CN112749507B - 一种全息在线计量煤和生物质耦合发电掺混比例的方法 - Google Patents

一种全息在线计量煤和生物质耦合发电掺混比例的方法 Download PDF

Info

Publication number
CN112749507B
CN112749507B CN202011593735.1A CN202011593735A CN112749507B CN 112749507 B CN112749507 B CN 112749507B CN 202011593735 A CN202011593735 A CN 202011593735A CN 112749507 B CN112749507 B CN 112749507B
Authority
CN
China
Prior art keywords
coal
biomass
particles
holographic
particle
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
Application number
CN202011593735.1A
Other languages
English (en)
Other versions
CN112749507A (zh
Inventor
吴学成
吴迎春
金其文
骆仲泱
高翔
陈玲红
邱坤赞
岑可法
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011593735.1A priority Critical patent/CN112749507B/zh
Publication of CN112749507A publication Critical patent/CN112749507A/zh
Application granted granted Critical
Publication of CN112749507B publication Critical patent/CN112749507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/0005—Adaptation of holography to specific applications
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/22—Processes or apparatus for obtaining an optical image from holograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
    • G01N2015/0233—Investigating particle size or size distribution by optical means using imaging; using holography using holography
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/0005—Adaptation of holography to specific applications
    • G03H2001/0033—Adaptation of holography to specific applications in hologrammetry for measuring or analysing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，包括以下步骤：利用数字全息颗粒测量系统分别采集煤粉和生物质颗粒的全息图，对全息图进行重建处理获取颗粒幅值图和相位图，同时测定煤粉和生物质密度；构建深度学习全息燃料颗粒判别架构，以颗粒幅值图和相位图作为训练集对架构进行训练；利用数字全息在线测量系统获取煤粉和生物质混合后的全息图，将训练后的深度学习架构应用于混合颗粒全息图中颗粒的判别分类；对分类的颗粒进行形貌和尺寸分析，计算颗粒的体积；计算煤和生物质的掺混比例。本发明提供的方法，与现有的煤和生物质耦合发电掺烧比例的计量方法相比，可实现实时测量，实施过程简单，且数字全息技术对硬件的要求不高，因此可大大降低测量成本。

Description

一种全息在线计量煤和生物质耦合发电掺混比例的方法
技术领域
本发明涉及颗粒测量领域，具体涉及一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法。
背景技术
燃煤发电是我国电力的主要来源。然而煤炭燃烧不仅会带来污染物的排放，还会增加二氧化碳的排放，加剧温室效应。
生物质能是一种清洁的可再生能源，可实现二氧化碳零排放。生物质发电具有较强的经济、社会和生态效益，可缓解能源和环境问题。目前，采用生物质代替燃煤发电或煤和生物质耦合掺烧发电发展迅速。其中煤和生物质耦合掺烧发电可分为直接掺烧和间接掺烧两种方式，间接掺烧将生物质气化后送入锅炉燃烧，直接掺烧在燃烧侧实现混燃，将生物质处理成可以和煤粉混烧的状态送入炉膛燃烧。
由于缺乏有效的掺混比例计量手段，政府难以制定生物质掺烧的补贴政策，造成了生物质掺烧发电难以推广。目前已有的一些测量手段，如通过煤和生物质的工业分析数据和痕量元素数据计量掺混量，或根据煤和生物质中碳-14含量的不同计量混燃比。如公开号为CN108387569A的中国专利公开了一种可计量生物质掺混量的燃煤耦合生物质发电方法，包括以下步骤：(1)原煤与生物质入厂后进行采样和煤质分析，获取其主要煤质数据和痕量元素数据；(2)原煤与生物质按照电厂所需比例进行均匀混合后经入炉煤皮带入炉燃烧发电；(3)入炉煤皮带上设置皮带秤与在线煤质检测系统，实时检测入炉煤皮带上原煤与生物质混合物的重量、主要煤质数据和痕量元素数据；(4)通过计算，获取入炉混合物中生物质的含量。本发明可以准确计量燃煤发电过程中生物质的掺混量，且实现过程简便，初投资少。
但这些方法需要对煤和生物质或燃烧产物进行复杂的分析，会受到测量实时性和成本的限制。
发明内容
本发明的目的在于提供一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，可实现煤和生物质掺混比例的实时计量，且测量成本低。
本发明提供如下技术方案：
一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述方法包括以下步骤：
(1)利用数字全息颗粒测量系统分别采集煤粉和生物质颗粒的全息图，对全息图进行重建处理获取煤粉和生物质颗粒的幅值图和相位图；同时测定煤粉颗粒的密度ρcoal和生物质颗粒的密度ρbio；
(2)构建深度学习全息燃料颗粒判别架构，以步骤(1)获得的煤粉和生物质颗粒的幅值图和相位图作为训练集对架构进行训练；
(3)利用数字全息在线测量系统获取煤粉和生物质颗粒混合后的全息图，经过重建处理后的幅值图和相位图输入到训练后的全息燃料颗粒判别架构中进行判别分类，将幅值图中的煤粉颗粒记为
Figure BDA0002869798950000031
生物质颗粒记为
Figure BDA0002869798950000032
(4)对判别分类后的幅值图中的煤粉和生物质颗粒进行形貌和尺寸分析：煤粉颗粒的粒度和体积分别记为
Figure BDA0002869798950000033
和
Figure BDA0002869798950000034
生物质颗粒的粒度和体积分别记为
Figure BDA0002869798950000035
和
Figure BDA0002869798950000036
(5)根据步骤(1)中煤粉和生物质颗粒的密度、步骤(4)中煤粉和生物质颗粒的体积计算煤粉和生物质颗粒的掺混比例K，计算公式为：
Figure BDA0002869798950000037
其中，掺混比例K为质量比。
所述步骤(1)中的数字全息颗粒测量系统包括激光光源、光学调整元件和图像采集部分，激光光源发出的激光束经过光学调整元件后照射煤粉颗粒或/和生物质颗粒，图像采集部分记录全息图。
激光光源采用可见光波段的激光器，光学调整元件包括空间滤波器和准直透镜，图像采集部分采用数字相机。激光器发出的激光束经过滤波准直后照射煤粉或生物质颗粒场，相机记录颗粒全息图。再利用小波重建或角谱重建等方法获取颗粒幅值图和相位图，并以幅值图和相位图作为训练集。
所述步骤(1)中的煤粉和生物质颗粒为由磨煤机或粉碎机研磨而成的粉末状固体燃料颗粒，粒度范围为5μm至2mm，其密度的测定采用固体密度计。
所述步骤(2)中的深度学习架构采用卷积神经网络，包括：
输入层，将训练集中的颗粒幅值图和相位图作为输入，输出的尺寸为32×32×2；
卷积块1，包括两个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为32×32×64；
卷积块2，包括一个最大池化层和两个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为16×16×128；
卷积块3，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为8×8×256；
卷积块4，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为4×4×512；
最大池化层，输出的尺寸为2×2×512；
三个全连接层，输出的尺寸依次为1×1×1024、1×1×128和1×1×3，连接层将特征映射到样本标记空间，通过softmax激活函数输出分类信息。
将训练集中的颗粒图像输入至神经网络架构的输入层时先将图片尺寸归一化为32×32的大小。
所述步骤(4)中的颗粒尺寸分析基于颗粒二维形貌，计算特征粒径d。煤粉和生物质颗粒的体积计算方法分别为：
Figure BDA0002869798950000041
Figure BDA0002869798950000042
其中f1和f2分别为煤粉颗粒和生物质颗粒的体积计算函数。
具体地，体积计算可采用等效球体体积进行求取：
f(d)＝π/6d3。
本发明的优点在于：避免了现有方法需要对煤和生物质进行复杂费时、成本高的工业分析或元素分析等操作，只需将训练好的卷积神经网络架构用于数字全息颗粒实时测量系统即可实现对煤和生物质掺混比例的实时计量，实施过程简单，且数字全息技术对硬件的要求不高，因此可大大降低测量成本。
附图说明
图1为深度学习全息在线计量煤和生物质耦合发电掺混比例的方法流程图；
图2为典型煤粉颗粒全息图；
图3为典型生物质颗粒全息图；
图4为典型煤粉颗粒和生物质颗粒混合全息图；
图5为实施例中卷积神经网络的结构图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
实施例
如图1所示，本发明提供了一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，具体包括以下步骤：
(1)首先分别采集煤粉颗粒和生物质颗粒的全息图，煤粉颗粒典型全息图如图2所示，生物质颗粒典型全息图如图3所示。
在步骤(1)中，利用数字全息颗粒测量系统进行全息图采集，系统包括激光光源、光学调整元件和图像采集部分。激光光源采用可见光波段的激光器，光学调整元件包括空间滤波器和准直透镜，图像采集部分采用数字相机。激光器发出的激光束经过滤波准直后照射煤粉或生物质颗粒场，相机记录颗粒全息图。
(2)利用密度计测定煤粉和生物质的密度ρcoal和ρbio。
(3)利用小波重建算法重建全息图，提取颗粒幅值图和相位图，作为训练集。
(4)构建深度学习全息燃料颗粒判别架构，如图5所示。
深度学习全息燃料颗粒判别架构包括输入层、卷积层、池化层、全连接层和输出层。将训练集中的颗粒图像输入至深度学习全息燃料颗粒判别架构的输入层时先将图片尺寸归一化为32×32的大小。
具体的，包括：
输入层，将训练集中的颗粒幅值图和相位图作为输入，输出的尺寸为 32×32×2；
卷积块1，包括两个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为32×32×64；
卷积块2，包括一个最大池化层和两个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为16×16×128；
卷积块3，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为8×8×256；
卷积块4，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为4×4×512；
最大池化层，输出的尺寸为2×2×512；
三个全连接层，输出的尺寸依次为1×1×1024、1×1×128和1×1×3，连接层将特征映射到样本标记空间，通过softmax激活函数输出分类信息。
(5)利用提取的幅值图和相位图作为输入，对深度学习全息燃料颗粒判别架构进行训练。
(6)在线采集煤粉和生物质颗粒掺混的全息图，混合颗粒典型全息图如图4所示。
(7)将全息图输入到训练后的全息燃料颗粒判别架构中进行判别分类，将全息图中的煤粉颗粒记为
Figure BDA0002869798950000071
生物质颗粒记为
Figure BDA0002869798950000072
(8)进行颗粒粒径分析和体积计算。
根据输出结果，对煤粉和生物质颗粒进行尺寸分析，获取特征粒径d。煤粉和生物质颗粒的体积计算方法分别为：
Figure BDA0002869798950000073
Figure BDA0002869798950000074
其中f1和f2分别为煤粉颗粒和生物质颗粒的体积计算函数。具体地，体积计算可采用等效球体体积进行求取：
f(d)＝π/6d3。
特征粒径d的计算方法为：
Figure BDA0002869798950000075
其中，n为幅值图中颗粒图像的像素数量，像素大小为δpix。
(9)计算掺混比例。
根据下式计算煤粉和生物质颗粒的掺混比例：
Figure BDA0002869798950000076
计算得到的掺混比例为质量比例。
其它任何在本发明专利核心指导思想下所作的改变、替换、组合简化等都包含在本发明专利的保护范围之内。

Claims (6)

1.一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述方法包括以下步骤：
(1)利用数字全息颗粒测量系统分别采集煤粉和生物质颗粒的全息图，对全息图进行重建处理获取煤粉和生物质颗粒的幅值图和相位图；同时测定煤粉颗粒的密度ρcoal和生物质颗粒的密度ρbio；
(2)构建深度学习全息燃料颗粒判别架构，以步骤(1)获得的煤粉和生物质颗粒的幅值图和相位图作为训练集对架构进行训练；
(3)利用数字全息在线测量系统获取煤粉和生物质颗粒混合后的全息图，经过重建处理后的幅值图和相位图输入到训练后的全息燃料颗粒判别架构中进行判别分类，将幅值图中的煤粉颗粒记为
Figure FDA0002869798940000011
生物质颗粒记为
Figure FDA0002869798940000012
(4)对判别分类后的幅值图中的煤粉和生物质颗粒进行形貌和尺寸分析：煤粉颗粒的粒度和体积分别记为
Figure FDA0002869798940000013
和
Figure FDA0002869798940000014
生物质颗粒的粒度和体积分别记为
Figure FDA0002869798940000015
和
Figure FDA0002869798940000016
(5)根据步骤(1)中煤粉和生物质颗粒的密度、步骤(4)中煤粉和生物质颗粒的体积计算煤粉和生物质颗粒的掺混比例K，计算公式为：
Figure FDA0002869798940000017
其中，掺混比例K为质量比。
2.根据权利要求1所述的深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述步骤(1)中的数字全息颗粒测量系统包括激光光源、光学调整元件和图像采集部分，激光光源发出的激光束经过光学调整元件后照射煤粉颗粒或/和生物质颗粒，图像采集部分记录全息图。
3.根据权利要求2所述的深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述激光光源采用可见光波段的激光器，光学调整元件包括空间滤波器和准直透镜，图像采集部分采用数字相机。
4.根据权利要求1所述的深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述步骤(1)中的煤粉和生物质颗粒为由磨煤机或粉碎机研磨而成的粉末状固体燃料颗粒，粒度范围为5μm至2mm，其密度的测定采用固体密度计。
5.根据权利要求1所述的深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述步骤(2)中的深度学习全息燃料颗粒判别架构采用卷积神经网络，包括：
输入层，将训练集中的颗粒幅值图和相位图作为输入，输出的尺寸为32×32×2；
卷积块1，包括两个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为32×32×64；
卷积块2，包括一个最大池化层和两个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为16×16×128；
卷积块3，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为8×8×256；
卷积块4，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用ReLU激活函数，输出的尺寸为4×4×512；
最大池化层，输出的尺寸为2×2×512；
三个全连接层，输出的尺寸依次为1×1×1024、1×1×128和1×1×3，连接层将特征映射到样本标记空间，通过softmax激活函数输出分类信息。
6.根据权利要求1所述的深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述步骤(4)中的颗粒尺寸分析基于颗粒二维形貌，计算特征粒径d；
煤粉和生物质颗粒的体积计算方法分别为：
Figure FDA0002869798940000031
Figure FDA0002869798940000032
其中，f1和f2分别为煤粉颗粒和生物质颗粒的体积计算函数。
CN202011593735.1A 2020-12-29 2020-12-29 一种全息在线计量煤和生物质耦合发电掺混比例的方法 Active CN112749507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011593735.1A CN112749507B (zh) 2020-12-29 2020-12-29 一种全息在线计量煤和生物质耦合发电掺混比例的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011593735.1A CN112749507B (zh) 2020-12-29 2020-12-29 一种全息在线计量煤和生物质耦合发电掺混比例的方法

Publications (2)

Publication Number Publication Date
CN112749507A CN112749507A (zh) 2021-05-04
CN112749507B true CN112749507B (zh) 2022-07-12

Family

ID=75646884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011593735.1A Active CN112749507B (zh) 2020-12-29 2020-12-29 一种全息在线计量煤和生物质耦合发电掺混比例的方法

Country Status (1)

Country Link
CN (1) CN112749507B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454278A (zh) * 2013-08-22 2013-12-18 杭州电子科技大学 基于数字全息光镊的微颗粒群燃料微燃烧系统
CN203465207U (zh) * 2013-08-22 2014-03-05 杭州电子科技大学 一种基于数字全息光镊的微颗粒群燃料微燃烧系统
CN106777528A (zh) * 2016-11-25 2017-05-31 山东蓝光软件有限公司 矿井需风量的全息预测方法
CN111459109A (zh) * 2020-04-10 2020-07-28 华南理工大学 一种工业锅炉sncr脱硝控制系统与控制方法
CN111579441A (zh) * 2020-06-05 2020-08-25 浙江大学 一种基于光阑空间调制的数字全息颗粒测量装置及方法
CN212134419U (zh) * 2020-03-30 2020-12-11 浙江浙能长兴发电有限公司 一种数字全息煤粉细度在线测量光窗的保护装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387569B (zh) * 2018-01-09 2020-07-14 西安热工研究院有限公司 一种可计量生物质掺混量的燃煤耦合生物质发电方法
US11514325B2 (en) * 2018-03-21 2022-11-29 The Regents Of The University Of California Method and system for phase recovery and holographic image reconstruction using a neural network
CN109297874B (zh) * 2018-11-30 2023-09-22 浙江大学 一种用于测量运动颗粒粒径的全息实时测量方法及装置
US11262286B2 (en) * 2019-04-24 2022-03-01 The Regents Of The University Of California Label-free bio-aerosol sensing using mobile microscopy and deep learning
CN111595737B (zh) * 2020-05-15 2021-03-23 厦门大学 一种基于三维分支网络的光学全息粒子场颗粒点检测方法
CN111723848A (zh) * 2020-05-26 2020-09-29 浙江工业大学 一种基于卷积神经网络和数字全息的海洋浮游生物自动分类方法
CN112108263A (zh) * 2020-09-09 2020-12-22 海略(连云港)科技有限公司 基于涡流过滤器和3D U-Net网络的流体悬浮物分类系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454278A (zh) * 2013-08-22 2013-12-18 杭州电子科技大学 基于数字全息光镊的微颗粒群燃料微燃烧系统
CN203465207U (zh) * 2013-08-22 2014-03-05 杭州电子科技大学 一种基于数字全息光镊的微颗粒群燃料微燃烧系统
CN106777528A (zh) * 2016-11-25 2017-05-31 山东蓝光软件有限公司 矿井需风量的全息预测方法
CN212134419U (zh) * 2020-03-30 2020-12-11 浙江浙能长兴发电有限公司 一种数字全息煤粉细度在线测量光窗的保护装置
CN111459109A (zh) * 2020-04-10 2020-07-28 华南理工大学 一种工业锅炉sncr脱硝控制系统与控制方法
CN111579441A (zh) * 2020-06-05 2020-08-25 浙江大学 一种基于光阑空间调制的数字全息颗粒测量装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Xuecheng Wu等.Accurate detection of small particles in digital holography using fully convolutional networks.《Applied Optics》.2019, *

Also Published As

Publication number Publication date
CN112749507A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
Legnaioli et al. Industrial applications of laser-induced breakdown spectroscopy: a review
CN102520014B (zh) 基于火焰自由基和温度测量的污染物排放量在线预测方法
Li et al. Differentiation of soot particulates in air using polarized light scattering method
CN110631967B (zh) 一种基于拉曼光谱的大气黑碳气溶胶源解析方法
CN106093011A (zh) 煤质检测方法及其应用的煤质激光检测分析仪器
Bahadur et al. Composition and morphology of individual combustion, biomass burning, and secondary organic particle types obtained using urban and coastal ATOFMS and STXM-NEXAFS measurements
CN107632107B (zh) 一种煤粉燃烧特性快速检测方法
Baldelli et al. Typical and atypical morphology of non-volatile particles from a diesel and natural gas marine engine
CN112749507B (zh) 一种全息在线计量煤和生物质耦合发电掺混比例的方法
Liu et al. Light scattering matrix for soot aerosol: Comparisons between experimental measurements and numerical simulations
Xia et al. Research and application of online monitoring of coal and biomass co-combustion and biomass combustion characteristics based on combustion flame
CN113533220A (zh) 一种基于高光谱成像技术的煤炭种类识别方法
Tucki et al. A computer tool using OpenModelica for modelling CO2 emissions in driving tests
Zhang et al. Study on physicochemical properties of biodiesel and Fischer–Tropsch diesel exhaust particle
Wu et al. Digital holographic sizer for coal powder size distribution measurement: preliminary simulation and experiment
Li et al. Microstructural characteristics of graphite microcrystals in graphitized coal: insights from petrology, mineralogy and spectroscopy
CN104897580A (zh) 一种非直观成像检测大气成分的光学系统和方法
Mylläri et al. Characteristics of particle emissions and their atmospheric dilution during co-combustion of coal and wood pellets in a large combined heat and power plant
Jin et al. On-line measurement of pulverized coal fineness on a 300 MWe power plant with pulsed digital inline holography
Jasiński et al. Physicochemical analysis of the particulate matter emitted from road vehicle engines
Michel et al. Combustion evaluation of torrefied wood pellets on a 50 KWth boiler
CN113160376A (zh) 一种多色光照明三维粒子成像系统及方法
CN111798441A (zh) 一种基于图像处理的光伏电站光伏板污染物检测方法
CN202351152U (zh) 一种气流输送管道中颗粒料粒度分布及形状分布测量装置
Swaminathan Effect of aluminum oxide nanoparticles in algae biodiesel blend as a fuel in CRID engine and its performance, emission and combustion aspects

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