[发明专利]一种基于深度卷积神经网络的炉膛水冷壁异常识别算法

说明书

本发明提供了一种基于深度卷积神经网络的炉膛水冷壁异常识别算法，通过预先获得炉膛水冷壁管道的图像数据，建立并训练深度卷积神经网络模型，训练好的深度卷积神经网络模型可以判断其异常情况，包括：磨损，机械损伤以及正常，再将获得的管道实时数据进行归一化预处理后，送入训练好的深度卷积神经网络模型，通过训练好的卷积神经网络模型获得预测结果，解决了目前火力发电厂对冷却管水冷壁的检测识别分类存在识别不精准，分类不准确等问题。

技术领域

本发明涉及炉膛水冷壁异常检测领域，特别是一种基于深度卷积神经网络的炉膛水冷壁异常识别算法。

背景技术

乒火力发电是现代社会电力发展的主力军，火力发电厂是利用可燃物(例如煤)作为燃料生产电能的工厂。现代化火电厂是一个庞大而又复杂的生产电能与热能的工厂。它由下列5个系统组成：①燃料系统。②燃烧系统。③汽水系统。④电气系统。⑤控制系统。在上述系统中，最主要的设备是锅炉、汽轮机和发电机，它们安装在发电厂的主厂房内

火电厂锅炉加热需要及时的冷却，由于锅炉种煤炭燃烧发热以及积灰结渣等情况的出现，会对炉膛内部冷却管壁造成一些损伤，这种水冷壁损伤的现象，不仅造成了资源的浪费，严重还会造成锅炉停运，火电厂停工。

目前现有技术中，对冷却管水冷壁的检测识别分类存在识别不精准，分类不准确等问题。如何能够准确的对炉膛水冷壁的各种异常情况记性检测分类是一个亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度卷积神经网络的炉膛水冷壁异常识别算法，旨在解决目前火力发电厂对冷却管水冷壁的检测识别分类存在识别不精准，分类不准确等问题。

本发明的目的是通过以下技术方案来实现的：

一种基于深度卷积神经网络的炉膛水冷壁异常识别算法，包括以下步骤：

S1、预先获得火电厂炉膛水冷壁系统中各个管道位置所拍摄到的管道数据，其中，管道数据包括管道的外观数据，标号数据，以及标度数据；

S2、将采集到的炉膛水冷壁管道数据分成训练数据样本和测试数据样本，然后分别对训练数据样本和测试数据样本进行归一化处理；

S3、将归一化处理处理后的训练数据样本输入到深度卷积神经网络模型中进行训练；利用归一化处理后的测试数据样本对训练后的深度卷积神经网络进行测试，在测试成功后保存训练好的深度卷积神经网络模型并计算出损伤数据所学习的精度，其中，训练好的深度卷积神经网络包含多个便签，分别是磨损、机械损伤和正常；

S4、获取实时炉膛水冷壁的管道数据，对实时管道数据进行预处理，将预处理后的实时炉膛水冷壁管道数据送入训练好的深度卷积神经网络模型，通过训练好的卷积神经网络模型获得预测结果；

S5、将预测结果与相应漏损点类型的漏损数据标签索引进行对比来判断异常情况。

进一步的，在步骤S2中，对炉膛水冷壁管道数据分成训练数据样本和测试数据样本具体包括：

(1)、将预先采集到的数据首先进行简单的人工分类，用图片特征标记软件，对所收集到的炉膛水冷壁管道数据进行简单标记与分类，并将标记过得图片数据分成训练数据样本和测试数据样本；

(2)、基于各个类型为异常数据的炉膛水冷壁管道数据的标签构建漏损数据标签索引，每条漏损数据标签索引包含异常点类型和异常点位置。

进一步的，对训练数据样本和所述测试数据样本进行归一化处理具体包括以下步骤：

1)、将不同类型的炉膛水冷壁管道数据打乱后分为训练样本和测试样本；

2)、用重置尺寸对所输入的数据进行尺寸变化；

3)、运用张量转换将所输入的图像数据转化为张量；