论文部分内容阅读
炉内燃烧质量的正确评价对锅炉高效运行具有指导意义。火焰可视化和表征技术是深入了解煤粉燃烧的重要研究工具之一,旨在为燃烧调整提供安全保障。本文研究分析了现有火焰监测与燃烧诊断的方法,提出采用深度学习方法对火焰图像进行特征提取,结合人工智能方法实现燃烧状态识别以及燃烧过程监测,准确有效地监测炉膛燃烧状态,保证火电机组运行的安全性和经济性。首先,本文提出了一种新的基于深度学习的方法来识别炉膛燃烧状态——卷积神经网络(Convolution Neural Network,CNN)。通过端到端网络,特征提取和分类被集成到一个框架中。在660 MW的燃锅炉上进行了燃烧调整实验,获得了 3种不同燃烧状态下的3000幅火焰图像,其中训练数据为2400张,测试数据为600张,对该方法的有效性进行了评价,算例分析表明验证了该方法在电厂实际应用中具有很大的潜力。其次,提出了一种基于卷积自编码器(Convolutional Autoencoder,CAE)、主成分分析(Principal Component Analysis,PCA)和隐马尔可夫模型(Hidden Markov Model,HMM)的无监督分类框架,收集炉膛燃烧监控系统中的火焰图像视频实现燃烧状态的诊断。首先利用CAE对火焰图像进行特征提取,得到图像的稀疏表示;然后利用主成分分析法将特征向量投影到正交空间中,增强算法的鲁棒性和计算效率。最后,根据特征序列具有时间行为,建立一个隐马尔可夫模型来计算其相应的最优状态。收集连续时间内的14400张火焰图像作为数据集,对该方法的有效性进行了评价。我们还选取了另外五种集成框架作为对比实验,分别有:CAE+高斯混合模型(Gaussian Mixture Model,GMM)、CAE+k均值聚类(Kmeans)、CAE+模糊 c 均值聚类(Fuzzy c-means,FCM)、CAE+HMM和传统手工特征提取方法(Traditional Handcrafted method,TH)+HMM。结果表明,本文所提出的框架分类精度最高(训练集中精度为95.25%和测试样本精度达到为97.36%),同时它在识别不稳定状态上也表现出最佳的性能(训练精度85.67%和测试精度77.60%),表明该框架在燃烧条件发生改变时(如给煤率迅速下降)依然有较高的识别准确率。接着,提出一种基于变分自编码器(Variational Autoencoder,VAE)的煤粉火焰图像燃烧过程定量表征方法,变分自编码器在通过最大化对数似然函数下界,刻画了样本数据的生成特征,在重构原始图像的基础上,获得一个服从某个特定分布(如高斯分布)的隐含变量,使得模型具有生成能力同时提升了模型的表达能力。分别采用自编码模型与变分自编码模型提取火焰图像隐含变量,结果表明通过VAE模型提取的火焰图像特征量能够很好的反映煤粉在炉膛内部的燃烧情况。最后,在VAE提取火焰图像特征变量基础上,提出一种基于滑动窗的燃烧过程稳态检测方法(Steady-State Detection,SSD)。在火焰特征参数服从正态分布的基础上,构造监测指标并结合学生t检验来构建稳态判断准则,实现燃烧过程的稳态检测。为了提高稳态检出率,引入指数加权移动平均值滤波(Exponentially Weighted Moving-Average,E WMA)对监测指标进行修正,同时合理选择滑动窗口宽度等措施,将该算法应用到实际燃烧过程中。实验结果表明,使用基于滑动窗的稳态检测方法在燃烧不稳定时有较好的检出率,进一步验证了方法的有效性。