【技术实现步骤摘要】
本专利技术涉及空气预热器，具体是一种空气预热器转子局部堵灰预测方法及系统。
技术介绍
1、在脱硝过程中，由于脱硝氨量过喷，造成氨逃逸在冷端产生具有腐蚀粘性的硫酸氢氨，最终空气预热器(简称空预器)将会造成堵塞。目前，多数的设备巡检、故障检测还是依靠现场工作人员进行人工分析诊断，这种传统的巡检故障方式不仅耗时长、危险性高、浪费人力物力，而且容易受到个人经验的影响。
2、西安理工大学李兵在2006年采用基于温度场分布分析的方法对空预器热点进行检测，在国内是较早使用温度场概念辅助分析空预器诊断的(李兵.基于温度场分布图的空预器热点检测系统研究[d].西安：西安理工大学，2006.)。吴军军提出基于红外阵列测温传感器的空预器热点检测方法，是红外热成像监测空预器的雏形(吴军军.基于红外阵列传感器的空气预热器热点检测系统研究[d].西安：西安理工大学，2010.)。王诚在2007年提出在linux环境下利用红外图像分析实现空预器监测(王诚.linux环境下基于红外图像分析的空预器热点监测系统应用研究[d].西安：西安理工大学，2007)。但上述方法由于测温传感器分辨率低，不能清晰成像，导致运行人员不能确认堵灰情况，实际应用效果不佳。
技术实现思路
1、为克服现有技术的不足，本专利技术提供了一种空气预热器转子局部堵灰预测方法及系统，解决现有技术存在的难以准确确认堵灰情况等问题。
2、本专利技术解决上述问题所采用的技术方案是：
3、一种空气预热器转子局部堵灰预测方
4、作为一种优选的技术方案，包括以下步骤：
5、s1，传感器视角安装：确定安装传感器的位置并安装传感器；
6、s2，图像处理：对传感器采集到的空气预热器转子图像进行分析、存储与浏览，对设定堵灰区域进行识别和定位；
7、s3，自动监测报警：自动监测设定堵灰区域的堵灰情况并进行报警；
8、s4，统计监视：统计、存储、网络远程监视堵灰数据；
9、s5，蓄热元件吹扫提醒：某一区域堵灰程度达到设定的上限值时，开启蓄热元件吹扫功能；
10、s6，温度场分析、历史数据查询：分析温度场，查询堵灰历史数据。
11、作为一种优选的技术方案，步骤s1中，以视场角来确定安装传感器的位置，视场角可分为水平视场角和垂直视场角；
12、水平视场角计算公式如下：
13、
14、
15、其中:h为长边尺寸a与u像元间距的乘积；f为焦距；ah为水平视场角；
16、垂直视场角计算公式如下：
17、
18、
19、其中:h为短边尺寸b与u像元间距的乘积；f为焦距；ah为垂直视场角。
20、作为一种优选的技术方案，步骤s1中，步骤s2包括以下步骤：
21、s21，利用matlab图像处理软件包对原始图像进行变换，以达到扩充样本的目的；
22、s22，利用resize()函数，将采集到的原始数据转换成卷积神经网络训练需要的大小；再制作tfrecord数据集，读取tfrecord数据集获得图像及其标签，并保存相应的数据，作为后续训练的输入数据；
23、s23，利用步骤s22得到的图像训练卷积神经网络，对设定堵灰区域进行识别和定位。
24、作为一种优选的技术方案，步骤s22中，卷积神经网络包括依次连接的以下层：
25、输入层，输入数据为256*256*3的原始数据；
26、第一层：第一卷积层：卷积核为3*3*64，步长为1，填充设置为same，激活函数为relu，通过这一层得到的输出为：256*256*64的图像数据；
27、第二层：第一池化层：卷积核为2*2，步长为2，通过这一层得到的输出为:128*128*64的图像数据；池化之后，执行lrn()操作，局部响应归一化；
28、第三层：第二卷积层：卷积核为3*3*16，步长为1，填充设置为same，激活函数为relu，通过这一层得到的输出为：128*128*16的图像数据；
29、第四层：第二池化层：卷积核为2*2，步长为2，通过这一层得到的输出为:64*64*16的图像数据；池化之后，执行lrn()操作，局部响应归一化；
30、第五层：第一全连接层，128个神经元，将上一层中的输出矩阵重排为行向量，激活函数为relu；完成之后，执行drought操作；
31、第六层：第二全连接层，将上一层得到的1*1*128的列向量转换成2个类别打分。
32、作为一种优选的技术方案，第一卷积层中，卷积过程如公式(5)所示：
33、
34、其中：n*n为卷积核大小，i为特征图中行所在位置，j为特征图中列所在位置，wij为特征图第i行第j列位置上滤波器的权重参数，b为偏置量，xij为特征图第i行第j列位置上的像素值，y为输出值，再将该输出值y输入激活函数relu中，如公式(6)所示：
35、
36、其中：f(x)为特征图像对应的像素点的值。
37、作为一种优选的技术方案，第二全连接层中，使用tensorflow提供的tf.softmax_cross_entropy_with_logits函数来定义logit的交叉熵损失；交叉熵刻画的是实际输出的概率与期望输出的概率的距离，交叉熵的值越小，两个概率分布越接近，如公式(7)所示：
38、h(p,q)＝-∑xp(x)logq(x) (7)
39、其中，p为期望的输出，q为实际的输出，h(p，q)为交叉熵。
40、作为一种优选的技术方案，步骤s23中，反向传播阶段使用自适应矩估计算法，对模型中的每一个参数计算自适应的学习率；
41、对设定堵灰区域进行识别和定位，采用slic超像素分割算法，将输入的彩色图像转化为cielab颜色空间和xy坐标下的5维特征向量，再对这5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程；
42、聚类过程中，调整邻域种子点，方法为利用差分方式计算该邻域内所有像素点的梯度值，具体计算公式如公式(8)所示：
43、
44、以(0，0)为原点，水平向右为x轴正方向，竖直向下为y轴正方向，建立二维图像坐标系，(x，y)为每个像素块中心点的坐标，gradient(x,y)为梯度运算。
45、作为一种优选的技术方案，步骤s23中，调整完种子点之后进行像素点聚类，通过变换的欧式距离公式进行度量，具体计算公式如公式(9)所示：
46、
47、式中：dc表示颜色距离，ds表示空间距离，m为lab空间的距离可能最大值，m为图像在垂直方向上的像素数量，n为图像在水平方向上的像素数量，参数k为本文档来自技高网...
【技术保护点】
1.一种空气预热器转子局部堵灰预测方法，其特征在于，利用卷积神经网络对传感器采集到的空气预热器转子图像进行分析，对设定堵灰区域进行识别和定位。
2.根据权利要求1所述的一种空气预热器转子局部堵灰预测方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤S1中，以视场角来确定安装传感器的位置，视场角可分为水平视场角和垂直视场角；
4.根据权利要求2或3所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤S1中，步骤S2包括以下步骤：
5.根据权利要求4所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤S22中，卷积神经网络包括依次连接的以下层：
6.根据权利要求5所述的一种空气预热器转子局部堵灰预测方法，其特征在于，第一卷积层中，卷积过程如公式(5)所示：
7.根据权利要求6所述的一种空气预热器转子局部堵灰预测方法，其特征在于，第二全连接层中，使用TensorFlow提供的tf.softmax_cross_entropy_with_logit
8.根据权利要求7所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤S23中，反向传播阶段使用自适应矩估计算法，对模型中的每一个参数计算自适应的学习率；
9.根据权利要求8所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤S23中，调整完种子点之后进行像素点聚类，通过变换的欧式距离公式进行度量，具体计算公式如公式(9)所示：
10.一种空气预热器转子局部堵灰预测系统，其特征在于，用于实现权利要求1至9任一项所述的一种空气预热器转子局部堵灰预测方法，包括依次连接的以下模块：
...【技术特征摘要】
1.一种空气预热器转子局部堵灰预测方法，其特征在于，利用卷积神经网络对传感器采集到的空气预热器转子图像进行分析，对设定堵灰区域进行识别和定位。
2.根据权利要求1所述的一种空气预热器转子局部堵灰预测方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤s1中，以视场角来确定安装传感器的位置，视场角可分为水平视场角和垂直视场角；
4.根据权利要求2或3所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤s1中，步骤s2包括以下步骤：
5.根据权利要求4所述的一种空气预热器转子局部堵灰预测方法，其特征在于，步骤s22中，卷积神经网络包括依次连接的以下层：
6.根据权利要求5所述的一种空气预热器转子局部堵灰预测方法，其特征在于，第一卷积层中，卷积过程如公式(5)所示：
7.根据权利要求6所述的一种...
【专利技术属性】
技术研发人员：陈连，刘旺，龚高阳，李智华，王锋，石金刚，谢军，李雷雷，姚荣财，王召鹏，
申请(专利权)人：国能寿光发电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。