НЕЙРОСЕТЬ ДЛЯ ВЫЯВЛЕНИЯ НЕИСПРАВНОСТИ ДАТЧИКА КОНЦЕНТРАЦИИ ОКСИДОВ АЗОТА НА КОТЕЛЬНОЙ

Введение

На практике котельные и ТЭЦ имеют службы, способные ежедневно проводить калибровку и ремонт приборов и датчиков, установленных на котлоагрегатах. Однако от момента обнаружения неисправного датчика до момента восстановления его работоспособности может произойти время. В связи с этим актуальным выглядит вопрос быстрого обнаружения неисправного датчика. Сложность проблемы заключается в том, что неисправный датчик может не выходить за пределы погрешности измерения, а также наоборот, при определенных режимах выйти за пределы погрешности измерений, находясь в работоспособном состоянии. Также появляется человеческий фактор, который замедляет процесс быстрого и точного обнаружения нестабильной работы датчиков. В связи с этим необходимо научиться предсказывать показание датчика на основе имеющихся показаний от других датчиков. Если предсказанное значение выходит за границы доверительного интервала, датчик будет считаться неисправным. Математически это условие выглядит так:

 то датчик неисправен.

Предлагаемое решение

 Для решения проблемы с предсказанием одного из параметров было принято решение по созданию однослойной нейронной сети, основанной на регрессии многих переменных. В качестве предсказываемого параметра приняли содержание оксидов в дымовых газах. Языком написания нейронной сети был выбран простой, но универсальный Python версии 3.8. Для наших целей использованы библиотеки – TensorFlow и Pandas. Особенности TensorFlow заключаются в большом арсенале возможностей написания гибкой структуры нейронной сети. Но данные, подаваемые на вход, в первую очередь нужно обработать и преобразовать для лучшего результата обучения нейросети, и после проанализировать и визуализировать результаты проделанной работы, для этого и нужна библиотека Pandas.

 В качестве входных параметров в нейронную сеть используются следующие параметры, значения которых поступают с считывающих датчиков: расход газа к. А на интервале 1 час (SAS), содержание О2 в уходящих газах, слева, корпус А, расход пара за котлом и температура уходящих дымовых газов, Тух. Общее количество данных, собранных с датчиков, составило 1114 строк в таблице Excel, в связи с чем было принято решение разбиения данных следующим образом: 80% данных будут являться обучающим набором, 10% – валидационным набором, оставшиеся 10% – тестовым набором для проверки на точность нейронной сети.

Сначала была проведена операция по очистке от лишних данных в таблице Excel, а именно: удаление неполных данных, удаление недопустимых значений и т.п. После, была произведена повторная проверка обработки входных значений.  Далее была проведена операция по сведению имеющихся данных к заданному диапазону, а именно от 0 до 1 для более удобного вывода и понятия данных. Нейронная сеть представляет собой однослойную сеть с одним выходным нейроном и четырьмя входными (рис. 8). В качестве оптимизатора был выбран «adamax», а в качестве функции потерь – «mean_squared_error», т.к. при выборе других параметров оптимизации нейронная сеть неправильно обрабатывала данные, и при обучении выдавалось значение «NaN».

Рисунок 8. Код структуры нейронной сети

Для более точного обучения нейронной сети было принято решение выбрать количество эпох, равное 500. То есть, весь Dataset (обработанная и структурированная информация в табличном виде)  пройдет через нейронную сеть в прямом и обратном направлении 500 раз. Это уменьшит скорость обучения нейросети, но увеличит точность.  По окончанию обучения нейронной сети был построен график, демонстрирующий соотношение потери при обучении и ошибки при валидации (рис.9)

Рисунок 9. Демонстрация соотношения ошибок

Как видно из вышеприведённого графика, выбранное количество эпох слишком велико, можно было обойтись и меньшим количеством, а именно около 150.

После полного обучения нейронной сети был проведён тест на правильность предсказания на основе тестовых данных (рис.10).

Рисунок 10. Проведение тестовых предсказаний

Как видно из вышеприведённого рисунка, ошибка тестовых предсказаний составляет 0.0076, что свидетельствует о высокой точности разработанной нейронной сети.

Для удобства получения предсказания с помощью нейронной сети и выводе дополнительных данных, а именно КПД и суммарная эколого-экономической нагрузке объекта генерации была разработана функция, которая на вход принимает следующие значения: расход природного газа, содержание О2 в уходящих газах, расход пара за котлом и температура уходящих дымовых газов, Т_ух. На основе входных данных будет сделано предсказание содержания NOx в уходящих газах, и рассчитаны дополнительные параметры (рис.11).

Рисунок 11. Разработанная функция

Таким образом, предсказанное значение параметра может соотноситься с фактически измеренным, и делаться вывод о необходимости замены или калибровки датчика. Данная функция позволяет усовершенствовать существующие СППР, снизив процент ложных подсказок.

Заключение

Существующие методики оценки экологического воздействия имеют ряд недостатков, среди которых генерация ложных сообщений СППР, связанная с неисправностью датчика. Статья посвящена разработке метода повышения точности работы СППР за счет применения нейросети, оперативно отслеживающей состояние датчиков СППР. Предложенная нейросеть способна усовершенствовать работу СППР, направленных на снижение негативного воздействия на воздушный бассейн.