冷凝器中污垢沉积率和剥蚀率的在线测量方法

摘要

一种冷凝器中污垢沉积率和剥蚀率的在线测量方法，其步骤为：S1：获得管壁结垢过程的图像序列；S2：识别沉积与剥蚀颗粒；对采集到的图像序列进行分析，识别出污垢颗粒；进行帧间污垢颗粒的匹配，完成对污垢颗粒运动轨迹的实时追踪；S3：建立颗粒的三维几何模型；根据污垢颗粒三维运动轨迹和方向梯度，求得污垢颗粒在管壁的位置和分布，对污垢颗粒及其运动轨迹进行三维重构，建立颗粒的三维几何模型；S4：求得沉积颗粒的体积和与剥蚀颗粒的体积和，进而得到污垢沉积率和剥蚀率。本发明具有实时性好、准确率高、能够直观反映冷凝器管内污垢动态变化过程等优点。

说明书

技术领域

本发明主要涉及到冷凝器领域，特指一种应用冷凝器中的污垢沉积率和剥蚀率的在线测量方法。

背景技术

目前，冷凝器在电力、化工、冶金、机械等各大领域得到广泛应用。然而，冷凝器中由于污垢的存在，大大降低了换热面的传热能力，使得汽轮机排汽压力和排汽温度升高，输出功率减少，热耗率增加，从而导致机组经济效益下降。此外，污垢的积聚，也常常引起冷凝管的局部腐蚀乃至穿透，严重威胁到冷凝器的安全运行。正因如此，必须采取有效的污垢控制措施。

冷凝器结垢过程是污垢沉积与污垢剥蚀相互作用的结果，沉积使污垢增加，剥蚀使污垢减少，沉积率与剥蚀率之差即为污垢结垢速率，污垢控制的本质在于控制沉积率、剥蚀率，进而达到控制结垢速率的目的。因此，对于冷凝器污垢控制，正确的方法应当是根据污垢沉积率、剥蚀率的动态变化自适应地调节控制量。然而，由于很难实时、精确地把握管内污垢的动态变化，且冷凝器污垢是多种颗粒污垢的混合体，从而使得对污垢沉积率、剥蚀率在线测量的方法的研究难度加大，进展缓慢，至今都没有很好的方法被提出。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实时性好、准确率高、能够直观反映冷凝器管内污垢动态变化过程的冷凝器中污垢沉积率和剥蚀率的在线测量方法。

为解决上述技术问题，本发明采用以下技术方案：

一种冷凝器中污垢沉积率和剥蚀率的在线测量方法，其步骤为：

S1：获得管壁结垢过程的图像序列；

S2：识别沉积与剥蚀颗粒；对采集到的图像序列进行分析，识别出污垢颗粒；进行帧间污垢颗粒的匹配，完成对污垢颗粒运动轨迹的实时追踪；

S3：建立颗粒的三维几何模型；根据污垢颗粒三维运动轨迹和方向梯度，求得污垢颗粒在管壁的位置和分布，对污垢颗粒及其运动轨迹进行三维重构，建立颗粒的三维几何模型；

S4：求得沉积颗粒的体积和与剥蚀颗粒的体积和，进而得到污垢沉积率和剥蚀率。

作为本发明方法的进一步改进：在所述步骤S4中，根据污垢颗粒的三维几何模型，求得沉积颗粒的体积和剥蚀颗粒的体积，污垢沉积率、剥蚀率则为单位时间内污垢的沉积量与剥 蚀量，即沉积颗粒的体积和与剥蚀颗粒的体积和。

作为本发明方法的进一步改进：所述步骤S1中是通过图像采集装置实时采集管壁内的图像，得到管壁结垢过程的图像序列。

作为本发明方法的进一步改进：所述步骤S2中，识别颗粒的方法为：先是采用二维高斯函数描述污垢颗粒的灰度分布，通过对颗粒灰度分布进行函数拟合获得颗粒几何形状参数，根据颗粒的几何形状参数来识别颗粒。

作为本发明方法的进一步改进：所述步骤S2中，颗粒匹配的方法为基于几何特征相似度和归一化转动惯量特征相似度结合的方法。

作为本发明方法的进一步改进：所述步骤S3中，污垢颗粒和污垢运动轨迹的三维重构方法为：先是基于双目视觉，计算出颗粒的空间位置，实现颗粒的三维重构；之后结合前面颗粒在各帧间的运动轨迹信息，进行颗粒运动轨迹的三维重构。

与现有技术相比，本发明的优点在于：

1、本发明本发明的冷凝器中污垢沉积率和剥蚀率的在线测量方法，原理简单、操作简便、实时性高，能够真正实现对污垢沉积率、剥蚀率的在线测量。

2、本发明的冷凝器中污垢沉积率和剥蚀率的在线测量方法，准确度高、能够直观的反应冷凝器管内污垢的动态变化过程，从而准确得出污垢颗粒在管壁的位置和分布。

3、本发明的冷凝器中污垢沉积率和剥蚀率的在线测量方法，易实现，精准可靠，所需成本低，并能应用于复杂环境当中，有利于管内污垢的控制，提高了运行效率，易推广，增大了社会效益。

附图说明

图1是本发明方法的流程示意图。

图2是本发明在具体应用实例中进行粒子匹配时的原理示意图。

图3是本发明在具体应用实例中对粒子进行三维空间坐标重构的示意图。

图4是本发明在具体应用实例中对污垢颗粒进行匹配时帧间搜寻流程的原理示意图。

图5是本发明在具体应用实例中所采用图像采集装置的示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1所示，本发明的冷凝器中污垢沉积率和剥蚀率的在线测量方法，步骤为：

S1：获得管壁结垢过程的图像序列；

通过图像采集装置(如：摄像头)实时采集管壁内的图像，得到管壁结垢过程的图像序列；

S2：识别沉积与剥蚀颗粒；

对采集到的图像序列进行分析，识别出污垢颗粒；进行帧间污垢颗粒的匹配，从而实现对污垢颗粒运动轨迹的实时追踪。

S3：建立颗粒的三维几何模型；

根据污垢颗粒三维运动轨迹和方向梯度，可求得污垢颗粒在管壁的位置和分布；即，对污垢颗粒及其运动轨迹进行三维重构，建立颗粒的三维几何模型；

S4：求得沉积颗粒的体积和与剥蚀颗粒的体积和，进而得到污垢沉积率和剥蚀率；

根据污垢颗粒的三维几何模型，求得沉积颗粒的体积和与剥蚀颗粒的体积，得到污垢沉积率和剥蚀率。其中，污垢沉积率、剥蚀率是指单位时间内污垢的沉积量与剥蚀量，即沉积颗粒的体积和与剥蚀颗粒的体积和，根据建立的污垢三维几何模型可求得颗粒体积。

利用双目视觉传输的图像信息计算出颗粒的空间位置，结合前面对颗粒的实时追踪(二维追踪轨迹)，实现颗粒运动轨迹的三维重构。建立颗粒的三维几何模型，求得颗粒体积，从而实现污垢沉积率、剥蚀率的在线测量。

在上述步骤S2中，污垢颗粒运动轨迹实时追踪关键在于颗粒的识别、匹配。本发明中先是采用二维高斯函数描述污垢颗粒的灰度分布，通过对颗粒灰度分布进行函数拟合获得颗粒几何形状参数，根据颗粒的几何形状参数来识别颗粒，而实现颗粒匹配的算法是提出一种基于几何特征相似度和归一化转动惯量特征相似度结合的算法。

进一步，本发明针对在颗粒识别、匹配过程中遇到的颗粒重叠、被遮挡的问题，提出一种帧间边缘预测算法、帧间灰度相关性修正补偿算法。至于存在的颗粒絮凝变形现象，则采用聚类预估方法。

在上述步骤S3中，污垢颗粒和污垢运动轨迹的三维重构，先是基于双目视觉，计算出颗粒的空间位置，实现颗粒的三维重构。之后结合前面颗粒在各帧间的运动轨迹信息，进行颗粒运动轨迹的三维持三维重构。

在具体应用实例中，本发明的冷凝器中污垢沉积率和剥蚀率的在线测量方法，详细步骤为：

S100：获得管壁结垢过程的图像序列；

如，通过摄像头采集图像，从而获得管壁结垢过程的图像序列。

S200：利用图像序列，实现颗粒运动轨迹的三维重构；

即：对图像序列进行处理，提取出每帧图像中的污垢颗粒，并对每一帧用双目摄像机得到污垢颗粒图像进行三维重构以获得其空间位置。

S300：对图像序列中污垢点进行实时追踪，从而获得图像序列中污垢颗粒的运动路径。

S400：定义污垢沉积率与剥蚀率为单位时间内污垢的沉积量和剥蚀量。

参见图2～图4，在具体应用时，步骤S200的具体流程如下：

S201：先对污垢颗粒的位置进行三维重构，建立污垢颗粒空间位置所依赖的世界坐标系，其同左相机坐标系的旋转矩阵和平移矩阵分别为R_L和T_L，其同右相机坐标系的旋转矩阵和平移矩阵分别为R_R和T_R，这些矩阵都是固定数值矩阵，由标定可得。

S202：设左右相机中的粒子像P'和P是一对匹配粒子，其粒子三维空间坐标三维重构几何原理如图3所示，其中I和I'分别为左右相机的相机中心，粒子P所在的三维空间位置即为两直线PI和P'I'的交点。

设空间粒子G在所定义的世界坐标系中的空间坐标为而其在左右相机中的粒子像分别为P和P'，且它们在世界坐标系中的坐标分别设为和因易求得粒子像P和P'分别在左右相机坐标系的坐标，分别设为(X_P,Y_P,Z_P)和(X_P',Y_P',Z_P')，

故可得到如下计算式：

${(X_P^W,Y_P^W,Z_P^W)}^T={(X_P,Y_P,Z_P)}^T{R}_L+T_L---\left(1\right)$

${(X_{P^{,}}^W,Y_{P^{,}}^W,Z_{P^{,}}^W)}^T={(X_{P^{,}},Y_{P^{,}},Z_{P^{,}})}^T{R}_R+T_R---\left(2\right)$

又易知左右相机中心I和I'在左右相机坐标系的坐标分别为(0,0,Z_I)和(0,0,Z_I'),将其转换为上述的世界坐标，分别设它们在世界坐标系的坐标为和则坐标转换公式为：

${(X_I^W,Y_I^W,Z_I^W)}^T={(0,0,Z_I)}^T{R}_L+T_L---\left(3\right)$

${(X_{I^{,}}^W,Y_{I^{,}}^W,Z_{I^{,}}^W)}^T={(0,0,Z_{I^{,}})}^T{R}_R+T_R---\left(4\right)$

由上述计算式已经将点全部转换到定义的世界坐标系中，易知，直线PI和GI是同一直线，在世界坐标系中的表达式相同。同样，P'I'和GI'也是同一直线，拥有相同的表达式。故空间粒子G的坐标可由如下式(5)至(9)计算式所得：

$X_G^W=X_I^W+{\mu }_a(X_P^W-X_I^W)---\left(5\right)$

$Y_G^W=Y_I^W+{\mu }_a(Y_P^W-Y_I^W)---\left(6\right)$

$Z_G^W=Z_I^W+{\mu }_b(Z_P^W-Z_I^W)---\left(7\right)$

其中μ_a和μ_b分别有：

${\mu }_a=\frac{(X_{P^{,}}^W-X_{I^{,}}^W)(Y_I^W-Y_{I^{,}}^W)-(Y_{P^{,}}^W-Y_{I^{,}}^W)(X_I^W-X_{I^{,}}^W)}{(Y_{P^{,}}^W-Y_{I^{,}}^W)(X_P^W-X_I^W)-(X_{P^{,}}^W-X_{I^{,}}^W)(Y_P^W-Y_I^W)}---\left(8\right)$

${\mu }_h=\frac{(X_{P^{,}}^W-X_{I^{,}}^W)(Z_I^W-Z_{I^{,}}^W)-(Z_{P^{,}}^W-Z_{I^{,}}^W)(X_I^W-X_{I^{,}}^W)}{(Z_{P^{,}}^W-Z_{I^{,}}^W)(X_P^W-X_I^W)-(X_{P^{,}}^W-X_{I^{,}}^W)(Z_P^W-Y_I^W)}---\left(9\right)$

在具体应用时，步骤S300的具体流程如下：

由图4所示，对上述步骤S2中获得的图像序列中污垢颗粒位置及提取出的污垢颗粒图像进行处理，对图像序列中第一帧图像检测污垢颗粒及其位置点，在下一帧中尝试跟踪这些颗粒，即找到这些污垢颗粒在新的图像帧中的位置，如此跟踪完整的图像序列，如图4所示，图像I₁和I₂是相邻帧。同时，对无匹配的污垢颗粒依据其所处位置及运动趋势进行标记，区分为沉积粒子和剥蚀粒子。

根据上述操作完成后，根据实际需要，可以选择将颗粒区分为沉积颗粒、剥蚀颗粒、逃逸颗粒。其中，逃逸颗粒指所有帧中都有匹配颗粒且无沉积趋势。由于污垢颗粒点会随水流移动，并且发生旋转等现象。因此，为了在帧间匹配污垢粒子，本发明采取如下技术方案：

首先，根据工况环境确定在下一帧中的查询区域，应用初始帧中颗粒特征参数进行相似匹配，其中特征参数包括颜色、几何形状、图像质量、图像转动惯量、正投影面积以及角点的相对位置。当完成由图4所示的流程进行颗粒特征匹配部分时，需要根据新一帧的匹配颗粒对颗粒的特征参数进行更新，已获得污垢颗粒的完整特征。

其中，图像质量及图像转动惯量方案如下：

将双摄像头得到的两幅图像进行灰度拉伸处理以提取污垢颗粒的二值化图像。如图5所示，在具体应用实例中，图像采集装置包括光源1、计算机3和双目相机4，其中光源1具有如图一般的横截面2，上述图像采集装置用来对冷凝管5进行实时监测。其中，像素的灰度值应与距离光源的远近负相关，即距离光源越远，灰度值越低。设提取的污垢颗粒的图像像素区域范围为1≤x≤M,1≤y≤N，令f(x,y)表示对应像素灰度值。

定义灰度平均值为图像质量m：

$m=\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}f(x,y)---\left(10\right)$

定义污垢颗粒的图像重心求解方式如下：

$\bar{x}=\left(\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}xf\right(x,y\left)\right)/\left(\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}f\right(x,y\left)\right)---\left(11\right)$

$\bar{y}=\left(\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}yf\right(x,y\left)\right)/\left(\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}f\right(x,y\left)\right)---\left(12\right)$

定义污垢颗粒的图像转动惯量J：

$\bar{x}=\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}[{(x-\bar{x})}^2+{(y-\bar{y})}^2]f(x,y)---\left(13\right)$

在整个追踪污垢颗粒运动路径中，针对颗粒间的重叠、被遮挡现象，拟用帧间灰度相关性修正补偿算法，即通过颗粒运动的序列图像，对前一帧图像的像素进行移位和插值来补偿当前帧的边缘缺损。而对于颗粒在运动中出现絮凝变形现象，本案例采用聚类预估的方法，以追踪的粒子为聚类中心，析晶颗粒为聚类数据，选取合适的距离度量，采用k均值聚类算法，获得颗粒子群，以此颗粒子群作为对被追踪颗粒絮团形状的预估，得到颗粒子群的形状参数，并与实际获得的絮团图像进行几何相似度特征比较，从而解决絮凝造成的颗粒匹配问题。

在具体应用时，步骤S400的具体流程如下：

通过上述的步骤，摄像头记录了管壁从光滑到结垢的全过程，A_n和B_n分别表示第n帧图像管壁区域的沉积颗粒和剥蚀颗粒，在前面的粒子追踪中对这两种趋势的粒子分别作了两个不同的表识。经过三维重构后，对沉积颗粒和剥蚀颗粒作不同的标记(如用红色标记沉积颗粒，蓝色标记剥蚀颗粒)，加以区分。设V_An和V_Bn分别表示第n帧图像三维重构后管壁区域沉积颗粒和剥蚀颗粒的体积，利用步骤S3中得到的污垢粒子的特征参数，利用其角点相对位置重构其几何模型，进而计算得到其体积。

又令T表示摄像机采集两帧图像的相差时间，ν_an和ν_bn表示帧与帧间的沉积率和剥蚀率。则有如下计算式：

${\nu }_{an}=\frac{V_{An}-V_{A(n-1)}}{T}---\left(14\right)$

${\nu }_{bn}=\frac{V_{Bn}-V_{B(n-1)}}{T}---\left(15\right)$

而从管壁光滑开始计时，经过时间t后的沉积率ν_a和剥蚀率ν_b有：

${\nu }_a=\frac{V_{A\frac{t}{T}}-V_{A1}}{t}---\left(16\right)$

${\nu }_b=\frac{V_{B\frac{t}{T}}-V_{B1}}{t}---\left(17\right)$

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于 本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。