基于卷积神经网络算法的海水循环冷却污损生物分类模型

doi:10.19965/j.cnki.iwt.2023-1122

摘要/Abstract

摘要：

海水循环冷却系统取水头部及管道中污损生物附着会堵塞管道，加速腐蚀，严重影响设备的正常运行。杀生剂的投加方案与污损生物的种类密切相关，由于监测困难，现在通常采用固定杀生剂投加方案。污损生物在管壁建构筑物上的附着主要是以优势种群聚集附着的形式，可以在海水管道头部及管道中加装摄像头，实现污损生物的监测，以便及时调整加药方案。利用卷积神经网络算法，建立污损生物分类模型，实现常见污损生物的自动分类。利用常见污损生物聚集图像作为模型训练数据，以交叉熵损失函数和准确率作为模型评价指标，进行模型训练。该模型分类准确率较高，可用于自动化加药设备中污损生物的自动识别，以此为基础，配合自动化加药设备，可实现杀生药剂投加方案的自动实时调整，提高海水循环冷却系统的精细化管理水平。

关键词: 海水循环冷却, 卷积神经网络, 计算机视觉, 污损生物分类

Abstract:

In the water intake head and pipeline of the seawater circulation cooling system, fouling organisms will block the pipeline, accelerate corrosion, and seriously affect the normal operation of the equipment. The biocide dosing scheme is closely related to the type of fouling organisms. Due to the difficulty of monitoring, the fixed biocide dosing scheme is usually adopted. The attachment of fouling organisms on the pipe wall structures is mainly in the form of aggregation of dominant species. Therefore, cameras can be installed at the head of the seawater pipe and in the pipe to realize the monitoring of fouling organisms, so as to adjust the dosing scheme in time. In this paper, the convolution neural network algorithm was used to establish the classification and recognition model of fouling organisms, and to realize the automatic classification and recognition of common fouling organisms. The cross entropy loss function and accuracy rate were used as model evaluation indicators to train the model. The model could be used for automatic identification of fouling organisms in automatic dosing equipment. On this basis, with automatic dosing equipment, the automatic real-time adjustment of dosing scheme could be realized to improve the refined management level of seawater circulation cooling system.

Key words: seawater cooling, convolutional neural networks, computer vision, classification of fouling organisms

中图分类号:

P747
TP181

张益. 基于卷积神经网络算法的海水循环冷却污损生物分类模型[J]. 工业水处理, 2024, 44(12): 160-165.

Yi ZHANG. Convolution neural network algorithm-based fouling organisms classification model of seawater circulation cooling system[J]. Industrial Water Treatment, 2024, 44(12): 160-165.

https://www.iwt.cn/CN/Y2024/V44/I12/160

图/表 7

表1 海水循环冷却污损生物分类模型样本种类和数量

Table 1 Sample type and quantity of fouling organisms classification model of seawater circulation cooling system

样本种类	牡蛎	藤壶	贻贝	空白
样本数量/个	250	120	196	200

图1 不同深度CNN准确率学习曲线

Fig.1 Learning curves for CNN accuracy of different depths

图2 CNN与ResNet准确率学习曲线对比

Fig.2 Comparison of accuracy learning curves between CNN and ResNet

图3 海水循环冷却污损生物分类模型架构示意

Fig.3 Sketch map of fouling organisms classification model of seawater circulation cooling system

表2 海水循环冷却污损生物分类模型参数

Table 2 Parameters of fouling organisms classification model for seawater circulating cooling system

名称	参数
卷积池化层1	filter_size=3，num_filters=32，pool_size=2，pool_stride=2，act="relu"
丢弃层1	dropout_prob=0.5
卷积池化层2	filter_size=3，num_filters=64，pool_size=2，pool_stride=2，act="relu"
丢弃层2	dropout_prob=0.5
卷积池化层3	filter_size=3，num_filters=64，pool_size=2，pool_stride=2，act="relu"
丢弃层3	dropout_prob=0.5
全连接层	size=512
丢弃层4	dropout_prob=0.5

图4 海水循环冷却污损生物分类模型训练集损失函数和训练集准确率曲线

Fig.4 Loss function of training data set and accuracy curve of the training data set of fouling organisms classification model of seawater circulation cooling system

图5 海水循环冷却污损生物分类模型测试集损失函数和测试集准确率曲线 test data set of fouling organisms classification model of seawater circulation cooling system

Fig.5 Loss function of test data set and accuracy curve of

参考文献 29

1	侯纯扬，武杰，赵楠，等. 海水循环冷却系统腐蚀、污垢和菌藻控制技术研究［J］. 海洋技术，2002，21（4）：46-50．
	HOU Chunyang， WU Jie， ZHAO Nan，et al. Corrosion control，fouling deposit control and biofouling control in the seawater circulating cooling system［J］. Ocean Technology，2002，21（4）：46-50．
2	SHARQAWY M H， LIENHARD J H V， ZUBAIR S M. On thermal performance of seawater cooling towers［J］. Journal of Engineering for Gas Turbines and Power，2011，133（4）：DOI：10.1115/IHTC14-23200． doi:10.1115/1.4002159
3	张益. 特大型海水冷却塔在宁海电厂的应用［C］//全国火电600 mW级机组能效对标及竞赛第十七届年会论文集.安徽芜湖：中国电力企业联合会科技开发服务中心，2013：65-71.
4	张益. 微砂沉淀技术在海水处理中的应用［J］. 浙江电力，2012，31（8）：76-78．
	ZHANG Yi. Application of micro-sand precipitation technology in seawater treatment［J］. Zhejiang Electric Power，2012，31（8）：76-78．
5	阳明，关秀彦，罗奖合，等. 万吨级海水循环冷却系统特点和运行经验［J］. 热力发电，2007，36（8）：88-90．
	YANG Ming， GUAN Xiuyan， LUO Jianghe，et al. Features and operation experience of a 10 000 t/h seawater circulation cooling system［J］. Thermal Power Generation，2007，36（8）：88-90．
6	杨天笑，严涛，陈池，等. 大型海洋污损生物对金属材料腐蚀影响及研究展望［J］. 工业安全与环保，2013，39（11）：69-71．
	YANG Tianxiao， YAN Tao， CHEN Chi，et al. Research on the effects of marine macro-fouling organisms on metal corrosion［J］. Industrial Safety and Environmental Protection，2013，39（11）：69-71．
7	RUBIO D， CASANUEVA J F， NEBOT E. Assessment of the antifouling effect of five different treatment strategies on a seawater cooling system［J］. Applied Thermal Engineering，2015，85：124-134． doi:10.1016/j.applthermaleng.2015.03.080
8	RUBIO D， LÓPEZ-GALINDO C， CASANUEVA J F，et al. Monitoring and assessment of an industrial antifouling treatment. Seasonal effects and influence of water velocity in an open once-through seawater cooling system［J］. Applied Thermal Engineering，2014，67（1/2）：378-387． doi:10.1016/j.applthermaleng.2014.03.057
9	刘姗姗，严涛. 海洋污损生物防除的现状及展望［J］. 海洋学研究，2006，24（4）：53-60．
	LIU Shanshan， YAN Tao. A review on the present situation and outlook of marine anti-fouling［J］. Journal of Marine Sciences，2006，24（4）：53-60．
10	王林华，段健诚，邓高威，等. 海洋污损生物附着机制及防治方法［J］. 齐鲁渔业，2019，36（12）：38-40．
11	金晓鸿. 海洋污损生物防除技术和发展（Ⅱ）：各种海洋设施的防污［J］. 材料开发与应用，2005，20（6）：44-46．
	JIN Xiaohong. Technology and development of marine fouling organisms （Ⅱ）：Anti-fouling of various marine facilities［J］. Development and Application of Materials，2005，20（6）：44-46．
12	胥震，欧阳清，易定和. 海洋污损生物防除方法概述及发展趋势［J］. 腐蚀科学与防护技术，2012，24（3）：192-198．
	XU Zhen， OUYANG Qing， YI Dinghe. Antifouling method of marine fouling organisms：A review［J］. Corrosion Science and Protection Technology，2012，24（3）：192-198．
13	卢宏涛，张秦川. 深度卷积神经网络在计算机视觉中的应用研究综述［J］. 数据采集与处理，2016，31（1）：1-17． doi:10.16337/j.1004-9037.2016.01.001
	LU Hongtao， ZHANG Qinchuan. Applications of deep convolutional neural network in computer vision［J］. Journal of Data Acquisition and Processing，2016，31（1）：1-17． doi:10.16337/j.1004-9037.2016.01.001
14	周飞燕，金林鹏，董军. 卷积神经网络研究综述［J］. 计算机学报，2017，40（6）：1229-1251． doi:10.11897/SP.J.1016.2017.01229
	ZHOU Feiyan， JIN Linpeng， DONG Jun. Review of convolutional neural network［J］. Chinese Journal of Computers，2017，40（6）：1229-1251． doi:10.11897/SP.J.1016.2017.01229
15	常亮，邓小明，周明全，等. 图像理解中的卷积神经网络［J］. 自动化学报，2016，42（9）：1300-1312．
	CHANG Liang， DENG Xiaoming， ZHOU Mingquan，et al. Convolutional neural networks in image understanding［J］. Acta Automatica Sinica，2016，42（9）：1300-1312．
16	IBRAHIM R， SHAFIQ M. Explainable convolutional neural networks：A taxonomy，review，and future directions［J］. ACM Computing Surveys，2023，55（10）：1-37. doi:10.1145/3563691
17	卢宏涛，张秦川. 深度卷积神经网络在计算机视觉中的应用研究综述［J］. 数据采集与处理，2016，31（1）：1-17． doi:10.16337/j.1004-9037.2016.01.001
	LU Hongtao， ZHANG Qinchuan. Applications of deep convolutional neural network in computer vision［J］. Journal of Data Acquisition and Processing，2016，31（1）：1-17． doi:10.16337/j.1004-9037.2016.01.001
18	杨婷婷，高乾，李浩千，等. 基于卷积神经网络-长短时记忆神经网络的磨煤机故障预警［J］. 热力发电，2022，51（10）：122-129．
	YANG Tingting， GAO Qian， LI Haoqian，et al. Coal mill fault early warning technology based on CNN-LSTM network［J］. Thermal Power Generation，2022，51（10）：122-129．
19	张菲菲，应雨龙，李靖超. 基于双通道特征融合并行优化的燃气轮机气路故障诊断方法［J］. 热力发电，2022，51（12）：30-38．
	ZHANG Feifei， YING Yulong， LI Jingchao. A gas path fault diagnosis method for gas turbine based on parallel optimization of dual-channel feature fusion［J］. Thermal Power Generation，2022，51（12）：30-38．
20	刘钢，李晓东，金轶群，等. 基于深度卷积神经网络的工业循环冷却水系统运行状态预测［J］. 热力发电，2022，51（8）：149-153．
	LIU Gang， LI Xiaodong， JIN Yiqun，et al. Operation state prediction for industrial circulating cooling water system based on deep convolutional neural network［J］. Thermal Power Generation，2022，51（8）：149-153．
21	钱虹，王建棋，徐邦智，等. 基于数据驱动建模的核电站一回路管道劣化趋势研究［J］. 热力发电，2022，51（6）：82-88．
	QIAN Hong， WANG Jianqi， XU Bangzhi，et al. Research on deterioration trend of primary pipeline in nuclear power plant based on data-driven modeling［J］. Thermal Power Generation，2022，51（6）：82-88．
22	WAIBEL A， HANAZAWA T， HINTON G，et al. Phoneme recognition using time-delay neural networks［M］//Readings in Speech Recognition. Amsterdam：Elsevier，1990：393-404． doi:10.1016/b978-0-08-051584-7.50037-1
23	RUSSAKOVSKY O， DENG Jia， SU Hao，et al. ImageNet large scale visual recognition challenge［J］. International Journal of Computer Vision，2015，115（3）：211-252． doi:10.1007/s11263-015-0816-y
24	SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651． doi:10.1109/tpami.2016.2572683
25	KARPATHY A， TODERICI G， SHETTY S，et al. Large-scale video classification with convolutional neural networks［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus，OH，USA. IEEE，2014：1725-1732. doi:10.1109/cvpr.2014.223
26	YOSINSKI J， CLUNE J， BENGIO Y，et al. How transferable are features in deep neural networks［J］. MIT Press，2014（2）：3320-3328.
27	BADRINARAYANAN V， KENDALL A， CIPOLLA R. SegNet：A deep convolutional encoder-decoder architecture for image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（12）：2481-2495． doi:10.1109/tpami.2016.2644615
28	GREGOR K， DANIHELKA I， GRAVES A，et al. DRAW：A recurrent neural network for image generation［J］. ArXiv，2015：1502.04623．
29	董晓伟，姜国良，李立德，等. 牡蛎综合利用的研究进展［J］. 海洋科学，2004，28（4）：62-65.
	DONG Xiaowei， JIANG Guoliang， LI Lide，et al. Research progress on comprehensive utilization of oysters［J］. Marine Sciences，2004，28（4）：62-65．

[1]	郭浩,靳亚鹏,赵达维,高丽丽,崔振东,王维珍,尹建华. 脱硫废水再生回用于海水循环冷却系统的试验研究[J]. 工业水处理, 2021, 41(2): 43-47.
[2]	胡明明,陈冲,周筝,元昊,赵小芳,李亚红,焦春联,尹建华. 新型海水杀贝剂SW401的性能研究及工程应用[J]. 工业水处理, 2019, 39(6): 107-110.
[3]	焦春联, 侯纯扬, 吴芸芳, 王海增. 含萘荧光聚合物海水阻垢剂的合成及其阻垢性能[J]. 工业水处理, 2008, 28(9): 33-36.
[4]	王瑾, 胡开堂. 计算机视觉检测系统在絮凝处理中的应用[J]. 工业水处理, 2004, 24(7): 38-41.

选择文件类型/文献管理软件名称

选择包含的内容