv5 网络输入端采用 Mosaic 数据增强，增加了网络的鲁棒性和检测数据集的多样性。采用自适应锚框方法和自适应图片缩放方式，有效提升检测精度和检测速度。主干网络采用Focus 结构和 CSP 网络，Focus 结构的切片操作可以很好的提取特征图，CSP 网络可以增强网络的学习能力，减少模型参数的同时还可以保证检测的准确性，降低计算成本。Neck 网络主要采用了 SPP 模块和 FPN+PAN，主要是更充分地提取融合特征，在Backbone 和输出端中插入 Neck 层。SPP 网络使用不同尺度最大池化，再将得到不同尺度的特征图 Concat 的操作。在输出端 Bounding box 损失函数为 GIOU_Loss，可以提升预测框回归的速度和精度。采用 DIOU_NMS（非极大值抑制）的方式，可以提升重叠目标框的检测效果。图 1 为不同版本的 YOLOv5 与 EfficientDet 检测算法之间的性能比较曲线。横轴表示的是该算法在 GPU 上面的推理时间（ms/img），该数值越小越好；纵轴表示的是该算法在 COCO 测试数据集上面的 AP 指标，该数值越大越好。通过观察可以得出以下的初步结论：（1）与 EfficientDet0 相比，YOLOv5s 不仅可以获得更高的 AP指标，而且可以获得更快的推理速度。（2）与 EfficientDet4 相比，YOLOv5x 不仅能够获得更高的 AP指标，其推理速度是它的 1/5 左右。图 2 为不同版本的 YOLOv5 检测算法在 COCO2017 验证集与测试集上面的各项指标，具体包括：模型输入大小、AP50指标、Speed、FPS、params 与 GFLOPS。1.准确率：所有预测为正样本的结果中，预测正确的比率。Precision=TP/（TP+FP）2.所有正样本中被正确预测的比率。Recall=TP/（TP+FN）3.PR 曲线以 Recall 为横坐标，Precision 为纵坐标组成的曲线4.mAP0.5TP：IoU0.5 的检测框数量（同一 GT 只计算一次）FP：IoU=0.5 的检测框数量，或检测到同一个 GT 的多余检测框的数量因此，Precision 和 Recall 可以表示为：Precision=TP/all detection boxesRecall=TP/all ground truths5.mAP0.5:0.95 表示在不同 IOU 阈值（从 0.5 到 0.95，步长0.05）上的平均 mA。（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）1.2水冷壁管缺陷分类识别数据集的构建（1）数据来源。采用机器人搭载的摄像头对水冷壁表面进行视频图像采集。（2）数据标注。标注工具采用 LabelImg，标注工具快捷键比较多，大大的提高标注效率。标注信息为目标框坐标和类别，可以在一张图像上标注多个目标，保存的标注信息为 txt 文件。（3）数据集划分。目标检测训练集共有 1500 张图像，存在缺陷作为检测目标，按照 8:2 的比例划分训练集和验证集。（4）数据集优化。由于前期缺陷目标特征学习的不够，在优化前的锅炉水冷壁管缺陷目标检测数据集上训练算法模型mAP 在 75%左右。通过制定标注的规范，优化数据集，最终在锅炉水冷壁管缺陷目标检测数据集上训练的算法模型的 mAP 达到 93%左右。（5）数据增强。采用 Mosaic、旋转、缩放、翻转、颜色变化、灰度化和裁剪等数据增强方法对训练数据进行数据扩充。（6）数据标注规范：淤参考 PASCAL VOC 数据集标注规范标注；于只保留清晰度高、目标清晰的图像；盂去掉相似图像。（7）训练过程。采用 PyTorch 深度学习框架训练算法模型。采用迁移学习的方法，减少模型训练时间和增强模型检测性能。对输入图像采用旋转、缩放、翻转、颜色变化、灰度化、裁剪和Mosaic 数据增强的方法进行数据扩充。训练时，设置的迭代次数为 300 次，选择准确率最高的一次迭代作为实验结果。1.3缺陷目标检测结论与分析1.3.1准确率曲线图 3 为准确率和置信度的关系，x 轴为置信度，y轴为准确率。设置置信度为某一数值时各个类别识别的准确率。可以看到，置信度越大时类别检测的越准确。这也很好理解，只有Confidence 很大，才被判断是某一类别。但也很好想到，这样的话，会漏检一些置信度低的类别。实验结果曲线符合预期。1.3.2召回率曲线图 4 为召回率和置信度之间的关系，x 轴为置信度，y 轴为召回率。设置置信度为某一数值时，各个类别查全的概率。可以看到，置信度越小时类别检测的越全面。图 2算法指标图 1性能比较曲线骳髉體设备管理与维修2023 翼11（上）1.3.3PR 曲线图 5 为 PR 曲线，其中：P 代表 precision（精准率），R 代表 Recall（召回率），PR 曲线代表精准率与召回率的关系，一般情况下，将 Recall 设置为横坐标，Precision 设置为纵坐标。从曲线中可以看到 mAP0.5 准确率达到 0.932，实验效果还是可以的，扩充训练集数量和标签数量，提高数据集质量，模型性能还会有所提升。1.3.4各项指标图 6 提供了模型性能的一些其他指标。定位损失 box_loss：预测框与标定框之间的误差（GIOU）；置信度损失 obj_loss：计算网络的置信度；分类损失 cls_loss：计算锚框与对应的标定分类是否正确；准确率 Precision：精度（找对的正类/所有找到的正类）；Recall：真实为 Positive 的准确率，即正样本有多少被找出来（召回了多少）；mAP0.5:0.95：表示不同 IOU 阈值（从 0.5 到 0.95，步长 0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均 mAP；mAP0.5：表示阈值大于 0.5的平均 mAP。1.4 检测结果从图 7、图 8 检测结果可以看出，模型对水冷壁缺陷的识别效果还是不错的，基本上能按照标注的内容识别出来，符合预期的效果。2展望与总结本文建立的锅炉水冷壁管数据集缺陷类别和检测目标类别较少，且缺陷类别和缺陷目标分布不均衡。未来可以不断地对这两个数据集进行扩充，建立锅炉水冷壁管缺陷数据公开的数据集。本文锅炉水冷壁管缺陷自动分类识别和检测模型的建立都是采用迁移学习的方法，通过数据增强的方式，在建立的数据集上训练现有的深度学习网络获得自动分类识别和检测模型。可以随着数据集的增加，优化特征提取网络，获得性能更好的锅炉水冷壁管缺陷分类识别和检测模型。对常见的锅炉水冷壁管检测目标进行分级，将比较容易发生缺陷的区域检测出来进行分级处理，达到危险等级的范围做出预警，由专业的检修人员复核判断是否需要维护处理。3结束语本文提出并且实现了锅炉水冷壁管缺陷目标自动检测的图 4召回率和置信度的关系图 3准确率和置信度的关系图 5PR 曲线图 6模型性能其他指标骳髉髕设备管理与维修2023 翼11（上）图 8检测结果 2图 7检测结果 1方法，构建了锅炉水冷壁管缺陷目标检测数据集，然后基于深度学习的方法建立了缺陷目标检测模型。在算法模型选择方面，采用迁移学习的方法对 YOLOv5 网络训练模型进行实验。采用了数据增强，进行数据扩充。学习率 lr 设为 0.005，展开迭代次数为 300 轮的模型训练，获得在锅炉水冷壁管数据上的最佳缺陷目标检测模型。通过实验数据表明，YOLOv5 算法对本文构建的锅炉水冷壁管缺陷目标特征学习的很充分，检测速度最快，IOU 为 0.5，mAP 精度为 97%，IOU=0.5:0.95 的值，mAP精度为 76.3%。这一研究为锅炉水冷壁管缺陷目标自动检测提供了新的方法，可以提升锅炉机组水冷壁管自动化、高效化和智能化的检测水平，减少电厂锅炉机组的非停时间，提高电厂的经济效益。参考文献1刘威，丁霄霄，宗誉.无人机在桥梁检测中的应用研究 J.交通与港航，2020，7（4）：75-81.2田小壮，石辉，曾庆松，等.基于图像处理的变电站周界无人机安防巡逻系统研究 J.东北电力技术，2019，40（8）：29-31，34.3Assefinejad A H，Kermanpur A，Eslami A M，et al.Failure investiga-tion of water wall tubes in a drum boiler of a thermal powerplant J.Engineering Failure Analysis，2020（118）：104869.4Forney，Donald.Nondestructive evaluation technology initiatives programII（NTIP II）.delivery order 10，task 010-015：In search of excellence-anhistorical review Z.UNIVERSAL TECHNOLOGY CORP DAYTONOH，2006.5邓炜，高斌，田贵云，等.基于脉冲涡流的多层异种金属材料内部缺陷检测 J.无损检测，2018，40（4）：1-6.6李永虔，孙峥，赵辉，等.高精度手持式电磁超声测厚仪 J.仪表技术与传感器，2016（5）：32-34.7Tomaiuolo F G，Lang J G.Method and apparatus for non-destructivetesting of magnetically permeable bodies using a first flux to saturatethe body and a second flux opposing the first flux to produce ameasurable flux P.U.S.Patent 4，495，465，1985-1-22.8刘新萌，赵伟，黄松岭.基于三维漏磁场信号的储罐底板水平凹槽形缺陷量化方法研究 J.电测与仪表，2015，52（12）：1-6，17.9Uchimoto T，Guy P，Takagi T，et al.Evaluation of an EMAT-EC dualprobe in sizing extent of wall thinning J.NDT&E International，2014（62）：160-166.10 Kander A，Malanima P，Warde P.Power to the people：energy inEurope over the last five centuries M.Princeton University Press，2015.11 Larcher D，Tarascon J M.Towards greener and more sustainable骳髉髖设备管理与维修2023 翼11（上）0引言密闭水冷式冷却塔1-2是一种以水为媒介的冷却装置，通过与流过的空气、循环水进行热量交换，达到降温的目的。但其在长期运行过程中，出现冷却能力下降、水垢多、外壁结冰、滋生水藻及青苔等情况，严重影响了相关设备的安全平稳运行。因此，首先阐述水冷式冷却塔的结构原理、存在问题；然后从冷却塔运行的稳定性、经济性及可行性等方面进行分析，结合当地气候、水质等实际情况，将原有水冷式与新引入风冷式3-4进行对比分析，论证改造的可行性及必要性，并确定后续生产运行的模式选择，即正常情况下使用风冷模式，特殊情况切换至水冷模式。员水冷式冷却塔现状调查某压气站采用 FBP-120-3-1 密闭水冷式冷却塔，主要由塔体、风机、喷淋泵5、蓄水池及配套管路组成，冷却能力约为1800 万 kJ/h，承担着离心压缩机6、润滑油站以及变频器7的冷却任务。塔体的组成包括：1-减速装置；2-进水口；3-面板；4-百叶；5-溢水口；6-水箱；7-出水口；8-电机；9-风机（铝合金）；10-风筒（玻璃钢）；11-收水器（PVC）；12-播水装置；13-填料（PVC）；14-扶梯；15-补水口；16-排污口。水冷式冷却塔如图 1 所示。密闭水冷式冷却塔主要工艺流程有两个。一是设备降温流程：去离子水装置寅供水泵寅循环水泵寅压缩机房内循环水、变电所外循环水寅冷却塔；二是内循环水降温流程：供水泵寅喷淋泵寅冷却水塔寅水槽。冷却循环系统流程如图 2 所示。但在长期的运行过程中，密闭水冷式冷却塔存在以下问题：（1）现场设置 3 台冷却塔，采用 2 用 1 备的运行方式，但在夏季运行过程中，环境温度高，需 3 台设备全部运行，导致无备用。（2）使用的循环水为地下水8，现场的地下水硬度高、碱性大、水垢多、氯化物超标，设备运行过程中会有部分水溢出或飞溅到塔外，造成塔体本身、风机扇叶及相关设备设施腐蚀9严重（图 3），需定期清洗、更换。（3）该地区冬季气温较低，设备运行过程中会出现塔体外壁结冰现象，影响空气流通，换热能力下降。（4）蓄水池内需常年存水，水池内滋生水藻、青苔，附着在加热管、喷淋泵入口等处，影响相关设备使用寿命。水槽内污物清密闭水冷式冷却塔的可靠性改造分析迟百川，张岩岩（国家石油天然气管网集团有限公司山东省分公司，山东济南250101）摘要：循环水系统在设备运行过程中起着至关重要的作用，而冷却塔作为其不可或缺的重要组成部分，主要作用为降温。某压气站采用 FBP-120-3-1 密闭水冷式冷却塔，为降低其运行风险，提高运行的安全性、稳定性，结合现场实际运行情况，引入风冷模式，在原有基础上进行可靠性改造。并论证两种方式结合使用的可行性，确保安全性、可靠性、平稳性得到极大提升的同时，也为后续设备日常操作、维护保养等提供便利。关键词：循环水系统；水冷式冷却塔；风冷式冷却塔；运行风险中图分类号：TQ051.5文献标识码：BDOI：10.16621/ki.issn1001-0599.2023.11.55图 1水冷式冷却塔batteries for electrical energy storage J.Nature chemistry，2015，7（1）：19-29.12 Ahmadi M H，Alhuyi Nazari M，Sadeghzadeh M，et al.Thermody-namic and economic analysis of performance evaluation of all thethermal power plants：A review J.Energy science&engineering，2019，7（1）：30-65.13国家能源局.国家能源 2020 年一季度网上新闻发布会文字实录EB/OL.2020.http:/ Osintsev K，Aliukov S，Kuskarbekova S.Experimental Study of aCoil Type Steam Boiler Operated on an Oil Field in the SubarcticContinental Climate J.Energies，2021，14（4）：1004.15李少波，杨静，王铮，等.缺陷检测技术的发展与应用研究综述 J.自动化学报，2020，46（11）：2319-2336.编辑李波骳髉髗