运用计算机图像处理和神经网络技术对炉膛火焰进行诊断

研究利用火焰图像处理技术进行炉膛火焰燃烧诊断的方法。根据火焰图像处理系统获取燃烧图像，并提取用于燃烧诊断的火焰图像特征参数，构造用于燃烧诊断的BP神经网络，将提取的火焰图像特征参数作为神经网络的输入量，通过训练和测试，进行火焰燃烧状态的预测，开发的火焰图像处理和燃烧诊断系统已在3000MW电站锅炉上得到了应用。     

基于Krawtchouk矩和支持向量机的火焰状态识别

监测炉膛火焰燃烧状态对防止锅炉爆管起着重要作用。为了进一步提高火焰图像特征提取的准确度和燃烧状态的识别率,文中将Krawtchouk矩引入火焰特征提取,提出了一种将Krawtchouk矩不变量与小波支持向量机相结合的火焰燃烧状态识别方法。首先计算火焰图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造火焰图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对火焰图像进行状态识别,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为火焰图像的特征能更好地对火焰图像燃烧状态进行识别,识别率大大提高,且结果与实际情况相符。     

基于灰度熵多阈值分割和SVM的火焰图像状态识别

为了进一步提高锅炉燃烧火焰图像状态识别的性能,提出了一种基于灰度熵多阈值分割和支持向量机(supportvector machine,SVM)的火焰图像状态识别方法。对火焰图像进行基于灰度熵准则的多阈值分割,采用改进粒子群优化算法选取最优多阈值,由此快速准确地分割出火焰图像中的背景区域、有效燃烧区域及高温燃烧区域;然后,提取火焰图像的10个特征参数,以此作为训练样本训练支持向量机,最后采用支持向量机依据提取的特征对火焰图像进行分类,并通过上述改进粒子群优化算法优化支持向量机中的2个参数。实验结果表明,提出的方法分割结果正确,与采用将图像像素作为训练样本的方法相比,该方法的分类识别正确率更高,运行速度大大加快。     

数字图像处理技术在锅炉炉膛火焰监测系统中的研究现状

火电厂锅炉炉膛内的燃烧过程是复杂的物理和化学过程,火焰的温度场分布及燃烧状态对于电厂的安全经济运行具有极其重要的现实意义。随着计算机技术和电子技术的发展,以数字图像处理技术为核心的火焰图像监测系统日益成为主流。从火焰图像中提取更多的监视和诊断信息,获得炉膛辐射水平的定量描述,重建燃烧火焰的温度场分布,此项应用技术已成为燃烧学科目前较为热门的研究方向之一。对数字图像处理技术在锅炉炉膛火焰监测系统中应用的范围、内容、方式及研究现状进行了分析和总结。     

粗糙集理论在火焰图像处理及状态识别中应用

粗糙集理论能够在保持系统分类不变的基础上,发现系统内的基本知识。利用Kirsch算子进行图像预处理,依据粗糙集的分类原理将火焰图像的高低温区域分离开来,建立特征量提取的初始模型。根据对燃烧特性的分析确定了4个特征变量作为诊断的依据,根据全炉膛火焰图像的特点确定特征量的计算模型,为便于比较研究,对每个特征量均作离散化处理。由于单个特征量只能部分反映燃烧状态,同时,为克服单变量控制的抗干扰性能差、错误率较高的缺点,按照粗糙集的约简原则,在比较均方差σ基础上选用不同的特征量组合作为判断燃烧状态的参数,构建基于粗糙集约简的多变量融合的状态识别规则。实验表明,采用粗糙集方法可以有效地提高处理速度。     

基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟，如何快速有效地对各类电气设备红外测温图像进行分类识别，是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究，提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先，通过旋转、翻转等方法对收集的红外图像进行数据增强；然后，建立基于改进MobileNetV2的电力设备红外图像分类识别模型，将电力设备红外测温图像通过迁移学习进行加权训练，利用Focal Loss函数改进神经网络的损失函数；最后，通过Softmax分类方法实现电力设备红外图像分类识别。试验表明，使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%，红外图像检测速度为116 f/s，具备较好的收敛速度与识别能力，为电力设备智能巡检提供了新思路。     

典型炉膛火焰图像燃烧模式识别与应用

电站锅炉采用看火电视直接观察炉膛火焰图像,从火焰表面特征判断当前锅炉燃烧状态。对典型的四角切圆燃烧锅炉的火焰特征进行研究,提出若干反映实时燃烧状态的特征参数和模式识别措施,为图像处理设备从火焰图像识别火焰偏心和贴边等重要运行工况提供了定量的判别依据,并探讨了借助火焰模式识别技术进行燃烧控制的方法和设想。     

基于SIS的火焰燃烧稳定性诊断研究

以某电厂的监控信息系统(SIS)中的历史数据库作为分析平台,讨论了一种基于统计分析和自组织特征映射(SOFM)神经网络状态识别的燃烧诊断方法.首先对火检信号样本进行特征提取,提取出火焰亮度平均值、火焰亮度方差、火焰亮度峰峰值和均匀度等4个特征量,大量统计分析表明这些特征量能够反映不同工况下的火焰燃烧状态.然后将火焰信号特征值作为自组织神经网络输入,通过自组织训练,得到对应于稳定和不稳定燃烧状态下的不同输出区域.经过验证,这种方法能有效识别火焰燃烧状态的稳定与否.最后,利用自组织神经网络的多次聚类结果,分析并验证了用燃烧指数对燃烧状态作定量描述的可行性.     

基于支持向量机的炉膛火焰灭火判别方法研究

针对炉膛火焰图像监测系统存在的灭火判别问题,提出了一种炉膛火焰灭火判别方法。该方法通过对火焰图像的分析,提取了用于灭火判别的两个特征值,然后对这个特征空间使用支持向量机进行识别分类,结果表明特征量提取是成功的。该判别方法能够正确对火焰图像进行灭火判别,正确率很高,据此可知支持向量机方法用于灭火判别是可行的。     

炉膛燃烧稳定性的火焰图像诊断方法

通过对燃煤锅炉炉膛火焰图像辐射能信号的分析,从多幅火焰图像中综合得出反映全炉膛图像的特征量,据此可以准确地给出炉膛燃烧调整的程度,从而使燃烧便于监测与控制。图像诊断分析对锅炉燃烧状况、灭火预警,以及炉膛安全监控系统(FSSS)的分析等有显著的效果。     

基于轻量化网络和知识蒸馏的回转窑工况识别

回转窑烧成带图像蕴含丰富火焰信息,准确识别燃烧状态是回转窑优化控制的前提,基于卷积神经网络的方法可以快速识别回转窑工况,提高回转窑自动化水平,但存在网络规模大,所需计算资源多的问题,为此提出了一种基于轻量化网络和知识蒸馏的回转窑工况识别方法,在网络卷积层后引入协方差池化层改进教师模型和学生模型,以改进的轻量化网络MobilenetV2作为学生模型的主干网络,以改进的Resnet50作为教师模型的主干网络,通过构建混合蒸馏损失函数,将教师模型蕴含的丰富分类标签信息迁移到学生模型中,并将蒸馏训练得到的学生模型作为回转窑工况识别模型,以提高网络对高相似火焰图像的识别精度。实验结果表明,经蒸馏后的学生模型总体识别准确率相较于原始模型提高了3.33%,对测试集中3种工况的识别率分别达到了93%、99%、90%,准确率和模型规模均优于目前其他主流网络模型,满足实际生产中实时、低成本要求。     

模糊免疫网络算法在数字图像火焰监测中的应用

提出了一种基于模糊免疫网络算法对火焰数字图像进行分类的研究方法。该算法由2部分构成：免疫网络算法与模糊聚类算法。模糊免疫网络算法是非监督学习算法，它不需要了解类别的先验知识，能够随着燃烧状况的变化实现动态聚类，同时该算法克服了传统模糊聚类算法须事先确定聚类数的缺陷。利用现场所获得的火焰图像，运用数字图像处理技术提取其特征量，对其进行分类研究，通过观察火焰图像类别的变化来判断燃烧状态是否发生变化。试验结果证明了该方法能有效地判断燃烧状态的改变。     

基于多分类器融合的水果自动分级系统

为了有效提高水果分级系统的分类正确率,利用图像处理、模式识别,以及神经网络分类器融合等技术,构造了一个水果等级分类系统。以3个最具代表性的水果的外在品质特征作为神经网络的输入,并融合各神经网络分类器的结果对水果进行自动化分级。实验结果表明:系统分类效果较好,可用于水果深加工生产。     

基于相关系数矩阵和概率神经网络的局部放电模式识别

针对变压器局部放电模式分类过程中特征参数维数过高的问题,提出了一种基于相关系数矩阵的参数降维方法。利用提取出的变压器局部放电信号的特征参数构造相关系数矩阵,通过分析放电信号18个特征参数间的相关性,删除具有相似分类能力的特征参数,之后引入分离度指标来衡量特征向量的分类能力大小,提取出6个具有较高分类能力的特征向量,最后通过概率神经网络进行模式识别。结果表明该降维方法有效降低了特征参数的维数,简化了分类器结构,在小样本情况下对于概率神经网络模式分类器具有较高的识别率,识别效果优于传统BP神经网络。     

A computer vision system for the characterization andclassification of flames in glass furnaces

A computer vision system for dealing with both flame analysis and classification problems is described. The vision system performs classification tasks, assigning each visualized flame to a previously established class of flames. Each flame class corresponds to a specific operating point of the furnace, and this information can be useful not only for monitoring purposes but also for purposes controlling the whole furnace. Two different classifiers were designed and compared. One exploits a Bayesian formulation, and the other is based on neural networks. They system was first tested in a laboratory environment, where different operating conditions were created through the variation of the burners geometry, the number of active burners, and the rate of fuel used. In a second stage, the vision system was tested in an industrial environment. The results obtained are presented and discussed     

D-S 理论多分类器融合的光学遥感图像多目标识别

光学遥感图像的多目标检测与识别一直是图像处理与分析领域的热点研究问题。针对多特征单一分类器决策级融合不能很好的利用特征与分类器的适应性,导致识别的准确率很难进一步提高的问题,提出了基于D-S证据理论的多特征多分类器决策级融合策略。首先提取了两种简单且具有平移、缩放不变性的特征;其次分别引入3种适应性较好的分类器进行分类;最后设计了两级的D-S证据理论的融合方案,并且在置信度函数计算的过程中引入表征分类器性能的混淆矩阵。该算法有效地解决了分类器输出的不确定性问题,进一步提高了光学遥感图像多目标分类识别的准确性。测试表明,对4种目标的识别率达到97.22%,验证了算法的有效性。     

基于炉内火焰图像的燃烧诊断方法研究

针对现今电厂采用的锅炉燃烧监控系统所采集的火焰动态图像,提出了一种利于辅助分析的炉内火焰燃烧诊断方法。该方法分析了火焰图像的特点,提出了分析火焰稳定性判别的三个特征量,根据现场图像信号作出数据提取,并对提取结果进行了数据分析。提出一种燃烧稳定性判别方法,该方法利用以上三个特征量作为BP神经网络输入参数,得到输出确定为火焰稳定性系数,然后用模糊判别给出准确的燃烧稳定性综合评估。此方法利用了动态图像的差分特性,动态地分析燃烧过程中火焰锋面变化的状况,为现场锅炉监控人员提供了一种燃烧状态监测方法,方便了现场运行人员及时快捷地对现场状况做出准确迅速的判断和操作。通过对现场图像的人工分析和此方法判别结果比对,证明此方法具有很强的辅助分析功能。     

基于时间序列分类任务的智能电能表负荷监测技术研究

随着深度学习模型在非侵入式负荷监测领域的应用,负荷识别与分解的能力得到了显著提升。但是多数方法仍然存在模型训练效率低下、分解精度不足以及模型不易推广的问题。针对上述问题,文章利用基于时间序列分类任务的卷积神经网络对非侵入式负荷监测框架进行了研究,并提出了相应的负荷识别与分解方法。通过对比实验证明,在UK-DALE数据集上,基于时间序列分类任务的卷积神经网络提升了洗碗机4.3%的识别准确率和19%的识别精度,降低了21.3%负荷分解过程的均方误差;在REDD数据集上,模型对于洗衣机的识别准确率、精度和F1值均有所提升,特别是召回率提高了24.3%,同时在负荷分解的过程中,模型降低了15.8%的均方误差。因此,与其它神经网络模型相比,基于时间序列分类任务的卷积神经网络具有更稳定的负荷识别与分解性能。