解剑波 金宏伟 王焕明 屠海彪 杨林豪

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

0 引言

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（神经网络、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，所以即使發生了误报、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。

1 声发射信号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。

1.1    小波散射变换神经网络

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。不同散射路径得到的散射系数聚集成信号的散射表示，可有效地平衡特征的不变性和类别区分度，具有局部形变稳定性、平移不变性、非发散性、加性噪声稳定性、能量保持性等优点。散射变换和深度学习框架之间的一个重要区别是过滤器是先验定义的而不是被学习的。散射变换使用了小波函数作为神经网络元，故需要使用大量数据对网络进行训练，因此散射网络特别适合于小样本数据的训练。

本文利用小波散射变化神经网络对超声波波形信号进行特征提取。0阶系数含有较大的背景噪声，一般不采用。本文观察了不同运行状态下的1阶系数和2阶系数，利用主成分分析，选取主要的系数组成特征矩阵，这个矩阵作为基本特征矩阵。

1.2    GANomaly神经网络

深度学习需要大量的数据支撑，泄漏声发射信号很难获取，但锅炉正常运行的信号可以轻易获取，该类深度学习称为异常监测。在深度学习领域，异常监测得到了快速发展，尤其是生成式对抗网络GAN的提出，对抗思想得到了广泛应用。在基于GAN的异常监测早期应用中，主要研究的是数据分布特征，通过与正常样本数据的分布比较，判断当前样本是否异常，这类应用的典型代表是AnoGAN和Efficient-GAN-Anomaly，但这种方法局限性很强，计算成本也很高。GANomaly不同于前者，它关注的重点在潜在空间，通过编码-解码-再编码获得了两个潜在空间，通过比较两个潜在空间的距离判断异常，可以说是一个新的突破，并且取得了较好的效果，计算量也比前者小得多。

GANormaly设计模式如图1所示。

在训练阶段，使用正常样本对整个模型进行训练。编码器GE（x）、解码器GD（z）和重构编码器E（■）模型参数都适用于正常样本。

在测试阶段，当一个异常样本进入网络时，因模型编码器、解码器不适用于异常样本，故潜在变量z和潜在变量■的差距比较大。本文规定该差距是一个分值A（x）=||GE（x）-E（G（x））||1，通过设定阈值？准，一旦A（x）>？准，模型就认定送入的样本x是异常数据。

笔者在实践过程中发现，GANomaly对于监测正常运行的不同工况存在一定的局限性，主要是因为信号的相似度较高，潜在空间的差距较小，对于阈值？准的选择存在一定困难。引起这种情况的原因是潜在空间分布不均衡。通常可以采用两种方法来处理这种情况：（1）将相似工况合并为同一工况;（2）对前期散射特征进行进一步处理，选择更具有表征能力的系数作为特征。

GANomaly尽管存在上述局限性，但是锅炉泄漏时的超声波信号与正常运行状态下的超声波信号存在明显的区别，故这种局限性并不影响它的应用效果。采用深度学习方法就是为了全面学习不同工况下的信号特征，通过学习能够预防频繁发生相同工况下的误报、漏报情况。传统的分析方法更侧重泄漏特征而不是工况特征，所以它无法阻止误报、漏报情况的发生。

1.3    声发射信号状态识别模型Scat-GANomaly

深度学习的优势突出，但在实际的工业运用中，其最大的限制就是计算资源，为此本文结合信号分析方法和深度学习方法，提出了一种能够适应现场需求的声发射信号状态识别模型Scat-GANomaly。Scat-GANomaly设计模式如图2所示。

（1）散射网络，它从频域角度提取更为细致的特征。本文对这些特征进行了选取，能够更为有效地表征信号特征，同时为了降低计算资源的要求，对散射网络进行了资源共享，有效提升了计算效率。

（2）GANomaly网络，它对散射特征进行进一步的特征提取，形成2个潜在空间，通过潜在空间的距离比较实现异常检测。

2 实现过程与结果分析

由于锅炉泄漏的超声波信号很难获取，本文采用了机组正常运行的不同工况下的数据作为训练和测试数据，以验证所提出的Scat-GANomaly网络的准确性。本文采集了机组在1个月内不同运行状态下的数据。机组在运行时，不同的工况下其超声波信号是不同的，所以本文针对不同的工况建立了不同的训练模型，一共建立了8组模型，采用交叉验证方法，抽取其中1个工况的数据作为正常数据，其他工况作为异常数据。Scat-GANomaly神经网络在不同工况下的应用效果如表1所示。

通过分析识别率数据可以看出，相邻工况的识别率较低（80%以上），不相邻的工况则识别率较高（92%），通过合并相邻工况可以进一步提升信号的识别率。

以上实验是基于锅炉正常运行的数据分析结果。根据美国物理公司的锅炉泄漏的超声波信号分析结果，锅炉泄漏时超声波信号会有相对明显的变化，使用该模型判定信号异常的识别率将会大大提升。

3 结语

本文针对锅炉四管泄漏问题，提出了新的锅炉泄漏监测方案。锅炉泄漏时会发出声发射信号，利用深度学习技术可以识别声发射信号，据此提出了一种声发射信号状态识别模型Scat-GANomaly。实验表明，声发射信号状态识别模型Scat-GANomaly的信号识别准确率更高，抗噪性能更好，正常工况下的异常信号识别率在90%以上，由于泄漏工况的声发射信号比正常工况更为明显，泄漏工况下的异常信号识别率将大大高于90%，能够满足实际的锅炉泄漏监测需求。

[参考文献]

[1] 许周乐.基于深度学习与散射变换的信号分类研究[D].重庆：重庆大学，2018.

[2] 原天龙.工业锅炉泄漏声发射检测技术研究[D].昆明：昆明理工大学，2015.

[3] WIATOWSKI T，BOLCSKEI H.A mathematical theory of deep convolutional neural networks for feature extraction[J].IEEE Transactions on Information Theory，2018，64（3）：1845-1866.

收稿日期：2020-07-24

作者簡介：解剑波（1970—），男，浙江台州人，研究生，高级工程师，从事能源电气化、自动化方面研究工作。