基于深度学习的裂解反应器监测：从热成像到智能监测系统

摘要： 由于焚烧炉内极高的操作温度（超过800摄氏度），监测热解反应器的运行始终具有挑战性。为提升现有监测能力，本研究提出基于热成像技术的监测框架，以提供焚烧炉内部的详细视图。根据相机提供的温度数据生成的红外图像，引入深度学习方法从原始图像中自动识别管状区域。该像素级管状分割网络命名为Res50-UNet，结合了流行的ResNet-50和U-Net架构。通过这种方法，可以精确监测热解管的温度和形状。最终采用自适应k近邻（AkNN）方法绘制控制限值，以便对故障发出警报。通过在真实工厂数据上的测试，该框架通过提供反应器的深入运行信息和故障诊断，协助工艺操作员工作。