随着现代社会的不断发展,社会的用电需求也在不断提高,越来越多的高性能发电机组被投入运行来满足社会的用电需求,这也导致了火电厂的安全运行问题越发突出。锅炉是火电厂中的重要部件,其中过热器管、再热器管、水冷壁管和省煤器管等高温承压管道是锅炉内部的主要组件[1]。统计结果表示,锅炉的高温承压管的爆漏事件占火电厂机组非计划停运事件的50%左右[2]。所以,能够准确预测锅炉内高温高压管道的失效情况,对保证火电厂的安全运行具有重大的现实意义。
激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)是利用脉冲激光作用于样品表面,激发包含光谱信息的等离子体,通过光谱分析以实现对样品的定性和定量分析,是新型的激光光谱无损、快速检测技术[3]。姚顺春等[4]研究了不同金属组织和不同球化程度的锅炉受热面材料样品在脉冲激光作用下形成的等离子体特性,通过分析谱线强度、等离子体温度以及激光烧蚀体积等激光等离子体特性,得到了不同失效状态的样品与等离子体特性的对应关系,为LIBS技术应用于火电厂的高温承压材料的失效预测提供了理论基础。
支持向量机(SVM)是机器学习中一种重要的分类算法,韦丽萍等[5]将激光诱导击穿光谱技术应用于燃煤热值的定量分析,选择了44种不同热值含量的煤样,提出了基于k折交叉验证参数优化支持向量机算法,取得了良好的分析精确度和准确度。陆盛资等[6]将激光诱导击穿光谱技术应用到不同老化等级的T91金属样品的分类中,分析对比了不同老化等级样品的等离子体光谱特性,利用不同光谱变量集建立了SVM金属受热面老化等级预测模型。
本文在已有研究基础上,将激光诱导击穿光谱应用到火电厂高温承压的实际管道失效检测中,选择不同老化等级的T91钢样品作为SVM老化等级预测模型的训练集,对来自火电厂的2种不同老化等级的T91钢管道的表面采用打磨与未处理2种处理方法[7],研究实际运行管道表面特性对于激光光谱的影响和将LIBS技术直接应用于工程实际的可行性。
1 实验系统与样品 1.1 实验系统本实验使用的实验设备为LIBS台式硬件集成一体机,该设备为美国Applied Spectra公司的J200激光诱导击穿光谱分析设备,图1为LIBS系统简要原理图。
Download:
|
|
J200LIBS一体机使用Nd:YAG调Q脉冲激光器作为激光光源,其波长为266 nm,脉冲激光宽度为4 ns。该一体机拥有自动对焦系统,可以通过移动三维电动平移台来控制样品表面距离激光聚焦透镜的距离,保持聚焦激光在样品表面上的焦深为恒定。一体机光谱仪的最小门宽为1.1 ms,波长覆盖范围为185 ~1045 nm,分辨率为0.05 nm。本次实验的激光能量为4.3 mJ,激光脉冲频率为3 Hz。脉冲激光与光谱仪之间的延迟时间设置为0.5 μs。
1.2 样品本实验选取了老化等级为1~5的12个T91钢样品,样品标签与老化等级如表1所示。
这8个训练集样品,包括3个电厂真实运行后的镶嵌打磨管样,以及5个人工制备的高温时效试样。在Li的研究中[8],详细介绍了获取这些不同老化等级T91钢人工试样的热处理过程,这里仅作简要叙述。为了得到不同老化等级的T91试样,参考标准GB/T4338-2006[9],将由日本住友金属公司制作的T91原管切割处理,然后将钢带在700 ℃、2500 N,675 ℃、3500 N,650 ℃、4500 N,600 ℃、7500 N的加热温度和机械负荷的不同组合下进行处理。这样,得到不同老化状态的钢材样品。对不同老化状态的T91钢材进行金相检验。根据标准DL/T 884-2004[10],将所有样品定性分为5个老化等级。对每个人工制备样品表面的100个不同位置进行100次激光脉冲烧蚀,每个位置获取12800幅原始的光谱。
同时,实验选取了来自2根分别取自某火电厂锅炉高温过热器与高温再热器的T91钢换热管,作为被预测的样品,如图2所示。参考标准DL/T 884-2004,对钢材依次进行取样、镶嵌制样、粗磨、细磨、抛光、浸蚀、观察拍照,得到其老化等级分别为1、3。对表面未做任何处理的原始管道样品的部分表面进行手工稍作打磨至出现金属光泽,从而得到老化等级为1和3的打磨样品与未处理样品,如图3所示。激光脉冲对4个样品表面的100个不同位置分别进行200次烧蚀。
Download:
|
|
Download:
|
|
图3中,其上方区域为未处理部分,下方出现金属光泽区域为打磨部分。
2 结果与讨论 2.1 光谱特性T91实际管道具有代表性的波长范围为185~700 nm的光谱数据平均后获得如图4所示光谱图。可以看到样品基体元素(Fe)和合金元素(Cr、Mn和Mo)的大量特征谱线都能被很好地在光谱图中被探测和分辨。
Download:
|
|
在一定条件下,脉冲激光烧蚀不同老化等级的金属样品的差异可以通过样品间的某些代表性元素的平均谱线强度的差异来体现。分为5种老化等级的10个样品的代表性元素的平均谱线强度变化如图5所示。其中,1~10样品编号的大小随老化等级的增大而增大。5个人工时效试样按老化等级1~5对应样品编号为1、4、6、8、9;3个实际管道镶嵌试样按老化等级1、2、5对应样品编号为2、5、10;2个打磨实际管道试样按老化等级1、3对应样品编号为3、7。观察图5中平均谱线强度与老化等级的关系,发现这些基体元素的谱线强度与老化等级存在较好的正相关性。但并不能直接利用这种正相关性预测样品的老化等级,因为光谱信息中包含了大量的干扰信息,需要对信息进行筛选和处理才可能得到理想的预测结果。
Download:
|
|
T91实际管道随着激光脉冲数的增加,打磨样品与未处理样品的代表元素谱线强度的变化趋势如图6所示,可以发现稍作打磨后的实际运行管道的谱线强度的波动较小,比较稳定。这与之前实验结果一致[6, 11]。而未打磨处理的实际管道的谱线强度有明显的变化,特别是在前100激光脉冲段内有较大的变化,且与稍作打磨的实际管道样品有较大差别,而在100~200的激光脉冲段,未打磨处理的样品与打磨样品的谱线强度与变化趋于一致。可能的原因是在前100脉冲段,实际管道表面特性对激光脉冲的烧蚀造成了影响,导致了与打磨的样品出现了谱线强度上的差别[12]。在100次激光脉冲烧蚀后,实际管道表面的氧化层被击穿,激光作用于管道真实表面,导致谱线强度与打磨后的趋于统一。由此,选取未打磨的实际管道的100~200次激光脉冲的光谱数据,作为有效的光谱数据,在老化等级模型中进行预测。
Download:
|
|
支持向量机(SVM)是机器学习中一种重要的分类算法,由Corte等[13]于1995年首先提出,在面对小样本、非线性及高维的分类问题时有明显优势。SVM核函数的选择和核函数参数的设置对其分类准确率有很大影响。考虑到在线分析对分析速度的要求,而且LIBS光谱数据属于高维数据,本文的核函数选择了线性核函数[14]。另外,本文选择了互信息这一特征选择方法对光谱数据进行降维[15-17]。本文的光谱数据处理算法均通过使用Scikit-learn[18]工具包编写的Python语言脚本实现。
本文将8个样品作为训练集样品,选取了第30~100次的脉冲光谱数据,平均后作为训练集的样品输入到SVM模型[19]。为了估计与提高SVM模型的性能,对训练集进行交叉验证[20-21]。将来自老化等级分别为1、3的电厂实际运行管道的4个样品作为预测样品,选取了第100~200次的脉冲光谱数据,平均后作为预测集的样品输入到SVM模型,结果列于表2。
由表2可知,由3个电厂真实运行后的管样,以及5个人工制备的高温时效试样组成的老化等级模型,在5折交叉验证的表现中较好,准确率达到0.9225,说明老化等级模型具有较好的预测能力。预测老化等级分别为1和3的实际运行管道的打磨与未处理样品,都得到了较好的预测结果,说明老化等级模型在不同的样品中保持了较好的稳定性与泛化能力,同时,可以发现打磨与未处理样品的预测准确率差别较小,说明选取未打磨的100~200脉冲激光段得到的光谱数据可得到较好的模型预测结果,从而避免表面未处理样品的表面特性对LIBS测量的干扰,得到较好的老化等级模型预测效果。
2.3 SVM老化等级模型的鲁棒性分析为了研究SVM金属老化等级模型在不确定性的扰动下保持性能不变的能力,需要对预测模型的鲁棒性进行评估。本文利用随机算法,挑选部分训练集的光谱数据去建立SVM老化等级模型,3次随机挑选的样品占原训练集样品的百分比为85%、50%、25%,即选取每个样品100个测量点中的85、50和25个光谱数据样本用于建立3个不同的SVM预测模型,其中每个百分比设置将重复5次测量点挑选和建模,平均后以获得统计结果[6]。
鲁棒性分析的结果如图7所示,SVM老化等级模型的训练集5折交叉验证准确率以及预测集准确率随着用于建立模型的光谱样本数的减少而减少,但利用85%、50%的测量点光谱数据所建立预测模型依然拥有较高的准确率和稳定的表现。这个结果意味着SVM预测模型拥有较为可靠的特征提取能力和泛化能力,说明SVM老化等级模型检测结果的有效性是可信的。
Download:
|
|
1)将LIBS技术应用于火力发电厂实际运行管道的老化等级预测,对比表面打磨处理样品与表面未处理样品的Fe、Cr等代表管道重要性质的基体及合金元素谱线的谱线强度随脉冲数的变化情况,发现表面特性的影响在前100的激光脉冲内较为明显,在100~200的激光脉冲段,打磨与未打磨样品的谱线趋于相同。
2)在此现象下,将表面未处理样品的100~200激光脉冲段光谱数据输入SVM老化等级模型,得到了与打磨样品相似且良好的预测结果。
以上结果表明,选取合适的激光脉冲段可避免金属管道的表面特性对LIBS测量的影响,直接测量未处理表面的金属管道样品可以得到较好的老化等级预测结果,为LIBS技术应用到火电厂金属管道受热面失效检测提供了方案。
[1] | 郑晓红. 锅炉“四管”的失效机理研究与寿命预测[D]. 杭州: 浙江大学, 2002. (0) |
[2] | 崔强. 锅炉受热面四管泄漏的原因分析及预防措施[J]. 中国设备工程, 2018(17): 58-59. DOI:10.3969/j.issn.1671-0711.2018.17.022 (0) |
[3] | 李军. 激光诱导击穿光谱应用于电站锅炉受热面组织结构和性能诊断的研究[D]. 广州: 华南理工大学, 2016. (0) |
[4] | YAO Shunchun, DONG Meirong, LU Jidong. Correlation between grade of pearlite spheroidization and laser induced spectra[J]. Laser physics, 2013, 23(12): 125702. DOI:10.1088/1054-660X/23/12/125702 (0) |
[5] | 董美蓉, 韦丽萍, 陆继东, 等. 基于K-CV参数优化支持向量机的LIBS燃煤热值定量分析[J]. 光谱学与光谱分析, 2019, 39(7): 2202-2209. (0) |
[6] | LU Shengzi, DONG Meirong, HUANG Jianwei, et al. Estimation of the aging grade of T91 steel by laser-induced breakdown spectroscopy coupled with support vector machines[J]. Spectrochimica acta part B: atomic spectroscopy, 2018, 140: 35-43. DOI:10.1016/j.sab.2017.11.005 (0) |
[7] | 董璇. TP347H受热面材料的激光光谱特性分析[D]. 广州: 华南理工大学, 2015. (0) |
[8] | LI Jun, LU Jidong, DAI Yuan, et al. Correlation between aging grade of T91 steel and spectral characteristics of the laser-induced plasma[J]. Applied surface science, 2015, 346: 302-310. DOI:10.1016/j.apsusc.2015.03.186 (0) |
[9] | GB/T4338-2006 金属材料高温拉伸试验方法[S]. (0) |
[10] | DL/T884-2004 火电厂金相检验与评定技术导则[S]. (0) |
[11] | HUANG Jianwei, DONG Meirong, LU Shengzi, et al. Estimation of the mechanical properties of steel via LIBS combined with canonical correlation analysis (CCA) and support vector regression (SVR)[J]. Journal of analytical atomic spectrometry, 2018, 33(5): 720-729. DOI:10.1039/C8JA00030A (0) |
[12] | 屈华阳, 胡净宇, 赵雷, 等. 激光诱导击穿光谱法分析表面氧化钢铁样品中的碳硅锰磷硫铬镍铜铝[J]. 冶金分析, 2012, 32(7): 1-6. DOI:10.3969/j.issn.1000-7571.2012.07.001 (0) |
[13] | 尚文利, 李琳, 万明, 等. 基于优化单类支持向量机的工业控制系统入侵检测算法[J]. 信息与控制, 2015, 44(6): 678-684. (0) |
[14] | 周中寒, 田雪咏, 孙兰香, 等. Fiber-LIBS技术结合SVM鉴定铝合金牌号[J]. 激光与光电子学进展, 2018, 55(6): 424-430. (0) |
[15] | SHU Xin, LAI Darong, XU Huanliang, et al. Learning shared subspace for multi-label dimensionality reduction via dependence maximization[J]. Neurocomputing, 2015, 168: 356-364. DOI:10.1016/j.neucom.2015.05.090 (0) |
[16] | LIN Yaojin, HU Qinghua, LIU Jinghua, et al. Multi-label feature selection based on neighborhood mutual information[J]. Applied soft computing, 2016, 38: 244-256. DOI:10.1016/j.asoc.2015.10.009 (0) |
[17] | 程玉胜, 宋帆, 王一宾, 等. 基于专家特征的条件互信息多标记特征选择算法[J]. 计算机应用, 2020, 40(2): 503-509. (0) |
[18] | PEDREGOSA F, VAROQUAUX G, GRAMFORT A, et al. Scikit-learn: machine learning in python[J]. Journal of machine learning research, 2011, 12(10): 2825-2830. (0) |
[19] | LU Shengzi, SHEN Shen, HUANG Jianwei, et al. Feature selection of laser-induced breakdown spectroscopy data for steel aging estimation[J]. Spectrochimica acta part B: atomic spectroscopy, 2018, 150: 49-58. DOI:10.1016/j.sab.2018.10.006 (0) |
[20] | KERBAA T H, MEZACHE A, OUDIRA H. Model selection of sea clutter using cross validation method[J]. Procedia computer science, 2019, 158: 394-400. DOI:10.1016/j.procs.2019.09.067 (0) |
[21] | 孙健, 李琪, 陈明强, 等. 基于机器学习的油气水层随钻识别模型优选[J]. 西安石油大学学报(自然科学版), 2019, 34(5): 79-85. (0) |