CN113506285A - 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 - Google Patents
一种锅炉炉膛三维温度场检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113506285A CN113506285A CN202110851707.3A CN202110851707A CN113506285A CN 113506285 A CN113506285 A CN 113506285A CN 202110851707 A CN202110851707 A CN 202110851707A CN 113506285 A CN113506285 A CN 113506285A
- Authority
- CN
- China
- Prior art keywords
- flame
- dimensional
- boiler furnace
- temperature field
- panoramic image
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 15
- 230000005855 radiation Effects 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 239000000523 sample Substances 0.000 claims description 19
- 238000001816 cooling Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 abstract description 25
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000005260 corrosion Methods 0.000 abstract description 3
- 230000007797 corrosion Effects 0.000 abstract description 3
- 238000010521 absorption reaction Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本申请涉及一种锅炉炉膛三维温度场检测方法、装置和计算机设备，该方法包括：获取锅炉炉膛内火焰的全景图像；将全景图像输入至反向传播GAN模型，获得二维火焰温度分布；通过辐射温度成像模型，将二维火焰温度分布转化为三维火焰温度场。由于锅炉火焰燃烧情况复杂，难以确定火焰辐射率，因此本方案提出基于反向传播GAN模型的锅炉炉膛三维温度场检测方法，然后对得到的温度场进行分析和监测，得到实时炉膛火焰场，及时发现水冷壁偏蚀隐患，指导电厂通过合理配风优化炉内湍流，避免出现高壁温面，提高电厂燃烧室吸热效率，降低水冷壁烧偏安全隐患，提高安全性和经济效益。
Description
技术领域
本申请涉及锅炉火焰监控技术领域，特别是涉及一种基于反向传播GAN模型的锅炉炉膛三维温度场检测方法、装置和计算机设备。
背景技术
火电厂锅炉水冷壁管的可靠性，直接影响电厂机组的安全有效运行。锅炉两侧对冲式燃烧腔，对冲炉运行过程中温度高达1300℃，火焰湍流紊乱复杂，对水冷壁管造成高温腐蚀和冲蚀磨损，形成安全运行的严重隐患。一旦发生爆管事故造成停炉抢修，不仅打乱电厂的正常发电秩序，减少发电产值，而且增加了工人劳动强度和额外的检修费用，直接影响企业效益，同时也干扰了地区电网的正常调度，影响当地工农业生产，由此也造成很大的社会影响。由于锅炉火焰燃烧情况复杂，难以确定火焰辐射率，因此电厂燃烧炉原有火焰图像检测设备已无法正常使用。
发明内容
基于此，有必要针对上述技术问题，提供一种锅炉炉膛三维温度场检测方法、装置和计算机设备。
一种锅炉炉膛三维温度场检测方法，所述方法包括：
获取锅炉炉膛内火焰的全景图像；
将全景图像输入至反向传播GAN模型，获得二维火焰温度分布；
通过辐射温度成像模型，将二维火焰温度分布转化为三维火焰温度场。
进一步地，所述获取锅炉炉膛内火焰的全景图像，包括：
采用全景图像火检探头，获取锅炉炉膛内火焰的原始图像；
采用特征配准方法，对原始图像进行全景相机拼接。
进一步地，所述全景图像火检探头，
安装在锅炉炉膛顶端火焰监测口，采用压缩空气的冷却方式对全景图像火检探头进行吹灰冷却，及通过控制冷却风的压力大小，以使全景图像火检探头位于锅炉炉膛内或锅炉炉膛外。
进一步地，所述特征配准方法，包括：
从两幅图像中提取灰度变化明显的点、线、区域特征形成特征集；
在两幅图像的特征集中，对两幅图像重叠部分的对应特征进行搜索匹配。
进一步地，所述将全景图像输入至反向传播GAN模型，获得二维火焰温度分布，包括：
通过滤光片对全景图像进行处理，并转换为视频信号输出；
采用邻域平均法对火焰视频图像进行处理，获得各区域的R、G、B灰度值；
将各区域对应的R、G、B灰度值输入至训练好的反向传播GAN模型中，得到相应的温度值，并得到二维火焰温度分布图。
进一步地，本申请提供的锅炉炉膛三维温度场检测方法，还包括：采用区域填充法，对三维温度数据进行云图绘制。
进一步地，本申请提供的锅炉炉膛三维温度场检测方法，还包括：
将火焰图像分解为红色、绿色、蓝色三个分量，并分别对各个分量进行三维直方图绘制；
对红色、绿色分量采用双阈值策略，并考虑火焰的边缘像素特性，进行颜色规则设计；
当红色、绿色分量均满足颜色规则时，判断信息点为火焰信息像素点。
进一步地，所述颜色规则，包括：
设计自适应颜色模型，所述模型中包含双阈值识别参数；
利用最大类间方差法，分别求解出红色、绿色分量的函数表达式；
利用人类学习优化HLO算法，求解最佳的多分割阈值参数。
本申请还提供一种锅炉炉膛三维温度场检测装置，所述装置包括：
全景图像获取模块，用于获取锅炉炉膛内火焰的全景图像；
二维火焰温度分布确定模块，用于将全景图像输入至反向传播GAN模型，获得二维火焰温度分布；
三维火焰温度场确定模块，用于通过辐射温度成像模型，将二维火焰温度分布转化为三维火焰温度场。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的方法的步骤。
本申请提供的上述锅炉炉膛三维温度场检测方法、装置及计算机设备，与现有技术相比，其有益效果如下：
由于锅炉火焰燃烧情况复杂，难以确定火焰辐射率，因此本申请提出了基于反向传播GAN模型的锅炉炉膛三维温度场检测方法，然后对得到的温度场进行分析和监测的新型锅炉火焰可视化监测方案。具体地，本申请致力于利用先进的图像分析技术，设计适于炉膛火焰的图像配准和拼接算法，获取炉膛火焰的全景图像，结合深度学习和群优化技术进行三维火焰建模，得到实时炉膛火焰场，及时发现水冷壁偏蚀隐患，指导电厂通过合理配风优化炉内湍流，避免出现高壁温面，提高电厂燃烧室吸热效率，降低水冷壁烧偏安全隐患，提高安全性和经济效益。
还有，虽然得到了锅炉燃烧的温度场，但是温度场在火焰是否偏斜或冲刷炉墙、结焦等问题的判断上存在一定的延迟和错误。因此，本申请又设计了含变量的自适应颜色模型，采用最大类间方差法推导出自适应模型中变量阈值的表达式，在此基础上利用人类学习优化算法求解最佳分割阈值，从而快速、精确地识别火焰燃烧情况。
附图说明
图1为一个实施例中的全景CCD探头示意图；
图2为一个实施例中的温度显示波长及滤光片选择示意图；
图3a为一个实施例中的火焰原始图；
图3b为一个实施例中的基于遗传算法的火焰识别效果图；
图3c为一个实施例中的基于粒子群优化算法的火焰识别效果图；
图3d为一个实施例中的基于人类学习优化算法的火焰识别效果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，参见图1～3，本申请提供了一种锅炉炉膛三维温度场检测方法，该方法具体包括以下步骤：
1、CCD火焰探测器分布
本锅炉为两侧对冲式燃烧腔，图像火检探头位于火焰燃尽区，为了观测到两侧炉墙燃烧情况，需要使用全景相机获取大视场图像数据。本方案将全景图像火检探头安装在炉膛内部顶端火焰监测口，为了防止炉膛内的高温及粉尘损坏探头，需要用冷却风对探头进行吹灰冷却，探头冷却风采用压缩空气冷却方式，将压缩空气直接引入到探头风管，探头的冷却方式为单一介质的风冷。当冷却风压力正常时，探头被送至工作位置，正常工作，如果冷却风压力下降，探头自动返回，避免在炉内高温环境下损坏。
2、全景相机拼接
基于特征的配准方法不是直接利用图像的像素值，而是采用全景相机拼接，通过像素导出图像的特征，然后以图像特征为标准，对图像重叠部分的对应特征区域进行搜索匹配，该类拼接算法有比较高的健壮性和鲁棒性。基于特征的配准方法有两个过程：特征抽取和特征配准。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。
3、二维温度分布图获取
根据火焰颜色选择滤光片，滤光片通过透射或者反射特定波长，增强或减弱某种颜色特征对象的亮度，可以提高目标特征的对比度。将CCD摄像机采集的火焰图像通过滤光片，并转换为视频信号输出。将图像基于邻域平均法处理后可得到各区域的R、G、B灰度值。将火焰图像各区域单元对应的R、G、B灰度值输入训练好的GAN模型，得到相应的温度值，即可得到二维温度分布图。
4、重建炉膛火焰三维温度场
通过辐射温度成像模型，将二维火焰温度分布转化为三维温度场。为了直观的显现炉内各个区域温度的分布情况，采用区域填充法对三维温度数据进行云图绘制。
5、数据分析和监控
利用模式识别、数字图像处理和神经网络技术对火焰图像进行处理，确保对单火咀准确检测，为不同燃烧器、不同燃烧阶段情况下的火焰准确检测开发出多种火检判据，确保能够实时、准确、可靠地输出每个燃烧器喷口火焰的ON/OFF信号。
将火焰视频信号分别送至监视管理系统、图像录放系统和检测分析系统，系统可实现锅炉燃烧优化调整和及时的稳燃助燃，提高锅炉运行和管理水平。系统的核心是对煤粉燃烧火焰图像的分析，突破常规火检的检测机理，通过每个燃烧器喷口和全炉膛的火焰图像来实时监测锅炉的燃烧状况。图像探头采集的是由几百万个像素点组成的火焰视频图像，在这样的一幅图像上，燃烧火焰的形态、火焰大小、色彩和亮度等视频信息直接反映了燃烧火焰的状况。系统能够实时准确的判断各种工况下燃烧器火焰的着火情况，有火/无火的ON/OFF信号送至FSSS或DCS参与锅炉安全保护，并且可以使运行人员实时了解每个燃烧器的燃烧情况，对于燃烧不稳定的燃烧器可以及时调整，避免出现灭火等情况，减少锅炉非计划停运次数，提高上网供电质量。
6、火焰识别
颜色信息作为火焰燃烧时最明显的特征，可有效地反映出火焰燃烧的温度情况，因此利用基于颜色模型的方法来辨识燃烧火焰情况是最直接有效的，但随着燃烧状况的改变，颜色也发生改变，采集的图像中火焰颜色信息会存在差异。火焰图像分解成红色、绿色、蓝色三个分量，并分别对各个分量进行三维直方图的绘制。参考已有的研究成果中的颜色规则，可知火焰区域红色分量饱和度最高、绿色次之、蓝色分量最少。针对红色、绿色分量采用双阈值策略，并考虑火焰的边缘像素特性，进行颜色规则设计，当红色、绿色分量均满足所设计的颜色规则时，才能判定该信息点为火焰信息像素点，从而精确识别火焰信息。
(1)设计恰当的自适应颜色模型，该模型中包含双阈值识别参数；
(2)利用最大类间方差法分别求解出红色、绿色分量的函数表达式；
为了将图像中火焰信息区域与非火焰信息区域精确识别出来，即将源图像分割成目标与背景两个区域，采用在该情况下精度高、分离性好的最大类间方差法，
(3)利用人类学习优化(HLO)算法求解最佳的多分割阈值参数。
智能优化算法耗时短，能满足火焰实时识别的要求，且HLO算法相比于粒子群优化算法、遗传算法收敛速度更快，因此采用HLO算法来求解阈值参数。
在一个实施例中，本申请提供了一种锅炉炉膛三维温度场检测装置，包括：
全景图像获取模块，用于获取锅炉炉膛内火焰的全景图像。
二维火焰温度分布确定模块，用于将全景图像输入至反向传播GAN模型，获得二维火焰温度分布。
三维火焰温度场确定模块，用于通过辐射温度成像模型，将二维火焰温度分布转化为三维火焰温度场。
火焰颜色处理模块，用于将火焰图像分解为红色、绿色、蓝色三个分量，并分别对各个分量进行三维直方图绘制；
颜色规则设计模块，用于对红色、绿色分量采用双阈值策略，并考虑火焰的边缘像素特性，进行颜色规则设计；
火焰信息识别模块，用于当红色、绿色分量均满足颜色规则时，判断信息点为火焰信息像素点。
需要说明的是，关于锅炉炉膛三维温度场检测装置的具体限定可以参见上文中对于锅炉炉膛三维温度场检测方法的限定，在此不再赘述。上述锅炉炉膛三维温度场检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取锅炉炉膛内火焰的全景图像。
将全景图像输入至反向传播GAN模型，获得二维火焰温度分布。
通过辐射温度成像模型，将二维火焰温度分布转化为三维火焰温度场。
将火焰图像分解为红色、绿色、蓝色三个分量，并分别对各个分量进行三维直方图绘制。
对红色、绿色分量采用双阈值策略，并考虑火焰的边缘像素特性，进行颜色规则设计。
当红色、绿色分量均满足颜色规则时，判断信息点为火焰信息像素点。
需要说明的是，关于本申请提供的一种计算机设备的具体限定可以参见上文中对于锅炉炉膛三维温度场检测方法的限定，在此不再赘述。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种锅炉炉膛三维温度场检测方法，其特征在于，所述方法包括：
获取锅炉炉膛内火焰的全景图像；
将全景图像输入至反向传播GAN模型，获得二维火焰温度分布；
通过辐射温度成像模型，将二维火焰温度分布转化为三维火焰温度场。
2.根据权利要求1所述的锅炉炉膛三维温度场检测方法，其特征在于，所述获取锅炉炉膛内火焰的全景图像，包括：
采用全景图像火检探头，获取锅炉炉膛内火焰的原始图像；
采用特征配准方法，对原始图像进行全景相机拼接。
3.根据权利要求2所述的锅炉炉膛三维温度场检测方法，其特征在于，所述全景图像火检探头，
安装在锅炉炉膛顶端火焰监测口，采用压缩空气的冷却方式对全景图像火检探头进行吹灰冷却，及通过控制冷却风的压力大小，以使全景图像火检探头位于锅炉炉膛内或锅炉炉膛外。
4.根据权利要求2所述的锅炉炉膛三维温度场检测方法，其特征在于，所述特征配准方法，包括：
从两幅图像中提取灰度变化明显的点、线、区域特征形成特征集；
在两幅图像的特征集中，对两幅图像重叠部分的对应特征进行搜索匹配。
5.根据权利要求1所述的锅炉炉膛三维温度场检测方法，其特征在于，所述将全景图像输入至反向传播GAN模型，获得二维火焰温度分布，包括：
通过滤光片对全景图像进行处理，并转换为视频信号输出；
采用邻域平均法对火焰视频图像进行处理，获得各区域的R、G、B灰度值；
将各区域对应的R、G、B灰度值输入至训练好的反向传播GAN模型中，得到相应的温度值，并得到二维火焰温度分布图。
6.根据权利要求1所述的锅炉炉膛三维温度场检测方法，其特征在于，还包括：采用区域填充法，对三维温度数据进行云图绘制。
7.根据权利要求1所述的锅炉炉膛三维温度场检测方法，其特征在于，还包括：
将火焰图像分解为红色、绿色、蓝色三个分量，并分别对各个分量进行三维直方图绘制；
对红色、绿色分量采用双阈值策略，并考虑火焰的边缘像素特性，进行颜色规则设计；
当红色、绿色分量均满足颜色规则时，判断信息点为火焰信息像素点。
8.根据权利要求7所述的锅炉炉膛三维温度场检测方法，其特征在于，所述颜色规则，包括：
设计自适应颜色模型，所述模型中包含双阈值识别参数；
利用最大类间方差法，分别求解出红色、绿色分量的函数表达式；
利用人类学习优化HLO算法，求解最佳的多分割阈值参数。
9.一种锅炉炉膛三维温度场检测装置，其特征在于，所述装置包括：
全景图像获取模块，用于获取锅炉炉膛内火焰的全景图像；
二维火焰温度分布确定模块，用于将全景图像输入至反向传播GAN模型，获得二维火焰温度分布；
三维火焰温度场确定模块，用于通过辐射温度成像模型，将二维火焰温度分布转化为三维火焰温度场。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110851707.3A CN113506285A (zh) | 2021-07-27 | 2021-07-27 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110851707.3A CN113506285A (zh) | 2021-07-27 | 2021-07-27 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113506285A true CN113506285A (zh) | 2021-10-15 |
Family
ID=78014155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110851707.3A Pending CN113506285A (zh) | 2021-07-27 | 2021-07-27 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506285A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862795A (zh) * | 2022-04-29 | 2022-08-05 | 吉林大学 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
| CN116230116A (zh) * | 2022-12-12 | 2023-06-06 | 华能巢湖发电有限责任公司 | 一种三维锅炉燃烧状态的可视化方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05256694A (ja) * | 1992-03-11 | 1993-10-05 | Mitsubishi Heavy Ind Ltd | ボイラの火炎検出装置 |
| CN1587930A (zh) * | 2004-10-15 | 2005-03-02 | 华中科技大学 | 燃煤锅炉炉内三维温度场实时监测装置 |
| CN102393027A (zh) * | 2011-10-18 | 2012-03-28 | 沈阳理工大学 | 一种炉膛三维温度场重建方法 |
| CN102506444A (zh) * | 2011-11-04 | 2012-06-20 | 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 |
| CN102706459A (zh) * | 2012-06-21 | 2012-10-03 | 华东理工大学 | 一种单ccd成像系统的炉膛内三维温度场检测装置及方法 |
| CN105371957A (zh) * | 2015-10-23 | 2016-03-02 | 国家电网公司 | 变电站设备红外温度配准定位系统及方法 |
| CN105675146A (zh) * | 2016-02-04 | 2016-06-15 | 北京理工大学 | 基于压缩感知的双波长三维温度场成像设备、系统及方法 |
| CN105828034A (zh) * | 2016-03-22 | 2016-08-03 | 合肥师范学院 | 一种管式反应炉炉膛全景图像成像方法 |
| CN107702137A (zh) * | 2017-10-23 | 2018-02-16 | 中国电建集团河南工程公司 | 锅炉炉膛高温火焰监视装置安装施工方法 |
| US20180073929A1 (en) * | 2016-09-13 | 2018-03-15 | Safe-Fire Technology LLC | System and Method for Measuring Coal Burner Flame Temperature Profile Using Optical Device |
| CN111751008A (zh) * | 2020-06-29 | 2020-10-09 | 东北电力大学 | 一种基于彩色火焰图像处理的锅炉炉内三维温度场分布检测方法 |
| CN111899344A (zh) * | 2020-06-30 | 2020-11-06 | 南京理工大学 | 基于相机阵列的火焰发射层析重建装置及方法 |
| CN112633292A (zh) * | 2020-09-01 | 2021-04-09 | 广东电网有限责任公司 | 一种金属表面氧化层温度测量方法 |
-
2021
- 2021-07-27 CN CN202110851707.3A patent/CN113506285A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05256694A (ja) * | 1992-03-11 | 1993-10-05 | Mitsubishi Heavy Ind Ltd | ボイラの火炎検出装置 |
| CN1587930A (zh) * | 2004-10-15 | 2005-03-02 | 华中科技大学 | 燃煤锅炉炉内三维温度场实时监测装置 |
| CN102393027A (zh) * | 2011-10-18 | 2012-03-28 | 沈阳理工大学 | 一种炉膛三维温度场重建方法 |
| CN102506444A (zh) * | 2011-11-04 | 2012-06-20 | 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 |
| CN102706459A (zh) * | 2012-06-21 | 2012-10-03 | 华东理工大学 | 一种单ccd成像系统的炉膛内三维温度场检测装置及方法 |
| CN105371957A (zh) * | 2015-10-23 | 2016-03-02 | 国家电网公司 | 变电站设备红外温度配准定位系统及方法 |
| CN105675146A (zh) * | 2016-02-04 | 2016-06-15 | 北京理工大学 | 基于压缩感知的双波长三维温度场成像设备、系统及方法 |
| CN105828034A (zh) * | 2016-03-22 | 2016-08-03 | 合肥师范学院 | 一种管式反应炉炉膛全景图像成像方法 |
| US20180073929A1 (en) * | 2016-09-13 | 2018-03-15 | Safe-Fire Technology LLC | System and Method for Measuring Coal Burner Flame Temperature Profile Using Optical Device |
| CN107702137A (zh) * | 2017-10-23 | 2018-02-16 | 中国电建集团河南工程公司 | 锅炉炉膛高温火焰监视装置安装施工方法 |
| CN111751008A (zh) * | 2020-06-29 | 2020-10-09 | 东北电力大学 | 一种基于彩色火焰图像处理的锅炉炉内三维温度场分布检测方法 |
| CN111899344A (zh) * | 2020-06-30 | 2020-11-06 | 南京理工大学 | 基于相机阵列的火焰发射层析重建装置及方法 |
| CN112633292A (zh) * | 2020-09-01 | 2021-04-09 | 广东电网有限责任公司 | 一种金属表面氧化层温度测量方法 |
Non-Patent Citations (10)
| Title |
|---|
| YANQIU LI 等: "Dynamic Reconstruction Algorithm of Three-Dimensional Temperature Field Measurement by Acoustic Tomography", 《SENSORS》, 12 September 2017 (2017-09-12), pages 1 - 18 * |
| 刘晓阳等: "基于锅炉炉膛三维温度场检测算法的研究", 《沈阳航空工业学院学报》 * |
| 刘晓阳等: "基于锅炉炉膛三维温度场检测算法的研究", 《沈阳航空工业学院学报》, vol. 25, no. 05, 15 October 2008 (2008-10-15), pages 75 - 77 * |
| 刘玠 等编著: "MATLAB图像处理-能力提高与应用案例", 北京航空航天大学出版社, pages: 315 - 319 * |
| 卞立强: "基于深度学习的超燃冲压发动机智能传感技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 卞立强: "基于深度学习的超燃冲压发动机智能传感技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2020, no. 02, 15 February 2020 (2020-02-15), pages 1 - 5 * |
| 张平改 等: "基于自适应颜色模型的炉膛火焰识别方法", 《中国科学》 * |
| 张平改 等: "基于自适应颜色模型的炉膛火焰识别方法", 《中国科学》, vol. 48, no. 7, 31 December 2018 (2018-12-31), pages 1 - 5 * |
| 李文沧: "三维温度场火焰监控系统在664MW"W"火焰炉上的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李文沧: "三维温度场火焰监控系统在664MW"W"火焰炉上的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2012, no. 04, 15 April 2012 (2012-04-15), pages 1 - 6 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862795A (zh) * | 2022-04-29 | 2022-08-05 | 吉林大学 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
| CN116230116A (zh) * | 2022-12-12 | 2023-06-06 | 华能巢湖发电有限责任公司 | 一种三维锅炉燃烧状态的可视化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105678295B (zh) | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 | |
| CN113506285A (zh) | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 | |
| EP2686667B1 (en) | Mwir sensor for flame detection | |
| CN102538000B (zh) | 燃烧火焰诊断方法 | |
| CN101048652B (zh) | 用于控制锅炉的运行的方法和系统 | |
| US4737844A (en) | Method for the generation of real-time control parameters for smoke-generating combustion processes by means of a video camera | |
| US10378957B2 (en) | System and method for measuring coal burner flame temperature profile using optical device | |
| CN109614908A (zh) | 一种火焰燃烧状态检测系统及检测方法 | |
| CN115861636A (zh) | 基于数字图像处理的燃烧器火焰稳定性定量检测方法 | |
| JP7208829B2 (ja) | 情報処理装置、焼却制御装置、情報処理方法、および情報処理プログラム | |
| JP7154537B2 (ja) | 画像特徴抽出方法、および、画像特徴抽出装置 | |
| CN112446304A (zh) | 一种火焰检测方法及其系统 | |
| CN111626104A (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| Garami et al. | Reaction zone monitoring in biomass combustion | |
| CN114166120A (zh) | 一种基于面阵激光雷达的落渣实时检测方法 | |
| CN105718881A (zh) | 基于红外视频灰度图像的零照度环境烟尘监测方法 | |
| JP4397039B2 (ja) | 溶融スラグ流の監視装置 | |
| TWI381139B (zh) | 基於影像之燃燒製程監控與診斷方法及其相關之電腦可讀取媒體 | |
| JP2021145158A (ja) | 監視装置、監視システムおよび監視方法 | |
| CN114026392A (zh) | 对离开余热锅炉的熔体流的自动监测 | |
| CN117612110B (zh) | 基于计算机视觉技术的炉膛火焰智能监控系统及方法 | |
| Priyadharson et al. | Lab VIEW and Deep Learning Based Combustion Flame Monitoring and Fuel Flow Measurement in a Thermal Power Station | |
| Sujatha et al. | Smart Sensor for NOx and SO2 Emissions in Power Station Boilers (SSEPSB) | |
| CN107509050A (zh) | 一种气化炉火焰检测系统 | |
| Hong | Simplified identification of fire spread risk in building clusters based on digital image processing technology |
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 |