闫佳瑛，朱希安

(北京信息科技大学 信息与通信工程学院，北京 100101)

0 引言

锅炉受热面管壁长期处于复杂恶劣的工作环境，易发生腐蚀和泄漏现象，导致发电机组的事故主要集中于锅炉受热管[1-2]。不同学者通过对锅炉受热面腐蚀情况的研究，针对腐蚀原因提出一系列防腐蚀措施，但腐蚀现象仍然是不可避免的[3-4]。

为减少锅炉事故的发生，对受热管壁进行剩余寿命评估非常必要，而剩余寿命评估需要掌握管壁减薄情况。杨淑海[5]采用远场涡流法对管壁厚度进行了检测。于宝虹等[6]采用超声波法对高炉喷煤管道的壁厚减薄情况进行了分析。牟彦春等[7]提出超声相控阵技术对电站锅炉管道进行检测。但上述涡流法及超声波法的实施都需要凭借历史经验安排停机检测，耗费大量的时间成本。

随着电力工业的调整升级和锅炉设备日趋智能化的发展，海量的锅炉运行数据得以累积。通过预测模型结合历史数据对管壁厚度变化趋势进行预测已成为当下的研究趋势。王文辉[8]采用广义回归神经网络对油气管道腐蚀程度进行预测；吴庆伟等[9]利用支持向量机的方法预测了输油管壁厚度的减薄速率。本文以锅炉历史运行数据作为输入，结合3DCNN建立管壁厚度预测模型，对锅炉的管壁减薄情况进行预测。

1 三维卷积神经网络

3DCNN基本结构包括卷积层、池化层、全连接层和输出层。卷积层主要功能是提取锅炉数据的时间维度信息，保证时间连续数据的关联信息不被丢弃，提取时间和空间维度上都具有区分性的特征。……