一种石化装置高压空冷器视觉故障识别与定位方法制造方法及图纸

一种石化装置高压空冷器视觉故障识别与定位方法，包括：对高压空冷器的管束红外热成像图像进行预处理；构建高压空冷器管束红外热成像图像特征提取神经网络；构建高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测神经网络；对高压空冷器管束红外热成像图像特征提取神经网络进行训练，用得到的图像特征图对高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测神经网络进行训练构成模型；对红外视频采集设备采集的红外视觉图像进行检测识别；根据检测识别结果控制给水阀，并制定维修策略。本发明专利技术实现了无人机自动识别空冷器管束故障，使空冷器管束在运行阶段的检测更全面细致，还节省了大量的人力物力，降低安全运行维护成本。降低安全运行维护成本。

【技术实现步骤摘要】
一种石化装置高压空冷器视觉故障识别与定位方法


[0001]本专利技术涉及一种故障识别与定位方法。特别是涉及一种石化装置高压空冷器视觉故障识别与定位方法。

技术介绍

[0002]石油化工产业是一个高耗能的产业，任何生产过程中一点小的改进都会带来巨大的经济效益。空气冷却器是石油化工生产中常用的设备之一，空冷器是由大型鼓风机使空气与空冷器管束产生横向流动来冷却管内介质，而石化装置中空冷器大多是冷却加氢反应馏出物的高压空冷器，工作于高压、临氢及腐蚀介质环境中，工况条件较苛刻，特别是近年来，石化企业多加工高硫原油情况下，高压空冷器管束内的加氢反应馏出物极易低温下生成铵盐结晶析出，造成空冷器管束结垢，当管束内的垢物堆积到一定程度后会堵塞管路，影响工艺生产，同时管束金属容易发生垢下腐蚀问题，导致空冷器发生管束泄漏失效，造成重大安全事故。
[0003]因此，对石化装置空冷器管束的进行结垢状况检测，及时发现结垢严重的管束，提醒工作人员及时采取相应的措施显得尤为重要。
[0004]现阶段，一般空冷器管束检测多为人工手持红外热成像仪在空冷器管束附近进行检测，但这种方法只能检测到整个空冷器的部分管束，这种方式不仅检测的不细致全面，而且浪费了大量的人力物力，因此，开发一种石化装置高压空冷器红外机器视觉故障识别与定位装置就显得尤为必要。到目前为止，对于大型石油化工装置空冷器管束故障目标识别与定位还没有一套完整的系统和方法。

技术实现思路

[0005]本专利技术所要解决的技术问题是，为了克服现有技术的不足，提供一种能够实现空冷器管束的预知性维修的石化装置高压空冷器视觉故障识别与定位方法。
[0006]本专利技术所采用的技术方案是：一种石化装置高压空冷器视觉故障识别与定位方法，包括如下步骤：
[0007]1)通过红外热成像仪采集高压空冷器的管束红外热成像图像，对红外热成像图像进行预处理；
[0008]2)构建高压空冷器管束红外热成像图像特征提取神经网络；
[0009]3)结合所构建的高压空冷器管束红外热成像图像特征提取神经网络，构建高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测神经网络；
[0010]4)用步骤1)得到的标准数据集文件中的训练集对构建的高压空冷器管束红外热成像图像特征提取神经网络进行训练，得到图像特征图，再用所述的图像特征图对高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测神经网络进行训练，获得高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测模型；
[0011]5)利用高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测模型，
对红外视频采集设备采集的红外视觉图像进行检测识别；
[0012]6)根据检测识别结果控制给水阀，并制定维修策略，实现高压空冷器预防性维修。
[0013]本专利技术的一种石化装置高压空冷器视觉故障识别与定位方法,具体具有以下优点：
[0014]1、本专利技术实现了无人机自动识别空冷器管束故障，使空冷器管束在运行阶段的检测更全面细致，还节省了大量的人力物力；
[0015]2、本专利技术能够在图像数据集有限情况下，利用目标图像已标记的样本辅助目标图像数据进行更有效的识别。
[0016]3、本专利技术根据自动识别的管束结垢程度以及管束故障分布定位图，提醒工作人员及时对故障管束采取相应的措施，实现了空冷器管束的预知性维修；
[0017]4、本专利技术在设备大检修前，依据不同时期空冷器管束故障分布定位图中某根管束的结垢、堵塞状况，确定检修方案，降低安全运行维护成本，实现空冷器的长周期运行。
具体实施方式
[0018]下面结合实施例对本专利技术的一种石化装置高压空冷器视觉故障识别与定位方法做出详细说明。
[0019]本专利技术的一种石化装置高压空冷器视觉故障识别与定位方法，包括如下步骤：
[0020]1)通过红外热成像仪采集高压空冷器的管束红外热成像图像，对红外热成像图像进行预处理；所述的对红外热成像图像进行预处理，包括：
[0021](1)将红外热成像图像进行编号命名，命名格式为1.jpg～n.jpg，组成高压空冷器管束红外热成像图像组；
[0022](2)利用空冷器管束红外检测方法中的图像特征判断法，对高压空冷器管束红外热成像图像组进行结垢和堵塞的故障征判：当管束中的换热管出现结垢时图像中的相应部位显示为绿色区域，当管束中的换热管出现堵塞时，图像中的相应部位显示为蓝色区域，当管束中的换热管正常运行时图像中的管束为黄色区域；
[0023](3)建立高压空冷器管束红外异常检测数据集，将出现的红外异常标注为3类，按异常的形态分为：将异常的长度≤换热管长度1/10的分为短条状、将异常的长度在换热管长度的1/10与1/4之间的分为长条状、将异常的长度≥换热管长度1/4的分为大长条状；
[0024](4)利用labelling软件工具在高压空冷器管束红外热成像图像组中对每个图像采用矩形标注框将图像中的绿色区域和蓝色区域框住，生成与高压空冷器管束红外热成像图像组中的图像相对应的XML文件进行保存，XML文件中包含图像的文件名、大小、矩形标注框位置、标注目标类别信息，最后将标注好的数据文件，按照70：15：15的比例分类成训练集、验证集以及测试集，建立标准数据集文件。
[0025]2)构建高压空冷器管束红外热成像图像特征提取神经网络；
[0026]所述的高压空冷器管束红外热成像图像特征提取神经网络，是采用残差卷积神经网络ResNet50架构，包含1个图像预处理块和从上到下分为5个堆叠块，第1个堆叠块为一个标准卷积层与一个最大池化层构成、第2个堆叠块为包含3个卷积块的残差模块、第3个堆叠块为包含4个卷积块的残差模块、第4个堆叠块为包含6个卷积块的残差模块、第5个堆叠块为包含3个卷积块的残差模块、1个平均池化和1个全连接层。其中，
[0027](1)所述的图像预处理块，是用于将所接收的图像进行裁减和边缘扩充，将原图像变成227
×
227
×
3的图像；
[0028](2)所述第1堆叠块包括64个的卷积核和64个最大池化器；
[0029](3)所述第2堆叠块分为两路，一路为扩维卷积核，另一路包括3个卷积块，每个卷积块从上到下有三个卷积层，第1层为64个1
×
1的卷积核，第2层为64个3
×
3的卷积核，第3层为256个1
×
1的卷积核，第1个卷积块的输出结果与扩维卷积核的输出结果相加后做为第2个卷积块的输入，第2个卷积块的输出结果与扩维卷积核的输出结果相加后做为第3个卷积块的输入，第3个卷积块的输出结果进入第3个堆叠块；
[0030](4)第3堆叠块包括有：一个扩维卷积核和从上到下4个卷积块，每个卷积块从上到下有三个卷积层，第1个卷积层为128个1
×
1的卷积核，第2个卷积层为128个3
×
3的卷积核，第3个卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种石化装置高压空冷器视觉故障识别与定位方法，其特征在于，包括如下步骤：1)通过红外热成像仪采集高压空冷器的管束红外热成像图像，对红外热成像图像进行预处理；2)构建高压空冷器管束红外热成像图像特征提取神经网络；3)结合所构建的高压空冷器管束红外热成像图像特征提取神经网络，构建高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测神经网络；4)用步骤1)得到的标准数据集文件中的训练集对构建的高压空冷器管束红外热成像图像特征提取神经网络进行训练，得到图像特征图，再用所述的图像特征图对高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测神经网络进行训练，获得高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测模型；5)利用高压空冷器管束红外热成像图像故障目标识别与故障区域定位检测模型，对红外视频采集设备采集的红外视觉图像进行检测识别；6)根据检测识别结果控制给水阀，并制定维修策略，实现高压空冷器预防性维修。2.根据权利要求1所述的一种石化装置高压空冷器视觉故障识别与定位方法，其特征在于，步骤1)所述的对红外热成像图像进行预处理，包括：(1)将红外热成像图像进行编号命名，命名格式为1.jpg～n.jpg，组成高压空冷器管束红外热成像图像组；(2)利用空冷器管束红外检测方法中的图像特征判断法，对高压空冷器管束红外热成像图像组进行结垢和堵塞的故障征判：当管束中的换热管出现结垢时图像中的相应部位显示为绿色区域，当管束中的换热管出现堵塞时，图像中的相应部位显示为蓝色区域，当管束中的换热管正常运行时图像中的管束为黄色区域；(3)建立高压空冷器管束红外异常检测数据集，将出现的红外异常标注为3类，按异常的形态分为：将异常的长度≤换热管长度1/10的分为短条状、将异常的长度在换热管长度的1/10与1/4之间的分为长条状、将异常的长度≥换热管长度1/4的分为大长条状；(4)利用labelling软件工具在高压空冷器管束红外热成像图像组中对每个图像采用矩形标注框将图像中的绿色区域和蓝色区域框住，生成与高压空冷器管束红外热成像图像组中的图像相对应的XML文件进行保存，XML文件中包含图像的文件名、大小、矩形标注框位置、标注目标类别信息，最后将标注好的数据文件，按照70：15：15的比例分类成训练集、验证集以及测试集，建立标准数据集文件。3.根据权利要求1所述的一种石化装置高压空冷器视觉故障识别与定位方法，其特征在于，步骤2)所述的高压空冷器管束红外热成像图像特征提取神经网络，是采用残差卷积神经网络ResNet50架构，包含1个图像预处理块和从上到下分为5个堆叠块，第1个堆叠块为一个标准卷积层与一个最大池化层构成、第2个堆叠块为包含3个卷积块的残差模块、第3个堆叠块为包含4个卷积块的残差模块、第4个堆叠块为包含6个卷积块的残差模块、第5个堆叠块为包含3个卷积块的残差模块、1个平均池化和1个全连接层。4.根据权利要求3所述的一种石化装置高压空冷器视觉故障识别与定位方法，其特征在于：(1)所述的图像预处理块，是用于将所接收的图像进行裁减和边缘扩充，将原图像变成227
×
227
×
3的图像；
(2)所述第1堆叠块包括64个的卷积核和64个最大池化器；(3)所述第2堆叠块分为两路，一路为扩维卷积核，另一路包括3个卷积块，每个卷积块从上到下有三个卷积层，第1层为64个1
×
1的卷积核，第2层为64个3
×
3的卷积核，第3层为256个1
×
1的卷积核，第1个卷积块的输出结果与扩维卷积核的输出结果相加后做为第2个卷积块的输入，第2个卷积块的输出结果与扩维卷积核的输出结果相加后做为第3个卷积块的输入，第3个卷积块的输出结果进入第3个堆叠块；(4)第3堆叠块包括有：一个扩维卷积核和从上到下4个卷积块，每个卷积块从上到下有三个卷积层，第1个卷积层为128个1
×
1的卷积核，第2个卷积层为128个3
×
3的卷积核，第3个卷积层为512个1
×
1的卷积核，第1个卷积块的输出结果与扩维卷积核的输出结果相加后做为第2个卷积块的输入，第2个卷积块的输出结果与扩维卷积核的输出结果相加后做为第3个卷积块的输入，第3个卷积块的的输出结果与扩维卷积核的输出结果相加后做为第4个卷积块的输入，第4个卷积块的输进入第4个堆叠块；(5)第4堆叠块包括有：一个扩维卷积核和从上到下6个卷积块，每个卷积块从上到下有三个卷积层，第1个卷积层为256个1
×
1的卷积核，第2个卷积层为256个3
×
3的卷积核，第3个卷积层为1024个1
×
1的卷积核，6个卷积块中前1个卷积块的输出结果与扩维卷积核的输出结果相加后得到的结果做为下一个卷积块的输入，第6个卷积块的输出结果进入第5个堆叠块；(6)第5堆叠包括有：一个扩维卷积核和从上到下3个卷积块，每个卷积块从上到下有三个卷积层，第1个卷积层为512个1
×
1的卷积核，第2个卷积层为512个3
×
3的卷积核，第3个卷积层为2048个1
×
1的卷积核，第1个卷积块的输出结果与扩维卷积核的输出结果相加后做为第2个卷积块的输入，第2个卷积块的输出结果与扩维卷积核的输出结果相加后做为第3个卷积块的输入，第3个卷积块的输出结果为提取的特征。5.根据权利要求4所述的一种石化装置高压空冷器视觉故障识别与定位方法，其特征在于：每个堆叠中的每1个卷积层都是使用批归一化操作，每个堆叠中的每个卷积块的第1个卷积层的输出和第2个卷积层的输出都使用Relu函数激活，每个卷积块的输出都使用Relu函数激活，其中，批归一化操作公式如下：化操作公式如下：化操作公式如下：化操作公式如下：其中x
ai
为卷积网络第a层一个批次n个元素的输入，x
ai
＝{x
a1
,x
a2
,
…
,x
an
}，μ
a
为一个批次元素的均值，为一个批次元素的方差，为对同一批次所有元素归一化的结果，ζ为保证分母非零项，y
ai
为最终的输出，γ
...

【专利技术属性】
技术研发人员：刘景明，李洪涛，高丽岩，孙全胜，李梦瑶，王艳丽，荆瑞静，郭拂娟，曹德成，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：