[发明专利]基于深度学习与红外图像识别的空冷器积灰状态感知系统与计算方法

权利要求书

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系统的计算方法，适用于基于深度学习与红外图像识别的空冷器积灰状态感知系统，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，出口风速传感器(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)和空冷风机(13)的输入端相连；所述的红外热像仪(10)安装于空冷凝汽器管束(4)的迎风面和背风面；其特征在于：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或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或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或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或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：

Z_ij＝a^TW...ij+b_ij,W∈R^d×m×k,a∈R^d×n,b∈R^m×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；

Q_e＝K×F×ΔT₀＝G×C_p×ΔT_a  (11)

空冷凝汽器的对数平均温差：

ΔT_a＝t_a2-t_a1  (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)得到空冷器灰垢热阻；以空冷器积灰图像为输入量，空冷器灰垢热阻为目标量，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。