劉 鋼，李曉東，金軼群，劉 川，羅智斌，謝宙樺，馮鐵玲，黃善鋒

（1.中電四會熱電有限責任公司，廣東 四會 526242；2.西安熱工研究院有限公司，陜西 西安 710054）

工業(yè)循環(huán)冷卻水在鋼鐵、電力、化工等工業(yè)生產(chǎn)過程中發(fā)揮著重要的作用，占據(jù)了工業(yè)用水的50%以上[1-2]。然而，在工業(yè)循環(huán)冷卻水運行的過程中，循環(huán)冷卻水在大氣、凝汽器等換熱器中頻繁循環(huán)使用，不斷蒸發(fā)濃縮導(dǎo)致循環(huán)冷卻水的pH值、堿度、硬度和濃縮倍率等水質(zhì)指標發(fā)生變化，使得循環(huán)冷卻水系統(tǒng)存在腐蝕、結(jié)垢等問題，導(dǎo)致發(fā)電系統(tǒng)的換熱效率下降或腐蝕，影響機組正常運行[3]。因此，對工業(yè)循環(huán)冷卻水系統(tǒng)運行狀態(tài)進行預(yù)測并及時處理，就成為火力發(fā)電等工業(yè)領(lǐng)域中的重要問題[4-5]。為此，本文提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）的循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測方法，該方法根據(jù)工業(yè)循環(huán)水水質(zhì)特征，搭建了深度卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由3個卷積層、3個池化層、2個全連接層組成。深度卷積神經(jīng)網(wǎng)絡(luò)通過多層卷積對水質(zhì)數(shù)據(jù)特征進行提取，從而對循環(huán)水系統(tǒng)運行狀態(tài)進行分類。實驗結(jié)果表明，深度卷積神經(jīng)網(wǎng)絡(luò)在工業(yè)循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測分類中能達到94%的識別率，具有較強的泛化能力。對解決循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測問題具有重要的意義。

1 循環(huán)冷卻水系統(tǒng)運行狀態(tài)分析

循環(huán)冷卻水系統(tǒng)的安全穩(wěn)定運行對水質(zhì)等指標有著嚴格的要求，各水質(zhì)等指標相互關(guān)聯(lián)，共同作用形成循環(huán)冷卻水系統(tǒng)各種運行狀態(tài)[6-8]。循環(huán)水系統(tǒng)的運行狀態(tài)通?？煞譃榻Y(jié)垢、結(jié)垢風險大、腐蝕、腐蝕風險大、殺菌劑過量、抑菌效果差、排放風險大、排放超標、黏泥大和達標10個類別。一旦發(fā)現(xiàn)循環(huán)冷卻水系統(tǒng)運行狀態(tài)不正常如結(jié)垢等需及時處理，對循環(huán)水運行方式采取措施進行調(diào)整，避免影響正常的工業(yè)生產(chǎn)。

然而，循環(huán)水系統(tǒng)運行狀態(tài)無法直接檢測，需利用可測的水質(zhì)指標進行預(yù)測。目前，可測指標主要有18個：pH值、有機磷、酚酞堿度、全堿度、氯離子、余氯、濁度、濃縮倍率、COD、正磷、總磷、硬度、鈣離子、鎂離子、阻垢劑含量、進口水溫、出口水溫、乏汽溫度。在這些指標中，大部分指標之間存在著相互聯(lián)系，部分運行狀態(tài)與主要指標之間的關(guān)系如圖1所示。結(jié)垢狀態(tài)受多種因素影響，而阻垢劑又在一定程度上同時影響Ca2+、有機膦、腐蝕速率和碳酸鈣垢的形成等，同時碳酸鈣垢又受溫度、Ca2+、有機膦等影響，多種因素呈鏈式影響，并能反映某種運行狀態(tài)的情況。

圖1 水質(zhì)指標關(guān)系Fig.1 Relationship diagram of water quality indicators

由圖1可見，若利用主成分分析法（principal components analysis，PCA）對這些指標進行特征提取，會失去一部分原有的數(shù)據(jù)特征，影響循環(huán)冷卻水系統(tǒng)運行狀態(tài)預(yù)測的準確率[9-10]。而深度卷積神經(jīng)網(wǎng)絡(luò)具有自動抽取數(shù)據(jù)特征的優(yōu)點，因此，本文為了完整的保存整個數(shù)據(jù)特征，提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測方法，利用循環(huán)水冷卻水質(zhì)等數(shù)據(jù)的測量值，預(yù)測循環(huán)冷卻水系統(tǒng)運行狀態(tài)。

2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的循環(huán)水狀態(tài)預(yù)測方法

本文提出的基于深度CNN循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測方法框架如圖2所示。利用卷積神經(jīng)網(wǎng)絡(luò)可以自動提取數(shù)據(jù)特征和多輸出的特性，將數(shù)據(jù)直接導(dǎo)入神經(jīng)網(wǎng)絡(luò)進行輸出分類[11]。針對數(shù)組數(shù)據(jù)進行的卷積神經(jīng)網(wǎng)絡(luò)可以參考圖像數(shù)據(jù)的處理思路，其中循環(huán)水水質(zhì)的18個可檢測指標作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，循環(huán)水系統(tǒng)運行狀態(tài)的10個類別作為卷積神經(jīng)網(wǎng)絡(luò)的輸出。

圖2 循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測流程Fig.2 Flow chart of operation state prediction for the circulating water system

卷積神經(jīng)網(wǎng)絡(luò)模型示意如圖3所示。由圖3可見，同樣利用卷積核在數(shù)據(jù)段上的平移卷積進行特征信息的抽取，得到1個一維的特征矩陣，其表達能力強于原始的數(shù)據(jù)段[12-13]；然后對抽取的信息進行池化下采樣，即卷積核在數(shù)據(jù)段上的平移，池化也是通過在特征信息段上的平移來完成。這里應(yīng)用最大值池化即對所選中的池化窗口中的數(shù)據(jù)保留其中的最大值，在保持分類準確率的前提下拋棄部分參數(shù)以減少過擬合風險[14]。

圖3 卷積神經(jīng)網(wǎng)絡(luò)模型示意Fig.3 Schematic diagram of the convolutional neural network model

2.1 卷積神經(jīng)網(wǎng)絡(luò)原理

由Alexander Waibel提出的卷積神經(jīng)網(wǎng)絡(luò)在Lecun等人[15]的完善中實現(xiàn)了多層網(wǎng)絡(luò)訓(xùn)練，其復(fù)雜度相較于全連接神經(jīng)網(wǎng)絡(luò)更低，運算的參數(shù)也更少。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，可以分為輸入層、卷積層、池化層、輸出層[16]，其中卷積層和池化層的局部連接。權(quán)重共享和池化層的池化下采樣是卷積神經(jīng)網(wǎng)絡(luò)的特點，可有效縮減全連接神經(jīng)網(wǎng)絡(luò)容易過擬合的特性，不對數(shù)據(jù)中某個數(shù)據(jù)特別依賴，更全面的對信號進行采樣和特征提取。

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Architecture of the convolutional neural network

由圖4可見：數(shù)據(jù)通過輸入層進入卷積層后通過卷積核的不斷平移對原始數(shù)據(jù)進行特征抽取，由于每次只關(guān)注卷積核大小的部分區(qū)域就達到了局部連接的效果；然后通過池化下采樣拋棄樣本數(shù)據(jù)中不重要的數(shù)據(jù)減少參加運算的參數(shù)，有效防止過擬合的發(fā)生；最后數(shù)據(jù)流向全連接層也就是輸出層進行數(shù)據(jù)權(quán)重的匯總并得出輸出結(jié)果。

2.2 模型構(gòu)建

本文提出的卷積神經(jīng)網(wǎng)絡(luò)包含1個輸入層、3個卷積層和3個池化層，最后經(jīng)過全連接層后進行輸出分類。

模型中各神經(jīng)元的具體關(guān)系如圖5所示。神經(jīng)元之間相互連接，為了避免整個網(wǎng)絡(luò)過度依賴某個神經(jīng)元即某個特征而形成過擬合，在每層網(wǎng)絡(luò)中加入Dropout層隨機使部分神經(jīng)元不工作，在訓(xùn)練時這些神經(jīng)元以某一設(shè)定的概率保留，而每次前向通道中工作的神經(jīng)元都是隨機篩選的，從而減少了訓(xùn)練過程中對某個或某些神經(jīng)元的過分依賴。輸出估計值經(jīng)過softmax層進行優(yōu)化后進行最終的輸出[17]。

圖5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Neural network structure

在輸出環(huán)節(jié)使用交叉熵即損失函數(shù)作為評價指標，輸出的預(yù)測值通過softmax層進行計算后確定多分類的概率，再利用這個概率進行交叉熵的計算，得到具體的損失函數(shù)結(jié)果后進行優(yōu)化從而確定分類的輸出結(jié)果。交叉熵和softmax的計算公式為：

式中：p為期望概率輸出；q為實際概率輸出。

2.3 數(shù)據(jù)處理

在原始數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前必須對數(shù)據(jù)進行處理，以便神經(jīng)網(wǎng)絡(luò)能更高效地處理數(shù)據(jù)并達到收斂，數(shù)據(jù)處理過程步驟如下。

1）獲取數(shù)據(jù) 本文選取水質(zhì)pH值、總堿性、COD等18個循環(huán)水檢測指標作為數(shù)據(jù)輸入，將相對獨立的10個循環(huán)水系統(tǒng)運行狀態(tài)和5個目標值，分批次進行獨立訓(xùn)練。

2）選取研究對象 在數(shù)據(jù)整理過程中發(fā)現(xiàn)循環(huán)水水質(zhì)的結(jié)垢腐蝕問題在所有的目標類別中最為突出，數(shù)據(jù)也相對比較完善，故把結(jié)垢腐蝕問題作為本文主要研究對象。

3）劃分數(shù)據(jù)集 對采樣的數(shù)據(jù)集進行標記后以7:3比例劃分為訓(xùn)練集和測試集（即70%的數(shù)據(jù)用來訓(xùn)練模型，30%的數(shù)據(jù)用來測試模型的準確程度），能較有效地保證模型的效果展示。

4）歸一化處理 對數(shù)據(jù)進行歸一化處理使得各特征處于同一規(guī)格，方便后續(xù)權(quán)重的計算等。歸一化處理公式為：式中：XNi為歸一化結(jié)果，其值為[0,1]。以上均為數(shù)據(jù)預(yù)處理部分，之后則將數(shù)據(jù)輸入到深度卷積神經(jīng)網(wǎng)絡(luò)進行模型搭建。

3 實驗及結(jié)果分析

該實驗數(shù)據(jù)由某電廠現(xiàn)場采集獲得，部分主要水質(zhì)指標數(shù)據(jù)見表1。由于數(shù)據(jù)量較大，表1只展示了部分數(shù)據(jù)。

表1 循環(huán)水部分水質(zhì)數(shù)據(jù)Tab.1 Circulating water quality index data (part)

對數(shù)據(jù)進行歸一化等預(yù)處理后將其劃分為訓(xùn)練集（70%）與測試集（30%），訓(xùn)練集用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，測試集用來測試神經(jīng)網(wǎng)絡(luò)泛化能力。

3.1 模型參數(shù)設(shè)置

在訓(xùn)練中不同的層數(shù)和卷積核對模型影響很大，在經(jīng)過多次模型參數(shù)調(diào)整后考慮模型復(fù)雜度確定了3層深度卷積神經(jīng)網(wǎng)絡(luò)模型，并經(jīng)過反復(fù)實驗可以確定相對較優(yōu)的超參數(shù)和卷積核大小見表2。

表2 卷積神經(jīng)網(wǎng)絡(luò)模型超參數(shù)設(shè)置Tab.2 Hyperparameter setting of the convolutional neural network model

3.2 訓(xùn)練結(jié)果分析

此次實驗在Python環(huán)境下實現(xiàn)，在將循環(huán)水所有數(shù)據(jù)重復(fù)1 000次輸入網(wǎng)絡(luò)對模型參數(shù)進行訓(xùn)練后獲得最終實驗結(jié)果。圖6和圖7分別為BP神經(jīng)網(wǎng)絡(luò)和本文提出的方法在同一訓(xùn)練集和測試集數(shù)據(jù)上的表達曲線。

圖6 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與測試結(jié)果Fig.6 Training and testing results of the BP neural network model

圖7 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與測試結(jié)果Fig.7 Training and testing results of the convolutional neural network model

由于循環(huán)水數(shù)據(jù)同時存在多種狀態(tài)類別故將其分為5個相對獨立的批次，分別進行模型的訓(xùn)練，具體有10個情況類別。表3為應(yīng)用本文方法和BP神經(jīng)網(wǎng)絡(luò)對于10類情況識別的多次訓(xùn)練平均結(jié)果。由表3可見，無論是結(jié)垢還是腐蝕或是其他幾類情況，本文方法的識別準確率均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。由上述結(jié)果可得，本文所提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)的循環(huán)水系統(tǒng)狀態(tài)識別方法在不需要人工提取特征的前提下，有效解決了數(shù)據(jù)指標較多時自動提取循環(huán)水系統(tǒng)特征并對狀態(tài)進行多分類的問題。

4 結(jié) 語

目前，工業(yè)循環(huán)水水質(zhì)狀態(tài)的判斷大多基于現(xiàn)場運行人員經(jīng)驗進行判斷，過度依賴運行人員的經(jīng)驗。為提高工業(yè)循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測的準確率，本文提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的智能循環(huán)水系統(tǒng)運行狀態(tài)方法。該方法利用深度學習算法的優(yōu)勢，在不需要人工提取特征的前提下能夠準確地預(yù)測出循環(huán)水系統(tǒng)運行狀態(tài)。在工業(yè)循環(huán)水數(shù)據(jù)多樣性的背景下，提高了水質(zhì)類別判斷的準確性，降低了對人為判斷的依賴性，提高了工業(yè)循環(huán)水運行的穩(wěn)定性。經(jīng)過電廠的真實數(shù)據(jù)進行驗證，本文方法具有較好的準確率和泛化能力，對工業(yè)循環(huán)水系統(tǒng)運行狀態(tài)預(yù)測和維護工業(yè)生產(chǎn)具有重要意義。