引言

火電廠運(yùn)行現(xiàn)場存在多種管道和設(shè)備，其中存在煤炭的輸送和燃燒、熱能的轉(zhuǎn)換、機(jī)械能的產(chǎn)生以及電能的生成等環(huán)節(jié)，這些環(huán)節(jié)的安全運(yùn)行對于火電廠整體安全和效率至關(guān)重要。而電廠的“跑冒滴漏”現(xiàn)象就存在于這些重要的管道和設(shè)備上，為保證設(shè)備安全穩(wěn)定，目前電廠通常采用巡點(diǎn)檢形式進(jìn)行設(shè)備的定期檢查來消除這些隱患。但漏氣、漏液等微小隱患往往不易察覺，增大了安全運(yùn)行風(fēng)險(xiǎn)[1]。

近年來，深度學(xué)習(xí)、計(jì)算機(jī)視覺技術(shù)已在電力自動(dòng)化、故障診斷、安防管控等各細(xì)分領(lǐng)域逐步開始應(yīng)用[2]。其中針對于火電廠現(xiàn)場“跑冒滴漏”現(xiàn)象的自學(xué)習(xí)與自診斷也有了深入的研究。快速基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Faster Region-based Convolutional Network，F(xiàn)aster R-CNN）、基于區(qū)域的全卷積網(wǎng)絡(luò)（Region-based Fully Convolutional Network，R-FCN）、單次多邊框檢測（Single Shot MultiBox Detector，SSD）、YOLO（You Only Look Once）等算法與傳統(tǒng)目標(biāo)識別算法相比[3]，具有從大量圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí)目標(biāo)特征、不用設(shè)計(jì)特征提取器等優(yōu)勢，這種基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別算法有效地簡化了算法流程，提升了目標(biāo)識別的效率、準(zhǔn)確率以及泛化能力[4]。

目前已有電廠開展了多種無人檢測研究，實(shí)現(xiàn)了設(shè)備跑冒滴漏現(xiàn)象識別并及時(shí)向運(yùn)行人員發(fā)送警報(bào)。攝像頭監(jiān)控、視頻圖像識別、機(jī)器人巡檢、無人機(jī)巡檢、紅外測溫等技術(shù)手段的應(yīng)用，極大地減輕了現(xiàn)場巡檢人員工作[5]。但這些研究往往基于原有的算法和數(shù)據(jù)庫，對于現(xiàn)場環(huán)境復(fù)雜、泄漏情況多樣的現(xiàn)象識別率不高，會(huì)出現(xiàn)漏檢或錯(cuò)檢情況，給電廠安全運(yùn)行帶來了隱患。

本文通過視覺識別技術(shù)及深度學(xué)習(xí)的應(yīng)用，針對火電廠運(yùn)行現(xiàn)場漏油、漏水、漏灰、漏煤、漏粉、漏氣、漏煙等情況[6]，提出一種基于深度學(xué)習(xí)的視頻實(shí)時(shí)異常檢測方法。該方法采用目標(biāo)檢測性能較為成熟的YOLOv5為網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)[7]，構(gòu)建電廠設(shè)備跑冒滴漏數(shù)據(jù)集，對原始算法進(jìn)行改進(jìn)，包含了引入注意力機(jī)制、激活函數(shù)的更改、模型訓(xùn)練以及建立評價(jià)。通過搭建訓(xùn)練平臺進(jìn)行迭代學(xué)習(xí)，不斷構(gòu)建和修正圖像模型，并將模型存儲在統(tǒng)一數(shù)據(jù)平臺中，最終實(shí)現(xiàn)了檢測模型的端到端的學(xué)習(xí)策略。為了驗(yàn)證對原始算法改進(jìn)后的效果，將改進(jìn)后的模型在數(shù)據(jù)集上進(jìn)行訓(xùn)練并驗(yàn)證，通過目標(biāo)檢測和評價(jià)指標(biāo)對結(jié)果進(jìn)行分析，反饋模型應(yīng)用效果，最終完成測試驗(yàn)證。

本文詳細(xì)內(nèi)容請下載：

http://m.jysgc.com/resource/share/2000006320

作者信息：

張?jiān)?，司源2

（1.國能信控技術(shù)股份有限公司，北京 100097；

2.中國電子信息產(chǎn)業(yè)集團(tuán)有限公司，廣東 深圳 518057）