CN101701951A - 一种基于支持向量机的燃料种类在线识别方法 - Google Patents

Abstract

本发明公开一种基于支持向量机的燃料种类在线识别方法，通过三个光电传感器探测得到已知燃料燃烧火焰中红外、可见光和紫外三个波段的辐射信号，基于辐射信号的正交化特征值建立燃料种类判别模型，所述模型通过联合概率密度判别模型和支持向量机模型相互结合得到；通过三个光电传感器探测得到待识别燃料在三个波段上的辐射信号，将得到的正交化特征值输入建立的燃料种类判别模型中，若判别模型判断待识别燃料为新燃料，则保存该组正交化特征值，用于完善和更新判别模型；否则，判别模型直接输出燃料的类别。

Description

一种基于支持向量机的燃料种类在线识别方法

【技术领域】

本发明涉及一种燃烧燃料种类的在线识别方法，属于工业锅炉燃料辨识技术领域。

【背景技术】

锅炉内燃烧的稳定有利于提高燃料资源的利用率，减少污染物排放和提高锅炉的热效率。锅炉内燃料种类的变化直接影响对燃烧的检测和控制，从而影响炉内燃烧的稳定。由于经济等因素的限制，炉内燃料的种类是多样的，燃烧时是未知的、不断变化的。因此，燃料种类的预测对于燃烧的安全非常重要。

支持向量机(SVM，Support Vector Machines)是在统计学习理论基础上发展起来的一种新的监督式学习方法，具有理论完备、全局优化、泛化性能好、算法复杂度与特征空间维数无关等优点，已广泛应用于统计分类和回归分析中。支持向量机是将向量映射到一个更高维的空间中，在分开数据的超平面两边建有两个互相平行的超平面，使两个平行的超平面距离最大化，即得到最大间隔超平面，超平面的距离或差距越大，分类器的总误差越小。其在非时变系统模式判别和拟合中具有良好的应用效果，还可解决时变系统动态模式分类和非线性回归等问题的不适应性。

利用支持向量机技术，可以在线识别燃烧燃料种类，并且比利用神经网络技术进行燃料种类辨识的正确率要高。但此种识别方法是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种类进行准确判别。而利用已知燃料特征值分布的联合概率密度模型，可以判断出燃烧燃料种类及是否为新燃料。但此种方法对已知燃料种类判断的正确率与利用支持向量机技术进行判别的方法相比要低得多。因此迫切需要一种既能准确在线识别已知燃料种类，又能在线辨别新燃料种类的方法。

【发明内容】

本发明是一种基于支持向量机的燃料种类在线识别方法，它主要是利用火焰辐射信号来识别燃烧燃料的种类。

本发明的目的在于克服已有技术的不足，提供燃料种类在线识别系统，采用以下技术方案：

本发明公开一种基于支持向量机的燃料种类在线识别方法，通过三个光电传感器探测得到已知燃料燃烧火焰中红外、可见光和紫外三个波段的辐射信号，基于辐射信号的正交化特征值建立燃料种类判别模型，所述模型通过联合概率密度判别模型和支持向量机模型相互结合得到；通过三个光电传感器探测得到待识别燃料在三个波段上的辐射信号，将得到的正交化特征值输入建立的燃料种类判别模型中，若判别模型判断待识别燃料为新燃料，则保存该组正交化特征值，用于完善和更新判别模型；否则，判别模型直接输出燃料的类别。

其中，所述在各种燃烧条件下，利用三个光电传感器来探测已知燃料和待识别燃料燃烧火焰在红外、可见光和紫外三个波段上的辐射信号。

其中，所述辐射信号的数据处理包括信号特征值的提取和特征值的正交化处理。通过特征值提取得到红外、可见光和紫外各个波段上火焰辐射信号在时域和频域内的T个特征值，三个波段一共得到3T个特征值；通过特征值的正交化处理对特征值数据进行压缩，选择压缩后的L(L＜3T)个正交化特征值。

其中，所述利用已知燃料的L个正交化特征值建立燃料种类判别模型。所述燃料种类判别模型包括联合概率密度模型和支持向量机模型。利用联合概率密度模型判别待识别燃料是否为新燃料；当待识别燃料不是新燃料，而是已知燃料时，利用支持向量机模型判别其种类。

其中，所述利用已知燃料燃烧对应的正交化特征值数据的均值和方差建立判别模型中的联合概率密度模型。该模型为一分类模型，对待识别燃料的信号进行分类，并为模型设立阈值作为分类的依据，大于阈值判断属于已知燃料的，输入支持向量机模型进行种类判别；小于阈值判断属于新燃料的，记录信号数据，用于以后该新燃料种类联合概率密度模型的建立及支持向量机模型的更新。

其中，所述判别模型的支持向量机模型是利用支持向量机技术建立的模型，表示已知燃料正交化特征值与燃料种类之间的对应关系。将已知燃料L个正交化特征值作为训练数据，其对应燃料种类作为标签值来训练得到支持向量机模型，用于表示特征值与燃料种类之间的对应关系。用该模型进行判别时，待识别燃料的正交化特征值作为模型输入，即可直接得到特征值数据对应的标签值，即燃料的种类。

本发明的有益效果：本发明专利提出了一种基于支持向量机的燃料种类在线识别方法，该方法能在线识别燃烧燃料的种类，数据的正交化处理可以压缩数据，减小数据的维数，判别模型的实时性好，且模型可以储存数据，实现判别模型的自动完善和更新。利用本专利方法获得的燃料种类数据，可以用于实现燃烧的闭环控制，增强锅炉运行的经济性和安全性。本专利与已有方法相比较，是一种能准确在线识别新燃料并能在线辨识已知燃料种类的方法。

【说明书附图】

图1是基于支持向量机的燃料种类在线识别方法示意图。

【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，现对本发明的具体实施方式做进一步说明：

具体实施方法：

第一步，建立已知燃料种类的联合概率密度模型和用于燃料种类在线识别的支持向量机模型。

首先，利用三个光电传感器来得到一种已知燃料燃烧火焰在红外、可见光和紫外三个波段上的辐射信号，每组包括3个信号，采集M组，一共得到M×3个火焰辐射信号，构成一信号样本集{x(m，s)|m＝1，2，...，M；s＝1，2，3}。其中M的选择应该使采集的样本集{x(m，s)}中的信号在一个完整周期内，且能覆盖燃料燃烧的各种工况。例如可选择M＝500，即每种燃料采集500组信号。提取火焰在时域和频域内的特征值{c(m，s，t)|m＝1，2，...，M；s＝1，2，3；t＝1，2，...，T}(如闪烁频率，均值，均方根，方差，零交点数，偏斜率，峰态值，熵，形状因子等)，得到大小为M×3T的特征值数据矩阵d＝{d(m，u)|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，即每个谱段上提取9个特征值，三个谱段上一共27个特征值。火焰的特征值是彼此相关的，需要经过数据的正交化处理，例如采用主成分分析进行数据的正交化处理。主成分分析，是一种简化数据集的技术，可以把数据变换到一个新的坐标系统(即主成分空间)中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析通过保留低阶主成分，忽略高阶主成分，可以减少数据的维数，并能同时保持数据对方差的最大贡献，这样低阶成分往往能够保留住数据的最重要方差信息。

其次，通过数据处理，将火焰的特征值数据变换到了主成分空间，每个主成分按照对火焰整体特征的贡献程度降序排列，通过抛弃那些贡献较小的数据成分，而从每组3T个特征值中选择拥有着主要信息的L个主成分作为正交化的特征值。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，比如L＝13，得到一大小为M×L的正交化特征值矩阵g＝{g(m，l)|m＝1，2，...，M；l＝1，2，...，L}。

已知燃料的L个正交化特征值之间彼此独立，则可根据求出的该种燃料每个正交化特征值矩阵g(m，l)的每一列的均值和方差(μ_l，σ_l)(l＝1，2，...，L)，建立该种已知燃料特征值分布的联合概率密度模型，表示为

$f(X_1,X_2,...,X_L)=\frac{1}{2\mathrm{\π}\underset{l=1}{\overset{L}{\mathrm{\Π}}}{\mathrm{\σ}}_l}\exp [-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\left(\frac{X_l-{\mathrm{\μ}}_l}{{\mathrm{\σ}}_l}\right)}^2](l=\mathrm{1,2},...,L)$

并根据该种燃料的特征值分布情况设立一个阈值k，作为是否为该种燃料的判断依据。其中k应根据实际应用情况确定，k越大则把已知燃料判断为新燃料的几率越大，k越小则把新燃料判断为已知燃料的几率越大。例如k的一种选择方法可以为

$k=\frac{1}{2\mathrm{\π}\underset{l=1}{\overset{L}{\mathrm{\Π}}}{\mathrm{\σ}}_l}\exp [-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\left(1.6\right)}^2](l=\mathrm{1,2},...,L).$

再次，利用已知燃料燃烧火焰的L个正交化特征值及对应的燃料种类标签值数据建立支持向量机模型。支持向量机模型为已知燃料燃烧火焰正交化特征值与燃料类型的对应关系。模型的输入为燃料燃烧火焰正交化特征值，而模型的输出对应燃料所属的种类。因此，模型输入的数目由正交化特征值的数目决定，输出的数目与已知燃料种类数目相对应。本实施例中建立支持向量机模型是利用Chih-Chung Chang and Chih-Jen Lin等人开发的LIBSVM软件工具包，其优点是利用软件提供的默认参数即可解决很多问题。将已知燃料L个正交化特征值作为训练数据，其对应燃料种类作为标签值来训练得到支持向量机模型，用于表示特征值与燃料种类之间的对应关系，选择软件提供的默认参数即可满足本专利的判别要求。用该模型进行判别时，待识别燃料的正交化特征值作为模型输入，即可直接得到特征值数据对应的标签值，即燃料的种类。

已知燃料的种类可为一种或多种。对于多种已知燃料类型的情况，假设有J种已知燃料，可重复模型建立的过程，建立J个已知燃料种类的联合概率密度模型f₁，f₂，…，f_J以及阈值k_j(j＝1，2，...，J)和相对应的支持向量机模型。

在建立了已知燃料种类联合概率密度模型和支持向量机模型之后，即获得所需的燃料种类判别模型，可以利用所获得的燃料种类判别模型进行燃料种类的在线辨识。

第二步，利用建立的燃料种类的判别模型(包括联合概率密度模型和支持向量机模型)对在燃燃料的种类进行在线辨识。

首先，利用上述三个光电传感器来分别得到待识别燃料燃烧火焰在红外、可见光和紫外三个波段上的一组火焰辐射信号{x′(s)|s＝1，2，3}＝[x′(1)，x′(2)，x′(3)]，通过与已知燃料相同的特征值提取和数据正交化处理过程得到待识别燃料火焰辐射信号在时域和频域内的特征值{c′(s，t)|s＝1，2，3；t＝1，2，...，T}(如闪烁频率，均值，均方根，方差，零交点数，偏斜率，峰态值，熵，形状因子等)，得到大小为1×3T的特征值数据矩阵d′＝{d′(u)|u＝1，2，...，3T}。将特征值矩阵d′进行与已知燃料相同的正交化数据处理，例如采用主成分分析法将d′变换到主成分空间，选取相同的L个主成分数据作为正交化的特征值，得到正交化特征值矩阵g′＝{g′(l)|l＝1，2，...，L}。

其次，将待识别燃料的正交化特征值输入到建立的每种已知燃料特征值分布的联合概率密度模型f(X₁，X₂，…，X_L)中，得到待识别燃料属于每种已知燃料的概率密度值f₁，f₂，…，f_J，选择所得的各概率密度值中的最大值，max(f₁，f₂，…，f_J)。假设f_j＝max(f₁，f₂，…，f_J)(1≤j≤J)，即待识别燃料属于第j(1≤j≤J)种已知燃料的概率密度值最大，那么将f_j与针对该最大值所属的已知燃料预先设定的阈值k_j比较，若该最大值大于等于设定阈值，即f_j≥k_j，则待识别燃料属于已知燃料，将得到的待识别燃料的正交化特征值输入到支持向量机模型中，则可根据输出值得到待识别燃料的种类；若f_j＜k_j，则判断待识别燃料为一种新燃料，将得到的待识别燃料燃烧的正交化特征值记录下来保存在特定的数据文件中，当该文件中信号数据在各种燃烧条件下达到M组时，将该组信号作为一种已知燃料的数据进行该燃料种类判别模型的建立过程，即建立该新燃料种类的联合概率密度模型并在增加一种新燃料种类的基础上更新支持向量机模型。

本发明方法不仅适用于化石燃料种类的识别，而且适用于生物质、燃料油及燃气种类的识别。

Claims (6)

1.本发明公开一种基于支持向量机的燃料种类在线识别方法，通过三个光电传感器探测得到已知燃料燃烧火焰中红外、可见光和紫外三个波段的辐射信号，基于辐射信号的正交化特征值建立燃料种类判别模型，所述模型通过联合概率密度判别模型和支持向量机模型相互结合得到；通过三个光电传感器探测得到待识别燃料在三个波段上的辐射信号，将得到的正交化特征值输入建立的燃料种类判别模型中，若判别模型判断待识别燃料为新燃料，则保存该组正交化特征值，用于完善和更新判别模型；否则，判别模型直接输出燃料的类别。

2.按照权利要求1所述的一种基于支持向量机的燃料种类在线识别方法，其特征在于在各种燃烧条件下，利用三个光电传感器来探测已知燃料和待识别燃料燃烧火焰在红外、可见光和紫外三个波段上的辐射信号。

3.按照权利要求1所述的一种基于支持向量机的燃料种类在线识别方法，其特征在于辐射信号的数据处理包括信号特征值的提取和特征值的正交化处理。通过特征值提取得到红外、可见光和紫外各个波段上火焰辐射信号在时域和频域内的T个特征值，三个波段一共得到3T个特征值；通过特征值的正交化处理对特征值数据进行压缩，选择压缩后的L(L＜3T)个正交化特征值。

4.按照权利要求1所述的一种基于支持向量机的燃料种类在线识别方法，其特征在于利用已知燃料的L个正交化特征值建立燃料种类判别模型。所述燃料种类判别模型包括联合概率密度模型和支持向量机模型。利用联合概率密度模型判别待识别燃料是否为新燃料；当待识别燃料不是新燃料，而是已知燃料时，利用支持向量机模型判别其种类。

5.按照权利要求1所述的一种基于支持向量机的燃料种类在线识别方法和权利要求4，其特征在于利用已知燃料燃烧对应的正交化特征值数据的均值和方差建立判别模型中的联合概率密度模型。该模型为一分类模型，对待识别燃料的信号进行分类，并为模型设立阈值作为分类的依据，大于阈值判断属于已知燃料的，输入支持向量机模型进行种类判别；小于阈值判断属于新燃料的，记录信号数据，用于以后该新燃料种类联合概率密度模型的建立及支持向量机模型的更新。

6.按照权利要求1所述的一种基于支持向量机的燃料种类在线识别方法和权利要求4，其特征在于判别模型的支持向量机模型是利用支持向量机技术建立的模型，表示已知燃料正交化特征值与燃料种类之间的对应关系。将已知燃料L个正交化特征值作为训练数据，其对应燃料种类作为标签值来训练得到支持向量机模型，用于表示特征值与燃料种类之间的对应关系。用该模型进行判别时，待识别燃料的正交化特征值作为模型输入，即可直接得到特征值数据对应的标签值，即燃料的种类。

Images