基于深度学习的甲烷高压射流湍流燃烧火焰图像处理方法研究

基于定容弹开展了高压天然气(甲烷)射流燃烧光学测试,并分别运用深度学习方法和边缘检测算法进行了图像处理。对比结果表明,由于图像中存在射流、火焰差异大的图像识别目标,边缘检测算法无法较好识别射流和火焰,该算法适合于单一目标的火焰图像处理。深度学习方法可识别射流湍流燃烧火焰轮廓,有效地获得射流湍流燃烧火焰前锋面发展位移及火焰传播速度,该方法适用于多个目标的火焰图像处理。根据深度学习图像处理结果表明:当高压甲烷射流接触预燃球形火焰时,火焰由稳定层流速度(<3 m/s)快速上升,最大火焰传播速度高达300 m/s,形成湍流火焰,火焰沿射流方向快速向前发展,火焰面积增加。随着射流和点火时间间隔的增加,最大火焰传播速度线性下降。     

基于深度学习的乙烯层流扩散火焰温度和碳烟体积分数分布重建

利用高光谱仪对乙烯层流扩散火焰进行测量,选用多层感知器神经网络预测温度和碳烟体积分数分布,评估了模型的预测和抗噪能力,讨论了不同高度和燃料流量的火焰中温度和碳烟体积分数的分布情况．结果表明,神经网络能较为准确地重建实验火焰的温度和碳烟体积分数,并具有较强的抗噪能力;随着火焰高度的增加,碳烟体积分数峰值从两翼移向中心区域,温度趋于平缓,整体平均大小先增加后减小;随着燃料流量的降低,相同归一化高度的温度升高而碳烟体积分数降低．     

基于CNN-LSTM深度学习的燃烧不稳定性检测方法研究

提出了一种基于高速火焰图像序列的深度学习模型来检测燃烧不稳定性．模型以高速火焰图像序列作为输入,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)同时学习图像序列的空间特征和时间相关性,输出燃烧不稳定性检测结果．利用旋流燃烧室多种工况下稳态和非稳态的瞬态火焰图像数据集验证模型的鲁棒性和准确性．该深度学习模型被证明是一种潜在的燃烧不稳定性检测工具,并有望成为一种很有前途的燃烧不稳定性预测工具．     

以多尺度颜色小波纹理特征为基础的工业炉火焰图像分割研究

分割火焰图像最常用的方法是分类算法,而使用这种算法最大的缺陷在于当像素点数增高时,分割图像的耗时就越大。通过以火焰图像采集装置来采集研究样本,提出了一种可以加快分割速度的方法及运用多尺度颜色小波纹理特征为基础的工业炉火焰图像分割法,经过对图像特征矩阵进行压缩,采用分类算法获取压缩尺度火焰区域并检测其边缘;根据压缩尺度火焰边缘进一步检测其在原始尺度区域,构建边缘区域特征矩阵并进一步检测,从而得到原始尺度火焰区域图像的目的。     

基于红外图像识别的泵站电气设备故障诊断

为了提高泵站电气设备故障诊断精度,提出了一种基于红外图像识别的泵站电气设备故障诊断方法。利用图像增强算法对电气设备图像进行处理,获得可以用于对电气设备进行故障诊断的红外图像,采用卷积神经网络对电气设备故障进行诊断,诊断结果表明,本文所提泵站电气设备诊断方法在诊断过程中出现了2次误诊断,诊断精度高达96.23%,验证了所提电气设备故障诊断方法的正确性和实用性。     

基于中值滤波的汽油机燃烧火焰图像去噪处理

在基于图像的汽油发动机燃烧火焰三维重构技术中,用于重构的二维火焰图像质量直接关系到重构效果的好坏,利用高速摄像机拍摄到的火焰图像含有大量椒盐噪声,因此必须对其进行去噪预处理.传统中值滤波算法在去除噪声的同时,会对图像产生模糊效应,对于具有大量边缘和细节信息的汽油发动机火焰图像不适用.在针对传统中值滤波算法进行研究的基础上,提出了一种改进的中值滤波算法,通过基于图像灰度分布直方图的全局检测法以及基于均值比较的局部检测法来判定待检测像素点是否为噪声点,如果是则对其进行中值滤波,否则保持图像原值.实验结果表明,该算法在有效去除汽油发动机燃烧火焰图像椒盐噪声的同时,能很好地保留图像边缘特征和细节信息.     

基于小波变换与中值滤波的炉膛火焰图像去噪方法研究

在炉膛火焰燃烧状态检测中引用机器视觉技术,关键问题就在于火焰图像噪声污染,这就需要采用科学有效的图像预处理策略对原始图像信息进行去噪处理,以此避免给图像后续处理与燃烧状态判断造成不必要的影响。在炉膛火焰图像中噪声十分繁杂,主要包含高斯噪声与椒盐噪声,就图像特性而言,实施了中值滤波与小波去噪有机结合的方法,兼备两者优势,其既能够滤除噪声,又可以保留边缘与细节,以此进行图像预处理,这就直接为图像深入分析提供了新方式。对中值滤波与小波变换进行了详细分析,对两者进行了自适应权重优化改进,并通过结合两者进行了实践验证,结果表明,中值滤波与小波变换相结合的炉膛火焰图像去噪方法更高效。     

基于双传声器和深度学习的变压器状态识别

针对单传感器状态识别算法存在漏检、误检的缺陷,文章提出一种基于双传声器和深度学习的变压器状态识别算法,即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号,通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取,并利用全连接层对特征进行融合,最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证,结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类,分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。     

基于DFCNN的滚动轴承定量诊断方法研究

以滚动轴承作为研究对象,设计了深度可分离模块、残差骨干网络、金字塔池化结构和路径聚合结构等特征融合单元,建立了深度特征融合的卷积神经网络（Deep Feature Convolutional Neural Network,DFCNN）,分析了随机梯度下降法对网络参数优化的有效性及数据集传递次数与模型精度的关系,开展了不同样本容量和不同噪声环境下的故障试验。结果表明：提出的DFCNN模型可以有效识别滚动轴承损伤部位以及损伤程度,诊断准确率大于99.5%;该模型对样本容量要求低、抗噪能力出色,当信噪比大于-4时诊断准确率大于98.86%。     

基于特征金字塔融合高分辨率网络的光伏热斑识别

针对光伏热斑识别算法中存在的深层网络参数运算复杂、梯度信息易消失和模型退化准确率下降等问题,提出一种基于特征金字塔融合高分辨率网络的光伏热斑识别检测算法。首先,该算法搭建一种多分辨率子网并行连接的网络模型,解决深层网络热斑细节信息丢失、特征冗余的难题。其次,引入特征金字塔的多尺度融合模块,跨层连接深浅层不同尺度特征图,解决特征语义的鸿沟、提高模型识别精度。实验结果表明：所提出的算法在光伏红外热斑图像数据集上的分类效果优于经典的深度卷积神经网络算法,准确率可达97.2%,可实现高精度高分辨率的热斑检测识别。     

W型火焰锅炉炉膛温度场的可视化试验研究

使用火焰辐射图像探测系统探测炉膛空间发射到镜头各像素的辐射能量，然后从能量传递和平衡的角度，由所得图像重建空间的温度场。在300MW机组W型火焰炉进行了炉膛二维断面温度场可视化重建试验。试验在炉膛壁面布置4个CCD火焰探测器，采用计算机图像采集处理技术获取炉膛火焰辐射图像，通过对火焰辐射图像的处理以厦相关算法，重建炉膛断面温度分布、可动态反映火焰断面温度水平、火焰中心的偏穆和火焰刷墙等燃烧异常工况。断面温度场可视化结果刷新一次的时间不超过5S，满足在线监测的要求。     

基于集成深度玻尔兹曼机和最小二乘支持向量回归的燃烧过程NO_x预测算法

通过研究燃烧过程中的火焰自由基图像与NO_x排放之间的关系,提出了集成深度玻尔兹曼机和最小二乘支持向量回归的NO_x预测算法.首先采用深度玻尔兹曼机对4类火焰自由基图像(OH*、CN*、CH*和C*_2)进行自动图像特征学习,然后用最小二乘支持向量回归来拟合图像特征与NO_x排放量之间的关系,进而对NO_x排放量进行预测.结果表明:NO_x排放预测值与NO_x排放参考值具有一致性;与已有的基于图像的NO_x预测算法相比,所提方法在预测精度方面具有明显的优势.     

基于CCNN的光伏发电功率预测

高精度光伏功率预测在光伏并网、电网安全稳定运行中起着重要作用。为获得可靠的预测功率,本文提出了一种基于因果卷积神经网络（Causal Convolutional Neural Network,CCNN）的预测模型。首先,将处理后的特征数据输入到因果卷积神经网络,在每一卷积层中,利用LSTM网络输入门对输入数据去噪,选出重要信息,而后经过1×1卷积核实现信息整合,同时降低运算复杂度,从而构建出CCNN预测模型。最后,采用巴西某发电厂真实数据对模型进行验证,并与人工神经网络（ANN）、LSTM和卷积神经网络（CNN）模型进行对比。结果表明,该方法可以很好地反映时序信息的动态特性,且预测精度优于对照模型,具有一定的实用价值。     

光伏电站直流输电线路早期绝缘故障识别与定位

直流输电线路发生早期绝缘故障时电流波动小、故障现象不明显，难以快速识别以采取保护措施，光伏电站线路拓扑结构复杂，不易准确定位故障发生位置。该文提出一种连续小波变换和混合神经网络模型结合的方法，可在尽可能短的时间完成故障识别与定位。该方法首先利用连续小波变换对暂态零模电流信号提取二维时频矩阵特征，压缩为彩色图像；然后，将图像送入神经网络模型中进行训练。该混合神经网络模型通过结合卷积神经网络和门控循环单元，提高识别精度并减少训练时间。最后，为验证本方法的优势，在高噪声环境下选取4条直流输电线路分别进行4种时频分析方法、3种神经网络模型仿真对比后，又对早期绝缘故障单独进行识别仿真试验，结果表明该方法可有效识别出早期绝缘故障并定位至发生线路，且具有较强的抗噪能力。     

胶球清洗自动监测装置的研究

针对胶球清洗凝汽器结垢容易丢球毁球等问题,研制出一种能够自动检测胶球数量及其半径的自动监测装置。首先,对顺序采集的胶球图像进行图像拼接,去除重复部分,然后采用灰度变换、图像平滑等一系列预处理算法去噪,去噪后结合基于最小误差分割法的灰度图二值化变换对图像进行分割,得到目标明确的分割图像,最后,利用二值图像投影变换,进行胶球位置定位,获得胶球的数量及磨损状况。多次试验结果表明,算法具有很好的实时性和有效性。该装置的成功研制填补了国内空白。     

基于双输入深度卷积神经网络的风力机轴承RUL预测

针对轴承剩余寿命预测中常用健康指标泛化性不足的问题，提出一种基于双输入深度卷积神经网络的轴承剩余寿命预测模型。首先使用自适应最大相关峭度解卷积方法处理轴承信号并采用特征融合手段得到信号的时间序列特征；然后，将信号的时频图和时间序列特征同时作为模型的输入，通过已建立的双输入深度卷积神经网络模型来预测轴承健康因子；最后使用门控循环单元网络与健康因子相结合的方法来预测轴承的剩余使用寿命。在公开的西安交通大学公布的XJTU轴承数据集上对所提方法进行验证，并在风力机高速轴轴承历史监测数据上进行应用。试验结果表明：该方法不但显著提升了健康因子的泛化性能，还在预测精度方面有优异表现。     

基于注意力机制的光伏热斑识别

为解决光伏的红外热图像含有大量噪声且不同状态红外图像分布不均衡导致的热斑难以识别的问题,以Vision Transformer(ViT)模型为基础,利用卷积神经网络改进模型特征提取,利用紧凑多头自注意力机制改进模型结构,提出一种光伏红外图像热斑识别模型ConCViT,利用CIFAR-10数据集对注意力权值进行预训练,以低信噪比小样本光伏红外图像为数据集,训练出高准确率的热斑检测模型。实验结果表明,ConCViT模型比传统卷积神经网络的识别准确率高12.02%,比深度卷积自编码网络的识别准确率高4.14%,并具有更快的收敛速度。     

凝汽器胶球清洗自动监测装置

针对胶球清洗凝汽器结垢容易丢球、毁球等问题,研制出一种能够自动检测胶球数量及其半径的自动监测装置。首先,对顺序采集的胶球图像进行图像拼接,去除重复部分;然后采用灰度变换、图像平滑等一系列预处理算法去噪,去噪后结合基于最小误差分割法的灰度图二值化变换对图像进行分割,得到目标明确的分割图像;最后,利用二值图像投影变换,进行胶球位置定位,获得胶球的数量及磨损状况。多次试验结果表明,算法具有很好的实时性和有效性。     

基于多尺度深度卷积网络特征融合的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型对工程先验知识依赖性强、提取特征不充分、分类器选取困难等问题,提出一种基于多尺度深度卷积网络特征融合的滚动轴承故障诊断模型.首先,建立集特征提取与模式识别于一体的卷积神经网络模型,利用小波变换将滚动轴承振动信号转换为二维图像作为输入样本集.然后,在网络结构中构建多尺度特征融合模块自适应提取故...     

超临界机组除氧系统自抗扰控制器的优化设计

针对超临界机组除氧器非线性、大迟延、强耦合和模型时变特性,传统的PID调节器难以使除氧控制系统达到理想的控制效果。为了对除氧器水位和凝泵出口压力的控制取得满意的效果,采用自抗扰控制技术(Auto Disturbance Rejection Control)。通过仿真表明,用ADRC控制器控制除氧系统具有较好的解耦效果、较快的响应速度和较强的抗干扰能力。