火电厂煤粉锅炉燃烧状态智能监测与评判研究

论文摘要

由于现代热力发电设备向着大容量和高参数的方向发展,机组设备越来越复杂,对生产过程的控制品质要求越来越高。火电厂煤粉锅炉燃烧状态的监测与评判,对于保障生产的安全性、经济性和环保性是非常有意义的。将人工智能算法引入锅炉燃烧状态监测与评判,可以提高监测与判别的准确性、实时性,能为机组运行的自动控制提供可靠依据。目前火电厂煤粉锅炉燃烧状态监测以火焰图像为主要对象,从火焰图像处理、火焰图像状态评判和火焰燃烧过程状态建模的研究状况来看,人工智能的研究与应用具有积极的意义,为锅炉火焰燃烧状态监测和评判开辟了智能化的新思路。本文在研究一些热门人工智能算法和分析煤粉锅炉的工作原理及影响锅炉燃烧状态的因素的基础上,开展了以下三个方面的研究工作:①应用智能算法实现火焰图像的预处理和特征提取;②利用火焰图像和智能算法评判锅炉燃烧状态;③利用智能算法建立基于火焰图像序列的锅炉燃烧状态识别模型。本文提出了自适应投票法快速中值滤波(AVMF)算法用于图像滤波。本文详细介绍了煤粉锅炉火焰燃烧状态监测系统的构成和火焰图像采集的原理。分析了火焰图像的噪声产生机理及常用噪声去除方法。AVMF算法结合了自适应判断噪声点技术和投票法滤波算法,与现有其它中值滤波改进方法比较,既具有极高的处理速度,又能较好地保留图像细节。本文提出将遗传算法和混合高斯马尔可夫随机模型用于火焰图像的分割。由于煤粉火焰图像的大噪声和边缘模糊的特点,采用传统的基于灰度梯度的图像分割方法不能取得满意的效果。将遗传算法应用于火焰图像区域的分割和合并。实验结果表明该方法较之传统方法具有更理想的分割效果。基于图像数据的局部相关性,马尔可夫随机过程理论用一个二维随机场模型来描述图像。它用条件概率描述图像的数据分布,用高斯分布特性描述单个像素及其邻域关系。实验结果表明利用混合高斯马尔可夫随机模型能够分割噪声图像。本文提出将隐马尔可夫随机模型(HMM)用于基于火焰图像的燃烧状态识别。在研究了煤粉燃烧机理的基础上,提出了火焰图像中反映燃烧特性的特征参数及其计算方法。根据火焰燃烧的随机性特点,率先建立了基于火焰图像的锅炉燃烧状态识别HMM。实验结果表明该方法能够获得较满意的识别效果。本文提出了将交互式学习神经网络用于基于火焰图像的燃烧状态识别。利用球面邻域理论构建神经网络,使用交互式学习技术降低网络构建的复杂度,提高模型识别精度。实验结果表明该技术的能够获得更好的识别效果。本文提出了将光滑支持向量回归(SSVR)算法应用于火焰图像序列预测。仿真结果表明该方法具有一定的预测效果。根据火焰图像具有异常噪声的特点,本文率先提出了变ε光滑支持向量回归(AεSSVR)算法,并用于火焰图像序列分析。仿真结果表明AεSSVR能有效避免异常噪声带来的虚报警。本文提出了将隐马尔可夫模型应用于基于火焰图像序列的燃烧状态建模。利用隐马尔可夫模型对于随机过程的强大模式分类能力及其与传统方法相比具备的独特的自适应特性,本文率先建立了基于火焰图像序列的锅炉燃烧状态的一维隐马尔可夫模型和伪二维隐马尔可夫模型。通过与神经网络的对比,仿真结果表明伪二维隐马尔可夫模型具有更高的识别精度。本文的主要理论创新点:(1)提出了自适应投票法快速中值滤波算法并用于火焰图像滤波;(2)提出了变ε光滑支持向量回归算法并用于火焰图像序列分析。本文的主要应用创新点:(1)将遗传算法和混合高斯马尔可夫随机模型用于火焰图像的分割;(2)将交互式学习神经网络用于基于火焰图像的燃烧状态识别;(3)将隐马尔可夫模型用于基于火焰图像的燃烧状态识别;(4)将光滑支持向量回归算法用于火焰图像序列预测;(5)将隐马尔可夫模型用于基于火焰图像序列的燃烧状态建模。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 本课题的研究意义
• 1.1.1 安全性意义
• 1.1.2 经济性意义
• 1.1.3 环保意义
• 1.2 国内外的研究背景
• 1.2.1 火焰检测技术的发展历程
• 1.2.1.1 传统的火焰检测技术
• 1.2.1.2 火焰监视工业电视
• 1.2.1.3 火焰图像识别技术
• 1.2.2 火焰检测分类
• 1.2.2.1 按检测方式分类
• 1.2.2.2 按检测形式分类
• 1.2.2.3 按检测系统结构分类
• 1.2.3 基于火焰图像的燃烧状态监测研究现状
• 1.2.4 火焰燃烧状态监测中人工智能算法的应用研究现状
• 1.2.5 研究与应用中存在的问题
• 1.3 本文的研究内容与目标
• 第二章 锅炉火焰图像处理技术
• 2.1 引言
• 2.2 火焰图像采集系统的构成
• 2.2.1 光学传像装置
• 2.2.2 CCD 摄像机
• 2.2.3 视频采集卡
• 2.3 火焰图像采集原理
• 2.3.1 图像原理
• 2.3.2 数字图像处理系统
• 2.4 火焰图像预处理
• 2.4.1 图像噪声分析
• 2.4.2 图像噪声处理
• 2.4.3 自适应投票法快速中值滤波（AVMF）
• 2.4.3.1 投票算法
• 2.4.3.2 自适应滤波算法
• 2.4.3.3 自适应投票算法及测试
• 2.4.4 图像的增强处理
• 2.5 火焰图像的特征提取
• 2.5.1 灰度阈值法分割图像
• 2.5.2 用边缘检测算子分割图像
• 2.5.3 用遗传算法分割图像
• 2.5.3.1 遗传算法
• 2.5.3.2 遗传算法用于分类学习
• 2.5.3.3 基于遗传算法的火焰图像分割研究
• 2.5.4 用混合高斯马尔可夫随机模型分割图像
• 2.5.4.1 马尔可夫链
• 2.5.4.2 马尔可夫随机场模型
• 2.5.4.3 混合高斯马尔可夫随机模型
• 2.5.4.4 平均域退火算法
• 2.5.4.5 仿真实验
• 2.6 本章总结
• 第三章 基于火焰图像的锅炉燃烧状态识别研究
• 3.1 引言
• 3.2 火焰燃烧状态
• 3.2.1 燃烧状态的定义
• 3.2.2 火焰图像的特征值
• 3.2.3 人工智能算法应用与分析
• 3.3 基于隐马尔可夫模型的燃烧状态识别
• 3.3.1 隐马尔可夫随机模型
• 3.3.2 火焰图像分类识别模型
• 3.3.3 仿真实验
• 3.4 基于交互式学习神经网络的燃烧状态识别
• 3.4.1 BP 神经网络的原理
• 3.4.2 基于 BP 神经网络的燃烧状态识别
• 3.4.3 交互式学习神经网络
• 3.4.4 性能评价
• 3.5 本章小结
• 第四章 基于火焰图像序列的锅炉燃烧状态智能监测研究
• 4.1 引言
• 4.2 锅炉燃烧影响因素的评估
• 4.2.1 燃烧影响因素
• 4.2.2 燃烧影响因素评估
• 4.2.3 火焰图像的评估作用
• 4.3 锅炉燃烧状态监测研究分析
• 4.4 变ε光滑支持向量回归（AεSSVR）与火焰图像序列分析
• 4.4.1 统计学习理论
• 4.4.2 支持向量机
• 4.4.3 光滑支持向量回归与火焰图像序列预测
• 4.4.3.1 支持向量回归
• 4.4.3.2 光滑支持向量回归
• 4.4.3.3 SSVR 模型的输入输出与仿真
• 4.4.4 AεSSVR 与火焰图像序列分析研究
• 4.4.4.1 AεSSVR 原理
• 4.4.4.2 AεSSVR 仿真实验
• 4.5 基于隐马尔可夫模型的燃烧状态智能监测研究
• 4.5.1 隐马尔可夫模型概述
• 4.5.2 拓扑结构与状态集
• 4.5.2.1 二状态马尔可夫链
• 4.5.2.2 三状态马尔可夫链
• 4.5.2.3 多状态马尔可夫链
• 4.5.3 观测值
• 4.5.4 一维隐马尔可夫模型
• 4.5.4.1 一维模型建立
• 4.5.4.2 一维模型仿真测试
• 4.5.5 伪二维隐马尔可夫模型
• 4.5.5.1 二维模型建立
• 4.5.5.2 二维模型仿真测试
• 4.6 本章总结
• 第五章 全文总结
• 5.1 本文的主要工作和创新点
• 5.2 本课题今后的研究展望
• 致谢
• 参考文献
• 个人简历、 在学期间参加的科研工作及学术论文发表