基于深度学习与声发射原理的锅炉四管泄漏技术研究 .pdfVIP

基于深度学习与声发射原理的锅炉四管泄漏

技术研究

作者：解剑波金宏伟王焕明屠海彪杨林豪

来源：《机电信息》2020年第23期

摘要：锅炉四管泄漏是电厂频发的安全事故之一，目前国内主流的锅炉泄漏监测方法为空

气声监测方法，该方法在空气声传感器安装位置选择、信号覆盖范围、泄漏信号与锅炉背景噪

声的重叠处理等方面存在问题。为此，提出了基于深度学习和声发射原理的锅炉四管泄漏监测

技术，并提出了一种新的声发射信号状态识别模型Scat-GANomaly。实验证明，该模型对声发

射信号的识别率在90%以上，完全可以满足电厂对锅炉泄漏监测的实际需求。

关键词：Scat-GANomaly;锅炉泄漏;声发射信号;深度学习

引言0

在火力发电厂中，锅炉的过热器、再热器、水冷壁和省煤器（以下简称“四管”）泄漏是造

成锅炉非计划停炉的主要原因之一。锅炉四管泄漏的特点是初期泄漏发展速度慢，为非破坏性

泄漏，一般持续几天或几周，当泄漏发展到一定阶段就转变为破坏性泄漏。因此，如何在早期

发现锅炉四管泄漏问题，对于妥善安排锅炉检修、缩短停炉时间以及降低维修费用具有重要意

义。

目前，国内主流的锅炉泄漏监测方法为空气声监测方法。该方法是在锅炉管壁上开空气声

传播孔并将空气声波导管焊接在其中，在空气声传感器的外侧端安装有空气声传感器。炉内的

噪声通过空气传播到波导管并被空气声传感器探测到。这种方法比早期的水质量平衡监测技

术、锅炉水化学监测技术以及X射线透照探伤监测技术等更方便、简单、有效，但在空气声

传感器安装位置选择、信号覆盖范围、泄漏信号与锅炉背景噪声的重叠处理等方面还存在问

题。

锅炉管道在运行时，炉内管道充满高温、高压介质，这些高温、高压介质会损伤和破坏工

程材料，导致管道发生泄漏。这些高温、高压介质会通过裂缝或破口喷射出来形成喷流，从管

道泄漏的气液混合物与管道外面的介质迅速混合，在混合边界层形成剧烈的湍流流动，产生混

合噪声，管道内壁以及管道壁面上产生超声波信号，包含了锅炉管道的泄漏信息，这就是声发

射现象。

为了克服声学监测方法存在的问题，声发射技术所监测的泄漏信号属于超声波范畴，超声

波在空气中传播衰减很快，但在固体尤其是金属中传播速度快、衰减小，锅炉泄漏在管道中激

发的应力波会随着管道传播，通过在水冷壁或者出口集箱上焊接波导杆，在波导杆的外端侧安

装声发射传感器，可以监测到应力波，从而实现对锅炉泄漏情况的有效监测。锅炉内的背景噪

声主要集中在低频部分，超声波信号很小，当发生泄漏时超声波信号增强，故超声波监测具有

更高的灵敏度，信号覆盖范围更广，发现管道泄漏的时机更早。

当前主流的声学监测和声发射监测都是使用声谱分析技术（短时FFT和小波技术）和传

统机器学习技术（神經网络、支持向量机与K最近邻算法），对泄漏信号所在的主要频段进

行监测，通过监测该频段的能量发生变化，发现锅炉四管泄漏。它们的优势是对泄漏信号的声

谱非常敏感，可以检测到微小的泄漏信号，能够实时地长时间监测泄漏信号，但它们的弊端是

投入运行时有漏报、误报的情况发生，这是因为系统没有很好地处理或者区分锅炉运行状态下

的背景噪声，仅对某些频段进行了关注，并没有全面关注机组的运行状态，所以即使发生了误

报、漏报情况，系统也未能学习到当前锅炉运行状态的信号信息，随后在相同工况下仍然会发

生误报、漏报情况，给用户带来很大的困扰。

深度学习技术在最近十年来得到了广泛应用，尤其在图像识别、语音识别等领域取得了显

著成果。它的本质是通过不断地学习提取数据特征。我们利用深度学习技术，提取锅炉运行状

态特征，从而实现对锅炉运行状态的划分，减少锅炉泄漏监测误报、漏报情况。

声发射信号1状态识别模型的建立

目前采集和处理声发射信号的方法大致可以分为两种：第一种是利用信号分析技术，提取

多个波形特征参数，利用这些特征参数进行分析，如时域特征分析，这类方法称为波形特征参

数分析法;第二种是贮存和记录声发射信号波形，然后对波形进行分析。波形特征参数分析方

法有利于对突发型声发射信号进行分析，目前得到了广泛应用，但对于连续型声发射信号仅有

振铃次数、能量参数、平均电平和有效电压4个参数可以使用，适应性并不好。本文利用深度

学习技术对波形进行分析，学习波形的本质特征。

小波1.1散射变换神经网络

小波散射变换神经网络是将卷积神经网络与小波变化相结合应用，实质上也是深度学习的

一种。它通过迭代方向的复小波分解、取模运算及局部平均法获取信号的特征描述。