CN101726481A - 一种燃料种类在线辨识方法 - Google Patents

Abstract

本发明提供一种在线辨识燃料种类的新方法，包括从火焰的辐射信号中提取火焰时域和频域的原始特征值，这些原始特征数据首先经过数据预处理，变成不相关的正交化特征值数据，使用带有非线性隐层的两层神经网络来近似正交化特征值数据与燃料类型的非线性函数关系，使输出层神经元的输出在[0，1]之间，表示正在燃烧的燃料属于某种燃料类型的程度。本发明所提取的原始特征值数据，在输入神经网络之前先进行数据预处理，能够在显著降低网络复杂性的同时应用更多有用的特征信息，不但能加快神经网络的训练速度，减小神经网络的训练时间，还能大大提高燃料类型辨识的成功率。

Description

一种燃料种类在线辨识方法

技术领域

本发明涉及一种燃料种类的辨识方法，特别是涉及一种燃料种类的在线辨识方法。属于锅炉燃料种类辨识方法技术领域。

背景技术

中国是世界上最大的煤炭生产国和消费国，以燃煤为主的火力发电厂在我国电力工业中占主导地位。由于经济等原因的限制，发电厂经常使用不同种类的煤，有的还燃烧或添加燃烧生物质。这里将煤与生物质统称为燃料。而在电厂的储煤场(或燃料堆)中有许多种类的燃料，各种燃料的堆放是随机的，所以燃烧时燃料的种类通常是未知的，也是不可预测的。由于燃料种类变动的频繁，对燃烧炉内燃烧情况的检测和控制就变得很困难，严重时，甚至会产生燃烧炉灭火、“放炮”，炉膛爆炸等恶性事故。因此，在使用不同种类燃料的电厂中进行燃料种类的辨识能够有效地对燃烧炉中的燃烧情况进行检测和控制，提高燃烧效率并且能够减少污染气体的排放。

目前，市场上已经存在着利用射线、微波和无源特征标记技术的一些在线燃料分析仪器和燃料跟踪系统。但是，这些系统造价非常高，安装复杂，运行维护成本也相当高。因此，非常需要一种实用的、性价比高的方法来解决这一问题。

发明内容

本发明的目的是克服现有技术的不足，提供一种能够在锅炉稳定燃烧的条件下有效辨识燃料种类的方法。

不同的燃料有不同的物理特征和不同的化学组成，不同燃料产生的火焰辐射的光谱从红外到可见光再到紫外区域也有不同的特征。利用三个能接收不同光谱段的光电传感器来接收火焰辐射在红外、可见光、紫外三个谱段的信号，从燃烧火焰的辐射信号中提取诸如闪烁频率、均值、均方根、方差、零交点数、偏斜率、峰态值、熵、形状因子等作为火焰的原始特征值，目的是用这些原始特征值来在线辨识燃料的种类。把这些原始特征值数据首先经过数据预处理(如主成分分析)获得正交化特征值数据，作为输入值送给神经网络，用神经网络来建立火焰特征值和燃料种类之间的复杂关系。在应用神经网络前，首先针对欲识别的燃料种类在锅炉(或燃烧炉)各种负荷条件下采集足够的样本，对神经网络进行训练，训练结束后即可利用此网络来辨识燃料的种类。因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，因而本发明的辨识方法是在线的。

本发明的技术方案是这样实现的：

本发明的一种燃料种类在线辨识方法，包括特征值提取模块、数据预处理模块及神经网络，神经网络带有非线性隐层及输出层。具体包括如下步骤：

(1)利用三个光电传感器来分别得到火焰辐射在红外、可见光和紫外三个谱段上的辐射信号，通过特征值提取模块从火焰的辐射信号中提取火焰时域和频域的特征值(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)，作为火焰原始特征值；

(2)通过特征值提取模块提取到的火焰原始特征值彼此是相关的，需要经过数据预处理模块进行正交化处理，例如应用主成分分析这种正交化数据处理方法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。主成分分析把火焰原始特征值数据变换到主成分空间，按照对全部数据所做出的贡献把每个主成分进行降序排列，可以选择拥有着原始特征值主要信息的数据，而忽略那些不重要的数据。这样可以对数据进行压缩，降低数据的维数。

(3)用带有非线性隐层及输出层的神经网络来建立火焰特征值数据与燃料类型的非线性函数关系，将压缩后的正交化特征值数据输入神经网络来在线识别燃料的类型。神经网络的输出层中神经元的数目等于被辨识的燃料类型数目，且输出层采用log-sigmoid传递函数，使它的输出在0和1之间并迫使它的输出接近[0，1]的端点。输出层神经元的输出值表示正燃烧的燃料属于该种类型的程度：“1”代表非常可能，“O”代表非常不可能。

本发明的一种燃料种类的在线辨识方法相对于现有技术具有如下优点：

(1)在稳定燃烧条件下，把从特征提取模块中的光电传感器得到的火焰辐射信号中提取的原始特征值通过一个经过训练的神经网络来在线辨识出燃料的类型。而在利用神经网络之前先对原始特征值数据进行数据预处理，可以有效地减少输入数据的维数，能够在显著降低网络复杂性的同时应用更多有用的信息，不仅可加快神经网络的训练速度，有效地减小神经网络的训练时间，而且能够大大提高燃料类型辨识的成功率。

(2)能够在线应用。

(3)设备安装、操作简便，维护方便，造价低廉。

附图说明

图1为本发明的一种燃料种类的在线辨识方法系统结构图；

图2为本发明的一种燃料种类的在线辨识方法神经网络示意图。

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：

本发明的一种燃料种类的在线辨识方法，包括特征值提取模1、数据预处理模块2、神经网络3，神经网络带非线性隐层5及输出层6，如图1及图2所示。本发明的一种燃料种类的在线辨识方法，包括从火焰的辐射信号中提取火焰原始特征值4数据，对该原始特征值4数据进行预处理，使该数据正交化，得到互不相关的火焰的正交化特征值(图中未示)数据，然后使用带有非线性隐层5和输出层6的两层神经网络来近似火焰的正交化特征值数据与燃料类型的非线性函数关系，最后通过输出神经元的输出值来判断燃料所属的类型。

具体实施方法：如图1及图2所示。(以某种燃料如煤为例)利用三个覆盖不同光谱段的光电传感器(图中未示)来得到(煤燃烧的)火焰辐射在红外、可见光和紫外三个谱段上的辐射信号，通过特征值提取模块1从火焰的辐射信号中提取火焰时域和频域的原始特征值4(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)。通过三个光电传感器得到的火焰辐射信号是具有相关性的，得到的原始特征值4也具相关性，所以需要把得到的这些相关的火焰辐射原始特征值4经过数据预处理模块2进行数据预处理(例如，可采用主成分分析法)把火焰辐射的原始特征值4变换到主成分空间，得到正交化特征值数据，并且把每个主成分按照对整体火焰的正交化特征值数据的贡献进行降序排列。这样，通过抛弃那些贡献较小的数据成分，而选择拥有火焰原始特征值4数据绝大多数信息的主要数据成分作为神经网络的输入，就可以在保证神经网络输入数据信息量的同时，减小了输入数据的维数。进而，采用具有非线性隐层5和输出层6的神经网络3来建立火焰原始特征值4数据与燃料类型的非线性函数关系，例如，使它的输出在0和1之间并迫使它的输出接近[0，1]的端点。则输出神经元的输出值就表示正燃烧的燃料属于该种类型的程度：“1”代表非常可能，“0”代表非常不可能。而这种对输入数据的压缩，用相对少的数据保留了原始特征值4数据的主要信息，可以有效地减小输入数据向量的维数，降低神经网络3的复杂度，缩短神经网络的训练时间，提高网络训练效率。

所建立的神经网络3，包括一个非线性的隐层5和一个非线性的输出层6。使用这种带有非线性的隐层3的二层神经网络3来近似正交化特征值数据与燃料种类的非线性函数关系。输入数据为经过数据预处理后的不相关的正交化特征值数据。期望每种燃料类型对应的神经网络的输出在[0，1]之间，越接近1或0就越能清楚地判断是或不是该种燃料类型。也就是说，希望神经网络3的输出层6各神经元的输出值集中且逼近0或1，而不是随机地分布在0和1之间。因此，在神经网络3的隐层5和输出层6采用非线性函数例如log-sigmoid传递函数，它的输出在0和1之间，并迫使输出接近[0，1]的端点。则输出神经元的输出值表示正燃烧的燃料属于某种类型的程度：“1”代表非常可能，而“0”代表着非常不可能。

Claims (3)

1.一种燃料种类在线辨识方法，包括特征值提取模块、数据预处理模块、神经网络，神经网络带非线性隐层及输出层，其特征在于，包括如下步骤：

(1)通过特征值提取模块从火焰的辐射信号中提取火焰时域和频域的特征值，这个特征值为原始特征值；

(2)将通过特征值提取模块提取到的火焰时域和频域的原始特征值经过数据预处理模块进行数据预处理；

(3)使用神经网络来近似火焰原始特征值的数据与燃料类型的非线性函数关系。

2.根据权利要求1所述的一种燃料种类在线辨识方法，其特征在于，把从火焰的辐射信号中提取的原始特征值的数据经过数据预处理变成正交的、互不相关的正交化特征值数据，进而将正交化特征值数据作为输入信号加载到神经网络中。

3.根据权利要求1所述的一种燃料种类在线辨识方法，其特征在于，使用神经网络来近似经过数据预处理后的正交化特征值数据与燃料类型的非线性函数关系。

Images