一种太阳能集热场故障风险快速检测系统及方法

1.本发明涉及大型太阳能集热场故障检测技术领域，特别涉及一种太阳能集热场故障风险快速检测方法。


背景技术：

2.太阳能集热场是太阳能供暖系统的核心组成部分，是系统的主要能量来源。太阳能集热场内工质温度受太阳辐射强度、室外气温等气象因素影响大，时刻处于变化状态，而在太阳辐射强烈、昼夜温差大的地区，集热场工质温度波动加剧、温变速率陡增，导致集热场内流量分布不均、阻力变化大、压力波动剧烈，过热、泄露、老化、失效是太阳能集热场中集热器的频发故障。如果不能在故障发生初期甚至故障发生前检测辨别出故障源，将致使集热产能下降，严重影响系统运行性能，使太阳能供暖系统可靠性下降。所以准确快速检测、辨识、定位太阳能集热场故障是紧迫任务。
3.现有的供热系统、集热系统故障检测方法一般是通过监测温度、流量、压力等传感器，利用对专家知识和工程经验对系统故障的影响可能出现的趋势进行分析，将分析结果作为系统故障诊断的依据。该方法通过系统热力水力特性和物理信号关联对系统的故障进行诊断分析，其需要将电信号引入到集热器内部并与其结构材料接触，且对系统传感器数量要求多、数据采集条件要求高，要么传感器呈网状密布，要么就存在较大的系统环节盲区。当故障出现时，若故障点距监测点较远，且故障程度不大时，信号的监测会产生严重的滞后；一般情况下一类故障可能会引起多种特征参数的变化，故单一的传感器检测结果可信度不强；且新增传感器成本大。纵观目前工程应用，传感器的数据采集点位设置仅取决于是否有控制需求，点位稀少，尚难满足系统故障诊断的数据要求。


技术实现要素：

4.为了克服上述现有技术的不足，本发明的目的在于提供一种太阳能集热场故障风险快速检测方法，该方法具有不接触待测结构物、不受被测集热场连接方式限制，可全面分析表征集热场温度场分布特征，并据此检测得到相应的故障风险，具有操作简便、无需对系统进行升级改造新增传感器的特点。
5.为了实现上述目的，本发明采用的技术方案是：
6.一种太阳能集热场故障风险快速检测系统，包括太阳能集热场本体、红外热成像摄像头及计算机处理装置；
7.所述红外热成像摄像头在线实时监测太阳能集热场本体，根据设定的固定时间间隔拍摄太阳能集热场的整体温度分布热图，传输至计算机处理装置，计算机处理装置对温度分布热图进行预处理及区域划分，并进行信息提取得到各区域集热器故障温度场特征信息，并与太阳能集热器典型故障模型特征库的特性信息进行匹配，从而完成太阳能集热器故障类型及故障程度的检测。
8.所述红外热成像摄像头设置于正对于太阳能集热场的位置，考虑到不同集热场中
的各排集热器间距及倾角不一致问题，可能部分区域前排会对后排集热器存在遮挡，采用正面、必要时增加侧面的原则设置红外热成像摄像头的位置，保证每块集热器均在摄像头可监视范围内。
9.一种太阳能集热场故障风险快速检测方法，包括以下步骤；
10.步骤一：温度图像采集；
11.设置红外热成像摄像头实时监测，得到太阳能集热场的整体温度分布热图；
12.步骤二：温度图像读取；
13.建立红外热成像摄像头与计算机之间的通讯，红外热成像摄像头与计算机处于同一局域网下，在计算机下载对应摄像头的pc端软件，匹配ip即可实现实时监测，对集热场温度状态进行温度图像采集；
14.步骤三：数据采集分析处理；
15.对集热场的整体温度分布热图进行预处理及区域划分，并进行特征提取得到各区域集热器故障温度场散点图；
16.步骤四：故障模型匹配；
17.将提取到的各区域温度场分布特征信息及相关特征参数导入太阳能集热器故障模型特征库，依次进行两次故障模型特征库的匹配分析，提高集热场故障检测效率，降低误报率与漏报率，保证太阳能集热系统的安全运行。
18.所述步骤三预处理部分包括如下步骤：
19.采用基于温差的红外图像归一化方法对原始红外热像图进行初步预处理，消除热环境因素对太阳能集热器温度场的影响；把太阳能集热器在不同环境因素下的图像看作基本信号，在空域上进行处理，以达到消除外部热环境影响的目的；
20.再进行基于改进引导滤波和sigmoid函数的自适应动态范围压缩的进一步处理，使图像进行动态范围压缩及图像增强处理，获得更加自然、符合人类视觉特性且特性明显的结果。
21.所述引导滤波将输入红外图像分解为基础层b和细节层，基础层b是改进引导滤波对输入图像的处理结果，其中包含输入图像中的高对比度信息和大部分动态范围；细节层d是输入图像和基础层b的差值，其中包含输入图像中的低对比度细节；
22.b＝g[ih]
[0023]
d＝i
h-b
[0024]
其中ih为输入的红外热像图；符号g[*]表示改进引导滤波，使用图像一阶微分的变体构建边缘感知权重；
[0025]
然后，使用sigmoid自适应压缩算法压缩基础层b的动态范围，在保留图像整体视觉感知的前提下，压缩高动态范围图像灰度信息，使其能够在传统显示设备上正常显示；
[0026]
b'＝s[b]
[0027]
其中符号s[*]表示sigmoid算法；b'为动态范围压缩后的基础层，b'值在[0,1]之间；
[0028]
使用固定增益系数η对细节层进行加强，增强后的细节层d'为
[0029]
d'＝η*d
[0030]
固定增益系数的设置推荐在[1，2]之间；
[0031]
最后，为动态范围压缩后的基础层b'分配合适的动态范围，并和增强后的细节层d'重组以获得输出图像；
[0032]il
＝a*b'+d'
[0033]
其中i
l
为输出图像，参数a用于控制基础层动态范围的大小，使用a＝220的设置值可以避免可能的动态范围溢出并充分利用图像的显示动态范围，并细节增强程度较为合理，能够获得更加自然、符合人类视觉特性的结果。
[0034]
所述步骤四太阳能集热器故障模型特征库包括基于回归分析模型的四类太阳能集热场典型故障判断模型特征库和基于深度卷积神经网络的三类太阳能集热场典型故障的故障程度模型特征库；
[0035]
基于回归分析模型的四类太阳能集热场典型故障判断模型特征库的四类太阳能集热场典型故障(失效、过热、泄露、老化)判断模型特征库，基于太阳能集热场的特点，选用半物理模型，通过对太阳能系统的分析选择具有典型意义的特性参数，基于多项式的回归模型，利用系统正常工况下的运行数据建立模型，选取辐照量和流量对太阳能集热系统这两个参数作为模型的输入量，表达式为：
[0036]
y＝f(g,q)+ε＝a0+a1g+a2q+a3g2+a4q2+a5gq
[0037]
其中y为回归变量输出模型；ε为误差项；a0a5为回归模型相关系数； g为回归模型输入参数辐照量，w/m2；q为回归模型输入参数流量，t/h；
[0038]
经回归分析处理后，将模型的预测值与采集到的四种典型故障运行工况下集热器温度值进行对比，取90％的置信水平，确定特性参数残差及对应的阈值，分析特性参数的残差，实现故障的监测与识别；
[0039]
基于深度卷积神经网络的三类太阳能集热场典型故障(过热、泄露、老化) 的故障程度模型特征库，经一维深度卷积神经网络训练提取数据特征，并确定各故障发生时的故障程度。
[0040]
所述基于回归分析模型的四类太阳能集热场典型故障判断模型特征库：
[0041]
选用半物理模型，通过对太阳能系统的分析选择具有典型意义的特性参数，基于多项式的回归模型，利用系统正常工况下的运行数据建立模型，辐照量和流量对太阳能集热系统的运行有很大影响，选取这两个参数作为模型的输入量，表达式为：
[0042]
y＝f(g,q)+ε＝a0+a1g+a2q+a3g2+a4q2+a5gq
[0043]
其中ε为误差项；y为回归变量输出模型；a0a5为回归模型相关系数；g 为回归模型输入参数辐照量，w/m2；q为回归模型输入参数流量，t/h，特性参数的模型表达式表示的是流量和辐照量的函数；
[0044]
根据变量特征及相关经验，选取二元多项式模型；采用最小二乘法对表达式相关系数进行求解，采用的方式是将用来建模的回归矩阵看成行向量x，利用矩阵符号，多项式模型表达式可写为：
[0045]
y＝ax+e
[0046]
式中x为回归输入变量向量；y为因变输出变量向量；a为回归模型系数向量；e为误差项向量；测量误差和模型误差包括在x和y中；
[0047]
当模型的回归变量线性无关时，模型的残差边趋于稳定；当误差项服从正态分布时，最小二乘法是最好的预测方法，此时，回归残差的平方和达到最小，求解回归系数采用
的公式为：
[0048][0049]
式中a
ols
为回归模型系数向量；x
reg
为建模数据回归矩阵；为x
reg
的转置矩阵；y
reg
为因变量回归向量；a
ols
是模型采用最小二次法求解的系数向量，利用上式进行计算后，得到各个系数具体值。进而计算出残差的均方差误差和模型的回归判定系数，二者是判别模型回归精准程度的重要指标。
[0050]
所述基于深度卷积神经网络的三类太阳能集热场典型故障的故障程度模型特征库：
[0051]
包括以下步骤：
[0052]
数据准备：对数据库中的温度数据进行审核及校验，对缺失数据、不一致数据进行补充和改正，保证数据的正确性和逻辑的一致性；
[0053]
①
缺失数据的处理：由于网络传输的故障，数据库中可能会出现缺失值，对缺失的数据，可采用估算方法，用样本均值代替缺失值进行补充；
[0054]
②
不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行改正；
[0055]
生成数据集：将准备好的数据分为训练集标签和测试集标签；
[0056]
生成测试集数据及标签：根据太阳能系统不同的运行工况，从数据库中读取对应工况的温度数据值，生成各种工况状态下的测试集数据以及工况标签；其中工况标签同训练集工况标签一样，由程序根据运行工况自动生成；
[0057]
网络训练：
[0058]
将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，对网络权值、偏置、卷积系数、池化系数进行不断修正，使误差满足设定的精度要求，继而网络训练完成，生成卷积神经网络模型，即基于深度卷积神经网络的太阳能集热场典型故障的故障程度模型。
[0059]
所述基于深度卷积神经网络的太阳能集热场典型故障的故障程度模型，具体步骤如下：
[0060]
①
读入一组训练集数据d，其大小为[m
×1×
n]，其中m表示训练批的大小，1
×
n表示一维的训练数据；
[0061]
②
对读入的训练数据进行第一次卷积操作，得到特征图t，初始化卷积核g 的系数，设g的大小为[p
×1×
q]，其中p表示卷积核的数量，[1
×
q]表示卷积核的尺寸，得到的卷积结果为t＝σ(d*g)，特征图的大小为[m
×1×n×
q]；
[0062]
③
对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，给定池化步长p，池化窗口大小k，最后得到的特征图z的大小为 [m
×1×
(n/p)
×
q]，池化过程降低了数据的维度；
[0063]
④
重复以上
②‑③
步骤，反复进行卷积与池化操作，得到特征向量x，此时卷积神经网络的特征提取过程完成；
[0064]
⑤
初始化全连接网络的权值矩阵w和偏置b，将提取到的特征向量x送入全连接网
络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w
×
x+b)；
[0065]
⑥
将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值w、偏置b、各层池化系数、各层卷积系数；
[0066]
⑦
重复上述过程，直到网络误差e满足精度要求，网络训练过程完成，生成卷积神经网络模型。
[0067]
本发明的有益效果：
[0068]
本发明运用红外热成像摄像头对太阳能集热器温度场进行状态监测，具有监测面积大、响应速度快、灵敏度高等优点。红外热成像摄像头可测出0.1℃的温度变化，可用于准确辨识集热器故障信息，即故障类型、故障位置及故障程度。开发大型太阳能集热场故障检测系统，提取集热器故障特征信息并与典型故障特征库中模型依次进行比较匹配，完成故障状态的类型判断、位置和程度确定。
附图说明
[0069]
图1为大型太阳能集热场现场示意图。
[0070]
图2为常见的太阳能集热器连接方式(单行串联、单行并联、串-并联u型、串-并联z型)。
[0071]
图3为一般大型太阳能集热场连接形式。
[0072]
图4为基于红外成像的大型太阳能集热场故障检测方法工作流程框图。
[0073]
图5为基于温差的太阳能集热场红外图像归一化处理(步骤三)框图。
[0074]
图6为基于改进引导滤波和sigmoid函数的自适应动态范围压缩处理(步骤三)框图。
[0075]
图7为基于深度卷积神经网络的太阳能集热场故障程度模型(步骤四)流程图。
[0076]
图8为卷积神经网络模型的训练过程算法(步骤四)流程图。
[0077]
图9为基于红外成像的大型太阳能集热场故障快速检测方法框图。
[0078]
图10为为热红外成像图(图a原始热红外成像图；图b温度补偿后的红外热成像图1；图c基于改进引导滤波和sigmoid函数的自适应动态范围压缩处理的热外热成像图2；图d经区域划分后的热红外成像图)。
[0079]
图11为太阳能集热器
①
区域温度场分布特征信息图(图a集热器
①
区域内太阳能集热器温度场分布散点图；图b集热器
①
区域内太阳能集热器温度场温度残差偏离图)。
[0080]
图12为该例工况90％置信水平下的温度残差图。
具体实施方式
[0081]
下面结合实施对本发明作进一步详细说明。
[0082]
如图1所示，大型太阳能集热场现场示意图。我国西部地区太阳辐射强烈、昼夜温差大，目前太阳能系统已广泛应用，且存在一定的大型太阳能集热场，且其易出现过热、泄露、老化、失效等故障。
[0083]
如图2所示，太阳能集热器连接方式。
[0084]
平板集热器的连接方式主要有串联、并联和混联三种。
[0085]
一块集热器的出口与另一块集热器的入口相连称为串联，一块集热器的出、入口分别与另一块集热器的出、入口相连称为并联，串联和并联两种方式都有可称为混联，按照串联和并联的先后顺序又可分为串-并联和并-串联。
[0086]
集热器并联系统流动阻力相对较小，但若并联数量过多或造成系统内流量分配不均匀，会发生局部过热现象，造成系统集热器老化、过热故障发生；集热器串联系统流动阻力更大但流量分配更均匀，而随着集热器串联数量增加沿程集热器集热效率下降。因此，为降低集热器故障发生率及保证集热系统高效运行，需合理设计集热场的组合连接方式。
[0087]
除集热器连接方式对系统运行有影响外，集热场流动方向布置对集热系统效率及集热器故障发生也有一定影响。集热场流动方向布置根据供、回水管道内工质流动方向相同或相反可分为u型布置和z型布置，如图2所示。u型布置(即异程系统)集热场流量分布不均匀度更大，局部过热导致的过热、老化故障发生率更高；z型布置(即同程系统)集热系统阻力更大且因管线增长致其初投资增加。
[0088]
集热场在运行过程中，非均匀分配的集热工质边流动边吸热，再加上太阳能辐照度和环境温度波动变化，导致集热场内各支路阻力产生波动，因此集热场内流量分配也会受到影响而发生变化，而流量分配变化将反作用影响集热工质温度变化。因此，集热场运行过程中水力状态和热力状态一直处于变化中，易引起集热器各类故障的出现。
[0089]
如图3所示，一般大型太阳能集热场连接形式，串-并联u型布置。与单独的串联、并联、u型、z型布置相比，虽降低了集热器各类故障的发生率，但并不能完全消除故障的发生。
[0090]
通过在太阳能集热场设置红外热成像摄像头进行实时监测并向计算机同步传送红外热成像图。其中太阳能集热场中辐照表、流量计等仪表数据同步于红外成像摄像图记录。
[0091]
如图4所示，一种新型太阳能集热场故障检测方法的框架图。
[0092]
运用红外热成像摄像头对太阳能集热场进行实时监测并得到原始红外热像图；将原始红外热像图传送至计算机，进行基于温差的红外图像归一化处理和基于改进引导滤波和sigmoid函数的自适应动态范围压缩处理的预处理；进一步对转换后的太阳能集热场红外热像图进行大致区域划分得到每块集热器的局部红外热像图，并运用红外软件对其进行特征选取和数据采集；再运用matlab数据分析软件得到各集热器温度场分布特征散点图；最后，结合太阳能集热场中仪表监测数据与两个太阳能集热场故障典型模型特征库的特性信息进行比对分析，确定故障信息并输出，为太阳能集热场故障定性分析提供技术支持。
[0093]
红外热像图预处理：
[0094]
1)运用基于温差的红外图像归一化方法对红外热成像摄像头传输至计算机的原始红外热像图进行初步预处理。
[0095]
基于变换的方法，利用图像处理的手段在图像的初步预处理阶段就消除热环境因素对太阳能集热器温度场的影响。该方法把集热器在不同环境因素下的图像看作基本信号，在空域上进行处理，以达到消除外部热环境影响的目的。
[0096]
如图5所示，集热器入口温度一定，通过输入图像采集时的原始热环境因素 (环境温度，太阳辐照度等)，根据软件模拟得到该热环境下系统中集热器某处温度tn，tn与标准热环境因素下的集热器某处温度tm的差值ti(ti＝t
n-tm)，即需要对原始红外热成像图进行温度补偿的差值。通过变换将原始红外热像图整体转换到与标准红外热像图中相同的热环境
状态下。
[0097]
2)进行改进引导滤波和sigmoid函数的自适应动态范围压缩的进一步处理。
[0098]
如图6所示：
[0099]
使用引导滤波将输入红外图像分解为基础层b和细节层d。基础层b是改进引导滤波对输入图像的处理结果，其中包含输入图像中的高对比度信息和大部分动态范围；细节层d是输入图像和基础层b的差值，其中包含输入图像中的低对比度细节。
[0100]
b＝g[ih]
[0101]
d＝i
h-b
[0102]
其中ih为输入的红外热像图；符号g[*]表示改进引导滤波，使用图像一阶微分的变体构建边缘感知权重。
[0103]
然后，使用sigmoid自适应压缩算法压缩基础层b的动态范围，在保留图像整体视觉感知的前提下，压缩高动态范围图像灰度信息，使其能够在传统显示设备上正常显示。
[0104]
b'＝s[b]
[0105]
其中符号s[*]表示sigmoid算法；b'为动态范围压缩后的基础层，b'值在 [0,1]之间。
[0106]
为了提高低对比度细节的可见性，使用固定增益系数η对细节层进行加强，增强后的细节层d'为
[0107]
d'＝η*d
[0108]
固定增益系数的设置推荐在[1，2]之间，能够有效增强低对比度细节信息，同时可以避免过度增强而带来的明显人工痕迹。
[0109]
最后，为动态范围压缩后的基础层b'分配合适的动态范围，并和增强后的细节层d'重组以获得输出图像。
[0110]il
＝a*b'+d'
[0111]
其中i
l
为输出图像，参数a用于控制基础层动态范围的大小，使用a＝220的设置值可以避免可能的动态范围溢出并充分利用图像的显示动态范围，并细节增强程度较为合理，能够获得更加自然、符合人类视觉特性的结果。
[0112]
建立太阳能集热场典型故障模型特征库：
[0113]
太阳能集热场故障检测系统通过对集热器正常运行状态及各类故障状态下的仿真及实测结果进行处理，提取集热器故障温度场特征信息以及其相关特征参数，建立基于回归分析模型的四类(失效、过热、泄露、老化)太阳能集热场典型故障判断模型特征库；基于深度卷积神经网络的太阳能供暖系统故障检测模型，是符合太阳能供暖系统数据特性、诊断精度高、特征提取能力强的通用故障检测方法。本发明中，通过红外热成像摄像头实时监测并提取太阳能集热场的温度场数据，存储在数据库中，采用一维深度卷积神经网络提取数据特征，用温度数据集训练深度卷积神经网络进行多类故障模式识别，建立基于深度卷积神经网络的三类故障(过热、泄露、老化)太阳能集热场检测故障程度的模型特征库；
[0114]
1)基于回归分析模型的四类太阳能集热场典型故障判断模型特征库
[0115]
一般情况下，为了建立精确的模型，可以选取建立物理模型，因为物理模型详细、准确。但在实际应用中，系统的多样性导致物理模型建立困难。基于太阳能集热场的特点，本发明选用半物理模型，通过对太阳能系统的分析选择具有典型意义的特性参数。基于多
项式的回归模型，利用系统正常工况下的运行数据建立模型。辐照量和流量对太阳能集热系统的运行有很大影响，故本发明选取这两个参数作为模型的输入量，表达式为：
[0116]
y＝f(g,q)+ε＝a0+a1g+a2q+a3g2+a4q2+a5gq
[0117]
其中ε为误差项；y为回归变量输出模型；a0a5为回归模型相关系数；g 为回归模型输入参数辐照量，w/m2；q为回归模型输入参数流量，t/h。特性参数的模型表达式表示的是流量和辐照量的函数。
[0118]
一般多项式次数越高模拟的结果越准确。根据变量特征及相关经验，选取二元多项式模型；采用最小二乘法对表达式相关系数进行求解，采用的方式是将用来建模的回归矩阵看成行向量x，利用矩阵符号，多项式模型表达式可写为：
[0119]
y＝ax+e
[0120]
式中x为回归输入变量向量；y为因变输出变量向量；a为回归模型系数向量；e为误差项向量；测量误差和模型误差包括在x和y中。
[0121]
当模型的回归变量线性无关时，模型的残差边趋于稳定；当误差项服从正态分布时，最小二乘法是最好的预测方法。此时，回归残差的平方和达到最小，求解回归系数采用的公式为：
[0122][0123]
式中a
ols
为回归模型系数向量；x
reg
为建模数据回归矩阵；为x
reg
的转置矩阵；y
reg
为因变量回归向量；a
ols
是模型采用最小二次法求解的系数向量，利用上式进行计算后，得到各个系数具体值。进而计算出残差的均方差误差和模型的回归判定系数，二者是判别模型回归精准程度的重要指标。
[0124]
本发明选取的输入量为流量和辐照量。根据太阳能系统的特性，将集热器温度ti作为特性参数。由于存在误差，模型预测值与实际测量值或实际计算值不一定会相等，一般把两者差值定义为残差。正常状态下，残差在一定的范围内，这个范围称为残差阈值。一般通过历史数据利用统计学方法来确定，特性参数残差的阈值在一定的置信水平下得到。在确定特性参数残差和对应的阈值后，分析特性参数的残差，即可实现故障的监测与识别。
[0125]
2)基于深度卷积神经网络的三类太阳能集热场典型故障的故障程度模型特征库
[0126]
如图7所示，建立基于深度卷积神经网络的太阳能集热场过热、泄露、老化三类典型故障的故障程度模型特征库包括以下步骤：
[0127]
数据准备：对数据库中的温度数据进行审核及校验，对缺失数据、不一致数据进行补充和改正，保证数据的正确性和逻辑的一致性。
[0128]
①
缺失数据的处理：由于网络传输的故障，数据库中可能会出现缺失值，对缺失的数据，可采用估算方法，用样本均值代替缺失值进行补充；
[0129]
②
不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行改正。
[0130]
生成数据集：将准备好的数据分为训练集标签和测试集标签。
[0131]
生成训练集数据及标签：根据太阳能系统不同的运行工况，从数据库中读取对应工况的温度数据值，生成各种工况状态下的训练集数据以及工况标签；在具体应用中，各个工况标签含义如表1所示：
[0132]
表1基于深度卷积神经网络的太阳能集热场故障程度模型标签含义
[0133][0134]
程序根据不同的工况，自动生成工况标签；
[0135]
生成测试集数据及标签：根据太阳能系统不同的运行工况，从数据库中读取对应工况的温度数据值，生成各种工况状态下的测试集数据以及工况标签；其中工况标签同训练集工况标签一样，由程序根据运行工况自动生成。
[0136]
网络训练：如图8所示，卷积神经网络训练过程算法流程图。将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，对网络权值、偏置、卷积系数、池化系数进行不断修正，使误差满足设定的精度要求，继而网络训练完成，生成卷积神经网络模型，即基于深度卷积神经网络的太阳能集热场典型故障的故障程度模型。
[0137]
具体步骤如下：
[0138]
①
读入一组训练集数据d，其大小为[m
×1×
n]，其中m表示训练批的大小，1
×
n表示一维的训练数据；
[0139]
②
对读入的训练数据进行第一次卷积操作，得到特征图t。初始化卷积核g 的系数，设g的大小为[p
×1×
q]，其中p表示卷积核的数量，[1
×
q]表示卷积核的尺寸，得到的卷积结果为t＝∑(d*g)，特征图的大小为[m
×1×n×
q]；
[0140]
③
对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，给定池化步长p，池化窗口大小k，最后得到的特征图z的大小为 [m
×1×
(n/p)
×
q]，池化过程降低了数据的维度；
[0141]
④
重复以上
②‑③
步骤，反复进行卷积与池化操作，得到特征向量x，此时卷积神经网络的特征提取过程完成；
[0142]
⑤
初始化全连接网络的权值矩阵w和偏置b，将提取到的特征向量x送入全连接网络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w
×
x+b)；
[0143]
⑥
将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值w、偏置b、各层池化系数、各层卷积系数；
[0144]
⑦
重复上述过程，直到网络误差e满足精度要求，网络训练过程完成，生成卷积神经网络模型。
[0145]
网络测试：将测试集数据输入到已经训练好的网络模型中，输出故障信息结果。具体步骤如下：
[0146]
①
加载已经训练好的卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值w，偏置b皆已训练完毕；
[0147]
②
将测试数据集输入已经训练好的卷积神经网络中，输出工况标签，从而输出故障检测结果。根据输出的标签，就可以判断故障类型及其故障严重程度。比如，1代表轻微过
热，3代表严重过热等。
[0148]
太阳能集热场红外故障检测系统：
[0149]
如图9所示，通过红外热成像摄像头对太阳能集热场进行监测，建立红外热成像摄像头与计算机之间的通讯，得到整个太阳能集热场的原始红外图像；进行预处理得到转换后的红外热像图；对转换后的红外热像图进行数据采集、分析处理、区域划分，提取各区域温度场分布特征信息，将其与两个太阳能集热场典型故障模型特征库的特性信息依次进行比对，判断是否故障，若故障发生则进一步确定集热器故障信息。
[0150]
太阳能集热场故障检测系统包括温度图像采集、温度图像读取、数据采集分析处理及故障模型匹配四部分：
[0151]
步骤一：温度图像采集。对于太阳能集热场，通过红外热成像摄像头实时监测，得到集热场的整体温度分布热图；
[0152]
步骤二：建立红外热成像摄像头与计算机之间的通讯，对集热场温度状态进行温度图像读取；
[0153]
步骤三：进行初步预处理去除热环境因素的影响得到红外热像图1，并进行动态范围压缩及图像增强处理得到转换后的红外热像图2。对转换后的红外热像图2运用红外软件进行数据采集并进一步划分区域分析处理，得到各块集热器故障温度场分布特征信息；
[0154]
步骤四：将提取到的各区域温度场分布特征信息与集热器典型故障判断模型特征库中的特性信息进行比对，分析确定集热器是否出现故障并确定故障类型，进一步导入故障程度模型特征库，确定故障相关信息并作出相应措施。
[0155]
注：1.δtn为实际采集故障温度数据集与正常运行温度场数据集的差值范围；
[0156]
2.假定δt1》δt2》δt3》δt4，即当故障为老化状态时，集热器温度残差有δt1以上的偏差；当故障为泄露状态时，集热器温度残差有δt2以上的偏差；当故障为过热状态时，集热器温度残差有δt3以上的偏差，当故障为失效状态时，集热器温度残差有δt4以上的偏差。
[0157]
应用案例
[0158]
在实际应用中，以部分太阳能集热场红外成像图为例对整个检测过程做以叙述。标准热环境参数按gb/t 4271-2007《太阳能集热器热性能试验方法》设定：辐照度700w/m2，环境温度30℃，流量0.02m2/s等。
[0159]
第一步：用红外热成像摄像头拍摄太阳能集热场红外成像图(拍摄时实际热环境参数为：辐照度750w/m2，环境温度34℃，流量0.02m2/s等)并传送至计算机，如下图a所示。
[0160]
第二步：对原始红外成像图进行预处理：
①
建立太阳能集热器二维传热模型，并运用matlab平台中fsolve函数分别对标准热环境因素和实际热环境因素下的太阳能集热场温度进行求解，得到该环境下需补偿的温度ti＝0.327℃，故进行温度补偿后的红外热成像图10如图b所示。
②
进行改进引导滤波和 sigmoid函数的自适应动态范围压缩的进一步处理，通过matlab平台处理得到转换后的热外热成像图2，如下图c所示。
[0161]
第三步：对预处理过的红外热成像2运用红外软件进行数据采集并进一步分区域分析处理(如图d所示)，得到各区域故障温度场分布特征信息，如图11 所示，图a为集热器
①
区域内集热器温度场分布散点图，图b为该区域太阳能集热器温度场温度残差偏离图。
[0162]
第四步：太阳能集热场典型故障模型特征库包括基于回归分析模型的太阳能集热
场失效、过热、泄露、老化四种典型故障判断模型和基于深度卷积神经网络的太阳能集热场过热、泄露、老化三类典型故障的故障程度模型两部分。
[0163]
对标准热环境下太阳能系统无故障运行数据初步采集和处理之后，用以建立回归模型，运用前文提到的判定系数和标准误差进行评判。判定系数表明了回归模型的拟合程度，也解释了误差中回归模型的比例，所以越接近1效果越好，这是一种对回归模型拟合程度的综合度量.拟合较好的情况是判定系数大、标准误差小。该模型相应拟合的计算结果为：回归模型判定系数95.2％，均方差标准误差2.86℃。结果显示，回归系数接近1，说明相关性较好，模拟结果准确。
[0164]
经过处理，公式y＝f(g,q)+ε＝a0+a1g+a2q+a3g2+a4q2+a5gq中的六项特性参数回归模型系数如表2所示：
[0165]
表2回归模型特征参数表
[0166][0167]
将模型的预测值与采集到的四种典型故障运行工况下集热器温度值进行对比，取90％的置信水平，得到老化故障运行工况下集热器温度残差有超过7℃以上的偏差，泄露故障运行工况下集热器温度残差有超过10℃以上的偏差，过热故障运行工况下集热器温度残差有超过12℃以上的偏差，失效故障运行工况下集热器温度残差有超过15℃以上的偏差，即δt1＝7℃，δt2＝10℃，δt3＝12℃，δt4＝15℃。
[0168]
如图12所示，该例工况下的90％以上的温度残差δtn大于10℃但小于12℃，故可得出结论：该该区域太阳能集热器出现了泄露故障，红色框内点即为泄露故障点。
[0169]
对于基于深度卷积神经网络的太阳能集热场过热、泄露、老化三类典型故障的故障程度模型，我们定义了一维深度卷积神经网络的结构，具体包含两个卷积层，两个池化层，一个全连接层，各层参数如表3所示：
[0170]
表3一维深度卷积神经网络训练结构参数表
[0171][0172]
对出现泄露区域的太阳能集热器温度场分布散点图进行温度数值提取，并输入至基于深度卷积神经网络的太阳能集热场故障程度模型中，输出为标签4，即轻微泄露故障。
[0173]
综上可得，该部分太阳能集热器出现了故障，并对故障类型、故障位置及故障程度进行了确认。