一种火电厂锅炉受热面磨损的监测方法与流程

本发明涉及火电厂设备监测，特别是涉及一种火电厂锅炉受热面磨损的监测方法。

背景技术：

1、锅炉受热面的磨损是火电厂常见的问题之一，磨损严重会影响锅炉的安全运行和效率。传统的监测方法主要依赖定期检查和人工经验判断，这种方法耗时长，且难以实现实时监测，存在较大的安全隐患。

2、现有技术中公开了锅炉受热面磨损的可视化检测方法，包括：获取锅炉受热面的三维模型、初始厚度和当前厚度；将所述三维模型划分成多个目标区域；根据初始厚度和当前厚度，计算出每个目标区域的磨损量；根据每个目标区域的磨损量和灰度值的计算公式，计算出每个目标区域的灰度值；根据每个目标区域的灰度值和原色值的计算公式，计算出每个目标区域的原色值；将每个目标区域的原色值进行融合和填充，得到目标模型；根据目标模型进行检测锅炉受热面磨损。通过该技术，无需依赖定期检查和人工经验判断，能够自动化的对过滤受热面进行检测，并使用户更加清晰直观地评估受热面磨损情况，使用户能够预先防护和及时更换锅炉受热面。

3、但是，该方法的精确度高度依赖于初始数据的准确性(如初始厚度和当前厚度的测量)以及三维模型的详细程度，如果初始数据采集或模型建立过程中存在误差，最终的磨损监测结果可能会受到影响。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种火电厂锅炉受热面磨损的监测方法。

2、为实现上述目的，本发明提供了如下方案：

3、一种火电厂锅炉受热面磨损的监测方法，包括：

4、获取待测的锅炉受热面的检测图像；

5、利用最优阈值分割方法，对所述检测图像进行去噪和图像分割处理，得到分割结果；

6、将所述分割结果输入至训练好的磨损位置监测模型中，得到监测结果；所述磨损位置监测模型是通过历史锅炉受热面磨损数据集进行训练得到的。

7、优选地，利用最优阈值分割方法，对所述检测图像进行去噪和图像分割处理，得到分割结果，包括：

8、使用滤波窗口检测所述检测图像上的噪声点，得到噪声均值；

9、在所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的检测图像进行去噪；

10、滑动所述滤波窗口，返回步骤“使用滤波窗口检测所述检测图像上的噪声点得到噪声均值”，直到遍历完成整个检测图像，得到去噪图像；

11、以所述去噪图像上的任意一点为中心取一个邻域窗口，计算所述邻域窗口中所有像素点的灰度平均值；

12、将相应像素点的灰度平均值作为中心像素点的输出，得到均值图像；

13、根据所述均值图像和所述去噪图像之间的相关度得到最优的分割阈值；

14、利用所述最优的分割阈值对所述去噪图像进行分割，得到包含有受热面磨损区域的所述分割结果。

15、优选地，使用滤波窗口检测所述检测图像上的噪声点得到噪声均值，包括：

16、根据滤波窗口内各个图像点的均值和中值构建噪声点检测模型；所述噪声点检测模型为：其中，f(x)表示像素点x的相似噪声值，u(x)表示像素点x的灰度值，表示像素点x的梯度均值，umean(x)表示以像素点x为中心的滤波窗口内所有像素点的灰度均值，表示像素点x的梯度均值，为以像素点x为中心的滤波窗口内所有像素点的灰度中值，表示像素点x在水平方向的梯度值，表示像素点x在垂直方向的梯度值；

17、利用所述噪声点检测模型对滤波窗口内各个图像点进行检测，得到每个图像点的相似噪声值；

18、将大于相似噪声值的相应图像点作为噪点；

19、根据噪点个数和滤波窗口内各个图像点的个数得到所述噪声均值。

20、优选地，在所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的检测图像进行去噪，包括：

21、根据滤波窗口内所有像素点的灰度中值计算伪像素方差；其中，所述伪像素方差计算公式为：其中，表示像素点(a,b)在滤波窗口的大小为(2n+1)×(2n+1)的区域内的伪像素方差，mean(a,b)表示像素点(a,b)在滤波窗口的灰度中值，x(k,l)表示在(k,l)位置像素点的灰度值；

22、利用所述伪像素方差构建窗口去噪模型；所述窗口去噪模型的公式为：其中，f(a,b)表示像素点(a,b)在去噪后的灰度值，d为可调系数，x(a,b)表示像素点(a,b)在滤波窗口内的灰度值。

23、优选地，根据所述均值图像和所述去噪图像之间的相关度得到最优的分割阈值，包括：

24、提取所述去噪图像和所述均值图像上在同一位置的灰度值，组成灰度数组；

25、利用所述灰度数组构建分割函数；

26、获取预设的分割数组，不断调节预设的分割数组，直到分割函数的值最大；

27、将分割函数的值最大所对应的分割数组作为最优的分割阈值。

28、优选地，所述磨损位置监测模型的构建方法包括：

29、获取预设的历史锅炉受热面磨损数据集；

30、构建基于深度学习的cnn模型；

31、根据所述历史锅炉受热面磨损数据集对所述cnn模型进行训练，得到训练好的分类网络；

32、在所述分类网络后连接训练好的lstm神经网络，得到cnn-lstm组合神经网络模型；

33、根据所述cnn-lstm组合神经网络模型对所述分割结果进行预测，得到所述监测结果。

34、优选地，所述cnn模型和所述lstm神经网络中的sigmoid函数和tanh激活函数的数值范围分别为[0,1]和[-1,1]。

35、根据本发明提供的具体实施例，本发明公开了以下技术效果：

36、本发明提供了一种火电厂锅炉受热面磨损的监测方法，包括：获取待测的锅炉受热面的检测图像；利用最优阈值分割方法，对所述检测图像进行去噪和图像分割处理，得到分割结果；将所述分割结果输入至训练好的磨损位置监测模型中，得到监测结果；所述磨损位置监测模型是通过历史锅炉受热面磨损数据集进行训练得到的。本发明集成高精度图像处理技术、实时数据处理和智能算法，为火电厂锅炉受热面的磨损监测提供了一种高效、实时的解决方案，对提升火电厂的安全管理水平和运行效率具有重要意义。

技术特征：

1.一种火电厂锅炉受热面磨损的监测方法，其特征在于，包括：

2.根据权利要求1所述的火电厂锅炉受热面磨损的监测方法，其特征在于，利用最优阈值分割方法，对所述检测图像进行去噪和图像分割处理，得到分割结果，包括：

3.根据权利要求1所述的火电厂锅炉受热面磨损的监测方法，其特征在于，使用滤波窗口检测所述检测图像上的噪声点得到噪声均值，包括：

4.根据权利要求2所述的火电厂锅炉受热面磨损的监测方法，其特征在于，在所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的检测图像进行去噪，包括：

5.根据权利要求2所述的火电厂锅炉受热面磨损的监测方法，其特征在于，根据所述均值图像和所述去噪图像之间的相关度得到最优的分割阈值，包括：

6.根据权利要求1所述的火电厂锅炉受热面磨损的监测方法，其特征在于，所述磨损位置监测模型的构建方法包括：

7.根据权利要求6所述的火电厂锅炉受热面磨损的监测方法，其特征在于，所述cnn模型和所述lstm神经网络中的sigmoid函数和tanh激活函数的数值范围分别为[0,1]和[-1,1]。

技术总结本发明提供了一种火电厂锅炉受热面磨损的监测方法，包括：获取待测的锅炉受热面的检测图像；利用最优阈值分割方法，对所述检测图像进行去噪和图像分割处理，得到分割结果；将所述分割结果输入至训练好的磨损位置监测模型中，得到监测结果；所述磨损位置监测模型是通过历史锅炉受热面磨损数据集进行训练得到的。本发明集成高精度图像处理技术、实时数据处理和智能算法，为火电厂锅炉受热面的磨损监测提供了一种高效、实时的解决方案，对提升火电厂的安全管理水平和运行效率具有重要意义。技术研发人员：吕雨林,王钢锋,王林,王治辉,范春晖,曹陈军,管宇宙,陈光耀,于泳受保护的技术使用者：华能铜川照金煤电有限公司技术研发日：技术公布日：2024/7/29