CN101644699B - 一种新燃料在线识别方法 - Google Patents
一种新燃料在线识别方法 Download PDFInfo
- Publication number
- CN101644699B CN101644699B CN2009100918756A CN200910091875A CN101644699B CN 101644699 B CN101644699 B CN 101644699B CN 2009100918756 A CN2009100918756 A CN 2009100918756A CN 200910091875 A CN200910091875 A CN 200910091875A CN 101644699 B CN101644699 B CN 101644699B
- Authority
- CN
- China
- Prior art keywords
- fuel
- orthogonalization
- value
- flame
- probability density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Control Of Combustion (AREA)
Abstract
本发明公开一种新燃料在线识别方法,阶段一、建立已知燃料特征值分布的联合概率密度模型:从已知燃料燃烧的火焰辐射信号中提取火焰辐射信号在时域和频域内的特征值作为火焰原始特征值;通过正交化数据处理把火焰原始特征值数据变成互不相关的正交化特征值数据;利用得到的正交化特征值数据建立每种已知燃料特征值分布的联合概率密度模型;阶段二、新燃料在线识别:提取待识别燃料燃烧火焰辐射信号中时域和频域内的特征值作为原始特征值;将原始特征值进行正交化数据处理;将得到的正交化特征值数据输入到每种已知燃料的联合概率密度模型中得出待识别燃料属于每种已知燃料的概率密度值,根据此概率密度值判断待识别燃料的种类,及是否为新燃料。
Description
技术领域
本发明涉及一种新燃料的在线识别方法,属于工业锅炉燃料种类辨识技术领域。
背景技术
为提高燃料资源的利用率,减少污染物排放,提高锅炉的热效率,需要建立并保持锅炉内高效和稳定的燃烧。燃烧不稳定,不仅使燃烧热效率低和污染物排放不达标,在极端情况下甚至可导致锅炉炉膛的灭火,如处理不当易诱发炉膛爆燃事故。由于经济等因素的限制,工业锅炉通常需要燃烧不同种类的燃料。在燃烧时燃料的种类通常是未知的,也是不可预测的。燃料种类的变化,使得锅炉燃烧更加复杂,直接影响炉内火焰燃烧的稳定,而导致对炉内燃烧状况的检测和控制非常困难,严重影响锅炉的燃烧效率,所以燃料种类的变化影响着锅炉运行的安全性和经济性。
将光电传感技术与软测量技术相结合,可以进行燃烧燃料种类的在线识别,从而根据燃料种类可对锅炉的运行参数进行控制和调节,达到高效燃烧的目的。但此种识别方法必须在已知燃烧的所有燃料的种类及其燃烧特征等前提下,才能对燃烧的燃料所属的种类进行准确判别。由于使用的软测量技术的输出只对应已知的燃料种类,当一种燃烧特征不同的新燃料投入时,也会将新燃料判断成某一种已知的燃料种类,造成误判。因此迫切需要一种能在线识别出新燃料的方法。
发明内容
本发明的目的在于克服已有技术的不足,提供一种新燃料的在线识别方法。
利用三个能接收不同光谱段火焰辐射信号的光电传感器来分别接收已知燃料燃烧火焰辐射在红外、可见光、紫外三个谱段上的辐射信号,从辐射信号中提取但不局限于信号的闪烁频率、均值、均方根、方差、零交点数、偏斜率、峰态值、熵、形状因子作为火焰的原始特征值,目的是用这些原始特征值来建立已知燃料燃烧特征值的联合概率密度模型。把这些原始特征值数据首先经过数据预处理(如采用主成分分析方法)获得正交化的特征值数据,这些正交化的特征值数据是彼此独立的,则可以分别建立每种已知燃料燃烧特征值分布的联合概率密度模型,即可通过该联合概率密度模型来识别燃料的种类及是否为新燃料。本发明用到的火焰原始特征值数据是从火焰辐射信号中在线提取的,因而本发明的方法是在线的。
本发明的技术方案是这样实现的:
本发明的一种新燃料在线识别方法,包括两个阶段:建立已知燃料燃烧特征值分布的联合概率密度模型和新燃料的在线识别,具体如下:
阶段一、建立已知燃料燃烧特征值分布的联合概率密度模型,步骤如下:
步骤一、从已知燃料燃烧的火焰辐射信号中提取火焰辐射信号在时域和频域内的特征值作为火焰的原始特征值。
利用三个光电传感器来得到J种已知燃料燃烧火焰在红外、可见光和紫外三个谱段上的辐射信号,每种燃料采集M组信号,每组包括3个信号,则一共得到J×M×3个火焰辐射信号,构成一信号样本集{x(j,m,s)|j=1,2,…,J;m=1,2,…,M;s=1,2,3}。通过特征值提取从每种已知燃料每个谱段的火焰信号中提取得到火焰在时域和频域内的特征值c(j,m,s,t)(j=1,2,…,J;m=1,2,…,M;s=1,2,3;t=1,2,…,T),作为原始特征值,得到一大小为J×M×3T的原始特征值数据矩阵d={d(j,m,u)|j=1,2,…,J;m=1,2,…,M;u=1,2,…,3T}。
步骤二、通过正交化数据处理把火焰原始特征值数据变成互不相关的正交化特征值数据。
从针对第j种已知燃料获得的第m组三个信号{x(j,m,1),x(j,m,2),x(j,m,3)}中提取的3T个特征值{d(j,m,u)|u=1,2,…,3T}是具有相关性的,因此需要把得到的这些具有相关性的原始特征值数据进行正交化处理,并从每组三个信号获得的3T个正交化特征值中选取对火焰特征贡献最大的前L个正交化特征值,并按照对火焰特征贡献由大到小的顺序排列。从而,与原始特征值数据矩阵d相对应,得到一大小为J×M×L的正交化特征值数据矩阵g={g(j,m,l)|j=1,2,…,J;m=1,2,…,M;l=1,2,…,L}。
步骤三、利用步骤二得到的正交化特征值数据建立每种已知燃料特征值分布的联合概率密度模型。
得到的第j种已知燃料的正交化特征值数据矩阵为gj(m,l)={g(j,m,l)|m=1,2,…,M;l=1,2,…,L},其L个正交化特征值之间彼此独立,就可根据求出的第j种已知燃料每个正交化特征值即数据矩阵gj(m,l)每一列的均值和方差,建立第j种已知燃料特征值分布的联合概率密度模型fj(X1,X2,…,XL),并且根据每种燃料的特征值分布情况设立一个阈值kj(j=1,2,…,J),作为是否为该种燃料的判断依据。
阶段二、新燃料的在线识别,步骤如下:
步骤四、提取待识别燃料燃烧火焰辐射信号中时域和频域内的特征值作为原始特征值。
利用三个光电传感器来分别得到待识别燃料燃烧火焰在红外、可见光和紫外三个谱段上的一组三个辐射信号{x′(s)|s=1,2,3}=[x′(1),x′(2),x′(3)],通过特征值提取从得到的火焰辐射信号中提取与阶段一步骤一中相同的火焰在时域和频域内的特征值{c′(s,t)|s=1,2,3;t=1,2,…,T},作为待识别燃料燃烧火焰的原始特征值,得到大小为1×3T的原始特征值数据矩阵d′={d′(u)|u=1,2,…,3T}。
步骤五、将步骤四得到的原始特征值进行正交化数据处理获得正交化的特征值数据。
将待识别燃料燃烧火焰的原始特征值矩阵d′进行与阶段一步骤二中相同的正交化数据处理,并且选取与阶段一步骤二中相同的L个主成分个数,得到具有L列的待识别燃料燃烧火焰的正交化特征值数据矩阵g′={g′(l)|l=1,2,…,L}。
步骤六、将步骤五得到的正交化的特征值数据输入到每种已知燃料的联合概率密度模型中得出待识别燃料属于每种已知燃料的概率密度值,则可根据此概率密度值来判断燃烧的待识别燃料的种类,及是否为新燃料。
将得到的待识别燃料燃烧火焰的正交化特征值数据输入到阶段一步骤三中建立的每种已知燃料燃烧特征值分布的联合概率密度模型fj(X1,X2,…,XL)中,可得到待识别燃料属于每种已知燃料的概率密度值f1,f2,…fJ。选择所得各概率密度值中的最大值,max(f1,f2,…fJ)。假设fj=max(f1,f2,…fJ)(1≤j≤J),即待识别燃料属于第j种(1≤j≤J)已知燃料的概率密度值最大,那么,将fj与针对该最大值所属的已知燃料预先设定的概率密度的阈值kj进行比较,若该最大值大于等于设定阈值,即fj≥kj,则判断待识别燃料属于该最大值所属的燃料种类,即第j种燃料,否则判断待识别燃料为一种新燃料。
其中,阶段一中步骤一及阶段二中步骤四所述的特征值提取过程为分别计算每种已知燃料在三个谱段上辐射信号的闪烁频率,均值,均方根,方差,零交点数,偏斜率,峰态值,熵,形状因子的值作为特征值,并可扩展计算得到更多个特征值。
其中,阶段一中步骤二及阶段二中步骤五所述的正交化数据处理可采用但不局限于主成分分析法,将火焰辐射的原始特征值变换到主成分空间,并且每个主成分按照对火焰整体特征的贡献程度降序排列。通过抛弃那些贡献较小的数据成分,选择拥有火焰原始特征值数据绝大多数信息的L个主要数据成分,缩减数据维数。
本发明的一种新燃料在线识别方法,相对于现有技术具有如下优点:
(1)采用光电传感器及概率密度模型来进行新燃料的识别,同时能判别已知的燃料种类,安全可靠。
(2)数据的正交化预处理可以选择拥有原始特征值主要信息的数据,忽略不重要的数据,算法的实时性好。
(3)能够在线应用,可以及时判别已知的燃料种类或新燃料,不存在大的时间滞后,可用于燃烧过程的闭环控制。
(4)设备安装、操作简便,维护方便,性价比高。
附图说明
图1为本发明的阶段一建立已知燃料燃烧特征值分布的联合密度模型方法示意图;
图2为本发明的阶段二新燃料在线识别结构示意图;
具体实施方式
为了使本领域的一般技术人员能够清楚理解本发明的技术方案,现结合附图对本发明的具体实施方式做进一步说明:
具体实施方法:
阶段一、建立已知燃料燃烧特征值分布的联合概率密度模型,其中包括特征值提取、数据处理及模型的建立,如图1所示,步骤如下:
步骤一、从已知燃料燃烧的火焰辐射信号中提取火焰辐射信号在时域和频域内的特征值作为火焰的原始特征值。
利用三个光电传感器来得到J种已知燃料燃烧火焰在红外、可见光和紫外三个谱段上的辐射信号,每种燃料采集M组信号,每组包括3个信号,则一共得到J×M×3个火焰辐射信号,构成一信号样本集{x(j,m,s)|j=1,2,…,J;m=1,2,…,M;s=1,2,3}。其中,M的选择应该使采集的样本集{x(j,m,s)}中的信号能覆盖燃料燃烧的各种工况,例如可选择M=300,即每种燃料采集300组信号。计算每种已知燃料在三个谱段上辐射信号的闪烁频率,均值,均方根,方差,零交点数,偏斜率,峰态值,熵,形状因子的值作为特征值,通过上述特征值提取从每种已知燃料每个谱段的火焰信号中提取得到火焰在时域和频域内的特征值c(j,m,s,t)(j=1,2,…,J;m=1,2,…,M;s=1,2,3;t=1,2,…,T),作为原始特征值,得到一大小为J×M×3T的原始特征值数据矩阵d={d(j,m,u)|j=1,2,…,J;m=1,2,…,M;u=1,2,…,3T}。其中,T的值为提取的特征值的个数,此实施例中T=9,即每个谱段上有9个原始特征值。
步骤二、通过正交化数据处理把火焰原始特征值数据变成互不相关的正交化特征值数据。
从针对第j种已知燃料获得的第m组三个信号{x(j,m,1),x(j,m,2),x(j,m,3)}中提取的3T个特征值{d(j,m,u)|u=1,2,…,3T}是具有相关性的,因此需要把得到的这些具有相关性的原始特征值数据进行正交化处理,例如,可采用主成分分析法把火焰辐射的原始特征值变换到主成分空间,每个主成分按照对火焰整体特征的贡献程度降序排列,这样,通过抛弃那些贡献较小的数据成分,而从每组三个信号获得的3T个正交化特征值中选取对火焰特征贡献最大的前L个正交化特征值。L值可根据实际要求选取,如选择能代表原始信息98%或99%的主成分的个数。从而,与原始特征值数据矩阵d相对应,得到一大小为J×M×L的正交化特征值数据矩阵g={g(j,m,l)|=1,2,…,J;m=1,2,…,M;l=1,2,…,L}。
步骤三、利用得到的正交化特征值数据建立每种已知燃料特征值分布的联合概率密度模型。
得到的第j种已知燃料的正交化特征值数据矩阵为gj(m,l)={g(j,m,l)|m=1,2,…,M;l=1,2,…,L},其L个正交化特征值之间彼此独立,就可根据求出的第j种已知燃料每个正交化特征值即数据矩阵gj(m,l)每一列的均值和方差(μjl,σjl)(j=1,2,…,J;l=1,2,…,L),建立第j种已知燃料特征值分布的联合概率密度模型 (l=1,2,…L;j=1,2,…,J),并且根据每种燃料的特征值分布情况设立一个阈值kj(j=1,2,…,J),作为是否为该种燃料的判断依据。其中kj应根据实际应用情况确定,kj越大则把已知燃料判断为新燃料的几率越大,kj越小把新燃料判断为已知燃料的几率越大。kj的一种选择方法可以为:
阶段二、新燃料的在线识别,如图2所示,步骤如下:
步骤四、提取待识别燃料燃烧火焰辐射信号中时域和频域内的特征值作为原始特征值。
利用三个光电传感器来分别得到待识别燃料燃烧火焰在红外、可见光和紫外三个谱段上的一组三个辐射信号{x′(s)|s=1,2,3}=[x′(1),x′(2),x′(3)],通过特征值提取从得到的火焰辐射信号中提取与阶段一步骤一中相同的火焰在时域和频域内的特征值{c′(s,t)|s=1,2,3;t=1,2,…,T}(包括但不局限于闪烁频率,均值,均方根,方差,零交点数,偏斜率,峰态值,熵,形状因子),作为待识别燃料燃烧火焰的原始特征值,得到大小为1×3T的原始特征值数据矩阵d′={d′(u)|u=1,2,…,3T}。
步骤五、将原始特征值进行正交化数据处理获得正交化的特征值数据。
将待识别燃料燃烧火焰的原始特征值矩阵d′进行与阶段一步骤二中相同的正交化数据处理,例如采用主成分分析法将待识别燃料燃烧火焰的原始特征值矩阵d′变换到主成分空间,并且选取与阶段一步骤二中相同的L个主成分个数,得到具有L列的待识别燃料燃烧火焰的正交化特征值数据矩阵g′={g′(l)|l=1,2,…,L}。
步骤六、将得到的正交化的特征值数据输入到每种已知燃料的联合概率密度模型中得出待识别燃料属于每种已知燃料的概率密度值,则可根据此概率密度值来判断燃烧的待识别燃料的种类,及是否为新燃料。
将得到的待识别燃料燃烧火焰的正交化特征值数据输入到阶段一步骤三中建立的每种已知燃料燃烧特征值分布的联合概率密度模型fj(X1,X2,…,XL)中,可得到待识别燃料属于每种已知燃料的概率密度值f1,f2,…fJ。选择所得各概率密度值中的最大值,max(f1,f2,…fJ)。假设fj=max(f1,f2,…fJ)(1≤j≤J),即待识别燃料属于第j种(1≤j≤J)已知燃料的概率密度值最大,那么将fj与针对该最大值所属的已知燃料预先设定的概率密度的阈值kj进行比较,若该最大值大于等于设定阈值,即fj≥kj,则判断待识别燃料属于该最大值所属的燃料种类,即第j种燃料,否则判断待识别燃料为一种新燃料。
本发明方法不仅适用于燃煤种类的识别,而且适用于生物质、燃料油及燃气种类的识别。
Claims (3)
1.一种新燃料在线识别方法,其特征在于:包括两个阶段:
阶段一、建立已知燃料燃烧特征值分布的联合概率密度模型,步骤如下:
步骤一、从已知燃料燃烧的火焰辐射信号中提取火焰辐射信号在时域和频域内的特征值作为火焰的原始特征值;
利用三个光电传感器来得到J种已知燃料燃烧火焰在红外、可见光和紫外三个谱段上的辐射信号,每种燃料采集M组信号,每组包括3个信号,则一共得到J×M×3个火焰辐射信号,构成一信号样本集{x(j,m,s)|j=1,2,…,J;m=1,2,…,M;s=1,2,3};通过特征值提取从每种已知燃料每个谱段的火焰信号中提取得到火焰在时域和频域内的特征值c(j,m,s,t)(j=1,2,…,J;m=1,2,…,M;s=1,2,3;t=1,2,…,T),作为原始特征值,得到一大小为J×M×3T的原始特征值数据矩阵d={d(j,m,u)|j=1,2,…,J;m=1,2,…,M;u=1,2,…,3T};
步骤二、通过正交化数据处理把火焰原始特征值数据变成互不相关的正交化特征值数据;
从针对第j种已知燃料获得的第m组三个信号{x(j,m,1),x(j,m,2),x(j,m,3)}中提取的3T个特征值{d(j,m,u)|u=1,2,…,3T}是具有相关性的,因此需要把得到的这些具有相关性的原始特征值数据进行正交化处理,并从每组三个信号获得的3T个正交化特征值中选取对火焰特征贡献最大的前L个正交化特征值,并按照对火焰特征贡献由大到小的顺序排列,从而,与原始特征值数据矩阵d相对应,得到一大小为J×M×L的正交化特征值数据矩阵g={g(j,m,l)|j=1,2,…,J;m=1,2,…,M;l=1,2,…,L};
步骤三、利用步骤二得到的正交化特征值数据建立每种已知燃料特征值分布的联合概率密度模型;
得到的第j种已知燃料的正交化特征值数据矩阵为gj(m,l)={g(j,m,l)|m=1,2,…,M;l=1,2,…,L},其L个正交化特征值之间彼此独立,就可根据求出的第j种已知燃料每个正交化特征值即数据矩阵gj(m,l)每 一列的均值和方差,建立第j种已知燃料特征值分布的联合概率密度模型fj(X1,X2,…,XL),并且根据每种燃料的特征值分布情况设立一个阈值kj(j=1,2,…,J),作为是否为该种燃料的判断依据;
阶段二、新燃料的在线识别;步骤如下:
步骤四、提取待识别燃料燃烧火焰辐射信号中时域和频域内的特征值作为原始特征值;
利用三个光电传感器来分别得到待识别燃料燃烧火焰在红外、可见光和紫外三个谱段上的一组三个辐射信号{x′(s)|s=1,2,3}=[x′(1),x′(2),x′(3)],从得到的火焰辐射信号中提取与阶段一步骤一中相同的火焰在时域和频域内的特征值{c′(s,t)|s=1,2,3;t=1,2,…,T},作为待识别燃料燃烧火焰的原始特征值,得到大小为1×3T的原始特征值数据矩阵d′={d′(u)|u=1,2,…,3T};
步骤五、将步骤四得到的原始特征值进行正交化数据处理获得正交化的特征值数据;
将待识别燃料燃烧火焰的原始特征值矩阵d′进行与阶段一步骤二中相同的正交化数据处理,并且选取与阶段一步骤二中相同的L个主成分个数,得到具有L列的待识别燃料燃烧火焰的正交化特征值数据矩阵g′={g′(l)|l=1,2,…,L};
步骤六、将步骤五得到的正交化的特征值数据输入到每种已知燃料的联合概率密度模型中得出待识别燃料属于每种已知燃料的概率密度值,则可根据此概率密度值来判断燃烧的待识别燃料的种类,及是否为新燃料;
将得到的待识别燃料燃烧火焰的正交化特征值数据输入到阶段一步骤三中建立的每种已知燃料燃烧特征值分布的联合概率密度模型fj(X1,X2,…,XL)中,可得到待识别燃料属于每种已知燃料的概率密度值f1,f2,…fJ;选择所得各概率密度值中的最大值,max(f1,f2,…fJ);假设fj=max(f1,f2,…fJ)(1≤j≤J),即待识别燃料属于第j种已知燃料的概率密度值最大,那么,将fj与针对该最大值所属的已知燃料预先设定的概率密度的阈值kj进行比较,若该最大值大于等于设定阈值,即fj≥kj,则判断待识别燃料属于该最大值所属的燃料种类,即第j种燃料,否则判断待识别燃料为 一种新燃料。
2.根据权利要求1所述的一种新燃料在线识别方法,其特征在于:阶段一中步骤一及阶段二中步骤四所述的特征值提取过程为计算每种已知燃料在红外、可见光和紫外三个谱段上辐射信号的闪烁频率,均值,均方根,方差,零交点数,偏斜率,峰态值,熵,形状因子的值作为特征值。
3.根据权利要求1所述的一种新燃料在线识别方法,其特征在于:阶段一中步骤二及阶段二中步骤五所述的正交化数据处理采用主成分分析法,将火焰辐射的原始特征值变换到主成分空间,并且每个主成分按照对火焰整体特征的贡献程度降序排列;通过抛弃那些贡献较小的数据成分,得到拥有火焰原始特征值数据绝大多数信息的L个主要的正交化数据成分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100918756A CN101644699B (zh) | 2009-08-28 | 2009-08-28 | 一种新燃料在线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100918756A CN101644699B (zh) | 2009-08-28 | 2009-08-28 | 一种新燃料在线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101644699A CN101644699A (zh) | 2010-02-10 |
CN101644699B true CN101644699B (zh) | 2011-06-01 |
Family
ID=41656671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100918756A Expired - Fee Related CN101644699B (zh) | 2009-08-28 | 2009-08-28 | 一种新燃料在线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101644699B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323213B (zh) * | 2011-08-25 | 2014-06-25 | 华北电力大学 | 基于火焰自由基的燃料种类的在线识别方法 |
CN103047946B (zh) * | 2012-12-10 | 2015-11-04 | 北京航空航天大学 | 一种基于虚拟数据的轴对称参数分布图像重建方法 |
CN107561015A (zh) * | 2017-07-04 | 2018-01-09 | 华北电力大学 | 基于光谱分析的固体燃料种类识别方法 |
-
2009
- 2009-08-28 CN CN2009100918756A patent/CN101644699B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101644699A (zh) | 2010-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103064289B (zh) | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 | |
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
Zheng et al. | A comparative study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler | |
CN101750152B (zh) | 一种表征和诊断燃烧不稳定性的方法 | |
CN109376695B (zh) | 一种基于深度混合神经网络的烟雾检测方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN111461355A (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
CN102661759B (zh) | 循环流化床锅炉非线性多变量关键参数的辨识及预测方法 | |
CN102968561A (zh) | 一种锅炉系统的能效评估模型及方法 | |
CN107326137B (zh) | 高炉热风炉烧炉过程操作参数分时段多级匹配寻优方法 | |
CN109670629A (zh) | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 | |
CN101644699B (zh) | 一种新燃料在线识别方法 | |
Strušnik et al. | Optimisation of an old 200 MW coal-fired boiler with urea injection through the use of supervised machine learning algorithms to achieve cleaner power generation | |
CN105631151A (zh) | 一种煤粉锅炉燃烧优化的建模方法 | |
CN103425959A (zh) | 一种识别火灾的火焰视频检测方法 | |
CN102323213B (zh) | 基于火焰自由基的燃料种类的在线识别方法 | |
Gu et al. | Optimized scheme in coal-fired boiler combustion based on information entropy and modified K-prototypes algorithm | |
CN101806548A (zh) | 一种工业炉窑火焰不稳定性实时检测控制方法 | |
CN103679549A (zh) | 火电机组节能潜力分析方法 | |
CN105573261A (zh) | 一种电厂锅炉燃烧的优化监控方法 | |
CN102252779B (zh) | 基于烟气能量平衡的炉膛出口烟温优化测量方法 | |
Zhang et al. | A robust fuzzy tree method with outlier detection for combustion models and optimization | |
CN101726481A (zh) | 一种燃料种类在线辨识方法 | |
CN101692270B (zh) | 一种基于多元火焰监测器的燃料种类在线判别方法 | |
CN101701951B (zh) | 一种基于支持向量机的燃料种类在线识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110601 Termination date: 20140828 |
|
EXPY | Termination of patent right or utility model |