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(huì)熱電有限責(zé)任公司,廣東 四會(huì) 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(yùn)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(biāo)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(jī)組正常運(yùn)行[3]。因此,對(duì)工業(yè)循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)并及時(shí)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(yùn)行狀態(tài)預(yù)測(cè)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(gè)卷積層、3個(gè)池化層、2個(gè)全連接層組成。深度卷積神經(jīng)網(wǎng)絡(luò)通過多層卷積對(duì)水質(zhì)數(shù)據(jù)特征進(jìn)行提取,從而對(duì)循環(huán)水系統(tǒng)運(yùn)行狀態(tài)進(jìn)行分類。實(shí)驗(yàn)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(yùn)行狀態(tài)預(yù)測(cè)分類中能達(dá)到94%的識(shí)別率,具有較強(qiáng)的泛化能力。對(duì)解決循環(huán)水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)問題具有重要的意義。
循環(huán)冷卻水系統(tǒng)的安全穩(wěn)定運(yùn)行對(duì)水質(zhì)等指標(biāo)有著嚴(yán)格的要求,各水質(zhì)等指標(biāo)相互關(guān)聯(lián),共同作用形成循環(huán)冷卻水系統(tǒng)各種運(yùn)行狀態(tài)[6-8]。循環(huán)水系統(tǒng)的運(yùn)行狀態(tài)通??煞譃榻Y(jié)垢、結(jié)垢風(fēng)險(xiǎn)大、腐蝕、腐蝕風(fēng)險(xiǎn)大、殺菌劑過量、抑菌效果差、排放風(fēng)險(xiǎn)大、排放超標(biāo)、黏泥大和達(dá)標(biāo)10個(gè)類別。一旦發(fā)現(xiàn)循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)不正常如結(jié)垢等需及時(shí)處理,對(duì)循環(huán)水運(yùn)行方式采取措施進(jìn)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(yùn)行狀態(tài)無法直接檢測(cè),需利用可測(cè)的水質(zhì)指標(biāo)進(jìn)行預(yù)測(cè)。目前,可測(cè)指標(biāo)主要有18個(gè):pH值、有機(jī)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(jìn)口水溫、出口水溫、乏汽溫度。在這些指標(biāo)中,大部分指標(biāo)之間存在著相互聯(lián)系,部分運(yùn)行狀態(tài)與主要指標(biāo)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(shí)影響Ca2+、有機(jī)膦、腐蝕速率和碳酸鈣垢的形成等,同時(shí)碳酸鈣垢又受溫度、Ca2+、有機(jī)膦等影響,多種因素呈鏈?zhǔn)接绊?,并能反映某種運(yùn)行狀態(tài)的情況。
圖1 水質(zhì)指標(biāo)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(duì)這些指標(biāo)進(jìn)行特征提取,會(huì)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(yùn)行狀態(tài)預(yù)測(cè)的準(zhǔn)確率[9-10]。而深度卷積神經(jīng)網(wǎng)絡(luò)具有自動(dòng)抽取數(shù)據(jù)特征的優(yōu)點(diǎn),因此,本文為了完整的保存整個(gè)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(yùn)行狀態(tài)預(yù)測(cè)方法,利用循環(huán)水冷卻水質(zhì)等數(shù)據(jù)的測(cè)量值,預(yù)測(cè)循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)。
本文提出的基于深度CNN循環(huán)水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)方法框架如圖2所示。利用卷積神經(jīng)網(wǎng)絡(luò)可以自動(dòng)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(jìn)行輸出分類[11]。針對(duì)數(shù)組數(shù)據(jù)進(jìn)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(gè)可檢測(cè)指標(biāo)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,循環(huán)水系統(tǒng)運(yùn)行狀態(tài)的10個(gè)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(yùn)行狀態(tài)預(yù)測(cè)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(jìn)行特征信息的抽取,得到1個(gè)一維的特征矩陣,其表達(dá)能力強(qiáng)于原始的數(shù)據(jù)段[12-13];然后對(duì)抽取的信息進(jìn)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(duì)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(zhǔn)確率的前提下拋棄部分參數(shù)以減少過擬合風(fēng)險(xiǎn)[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
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(shí)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(yùn)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(diǎn),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(duì)數(shù)據(jù)中某個(gè)數(shù)據(jù)特別依賴,更全面的對(duì)信號(hào)進(jìn)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(jìn)入卷積層后通過卷積核的不斷平移對(duì)原始數(shù)據(jù)進(jìn)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(dá)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(yùn)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(jìn)行數(shù)據(jù)權(quán)重的匯總并得出輸出結(jié)果。
本文提出的卷積神經(jīng)網(wǎng)絡(luò)包含1個(gè)輸入層、3個(gè)卷積層和3個(gè)池化層,最后經(jīng)過全連接層后進(jìn)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(gè)網(wǎng)絡(luò)過度依賴某個(gè)神經(jīng)元即某個(gè)特征而形成過擬合,在每層網(wǎng)絡(luò)中加入Dropout層隨機(jī)使部分神經(jīng)元不工作,在訓(xùn)練時(shí)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(jī)篩選的,從而減少了訓(xùn)練過程中對(duì)某個(gè)或某些神經(jīng)元的過分依賴。輸出估計(jì)值經(jīng)過softmax層進(jìn)行優(yōu)化后進(jìn)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(píng)價(jià)指標(biāo),輸出的預(yù)測(cè)值通過softmax層進(jìn)行計(jì)算后確定多分類的概率,再利用這個(gè)概率進(jìn)行交叉熵的計(jì)算,得到具體的損失函數(shù)結(jié)果后進(jìn)行優(yōu)化從而確定分類的輸出結(jié)果。交叉熵和softmax的計(jì)算公式為:
式中:p為期望概率輸出;q為實(shí)際概率輸出。
在原始數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前必須對(duì)數(shù)據(jù)進(jìn)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(dá)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(gè)循環(huán)水檢測(cè)指標(biāo)作為數(shù)據(jù)輸入,將相對(duì)獨(dú)立的10個(gè)循環(huán)水系統(tǒng)運(yùn)行狀態(tài)和5個(gè)目標(biāo)值,分批次進(jìn)行獨(dú)立訓(xùn)練。
2)選取研究對(duì)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(biāo)類別中最為突出,數(shù)據(jù)也相對(duì)比較完善,故把結(jié)垢腐蝕問題作為本文主要研究對(duì)象。
3)劃分?jǐn)?shù)據(jù)集 對(duì)采樣的數(shù)據(jù)集進(jìn)行標(biāo)記后以7:3比例劃分為訓(xùn)練集和測(cè)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(cè)試模型的準(zhǔn)確程度),能較有效地保證模型的效果展示。
4)歸一化處理 對(duì)數(shù)據(jù)進(jìn)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(jì)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(jìn)行模型搭建。
該實(shí)驗(yàn)數(shù)據(jù)由某電廠現(xiàn)場(chǎng)采集獲得,部分主要水質(zhì)指標(biāo)數(shù)據(jù)見表1。由于數(shù)據(jù)量較大,表1只展示了部分?jǐn)?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(duì)數(shù)據(jù)進(jìn)行歸一化等預(yù)處理后將其劃分為訓(xùn)練集(70%)與測(cè)試集(30%),訓(xùn)練集用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù),測(cè)試集用來測(cè)試神經(jīng)網(wǎng)絡(luò)泛化能力。
在訓(xùn)練中不同的層數(shù)和卷積核對(duì)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(shí)驗(yàn)可以確定相對(duì)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
此次實(shí)驗(yàn)在Python環(huán)境下實(shí)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(duì)模型參數(shù)進(jìn)行訓(xùn)練后獲得最終實(shí)驗(yàn)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(cè)試集數(shù)據(jù)上的表達(dá)曲線。
圖6 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與測(cè)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(cè)試結(jié)果Fig.7 Training and testing results of the convolutional neural network model
由于循環(huán)水?dāng)?shù)據(jù)同時(shí)存在多種狀態(tài)類別故將其分為5個(gè)相對(duì)獨(dú)立的批次,分別進(jìn)行模型的訓(xùn)練,具體有10個(gè)情況類別。表3為應(yīng)用本文方法和BP神經(jīng)網(wǎng)絡(luò)對(duì)于10類情況識(shí)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(shí)別準(zhǔn)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(shí)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(biāo)較多時(shí)自動(dòng)提取循環(huán)水系統(tǒng)特征并對(duì)狀態(tài)進(jìn)行多分類的問題。
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(chǎng)運(yùn)行人員經(jīng)驗(yàn)進(jìn)行判斷,過度依賴運(yùn)行人員的經(jīng)驗(yàn)。為提高工業(yè)循環(huán)水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)的準(zhǔn)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(yùn)行狀態(tài)方法。該方法利用深度學(xué)習(xí)算法的優(yōu)勢(shì),在不需要人工提取特征的前提下能夠準(zhǔn)確地預(yù)測(cè)出循環(huán)水系統(tǒng)運(yùn)行狀態(tài)。在工業(yè)循環(huán)水?dāng)?shù)據(jù)多樣性的背景下,提高了水質(zhì)類別判斷的準(zhǔn)確性,降低了對(duì)人為判斷的依賴性,提高了工業(yè)循環(huán)水運(yùn)行的穩(wěn)定性。經(jīng)過電廠的真實(shí)數(shù)據(jù)進(jìn)行驗(yàn)證,本文方法具有較好的準(zhǔn)確率和泛化能力,對(duì)工業(yè)循環(huán)水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)和維護(hù)工業(yè)生產(chǎn)具有重要意義。