解劍波 金宏偉 王煥明 屠海彪 楊林豪

摘要：鍋爐四管泄漏是電廠頻發(fā)的安全事故之一，目前國內(nèi)主流的鍋爐泄漏監(jiān)測方法為空氣聲監(jiān)測方法，該方法在空氣聲傳感器安裝位置選擇、信號覆蓋范圍、泄漏信號與鍋爐背景噪聲的重疊處理等方面存在問題。為此，提出了基于深度學習和聲發(fā)射原理的鍋爐四管泄漏監(jiān)測技術，并提出了一種新的聲發(fā)射信號狀態(tài)識別模型Scat-GANomaly。實驗證明，該模型對聲發(fā)射信號的識別率在90%以上，完全可以滿足電廠對鍋爐泄漏監(jiān)測的實際需求。

關鍵詞：Scat-GANomaly;鍋爐泄漏;聲發(fā)射信號;深度學習

0 引言

在火力發(fā)電廠中，鍋爐的過熱器、再熱器、水冷壁和省煤器（以下簡稱“四管”）泄漏是造成鍋爐非計劃停爐的主要原因之一。鍋爐四管泄漏的特點是初期泄漏發(fā)展速度慢，為非破壞性泄漏，一般持續(xù)幾天或幾周，當泄漏發(fā)展到一定階段就轉(zhuǎn)變?yōu)槠茐男孕孤?。因此，如何在早期發(fā)現(xiàn)鍋爐四管泄漏問題，對于妥善安排鍋爐檢修、縮短停爐時間以及降低維修費用具有重要意義。

目前，國內(nèi)主流的鍋爐泄漏監(jiān)測方法為空氣聲監(jiān)測方法。該方法是在鍋爐管壁上開空氣聲傳播孔并將空氣聲波導管焊接在其中，在空氣聲傳感器的外側(cè)端安裝有空氣聲傳感器。爐內(nèi)的噪聲通過空氣傳播到波導管并被空氣聲傳感器探測到。這種方法比早期的水質(zhì)量平衡監(jiān)測技術、鍋爐水化學監(jiān)測技術以及X射線透照探傷監(jiān)測技術等更方便、簡單、有效，但在空氣聲傳感器安裝位置選擇、信號覆蓋范圍、泄漏信號與鍋爐背景噪聲的重疊處理等方面還存在問題。

鍋爐管道在運行時，爐內(nèi)管道充滿高溫、高壓介質(zhì)，這些高溫、高壓介質(zhì)會損傷和破壞工程材料，導致管道發(fā)生泄漏。這些高溫、高壓介質(zhì)會通過裂縫或破口噴射出來形成噴流，從管道泄漏的氣液混合物與管道外面的介質(zhì)迅速混合，在混合邊界層形成劇烈的湍流流動，產(chǎn)生混合噪聲，管道內(nèi)壁以及管道壁面上產(chǎn)生超聲波信號，包含了鍋爐管道的泄漏信息，這就是聲發(fā)射現(xiàn)象。

為了克服聲學監(jiān)測方法存在的問題，聲發(fā)射技術所監(jiān)測的泄漏信號屬于超聲波范疇，超聲波在空氣中傳播衰減很快，但在固體尤其是金屬中傳播速度快、衰減小，鍋爐泄漏在管道中激發(fā)的應力波會隨著管道傳播，通過在水冷壁或者出口集箱上焊接波導桿，在波導桿的外端側(cè)安裝聲發(fā)射傳感器，可以監(jiān)測到應力波，從而實現(xiàn)對鍋爐泄漏情況的有效監(jiān)測。鍋爐內(nèi)的背景噪聲主要集中在低頻部分，超聲波信號很小，當發(fā)生泄漏時超聲波信號增強，故超聲波監(jiān)測具有更高的靈敏度，信號覆蓋范圍更廣，發(fā)現(xiàn)管道泄漏的時機更早。

當前主流的聲學監(jiān)測和聲發(fā)射監(jiān)測都是使用聲譜分析技術（短時FFT和小波技術）和傳統(tǒng)機器學習技術（神經(jīng)網(wǎng)絡、支持向量機與K最近鄰算法），對泄漏信號所在的主要頻段進行監(jiān)測，通過監(jiān)測該頻段的能量發(fā)生變化，發(fā)現(xiàn)鍋爐四管泄漏。它們的優(yōu)勢是對泄漏信號的聲譜非常敏感，可以檢測到微小的泄漏信號，能夠?qū)崟r地長時間監(jiān)測泄漏信號，但它們的弊端是投入運行時有漏報、誤報的情況發(fā)生，這是因為系統(tǒng)沒有很好地處理或者區(qū)分鍋爐運行狀態(tài)下的背景噪聲，僅對某些頻段進行了關注，并沒有全面關注機組的運行狀態(tài)，所以即使發(fā)生了誤報、漏報情況，系統(tǒng)也未能學習到當前鍋爐運行狀態(tài)的信號信息，隨后在相同工況下仍然會發(fā)生誤報、漏報情況，給用戶帶來很大的困擾。

深度學習技術在最近十年來得到了廣泛應用，尤其在圖像識別、語音識別等領域取得了顯著成果。它的本質(zhì)是通過不斷地學習提取數(shù)據(jù)特征。我們利用深度學習技術，提取鍋爐運行狀態(tài)特征，從而實現(xiàn)對鍋爐運行狀態(tài)的劃分，減少鍋爐泄漏監(jiān)測誤報、漏報情況。

1 聲發(fā)射信號狀態(tài)識別模型的建立

目前采集和處理聲發(fā)射信號的方法大致可以分為兩種：第一種是利用信號分析技術，提取多個波形特征參數(shù)，利用這些特征參數(shù)進行分析，如時域特征分析，這類方法稱為波形特征參數(shù)分析法;第二種是貯存和記錄聲發(fā)射信號波形，然后對波形進行分析。波形特征參數(shù)分析方法有利于對突發(fā)型聲發(fā)射信號進行分析，目前得到了廣泛應用，但對于連續(xù)型聲發(fā)射信號僅有振鈴次數(shù)、能量參數(shù)、平均電平和有效電壓4個參數(shù)可以使用，適應性并不好。本文利用深度學習技術對波形進行分析，學習波形的本質(zhì)特征。

1.1? ? 小波散射變換神經(jīng)網(wǎng)絡

小波散射變換神經(jīng)網(wǎng)絡是將卷積神經(jīng)網(wǎng)絡與小波變化相結(jié)合應用，實質(zhì)上也是深度學習的一種。它通過迭代方向的復小波分解、取模運算及局部平均法獲取信號的特征描述。不同散射路徑得到的散射系數(shù)聚集成信號的散射表示，可有效地平衡特征的不變性和類別區(qū)分度，具有局部形變穩(wěn)定性、平移不變性、非發(fā)散性、加性噪聲穩(wěn)定性、能量保持性等優(yōu)點。散射變換和深度學習框架之間的一個重要區(qū)別是過濾器是先驗定義的而不是被學習的。散射變換使用了小波函數(shù)作為神經(jīng)網(wǎng)絡元，故需要使用大量數(shù)據(jù)對網(wǎng)絡進行訓練，因此散射網(wǎng)絡特別適合于小樣本數(shù)據(jù)的訓練。

本文利用小波散射變化神經(jīng)網(wǎng)絡對超聲波波形信號進行特征提取。0階系數(shù)含有較大的背景噪聲，一般不采用。本文觀察了不同運行狀態(tài)下的1階系數(shù)和2階系數(shù)，利用主成分分析，選取主要的系數(shù)組成特征矩陣，這個矩陣作為基本特征矩陣。

1.2? ? GANomaly神經(jīng)網(wǎng)絡

深度學習需要大量的數(shù)據(jù)支撐，泄漏聲發(fā)射信號很難獲取，但鍋爐正常運行的信號可以輕易獲取，該類深度學習稱為異常監(jiān)測。在深度學習領域，異常監(jiān)測得到了快速發(fā)展，尤其是生成式對抗網(wǎng)絡GAN的提出，對抗思想得到了廣泛應用。在基于GAN的異常監(jiān)測早期應用中，主要研究的是數(shù)據(jù)分布特征，通過與正常樣本數(shù)據(jù)的分布比較，判斷當前樣本是否異常，這類應用的典型代表是AnoGAN和Efficient-GAN-Anomaly，但這種方法局限性很強，計算成本也很高。GANomaly不同于前者，它關注的重點在潛在空間，通過編碼-解碼-再編碼獲得了兩個潛在空間，通過比較兩個潛在空間的距離判斷異常，可以說是一個新的突破，并且取得了較好的效果，計算量也比前者小得多。

GANormaly設計模式如圖1所示。

在訓練階段，使用正常樣本對整個模型進行訓練。編碼器GE（x）、解碼器GD（z）和重構編碼器E（■）模型參數(shù)都適用于正常樣本。

在測試階段，當一個異常樣本進入網(wǎng)絡時，因模型編碼器、解碼器不適用于異常樣本，故潛在變量z和潛在變量■的差距比較大。本文規(guī)定該差距是一個分值A（x）=||GE（x）-E（G（x））||1，通過設定閾值？準，一旦A（x）>？準，模型就認定送入的樣本x是異常數(shù)據(jù)。

筆者在實踐過程中發(fā)現(xiàn)，GANomaly對于監(jiān)測正常運行的不同工況存在一定的局限性，主要是因為信號的相似度較高，潛在空間的差距較小，對于閾值？準的選擇存在一定困難。引起這種情況的原因是潛在空間分布不均衡。通常可以采用兩種方法來處理這種情況：（1）將相似工況合并為同一工況;（2）對前期散射特征進行進一步處理，選擇更具有表征能力的系數(shù)作為特征。

GANomaly盡管存在上述局限性，但是鍋爐泄漏時的超聲波信號與正常運行狀態(tài)下的超聲波信號存在明顯的區(qū)別，故這種局限性并不影響它的應用效果。采用深度學習方法就是為了全面學習不同工況下的信號特征，通過學習能夠預防頻繁發(fā)生相同工況下的誤報、漏報情況。傳統(tǒng)的分析方法更側(cè)重泄漏特征而不是工況特征，所以它無法阻止誤報、漏報情況的發(fā)生。

1.3? ? 聲發(fā)射信號狀態(tài)識別模型Scat-GANomaly

深度學習的優(yōu)勢突出，但在實際的工業(yè)運用中，其最大的限制就是計算資源，為此本文結(jié)合信號分析方法和深度學習方法，提出了一種能夠適應現(xiàn)場需求的聲發(fā)射信號狀態(tài)識別模型Scat-GANomaly。Scat-GANomaly設計模式如圖2所示。

（1）散射網(wǎng)絡，它從頻域角度提取更為細致的特征。本文對這些特征進行了選取，能夠更為有效地表征信號特征，同時為了降低計算資源的要求，對散射網(wǎng)絡進行了資源共享，有效提升了計算效率。

（2）GANomaly網(wǎng)絡，它對散射特征進行進一步的特征提取，形成2個潛在空間，通過潛在空間的距離比較實現(xiàn)異常檢測。

2 實現(xiàn)過程與結(jié)果分析

由于鍋爐泄漏的超聲波信號很難獲取，本文采用了機組正常運行的不同工況下的數(shù)據(jù)作為訓練和測試數(shù)據(jù)，以驗證所提出的Scat-GANomaly網(wǎng)絡的準確性。本文采集了機組在1個月內(nèi)不同運行狀態(tài)下的數(shù)據(jù)。機組在運行時，不同的工況下其超聲波信號是不同的，所以本文針對不同的工況建立了不同的訓練模型，一共建立了8組模型，采用交叉驗證方法，抽取其中1個工況的數(shù)據(jù)作為正常數(shù)據(jù)，其他工況作為異常數(shù)據(jù)。Scat-GANomaly神經(jīng)網(wǎng)絡在不同工況下的應用效果如表1所示。

通過分析識別率數(shù)據(jù)可以看出，相鄰工況的識別率較低（80%以上），不相鄰的工況則識別率較高（92%），通過合并相鄰工況可以進一步提升信號的識別率。

以上實驗是基于鍋爐正常運行的數(shù)據(jù)分析結(jié)果。根據(jù)美國物理公司的鍋爐泄漏的超聲波信號分析結(jié)果，鍋爐泄漏時超聲波信號會有相對明顯的變化，使用該模型判定信號異常的識別率將會大大提升。

3 結(jié)語

本文針對鍋爐四管泄漏問題，提出了新的鍋爐泄漏監(jiān)測方案。鍋爐泄漏時會發(fā)出聲發(fā)射信號，利用深度學習技術可以識別聲發(fā)射信號，據(jù)此提出了一種聲發(fā)射信號狀態(tài)識別模型Scat-GANomaly。實驗表明，聲發(fā)射信號狀態(tài)識別模型Scat-GANomaly的信號識別準確率更高，抗噪性能更好，正常工況下的異常信號識別率在90%以上，由于泄漏工況的聲發(fā)射信號比正常工況更為明顯，泄漏工況下的異常信號識別率將大大高于90%，能夠滿足實際的鍋爐泄漏監(jiān)測需求。

[參考文獻]

[1] 許周樂.基于深度學習與散射變換的信號分類研究[D].重慶：重慶大學，2018.

[2] 原天龍.工業(yè)鍋爐泄漏聲發(fā)射檢測技術研究[D].昆明：昆明理工大學，2015.

[3] WIATOWSKI T，BOLCSKEI H.A mathematical theory of deep convolutional neural networks for feature extraction[J].IEEE Transactions on Information Theory，2018，64（3）：1845-1866.

收稿日期：2020-07-24

作者簡介：解劍波（1970—），男，浙江臺州人，研究生，高級工程師，從事能源電氣化、自動化方面研究工作。