电站锅炉的燃烧状态直接影响锅炉热效率和设备寿命,因此需要对锅炉燃烧的稳定性进行准确有效地实时监测,保证锅炉的安全经济运行。炉膛火焰图像是锅炉燃烧稳定性的最直接表征,传统的稳定性判别方法通过使用分类器对人工提取的火焰图像特征进行学习,进而对燃烧稳定性进行判定。这类方法普遍存在操作复杂、抗干扰能力差、识别准确率较低、泛化性能不高等问题。近年来,深度学习、迁移学习等方法在图像识别领域取得了巨大成功。其中,迁移学习可以将某一领域学习到的知识迁移到其他领域,对识别效果的提升很大,且通常优于深度学习的效果。目前利用火焰图像的深度学习和迁移学习判稳方法较少,尤其是基于迁移学习的燃烧稳定性研究基本处于空白。因此,结合迁移学习实现炉膛燃烧判稳具有巨大前景。本文根据660MW超超临界燃煤机组的运行特性,采集并建立了精细的全新层级火焰图像数据集,包含机组锅炉在不同时段及不同工况下的各层燃烧器火焰图像,涵盖了稳定燃烧、不稳定燃烧、启停炉、灭火和临界灭火等全状态。并选取三种经典深度卷积神经网络,引入截断奇异值矩阵分解算法(Truncated Singular Value Decomposition,TSVD)对网络卷积层进行优化。训练迁移学习的特征提取器和分类器以构造迁移神经网络,最终实现了基于模型参数迁移学习方法的燃烧稳定性判别。此外,还研究分析了迁移学习性能与神经网络层数的关系,以及各层燃烧器的具体稳定性判别结果。实验表明,基于TSVD算法的网络卷积层改进有效,而基于迁移学习在燃烧稳定性判别方面达到了理想的结果,训练时间大幅减少,并在Res101、Dense201上均实现了超过90%的总体准确率,其中Dense201模型的预测准确率高达94.3%,优于采用深度学习方式的燃烧稳定性判别结果。