CN112629694B - 一种燃煤电站炉膛的温度检测方法 - Google Patents
一种燃煤电站炉膛的温度检测方法 Download PDFInfo
- Publication number
- CN112629694B CN112629694B CN202011343911.6A CN202011343911A CN112629694B CN 112629694 B CN112629694 B CN 112629694B CN 202011343911 A CN202011343911 A CN 202011343911A CN 112629694 B CN112629694 B CN 112629694B
- Authority
- CN
- China
- Prior art keywords
- signal
- wavelet
- network
- layer
- target
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/006—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of the effect of a material on microwaves or longer electromagnetic waves, e.g. measuring temperature via microwaves emitted by the object
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种非接触式的燃煤电站锅炉火焰测温方法。其中方法包括:光学平台的辐射信号预处理方法;炉膛火焰辐射信号的降噪方法;多光谱辐射的测温方法。本实施例中,首先使用光学平台采集炉膛火焰的辐射信号,通过调整光学平台设备获取最大信号强度;进而重构火焰原始辐射信号,得到降噪后的信号数据;最后求解目标真温与各通道下目标亮温的非线性映射关系,计算目标温度。
Description
技术领域
本发明涉及电力技术领域,特别是涉及一种非接触式的燃煤电站锅炉火焰测温方法。
背景技术
在燃煤电站锅炉等大中型设备的设计和使用需要测量和控制燃烧室内的火焰温度,进而为降低发电成本、污染减排、提高锅炉效率等工作提供有效支撑。测温方法根据是否接触被测目标分为接触式测温法和非接触式测温法。接触式测温法只能通过接触火焰测得其中某一点的温度,只能在火焰中各个位置均放入测温设备才能获得整个火焰的燃烧状况和温度分布,虽在理论上可行却不具有工程上的可操作性。
常用的非接触式测温法如比色法仅仅能够通过火焰的颜色和亮度等特点得出近似的温度值,并不能测得精确的目标物体的真实温度。虽然在已知被测目标的材料发射率的情况下能够求得其真温,然而被测目标的材料发射率与多种因素相关,并且容易随表面状态的变化而改变,难以获知。多光谱测温法需要制成多个光谱通道,利用多个光谱下的物体辐射亮度测量信息,经数据处理得到物体的真实温度和光谱发射率。目前国内外大多采用最小二乘法进行数据处理,这必须假设发射率与波长之间的函数关系。现有的人工神经网络实现了材料发射率模型的自动判别,但存在收敛速度慢,容易陷入局部最优等缺点,无法适用于大规模网络。
发明内容
本发明的目的是提供一种可实现辐射信号有效降噪,而且提高了真实温度的辨识精度的燃煤电站锅炉火焰测温方法。核心思想是使用基于小波变换的多光谱信号降噪技术结合BP神经网络算法,构造完整的信息处理系统以更好检测炉膛温度。
本发明的目的是通过以下技术方案实现的:
1)使用光学平台采集炉膛火焰的辐射信号,以获取最大信号强度。统计光学平台目标尺寸,得到平台几何因子。
2)计算光学平台的光谱透过率、统计探测器的光谱响应率、目标光谱发射率。
3)将光信号通过光敏二极管后转换为电压信号并传输到计算机,其中光敏二极管可感知的光波长范围为400nm–900nm。
4)采用小波变换滤波法滤除光谱数据中的噪声信号。逐层重构原始信号,得到降噪后的信号数据。小波函数定义为:ψj,k(t)=2-j/2ψ(2-jt-k)
5)由原始信号,噪声信号,被干扰后的信号,计算噪声模型:f(n)=s(n)+δd(n)
8)根据Birge Massart策略确定阈值:给出一个确定的小波分解层数j,保留j+1以上层数的小波系数;对于小波分解的第i层,1≤i≤j,计算ni,只保留绝对值最大的ni个系数:
9)在降噪过程中需要不断调整参数,对比信噪比(SNR)和均方根误差(RMSE)两个数值,找到最优的小波函数参数值。
10)逐层重构原始信号,得到降噪后的信号数据。在n个通道的多波长温度计中,计算第i个通道的输出信号Si
11)使用维恩公式近似表达输出信号计算公式。
14)对BP网络的权值、域值的解空间进行实数编码,随机生成一个初始群体,对群体中的每一个个体都进行适应度评价。
15)网络适应度函数调整为:Fit(f(x))=Cmax-f(x),f(x)<Cmax
16)根据个体的适应度,完成一代进化。
17)选择m个可能具有全局性的个体进行BP网络训练。比较m个由BP网络求得的结果,从而获得权值、域值的最优解,输出检验样本的仿真结果。
与现有技术相比,本发明具有以下有益效果:
构造了完整的信息处理系统来采集与处理辐射信号;重构了火焰原始辐射信号,可对多光谱信号数据降噪;求解目标真温与各通道下目标亮温的非线性映射关系,既克服寻优中的盲目性,又避免了局部收敛情况的发生。大量仿真实验表明,该方法不但实现了发射率模型的自动辨识,而且提高了真实温度的辨识精度。
附图说明
图1为本发明的小波分解降噪的层次示意图;
图2为本发明的炉膛火焰辐射信号预处理和基于小波分解的降噪流程示意图;
图3为本发明的BP神经网络对炉膛火焰降噪信号计算仿真的流程示意图;
图4为本发明的温度检测方法的流程示意图。
具体实施方式
下面结合附图举例对本发明做详细的描述:
1)使用光学平台采集炉膛火焰的辐射信号,调整系统位置,将光学平台水平放置,调整窥镜组位置和角度,调整滤色片的高度和水平位置,保证其高度在同一水平线上,且各滤色片能够对应经过分光装置后的各路光线。使系统能够获取的信号强度达到最大。
2)统计光学平台目标尺寸,得到平台几何因子Gi。
3)计算光学平台的光谱透过率τ(λi)
4)统计探测器的光谱响应率R(λi),目标光谱发射率ε(λi,T)为未知数。
5)将光信号通过光敏二极管后转换为电压信号再通过采集板传输到计算机,通过界面展示。采集到的原始数据为电压数据,而计算所需数据是辐射强度数据,因此需要通过黑体炉标定,将电压信号与辐射强度信号之间的对应函数关系找到。其中光敏二极管可感知的光波长范围为400nm–900nm。
6)由于实验设备精度有限,且实验环境和理想状态有一定差距,获取的光谱数据中含有一定噪音数据,对实验结果产生一定影响。因此,需要对原始数据进行处理,去除掉其中的噪声信号。
7)采用小波变换滤波法滤除光谱数据中的噪声信号。首先对信号进行小波分解,如图1所示,图中为三层分解。
8)其中,S为含有噪声的待处理信号,将其分解为可能含有有用信号的A1和噪声信号D1,再对A1继续分解为含有有用信号的A2和噪声信号D2,这样分解三层。
9)按一定阈值对小波系数进行处理之后,逐层重构原始信号,得到降噪后的信号数据。小波函数定义为:
ψj,k(t)=2-j/2ψ(2-jt-k) (1)
10)母小波函数需满足:
11)由原始信号s(n),噪声信号d(n),被干扰后的信号f(n),可得噪声模型:
f(n)=s(n)+δd(n) (3)
12)对被干扰后的信号f(n)进行离散的小波变换
13)使用Mallat算法进行小波分解和重构:
Sf(j+1,k)=Sf(j,k)*p(j,k) (5)
Tf(j+1,k)=Sf(j,k)*g(j,k) (6)
14)最终重构小波为:
15)根据Birge Massart策略确定阈值:给出一个确定的小波分解层数j,保留j+1以上层数的小波系数;对于小波分解的第i层,1≤i≤j,计算ni,只保留绝对值最大的ni个系数:
ni=M(j+2-i)α (8)
式中M为经验系数,一般由第一层分解后的系数长度确定,α为经验系数,一般取3;使用小波变换中的penalty阈值。
16)在降噪过程中需要不断调整参数,对比信噪比(SNR)和均方根误差(RMSE)两个数值,对实验的结果进行误差分析,根据误差计算结果得出结论,确定本发明提出的基于多光谱辐射的BP神经网络算法的可行性与准确性,找到最优的小波函数参数值:
17)逐层重构原始信号,得到降噪后的信号数据。在n个通道的多波长温度计中,计算第i个通道的输出信号Si
其中,c1,c2为普朗克第一、第二常数,T为目标真温,Ts为目标亮温,Δλ是带宽。
18)根据有效波长的概念和维恩近似公式,将步骤13)中的公式表示为:
19)由于光谱发射率随波长变化,具有相关的函数关系,利用下述函数模型简化反应的波长与发射率的函数关系:
20)由式14)可得:
21)带入概率发射模型得:
22)求解目标真温T与各通道下Ts的非线性映射关系
23)对BP网络的权值、域值的解空间进行实数编码,随机生成一个初始群体。
24)实数编码可以缩短染色体串的长度,避免了有些变量难以进行二进制编码的困难,也避免了在二进制编码条件下必需的译码过程,提高了算法的精度和速度。
25)调用BP神经网络,对群体中的每一个个体都进行适应度评价。BP网络的目标函数为误差最小化问题,网络适应度函数为:
Fit(f(x))=Cmax-f(x),f(x)<Cmax (19)
26)这里的Cmax根据群体容量的大小及每代BP网络输出的误差大小确定。
27)根据个体的适应度,对群体中的个体进行选择、交叉、变异操作,完成一代进化。选择操作采用轮盘赌选择策略和最优个体保留法;采用多次均匀算术交叉法和多次均匀变异法。
28)反复进化至n代(n为预置的进化代数),从第n代群体中选择m个可能具有全局性的个体进行BP网络训练。
29)比较m个由BP网络求得的结果,从而获得权值、域值的最优解,输出检验样本的仿真结果。
Claims (1)
1.一种燃煤电站炉膛的温度检测方法,其特征在于,包括如下步骤:
1)使用光学平台采集炉膛火焰的辐射信号,调整系统位置,将光学平台水平放置,调整窥镜组位置和角度,调整滤色片的高度和水平位置,保证其高度在同一水平线上,且各滤色片对应经过分光装置后的各路光线,使系统获取的信号强度达到最大;
2)统计光学平台目标尺寸,得到平台几何因子Gi;
3)计算光学平台的光谱透过率τ(λi);
4)统计探测器的光谱响应率R(λi),目标光谱发射率ε(λi,T)为未知数;
5)将光信号通过光敏二极管后转换为电压信号再通过采集板传输到计算机,通过界面展示;通过黑体炉标定,将电压信号与辐射强度信号之间的对应函数关系找到;其中光敏二极管可感知的光波长范围为400nm–900nm;
6)对原始数据进行处理,去除掉其中的噪声信号;
7)采用小波变换滤波法滤除光谱数据中的噪声信号,包括:
对信号进行小波分解,按设定阈值对小波系数进行处理之后,逐层重构原始信号,得到降噪后的信号数据;小波函数定义为:
ψj,k(t)=2-j/2ψ(2-jt-k) (1)
母小波函数需满足:
由原始信号s(n),噪声信号d(n),被干扰后的信号f(n),可得噪声模型:
f(n)=s(n)+δd(n) (3)
对被干扰后的信号f(n)进行离散的小波变换
使用Mallat算法进行小波分解和重构:
Sf(j+1,k)=Sf(j,k)*p(j,k) (5)
Tf(j+1,k)=Sf(j,k)*g(j,k) (6)
最终重构小波为:
根据Birge Massart策略确定阈值:给出一个确定的小波分解层数j,保留j+1以上层数的小波系数;对于小波分解的第i层,1≤i≤j,计算ni,只保留绝对值最大的ni个系数:
ni=M(j+2-i)α (8)
式中M为经验系数,由第一层分解后的系数长度确定,α为经验系数,取3;使用小波变换中的penalty阈值;
在降噪过程中不断调整参数,对比信噪比(SNR)和均方根误差(RMSE)两个数值,对实验的结果进行误差分析,根据误差计算结果得出结论,找到最优的小波函数参数值:
逐层重构原始信号,得到降噪后的信号数据;在n个通道的多波长温度计中,计算第i个通道的输出信号Si
其中,c1,c2为普朗克第一、第二常数,T为目标真温,Ts为目标亮温,Δλ是带宽;
8)根据有效波长的概念和维恩近似公式,将公式(5)、公式(6)表示为:
9)利用下述函数模型简化反应的波长与发射率的函数关系:
由式14)得:
带入概率发射模型得:
10)求解目标真温T与各通道下Ts的非线性映射关系:
11)对BP网络的权值、域值的解空间进行实数编码,随机生成一个初始群体;
12)调用BP神经网络,对群体中的每一个个体都进行适应度评价;BP网络的目标函数为误差最小化问题,网络适应度函数为:
Fit(f(x))=Cmax-f(x),f(x)<Cmax (19)
Cmax根据群体容量的大小及每代BP网络输出的误差大小确定;
13)根据个体的适应度,对群体中的个体进行选择、交叉、变异操作,完成一代进化;选择操作采用轮盘赌选择策略和最优个体保留法;采用多次均匀算术交叉法和多次均匀变异法;
14)反复进化至n代,n为预置的进化代数,从第n代群体中选择m个可能具有全局性的个体进行BP网络训练;
15)比较m个由BP网络求得的结果,从而获得权值、域值的最优解,输出检验样本的仿真结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011343911.6A CN112629694B (zh) | 2020-11-26 | 2020-11-26 | 一种燃煤电站炉膛的温度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011343911.6A CN112629694B (zh) | 2020-11-26 | 2020-11-26 | 一种燃煤电站炉膛的温度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112629694A CN112629694A (zh) | 2021-04-09 |
CN112629694B true CN112629694B (zh) | 2023-01-13 |
Family
ID=75303938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011343911.6A Active CN112629694B (zh) | 2020-11-26 | 2020-11-26 | 一种燃煤电站炉膛的温度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112629694B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113588115B (zh) * | 2021-07-19 | 2023-06-23 | 中北大学 | 一种基于多光谱比色的温度测量方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1069960C (zh) * | 1994-10-27 | 2001-08-22 | 华中理工大学 | 电站锅炉炉膛燃烧温度分布检测方法及其装置 |
GB2344883B (en) * | 1998-12-16 | 2003-10-29 | Graviner Ltd Kidde | Flame monitoring methods and apparatus |
CN102506444B (zh) * | 2011-11-04 | 2014-04-02 | 国电南京自动化股份有限公司 | 基于智能控制的计算机视觉技术的炉膛火焰检测方法 |
CN102881041B (zh) * | 2012-08-21 | 2015-05-13 | 中国科学院计算技术研究所 | 一种基于多源实测数据的火焰建模方法及其系统 |
CN103900723B (zh) * | 2014-04-25 | 2016-08-24 | 天津送变电易通电力科技有限公司 | 利用辐射谱的全部信息测火焰实际温度的方法及测量系统 |
-
2020
- 2020-11-26 CN CN202011343911.6A patent/CN112629694B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112629694A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070234B (zh) | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 | |
Muniz et al. | Influence of field of view of thermal imagers and angle of view on temperature measurements by infrared thermovision | |
CN108152235B (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
CN112504979A (zh) | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 | |
CN109884891B (zh) | 一种高精度智能仿核信号发生系统及其工作方法 | |
CN112629694B (zh) | 一种燃煤电站炉膛的温度检测方法 | |
CN112215525A (zh) | 一种湖库水质反演及可视化评价方法 | |
CN113866102A (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN115222707A (zh) | 一种全谱段高光谱对地遥感成像测量不确定度分析方法 | |
Joyce et al. | Using a deep neural network to detect methane point sources and quantify emissions from PRISMA hyperspectral satellite images | |
Huang et al. | Optimal wavelength selection for hyperspectral scattering prediction of apple firmness and soluble solids content | |
CN207280593U (zh) | 基于计算光谱成像技术的光谱分类器 | |
CN116026780B (zh) | 基于串联策略波长选择的包衣吸湿率在线检测方法及系统 | |
Diakite-Kortlever et al. | Reconstruction of daylight spectral power distribution based on correlated color temperature: a comparative study between the CIE approach and localized procedures in assessing non-image forming effects | |
CN117523406A (zh) | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 | |
CN117195960A (zh) | 基于夏克哈特曼ut变换模型的大气湍流波前探测方法 | |
CN113253069B (zh) | 一种基于多光谱强度的局部放电危险度评估方法 | |
CN116298743A (zh) | 一种功率半导体器件内部温度分布测量系统及其方法 | |
CN115438566A (zh) | 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法 | |
CN115711838A (zh) | 基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用 | |
CN111044489B (zh) | 一种基于多波长测量获得大气折射率高度分布剖面的方法 | |
CN108665422B (zh) | 傅里叶域内逆向感知的单帧红外非均匀性检测方法 | |
CN110793920A (zh) | 一种化学成像与高光谱联用的大气遥测方法 | |
CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及系统 | |
Lin et al. | A feature domain space transfer method for improving identification of maize haploid seed based on near-infrared spectroscopy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |