一种基于深度卷积神经网络的炉膛水冷壁异常识别算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112446115A(43)申请公布日2021.03.05(21)申请号202011454881.6G06K9/62(2006.01)(22)申请日2020.12.10G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人大唐东北电力试验研究院有限公司G06F113/14(2020.01)地址130102吉林省长春市北湖科技开发区雅安路1299号申请人东北电力大学(72)发明人袁智马博洋胡嘉铭姚显双曹生现(74)专利代理机构成都瑞创华盛知识产权代理事务所(特殊普通合伙)51270代理人邓瑞辜强(51)Int.Cl.G06F30/18(2020.01)G06F30/27(2020.01)权利要求书3页说明书6页附图1页(54)发明名称一种基于深度卷积神经网络的炉膛水冷壁异常识别算法(57)摘要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。CN112446115ACN112446115A权利要求书1/3页1.一种基于深度卷积神经网络的炉膛水冷壁异常识别算法，其特征在于，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。2.根据权利要求1所述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，其特征在于，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。3.根据权利要求1所述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，其特征在于，在步骤S2中，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；4)、通过以下公式分别对所述训练数据样本和所述测试数据样本进行归一化处理：其中，x*为归一化处理的结果，x为所述训练数据样本或所述测试数据样本中每条数据的各个数值，xmax为该样本中最大的数值，xmin为该条样本中最小的数值。4.根据权利要求1所述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，其特征在于，在步骤S3中，卷积神经网络模型进行训练具体包括以下步骤：①、将归一化处理后的训练数据样本分批出入到深度卷积神经网络模型中进行计算，得到前馈计算结果γ，γ(k)为Softmax分类器预测这条数据属于第k类的的概率；分类器最终需要分成的K个类，k表示属于第k类，具体包括：2CN112446115A权利要求书2/3页A1、构建卷积层：Conv为卷积操作，u1分别表示第一层卷积的输入和输出，i表示第i条数据，表示第1层的第n个卷积核；N为卷积核个数，bn表示第n个卷积核的偏置；f()为激活函数；A2、卷积运算窗口：其卷积运算输入和输出窗口的大小变化为：其中W为输入的长/宽(输入长宽不一定相等)，F为卷积核的大小，P为边缘补充个数，S为步长(卷积间隔个数)；A3、构建池化层：u1＝Maxpoolingv1其中，v1是为第一池化层的输入，Maxpooling为最大池化操