红外热像仪在阀厅冷却水泄漏监测中的应用.pdf

设备管理与维修2023 翼9（下）0引言在高压直流输电系统之内，换流站一般是为实现交流电与直流电之间的有效转化，同时保证电力系统自身运行稳定性，促进电能传输质量提升而设置的站点。高压直流换电站能够提供整流站及逆变站等多种功能的重要系统设施，属于直流输电的关键所在。换流站主要由换流阀、变压器、交流开关模块、无功补偿设备、直接开关模块和远程通信系统等构成，其中最关键的是由换流变压器与换流阀共同构成的环换流设备。在实际运行状态下换流阀必然会形成较大热量，所以应依靠阀冷系统、借助于水循环有效排出阀体运行过程中形成的热量。阀冷系统长时间处在高负荷的运行状态，很容易发生接头松动、部件老化的现象，具有一定的漏水风险，如果发生渗漏现象会在很大程度上降低换流阀运行效率，严重时还会烧毁阀体，影响高压直流输电系统的安全运行。采取科学措施对漏水问题实施精准检测，能够进一步延长阀体各个部件运行寿命，降低其故障概率。本文研究是基于可见光与红外融合技术对阀厅冷却水泄漏的特征、阀组件工作状态进行监测与判别，在不影响输变电设备正常运行情况下，实现远距离、非接触方式监测。1运用红外热像仪的优势首先，阀门泄漏问题通常难以被实时监测且存在较大的危害性。借助于红外热像仪技术能够更加准确快速地掌握阀门出现泄漏的位置，降低维护保养工作成本。其次，如果阀门调节属于腐蚀性抑或是危险性较高的介质，检修人员直接检测可能会增加事故发生概率，所以依靠红外热像仪技术可以非常便捷地对可能出现泄漏的区域实施检测，确保其安全性。再次，配备可见光的红外热像仪可以拍摄更加清晰的现场照片，利用图像融合技术帮助工作人员更加准确地进行故障定位。最后，红外热像仪相关软件系统能够存储收集到的数据信息并自动生成专业报告，有效促进日常监测工作安全性与便捷性的提升1。2冷却水泄漏红外热像仪检测原理红外线是一种电磁波（肉眼不可），存在波动性和粒子性等性质，波长 0.751000 m。自然界中的所有物体，其自身温度超过绝对零度（-273.16 益）之后必然出现电磁波，在其表面产生温度特征信息。由于物体组成材料、自身温度及表面光度存在差异，其红外辐射的实际强度也必然会有所不同。借助于红外热像仪能够探测此类物体表面辐射中的红外线2。它可以帮助工作人员更加直观形象地掌握物体表面辐射分布状态，即温度场。本文基于水与地面的红外辐射强度不同，从而在红外热成像上能检测到地面的水迹，通过将红外 16 位灰度数据变为 8 位灰度数据的结果（图 1）。3采用 FASTER R-CNN 深度神经网络检测地面水迹3.1基本框架Faster R-CNN 的整体结构包括如下 4 层：首先，Conv layers 属于针对 cnn 网络目标进行有效检测的手段，faster_rcnn 最开始选择基础 conv+relu+pooling 层获得image 的 feture map。将获取到的 feature map 进行共享，能够在RPN 层以及全连接层发挥重要作用。其次，Region Proposal Networks.RPN 网络能够直接生成region proposcals。这一基础层依靠 softmax 可准确评估 anchors为 foreground 以及 background 的类型，随后通过 box regression对 anchors 进行调整，最终得到更加准确的 propocals。再次，Roi Pooling 层中将 feature map 与 proposcal 进行采集，根据所得到的信息对 proposal feature map 进行收集，最终将其传输到全连接层可准确得出其类别。最后，Classification 依靠 proposal feature map 评 估 pro 原poscal 具体类别，随后依靠 bounding box regression 计算得出检验框实际位置。摘要：随着现代科学技术在各个行业和领域的普及应用，借助于红外热像仪对阀厅冷却水泄漏及阀组件状态进行监测，可以更加准确地确定阀门泄漏位置和泄漏情况。结合实践工作研究，探讨红外热像仪在阀厅冷却水泄漏与阀组件状态监测中的应用。关键词：红外热像仪；阀厅冷却水泄漏；状态监测；应用中图分类号：TM727.1；TN215文献标识码：BDOI：10.16621/ki.issn1001-0599.2023.09D.82红外热像仪在阀厅冷却水泄漏监测中的应用杨明权，方睿，黄仕鹏，何敏，陈田济帆（南方电网超高压输电公司贵阳局，贵州贵阳550009）图 1冷却水泄漏红外热成像骳髎髜设备管理与维修2023 翼9（下）3.2Con layer在 input-data 层时，把原图都 reshape 成 M伊N 大小的图片。conv layer 内涉及到 conv、relu、pooling 三个不同类型的层，对于 VGG16 来说其包含了 13 个 conv 层、13 个 relu 层、4 个pooling 层。对于 conv layer 而言：第一，所有 conv 层属于：kernel_size=3，pad=1第二，所有 pooling 层属于：kernel_size=2，stride=2Con layer 内包含 pooling 层 kernel_size=2，stride=2，这样可以让通过 pooling 层内的 M伊N 矩阵，集体变更为（M/2）伊（N/2）大小。由此可知对于 Conv layers，conv 及 relu 层不会对输入输出大小产生变化，唯有 pooling 层会导致输出长宽变更为输入时的1/2。如此，M伊N 的矩阵依靠 Conv layers 能够最终变成（M/16）伊（N/16），Conv layers 内的 featuure map 能够与原图准确匹配。3.3RPN（Region Propocal Networks，卷积神经网络）过去的检测手段在生成检测框的过程中会消耗较多时间成本，如 OpenCV adaboost 通过“滑动窗口+图像金字塔”生成检测框或利用 RCNN 选择 SS（Selective Search）途径获取。这样借助于 Faster RCNN 在很大程度上创新了一直所采用的滑动窗口和SS，能够依靠 RPN 更加快速准确获取检测框，属于 Faster RC原NN 的独有特点与突出优势，能够在很大程度上保障检测框获取效率3。RPN 通常涉及到 2 条线，上方通过 softmax 分类 anchors 产生 foreground 和 background（检测对象是 foreground），下方通常会计算 anchors 的 bounding box regression 偏移量，进而确保proposal 值的准确性有效提升。而 Proposal 层可以将 foregroundanchors 和 bounding box regression 的实际偏移量进行有机融合，产生 proposals，在这一过程中能够直接去掉过小及大于边界的 proposals。当网络处于 Proposal Layer 的状态下，已经实现了对目标的准确定位。3.4RI poolingRoI Pooling 层主要对 proposal 进行采集，同时能够得到proposal feature maps，将其传输到后续网络。在实践中可以了解到 Rol pooling 层拥有如下 2 个输入：最初的 feature mapsRPN 输出 proposal boxes（大小存在差异）1.RoI Pooling 基本原理对于 RoI Pooling Layer 的 caffe prototxt 进行定义：layer name：roi_pool5type：ROIPoolingbottom：conv5_3bottom：roistop：pool5roi_pooling_param pooled_w：7pooled_h：7spatial_scale：0.0625#1/16RoI Pooling layer forward 基本流程：知道它对应 M伊N 尺度，所以需要借助 spatial_scale 参数，直接映射到（M/16）伊（N/16）大小的 feature maps 尺度；随后将全部 proposal 水平以及竖直合理分成 pooled_w 和 pooled_h 份，并将所有份进行 max pool原ing 处理。这样全部大小具有差异的 proposal 输出结果皆为大小，进而达到 fixed-length output（固定长度输出）。3.5ClassificationClassification 利用获取到的 proposal feature maps，借助于full connect 层以及 softmax 能够准确判定不同 proposal 的具体类型（如人、车、电视等），输出 cls_prob 概率向量；随后借助于bounding box regression 得到全部 proposal 的实际位置偏移量bbox_pred，将这一结果应用到更为准确的目标检测框。基于 PoI Pooling 计算得到 7伊7=49 大小的 proposal featuremaps 时，将结果传输于后续网络，在这一过程中存在以下两个操作：依靠全连接以及 softmax 对 proposals 实施分类，从本质上来说这一操作属于识别；随后选择 proposals 实施 bounding boxregression，得到准确度更高的 rect box。计算公式为：（x1x2x3）w11w12w21w22w31w32晌尚上上上上上上上上裳捎梢梢梢梢梢梢梢梢+（b1b2）=（y1y2）公式中的 W、bias B 是提前进行训练，可以说其大小已经固定，在这一过程中输入 x 和输出 y 仍然保持固定大小。因此，该结果证明了 Roi Pooling 的重要性。4识别结果基于上述实验数据能够了解，运用红外热像仪对阀厅冷却水泄漏与阀组件状态监测过程中能够发挥非常好的作用。从图2 能直观地看到识别结果，检测效果提升显著，这说明红外热像图 2实际监测画面骳髎髝设备管理与维修2023 翼9（下）0引言石油是现代工业的血液，是工业文明的基石。石油对国民经济的健康发展具有重要影响。随着我国经济建设快速发展，对石油资源的消耗越来越多，我国陆地石油产量已经不能满足自身消耗。为了获得更多的石油增量，将目光投向了海洋。海洋石油主要依靠海洋石油平台进行开发。海洋石油平台受限于环境因素，建造空间狭小，为了能够满足油气开采需求，需要在平台上安装全套生产处理设备，因此平台上的相关设备设施布置紧凑。海洋石油平台注水机组是平台原油生产处理过程中的关键设备（图 1）。注水机组将开采过程中产生的生产水注入到地层中，从而实现地层压力平衡和驱油的作用。注水机组停机将会直接导致生产关停，从而导致原油产量损失。注水机组故障主要有轴承故障、转子不平衡、转子不对中和机械松动等，其中轴承故障是注水机组最常见的故障。注水机组运转过程中实时监测数据很多，包括振动、温度、压力等，注水机组轴承的大部分故障可以通过振动信号分析观察出来。通过轴承振动信号数值变化可以判断轴承运行状态，进一步判断机组的状态。注水机组轴承不同部件故障会产生不同的特征频率，对轴承振动信号进行时域、频域和时频域分析可以进一步判别轴承故障。通过小波软阈值降噪方法可完成振动信号降噪，对注水机组轴承进行故障诊断。1注水机组轴承故障特征频率海洋石油平台注水机组轴承结构如图 2 所示，主要由轴承内圈、轴承外圈、保持架及滚动体等组成，轴承内圈固定在泵轴上，轴承外圈固定在轴承座上，保持架将滚动体均匀分开。当内外圈之间相对旋转时，滚动体沿着滚道滚动，将相对运动表面间的滑动摩擦转化为滚动摩擦。摘要：注水机组是海洋石油平台原油生产的关键设备。轴承是注水机组的重要部件，轴承发生微弱故障时没有及时处理，将会导致故障加剧，注水机组可能产生泵轴抱轴等严重的故障。注水机组轴承的大部分故障可以通过振动信号分析观察出来。通过轴承振动信号数值变化可以判断轴承运行状态，通过小波软阈值降噪方法完成振动信号降噪，对轴承振动信号进行时域、频域和时频域分析可以进一步确定故障位置。关键词：海洋石油平台；轴承；振动信号；故障诊断中图分类号：TE974+.1文献标识码：BDOI：10.16621/ki.issn1001-0599.2023.09D.83基于信号分析处理的海洋石油平台注水机组轴承故障分析唐凯（中海石油（中国）有限公司天津分公司，天津300459）仪可以在很大程度上促进全过程管理效率的提升，确保状态监测准确性4。参考文献1张锦吉.红外在线监控系统在柔直换流站的应用 J.科技创新与应用，2020（20）：175-176.2刘佳鑫，唐佳能，马一菱，等.500 kV 金属氧化物避雷器安装缺陷的试验及分析 J.电瓷避雷器，2019（2）：79-83.3江龙华，唐亮，宁伟东.红外热像技术在电力设备巡检中的应用 J.科技创新与应用，2017（33）：130-131.4董理科，王天正，王琪，等.红外热像检测在电力变压器故障诊断中的应用 J.能源与节能，2017（9）：186-187.编辑吴建卿图 1海洋石油平台注水机组图 2注水机组轴承骳髏髒