CN115330829A - 一种秸秆气化炉气化反应异常识别方法 - Google Patents

一种秸秆气化炉气化反应异常识别方法 Download PDF

Info

Publication number
CN115330829A
CN115330829A CN202211256318.7A CN202211256318A CN115330829A CN 115330829 A CN115330829 A CN 115330829A CN 202211256318 A CN202211256318 A CN 202211256318A CN 115330829 A CN115330829 A CN 115330829A
Authority
CN
China
Prior art keywords
isothermal
pixel point
temperature
motion vector
gasification reaction
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.)
Granted
Application number
CN202211256318.7A
Other languages
English (en)
Other versions
CN115330829B (zh
Inventor
桑宪辉
吴玉麒
李彤
葛建云
李策
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.)
Ice Wheel Smart New Energy Technology Shandong Co ltd
Original Assignee
Ice Wheel Smart New Energy Technology Shandong Co ltd
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 Ice Wheel Smart New Energy Technology Shandong Co ltd filed Critical Ice Wheel Smart New Energy Technology Shandong Co ltd
Priority to CN202211256318.7A priority Critical patent/CN115330829B/zh
Publication of CN115330829A publication Critical patent/CN115330829A/zh
Application granted granted Critical
Publication of CN115330829B publication Critical patent/CN115330829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures

Abstract

本发明涉及图像处理技术领域，具体涉及一种秸秆气化炉气化反应异常识别方法。该方法包括：获取待对比温度分布图和标准温度图中的等温线，等温线上的像素点为等温像素点；获得历史异常温度图，利用历史异常温度图得到标准温度图中每个等温像素点的选取概率；利用每个等温像素点选取概率确定特征点；利用标准温度图中每个等温线上的特征点计算待对比温度分布图中每个等温线的相似度；基于待对比温度分布图中每个等温线的相似度和温度值获得气化反应的第一异常指标；获得第二异常指标；基于第一和第二异常指标得到气化反应判断指标，基于气化反应判断指标识别当前时刻的气化反应是否异常。本发明能够快速精确的识别当前时刻的气化反应是否异常。

Description

一种秸秆气化炉气化反应异常识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种秸秆气化炉气化反应异常识别方法。
背景技术
秸秆气化技术是将秸秆能源转化为高品质能源的重要方式。气化炉是秸秆气化技术的核心设备，固定床气化炉在我国应用较为广泛，当秸秆气化的气化炉内的气化反应出现异常时，往往会影响秸秆的气化效率，因此需要实时对秸秆气化的气化炉内的气化反应进行检测，识别其是否发生异常。
现有的对于秸秆气化炉的气化反应是否异常的识别方法大多是通过炉内的温度变化进行识别的，根据气化炉内的温度分布图的每个像素点的温度进行分析获得气化反应是否异常，虽然能够保证判断炉内温度时的准确性，但是计算量大，运算较为复杂；另外仅仅只根据炉内温度的是否异常判断气化反应的是否异常，考虑因素较少，使得最终得到的气化反应是否异常的结果不够准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种秸秆气化炉气化反应异常识别方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种秸秆气化炉气化反应异常识别方法：获取当前时刻气化炉内的温度分布图以及气化反应未发生异常时气化炉内的温度分布图，分别记为待对比温度分布图和标准温度图；获得待对比温度分布图和标准温度图中的等温线，其中等温线上的像素点为等温像素点；
获取历史上预设时段内气化反应异常的气化炉的多个温度分布图，作为历史异常温度图；基于标准温度图和多个历史异常温度图获得标准温度图中每个等温像素点对应的多个运动矢量；根据所述每个等温像素点对应的多个运动矢量的模获得标准温度图中每个等温像素点的关注程度；基于所述每个等温像素点的关注程度获得标准温度图中每个等温像素点的选取概率；
在标准温度图中的各等温线上获得选取概率大于预设阈值的等温像素点，作为特征点；利用标准温度图中每个等温线上的特征点计算待对比温度分布图中和标准温度图中相同温度值的等温线的相似度；基于待对比温度分布图中每个等温线的相似度和温度值获得气化反应的第一异常指标；
分别获取当前时刻和气化反应正常时的气化炉多个相同高度上的径向湍流动能分布曲线；对所述多个相同高度上的径向湍流动能分布曲线上对应点的纵坐标的差值的绝对值求和得到第二异常指标；基于第一和第二异常指标得到气化反应判断指标，基于气化反应判断指标识别当前时刻的气化反应是否异常。
优选地，获得待对比温度分布图和标准温度图中的等温线包括：设定等温线阈值，利用设定的等温线阈值结合阈值分割及边缘检测提取待对比温度分布图和标准温度图中的等温线。
优选地，获得标准温度图中每个等温像素点对应的多个运动矢量包括：选取标准温度图中任意一个等温像素点，记为第一等温像素点，选择任一历史异常温度图，基于三步搜索法获得第一等温像素点在该历史异常温度图中的匹配像素点，若匹配像素点只有一个，则基于第一等温像素点和该匹配像素点获得第一等温像素点关于该历史异常温度图的运动矢量；若匹配像素点有多个，基于第一等温像素点与每个匹配像素点获得多个运动矢量，记为待确定运动矢量；在第一等温像素点所在的等温线上获取以第一等温像素点为中心的预设范围内的多个等温像素点，在所述多个等温像素点中，筛选出匹配像素点只有一个的等温像素点，记为待对比像素点；利用每个待对比像素点以及每个待对比像素点对应的匹配像素点获取每个待对比像素点的运动矢量，记为待对比运动矢量；第一等温像素点的每个待确定运动矢量分别与对应的多个待对比运动矢量组成多个不同的运动矢量序列；
根据每个运动矢量序列中的元素计算每个待确定运动矢量的波动程度，波动程度为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 100002_DEST_PATH_IMAGE002
表示第a个待确定运动矢量的波动程度；
Figure 100002_DEST_PATH_IMAGE003
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的模；
Figure 100002_DEST_PATH_IMAGE004
表示第a个待确定运动矢量所在的运动矢量序列中的所有运动矢量的模的均值；
Figure 100002_DEST_PATH_IMAGE005
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的方向角度；
Figure 100002_DEST_PATH_IMAGE006
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的方向角度的均值；
Figure 100002_DEST_PATH_IMAGE007
表示第a个待确定运动矢量所在的运动矢量序列中元素的数量；
获得第一等温像素点对应的所有待确定运动矢量的波动程度，所述波动程度最小的待确定运动矢量为第一等温像素点关于该历史异常温度图的运动矢量；获取标准温度图中每个等温像素点关于多个历史异常温度图的多个运动矢量。
优选地，每个等温像素点的关注程度为：
Figure 100002_DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
表示一个等温像素点的关注程度；
Figure 100002_DEST_PATH_IMAGE010
表示一个等温像素点关于
Figure 463066DEST_PATH_IMAGE010
个历史异常温度图的运动矢量的数量；
Figure 100002_DEST_PATH_IMAGE011
表示一个等温像素点关于
Figure 347845DEST_PATH_IMAGE010
个历史异常温度图的运动矢量中的第i个运动矢量的模；
Figure 100002_DEST_PATH_IMAGE012
表示以自然常数为底的指数函数。
优选地，获得标准温度图中每个等温像素点选取概率包括：设定判断范围，所述判断范围为一个等温线上一个等温像素点的前N个等温像素点；计算每个等温像素点的选取概率：
Figure 100002_DEST_PATH_IMAGE013
其中，
Figure 100002_DEST_PATH_IMAGE014
表示标准温度图中一个等温线上第a个等温像素点的选取概率；
Figure 100002_DEST_PATH_IMAGE015
表示标准温度图中一个等温线上第a个等温像素点的关注程度；
Figure 100002_DEST_PATH_IMAGE016
表示标准温度图中一个等温线上第a个等温像素点的判断范围内有
Figure 769206DEST_PATH_IMAGE016
个等温像素点为特征点；
Figure 100002_DEST_PATH_IMAGE017
表示标准温度图中一个等温线上第a个等温像素点的判断范围内
Figure 30423DEST_PATH_IMAGE016
个特征点中第i个特征点到第a个等温像素点的欧氏距离；
Figure 100002_DEST_PATH_IMAGE018
表示一个无限接近于0的正数。
优选地，基于待对比温度分布图中每个等温线的相似度和温度值获得气化反应的第一异常指标包括：待对比温度分布图中每个等温线的温度值与所有等温线的温度值的和的比值为每个等温线的权值；对各等温线的相似度与对应权值的乘积进行求和，并对求和所得的结果求取平均值得到第一指标；第一预设值与第一指标的差值为气化反应的第一异常指标。
优选地，基于第一和第二异常指标得到气化反应判断指标包括：第一异常指标和第二异常指标与气化反应判断指标成负相关关系。
优选地，基于气化反应判断指标识别当前时刻的气化反应是否异常包括：设定判断阈值，若气化反应判断指标小于判断阈值，则当前时刻的气化反应为异常反应。
本发明实施例至少具有如下有益效果：本发明通过获得标准温度图中的等温线，利用历史异常温度图获得标准温度图中各等温像素点多个运动矢量，然后基于各等温像素点多个运动矢量的模计算关注程度，进而得到每个等温像素点的选取概率，选择选取概率大的等温像素点作为特征点进行后续分析，不必再对等温线上每个等温像素点进行分析，降低了计算量，同时特征点是基于历史异常温度图中像素点的特征进行选取的，这些特征点能够最大程度的体现等温线的特点，确保后续分析的准确性；在对秸秆气化炉内的温度进行分析得到第一异常指标后，利用气化炉不同高度上的径向湍流动能分布曲线进行分析，得到第二异常指标，结合第一和第二异常指标得到气化反应判断指标，考虑比较全面，使得最后能够精确的识别秸秆气化炉内气化反应是否异常。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种秸秆气化炉气化反应异常识别方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种秸秆气化炉气化反应异常识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种秸秆气化炉气化反应异常识别方法的具体方案。
实施例：
本发明的主要应用场景为：在气化炉中对秸秆进行气化反应时，为了保证秸秆气化反应的正常进行，以及气化的效率，需要对气化炉内的气化反应的状态进行识别，保证秸秆的气化反应能够正常进行。
请参阅图1，其示出了本发明实施例提供的一种秸秆气化炉气化反应异常识别方法的方法流程图，该方法包括以下步骤：
步骤S1，获取当前时刻气化炉内的温度分布图以及气化反应未发生异常时气化炉内的温度分布图，分别记为待对比温度分布图和标准温度图；获得待对比温度分布图和标准温度图中的等温线，其中等温线上的像素点为等温像素点。
首先，温度是影响气化反应的最主要参数，温度对燃气组分、热值及产量均有重要影响，故需要获得气化炉内的温度情况，对炉内温度情况进行分析得到的结果可以反映炉内气化反应的异常情况，因此本发明需要获取当前时刻气化炉内的温度分布图，记为待对比温度分布图，同时还需要获得气化反应正常时炉内的温度分布图，记为标准温度图；需要说明的是，获得温度分布图为现有技术，在此不在进行详细的阐述。
进一步的，对温度分布图进行分析时，还需要确定温度分布图中的等温线，优选地，本发明利用阈值分割和边缘检测的方法将温度分布图中的等温线提取出来，其中阈值分割使用预先设定好的等温线阈值进行分割，边缘检测使用canny算子进行，阈值分割和边缘检测均为现有公知技术，在此不在进行具体的阐述。
至此，可以提取待对比温度分布图和标准温度图中的等温线，等温线上的像素点为等温像素点。
步骤S2，获取历史上预设时段内气化反应异常的气化炉的多个温度分布图，作为历史异常温度图；基于标准温度图和多个历史异常温度图获得标准温度图中每个等温像素点对应的多个运动矢量；根据所述每个等温像素点对应的多个运动矢量的模获得标准温度图中每个等温像素点的关注程度；基于所述每个等温像素点的关注程度获得标准温度图中每个等温像素点的选取概率。
获得待对比温度分布图中的等温线后，得到了每个等温线的轮廓信息，因此可以基于待对比温度分布图和标准温度图中相同温度值的等温线的轮廓的相似程度判断当前时刻气化炉内的气化反应是否异常。在判断相同温度值的等温线的轮廓的相似程度时，可以利用形状上下文算法进行求取，但是传统的形状上下文算法需要所有的像素点参与计算，而像素点的数量越多，计算量就会越大，计算效率就会越低，因此需要对等温线上的等温像素点进行选取，在保证准确性的同时，选取一些特征点参与计算得到相同温度值的等温线的轮廓的相似程度。
在提取标准温度图中每个等温线上的特征点时，可以根据历史数据中各个等温线的轮廓出现异常的概率进行提取。设定预设时段，预设时段的具体长度可以由实施者根据具体情况进行设定，获取历史上预设时段内气化反应异常的气化炉的多个温度分布图，作为历史异常温度图。
在一般情况来说，炉内的气化反应出现异常之前，其炉内的温度场的变化是正常的，而随着时间变化，炉内温度场因为气化反应出现异常从而表现出与气化反应正常时不一样的变化。因此可以通过使用运动匹配的方式获取标准温度图上相对于历史异常温度图的各个等温像素点的运动矢量，其中的运动矢量越独特的等温像素点，便是越需要关注的等温像素点，这些需要关注的等温像素点能够最大程度上表征其所在的等温线的特征。
进一步的，利用三步搜索法基于标准温度图和多个历史异常温度图获得标准温度图中每个等温像素点对应的多个运动矢量。基于三步搜索法，标准温度图上一个等温像素点相对于一个历史异常温度图有一个运动矢量，相对于另一个历史异常温度图又存在一个运动矢量，所以标准温度图中一个等温线上的一个等温像素点对应多个运动矢量，对应的多个运动矢量的数量与历史异常温度图的个数相同，优选地，本实施例获得的历史异常温度图的数量为K，其中K的取值需要实施者根据具体情况进行确定。
在获得标准温度图上一个等温像素点相对于一个历史异常温度图的运动矢量时，由于温度的异常变化，因此使得历史异常温度图中等温线的变化也是无规则不确定的，故利用三步搜索法来确定标准温度图中一个等温像素点在一个历史异常温度图中的匹配像素点时，匹配像素点的数量可能不止一个，也即是一个历史异常温度图中的多个像素点可能匹配到标准温度图中的同一个等温像素点，此时一个等温像素点相对于一个历史异常温度图就会存在多个运动矢量，就需要判断哪一个运动矢量为该等温像素点更为真实的运动矢量了，由于温度变化是连续的，故标准温度图表征的温度场的变化也是连续的，故可以根据标准温度图中该等温像素点所在的等温线上的与该等温像素点左右相邻的多个等温像素点的运动矢量，推测出哪个运动矢量为该等温像素点更为真实的运动矢量。
以标准温度图中的任意一个等温像素点为例说明获得等温像素点的运动矢量具体过程，将该等温像素点记为第一等温像素点，选择任一历史异常温度图，基于三步搜索法获得第一等温像素点在该历史异常温度图中的匹配像素点，若匹配像素点只有一个，则基于第一像素点和该匹配像素点获得第一等温像素点关于该历史异常温度图的运动矢量。
若匹配像素点有多个，基于第一等温像素点与每个匹配像素点获得多个运动矢量，记为待确定运动矢量；在第一等温像素点所在的等温线上获取以第一等温像素点为中心的预设范围内的多个等温像素点，其中预设范围值指的是以第一等温像素点为中心，在中心的前后各存在X个等温像素点，优选地，本实施例中X的取值为20，实施者可以基于具体情况进行调整X的取值；在预设范围的多个等温像素点中，筛选出匹配像素点只有一个的等温像素点，记为待对比像素点；利用每个待对比像素点以及每个待对比像素点对应的匹配像素点获取每个待对比像素点的运动矢量，记为待对比运动矢量；第一等温像素点的每个待确定运动矢量分别与对应的多个待对比运动矢量组成多个不同的运动矢量序列，其中每个运动矢量序列中的元素的数量为M个；根据每个运动矢量序列中的元素计算每个待确定运动矢量的波动程度，波动程度为：
Figure 964881DEST_PATH_IMAGE001
其中，
Figure 240135DEST_PATH_IMAGE002
表示第a个待确定运动矢量的波动程度；
Figure 525623DEST_PATH_IMAGE003
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的模；
Figure 793793DEST_PATH_IMAGE004
表示第a个待确定运动矢量所在的运动矢量序列中的所有运动矢量的模的均值；
Figure 113916DEST_PATH_IMAGE005
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的方向角度；
Figure 825652DEST_PATH_IMAGE006
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的方向角度的均值；
Figure 598435DEST_PATH_IMAGE007
表示第a个待确定运动矢量所在的运动矢量序列中元素的数量；
获得第一等温像素点对应的所有待确定运动矢量的波动程度，所述波动程度最小的待确定运动矢量为第一等温像素点关于该历史异常温度图的运动矢量，也即是第一等温像素点对应的一个运动矢量与第一等温像素点相邻的M个等温像素点的运动矢量组成的运动矢量序列中的元素的波动越小，则说明第一等温像素点对应的该运动矢量越可能是第一等温像素点的真实的运动矢量；获取标准温度图中每个等温像素点关于多个历史异常温度图的多个运动矢量。
接着，获得标准温度图中每个等温像素点的关注程度：
Figure 607980DEST_PATH_IMAGE008
其中，
Figure 782609DEST_PATH_IMAGE009
表示一个等温像素点的关注程度；
Figure 648934DEST_PATH_IMAGE010
表示一个等温像素点关于
Figure 659746DEST_PATH_IMAGE010
个历史异常温度图的运动矢量的数量；
Figure 535299DEST_PATH_IMAGE011
表示一个等温像素点关于
Figure 564434DEST_PATH_IMAGE010
个历史异常温度图的运动矢量中的第i个运动矢量的模，运动矢量的模越大，说明该等温像素点在分析温度情况时越应该被关注；
Figure 867240DEST_PATH_IMAGE012
表示以自然常数为底的指数函数。一个等温像素点的
Figure 552299DEST_PATH_IMAGE009
的值越大，说明标准温度图中该等温像素点越应该被关注。
最后，获得标准温度图中每个等温像素点选取概率，设定判断范围，判断范围为一个等温线上一个等温像素点的前N个等温像素点，优选地，本发明实施例中N的取值为5，实施者可以根据具体情况对N的取值进行调整，计算每个等温像素点的选取概率：
Figure 713766DEST_PATH_IMAGE013
其中，
Figure 597408DEST_PATH_IMAGE014
表示标准温度图中一个等温线上第a个等温像素点的选取概率；
Figure 71115DEST_PATH_IMAGE015
表示标准温度图中一个等温线上第a个等温像素点的关注程度；
Figure 305787DEST_PATH_IMAGE016
表示标准温度图中一个等温线上第a个等温像素点的判断范围内有
Figure 8295DEST_PATH_IMAGE016
个等温像素点为特征点；
Figure 12023DEST_PATH_IMAGE017
表示标准温度图中一个等温线上第a个等温像素点的判断范围内
Figure 656631DEST_PATH_IMAGE016
个特征点中第i个特征点到第a个特征点的欧氏距离；
Figure 113020DEST_PATH_IMAGE018
表示一个无限接近于0的正数，是为了防止计算公式中分母为0，min的取值可由实施者基于具体情况进行确定；需要说明的是，在计算一个等温线上第一个等温像素点的选取概率时，第一个等温像素点之前没有被选取的特征点，因此v的取值为0，同时，在计算一个等温线上前5个等温像素点选取概率时，只需要根据等温像素点之前有几个被选取为特征点的等温像素点数量来确定v的取值，例如被选取为特征点的等温像素点数量为2，则此时v的取值就为2。
式中，关注程度
Figure 71749DEST_PATH_IMAGE015
的取值越大，该等温像素点的选取概率就越大，
Figure DEST_PATH_IMAGE019
的目的是为了让选取的特征点分布不会过于密集，同时也表征了如果一个等温像素点周围被选取为特征点的等温像素点越多，则该等温像素点被选取为特征点的概率就越小，至此可以得到标准温度图中每个等温像素点的选取概率。
步骤S3，在标准温度图中的各等温线上获得选取概率大于预设阈值的等温像素点，作为特征点；利用标准温度图中每个等温线上的特征点计算待对比温度分布图中和标准温度图中相同温度值的等温线的相似度；基于待对比温度分布图中每个等温线的相似度和温度值获得气化反应的第一异常指标。
首先，需要根据标准温度图中等温像素点的选取概率选取特征点，需要说明的是，由于计算选取概率的公式中需要等温像素点前N个等温像素点中特征点的数量，所以选取特征点的过程和计算每一个等温像素点的选取概率的过程都是一个实时进行的过程；将等温像素点的选取进行归一化，设定预设阈值μ，其中预设阈值μ的取值为0.5，实施者可以根据具体情况对其取值进行调整；选取概率大于预设阈值的等温像素点为特征点；至此可以获得标准温度图中每个等温线上的特征点。
进一步的，利用形状上下文算法结合标准温度图中每个等温线上的特征点计算待对比温度分布图中和标准温度图中相同温度值的等温线的相似度，需要说明的是，利用形状上下文算法获得相似度为现有公知技术，在此不再具体阐述；至此可以获得待对比温度分布图中每个等温线的相似度；基于待对比温度分布图中每个等温线的相似度和温度值获得气化反应的第一异常指标，具体为，待对比温度分布图中每个等温线的温度值与所有等温线的温度值的和的比值为每个等温线的权值，用公式表示：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示待对比温度分布图中第i个等温线的权值，
Figure DEST_PATH_IMAGE022
表示待对比温度分布图中第i个等温线的温度值；等温线表示的温度越高，该等温线对应的权值应该越大，这是由于温度越高的等温线反映的情况就越重要，因此需要基于待对比温度分布图中等温线的温度值对等温线赋予不同的权值。
对各等温线的相似度与对应权值的乘积进行求和，并对求和所得的结果求取平均值得到第一指标；第一预设值与第一指标的差值为气化反应的第一异常指标，用公式表示：
Figure DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_IMAGE024
表示气化反应的第一异常指标；第一预设值为1；
Figure DEST_PATH_IMAGE025
表示第一指标；
Figure DEST_PATH_IMAGE026
表示待对比温度分布图中第i个等温线对应的权值；
Figure DEST_PATH_IMAGE027
表示待对比温度分布图中第i个等温线的相似度；
Figure DEST_PATH_IMAGE028
表示带对比温度图中等温线的数量。其中各等温线的相似度
Figure 959677DEST_PATH_IMAGE027
越高，说明气化反应的状态越正常；第一异常指标E的值越大，说明对应秸秆气化炉气化反应温度越异常，反之，所求第一异常指标E越小，则说明对应秸秆气化炉气化反应温度越正常。
步骤S4，分别获取当前时刻和气化反应正常时的气化炉多个相同高度上的径向湍流动能分布曲线；对所述多个相同高度上的径向湍流动能分布曲线上对应点的纵坐标的差值的绝对值求和得到第二异常指标；基于第一和第二异常指标得到气化反应判断指标，基于气化反应判断指标识别当前时刻的气化反应是否异常。
仅仅基于炉内的温度变化反映气化反应是否正常是不够准确的，因此还需要基于其他因素进行分析，秸秆气化炉内湍流结构可以反映出流场的能量分布和耗散情况，故可以根据获取的湍流结构反映秸秆气化炉的反应异常情况，分别获取当前时刻和气化反应正常时气化炉多个相同高度上的径向湍流动能分布曲线，其中径向湍流动能分布曲线的获取方法为现有技术，在此不在进行详细的阐述，径向湍流动能分布曲线的纵坐标为湍流动能，横坐标为经向距离。
对当前时刻和气化反应正常时的气化炉多个相同高度上的径向湍流动能分布曲线上对应点的纵坐标的差值的绝对值求和得到第二异常指标，用公式表示为：
Figure DEST_PATH_IMAGE029
其中，L表示第二异常指标；
Figure DEST_PATH_IMAGE030
表示当前时刻和气化反应正常时的气化炉相同高度上的径向湍流动能分布曲线的数量；
Figure DEST_PATH_IMAGE031
表示当前时刻和气化反应正常时气化炉相同高度上的径向湍流动能分布曲线上对应点的数量；
Figure DEST_PATH_IMAGE032
表示当前时刻的气化炉的第i种高度的湍流动能分布曲线上第j个对应点的纵坐标；
Figure DEST_PATH_IMAGE033
表示气化反应正常时的气化炉的第i种高度的湍流动能分布曲线上第j个对应点的纵坐标。当所求L越大，则说明获取的当前时刻的气化炉的流场的能量分布和耗散情况与气化反应正常时气化炉的流场能量和耗散情况越不一样，越有可能是出现了秸秆气化反应异常的情况。
基于第一和第二异常指标得到气化反应判断指标，首先对求得的第二异常指标L进行归一化得到归一化后的第二异常指标
Figure DEST_PATH_IMAGE034
，则气化反应判断指标为：
Figure DEST_PATH_IMAGE035
其中，
Figure DEST_PATH_IMAGE036
表示气化反应判断指标；
Figure DEST_PATH_IMAGE037
表示自然常数；
Figure 729181DEST_PATH_IMAGE024
表示第一异常指标；
Figure 672866DEST_PATH_IMAGE034
表示归一化后的第二异常指标
Figure 232023DEST_PATH_IMAGE034
；当温度越异常，即所求第一异常指标E越大，流场能量分布情况越异常即所求第二异常指标L越大，气化反应判断指标
Figure 695497DEST_PATH_IMAGE036
就越小，则说明当前时刻秸秆气化炉气化反应越可能出现异常情况，第一异常指标和第二异常指标与气化反应判断指标成负相关关系；设定判断阈值λ=0.1，气化反应判断指标小于判断阈值λ时，说明当前时刻的气化反应为异常反应。当前时刻的气化反应为异常反应时，需要工作人员进一步的对气化炉进行检测，以便造成不必要的损失。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种秸秆气化炉气化反应异常识别方法，其特征在于，该方法包括：获取当前时刻气化炉内的温度分布图以及气化反应未发生异常时气化炉内的温度分布图，分别记为待对比温度分布图和标准温度图；获得待对比温度分布图和标准温度图中的等温线，其中等温线上的像素点为等温像素点；
获取历史上预设时段内气化反应异常的气化炉的多个温度分布图，作为历史异常温度图；基于标准温度图和多个历史异常温度图获得标准温度图中每个等温像素点对应的多个运动矢量；根据所述每个等温像素点对应的多个运动矢量的模获得标准温度图中每个等温像素点的关注程度；基于所述每个等温像素点的关注程度获得标准温度图中每个等温像素点的选取概率；
在标准温度图中的各等温线上获得选取概率大于预设阈值的等温像素点，作为特征点；利用标准温度图中每个等温线上的特征点计算待对比温度分布图中和标准温度图中相同温度值的等温线的相似度；基于待对比温度分布图中每个等温线的相似度和温度值获得气化反应的第一异常指标；
分别获取当前时刻和气化反应正常时的气化炉多个相同高度上的径向湍流动能分布曲线；对所述多个相同高度上的径向湍流动能分布曲线上对应点的纵坐标的差值的绝对值求和得到第二异常指标；基于第一和第二异常指标得到气化反应判断指标，基于气化反应判断指标识别当前时刻的气化反应是否异常。
2.根据权利要求1所述的一种秸秆气化炉气化反应异常识别方法，其特征在于，所述获得待对比温度分布图和标准温度图中的等温线包括：设定等温线阈值，利用设定的等温线阈值结合阈值分割及边缘检测提取待对比温度分布图和标准温度图中的等温线。
3.根据权利要求1所述的一种秸秆气化炉气化反应异常识别方法，其特征在于，所述获得标准温度图中每个等温像素点对应的多个运动矢量包括：选取标准温度图中任意一个等温像素点，记为第一等温像素点，选择任一历史异常温度图，基于三步搜索法获得第一等温像素点在该历史异常温度图中的匹配像素点，若匹配像素点只有一个，则基于第一等温像素点和该匹配像素点获得第一等温像素点关于该历史异常温度图的运动矢量；若匹配像素点有多个，基于第一等温像素点与每个匹配像素点获得多个运动矢量，记为待确定运动矢量；在第一等温像素点所在的等温线上获取以第一等温像素点为中心的预设范围内的多个等温像素点，在所述多个等温像素点中，筛选出匹配像素点只有一个的等温像素点，记为待对比像素点；利用每个待对比像素点以及每个待对比像素点对应的匹配像素点获取每个待对比像素点的运动矢量，记为待对比运动矢量；第一等温像素点的每个待确定运动矢量分别与对应的多个待对比运动矢量组成多个不同的运动矢量序列；
根据每个运动矢量序列中的元素计算每个待确定运动矢量的波动程度，波动程度为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示第a个待确定运动矢量的波动程度；
Figure DEST_PATH_IMAGE003
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的模；
Figure DEST_PATH_IMAGE004
表示第a个待确定运动矢量所在的运动矢量序列中的所有运动矢量的模的均值；
Figure DEST_PATH_IMAGE005
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的方向角度；
Figure DEST_PATH_IMAGE006
表示第a个待确定运动矢量所在的运动矢量序列中第i个运动矢量的方向角度的均值；
Figure DEST_PATH_IMAGE007
表示第a个待确定运动矢量所在的运动矢量序列中元素的数量；
获得第一等温像素点对应的所有待确定运动矢量的波动程度，所述波动程度最小的待确定运动矢量为第一等温像素点关于该历史异常温度图的运动矢量；获取标准温度图中每个等温像素点关于多个历史异常温度图的多个运动矢量。
4.根据权利要求1所述的一种秸秆气化炉气化反应异常识别方法，其特征在于，所述每个等温像素点的关注程度为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示一个等温像素点的关注程度；
Figure DEST_PATH_IMAGE010
表示一个等温像素点关于
Figure 133724DEST_PATH_IMAGE010
个历史异常温度图的运动矢量的数量；
Figure DEST_PATH_IMAGE011
表示一个等温像素点关于
Figure 454460DEST_PATH_IMAGE010
个历史异常温度图的运动矢量中的第i个运动矢量的模；
Figure DEST_PATH_IMAGE012
表示以自然常数为底的指数函数。
5.根据权利要求1所述的一种秸秆气化炉气化反应异常识别方法，其特征在于，所述获得标准温度图中每个等温像素点选取概率包括：设定判断范围，所述判断范围为一个等温线上一个等温像素点的前N个等温像素点；计算每个等温像素点的选取概率：
Figure DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
表示标准温度图中一个等温线上第a个等温像素点的选取概率；
Figure DEST_PATH_IMAGE015
表示标准温度图中一个等温线上第a个等温像素点的关注程度；
Figure DEST_PATH_IMAGE016
表示标准温度图中一个等温线上第a个等温像素点的判断范围内有
Figure 781667DEST_PATH_IMAGE016
个等温像素点为特征点；
Figure DEST_PATH_IMAGE017
表示标准温度图中一个等温线上第a个等温像素点的判断范围内
Figure 317822DEST_PATH_IMAGE016
个特征点中第i个特征点到第a个等温像素点的欧氏距离；
Figure DEST_PATH_IMAGE018
表示一个无限接近于0的正数。
6.根据权利要求1所述的一种秸秆气化炉气化反应异常识别方法，其特征在于，所述基于待对比温度分布图中每个等温线的相似度和温度值获得气化反应的第一异常指标包括：待对比温度分布图中每个等温线的温度值与所有等温线的温度值的和的比值为每个等温线的权值；对各等温线的相似度与对应权值的乘积进行求和，并对求和所得的结果求取平均值得到第一指标；第一预设值与第一指标的差值为气化反应的第一异常指标。
7.根据权利要求1所述的一种秸秆气化炉气化反应异常识别方法，其特征在于，所述基于第一和第二异常指标得到气化反应判断指标包括：第一异常指标和第二异常指标与气化反应判断指标成负相关关系。
8.根据权利要求1所述的一种秸秆气化炉气化反应异常识别方法，其特征在于，所述基于气化反应判断指标识别当前时刻的气化反应是否异常包括：设定判断阈值，若气化反应判断指标小于判断阈值，则当前时刻的气化反应为异常反应。
CN202211256318.7A 2022-10-14 2022-10-14 一种秸秆气化炉气化反应异常识别方法 Active CN115330829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211256318.7A CN115330829B (zh) 2022-10-14 2022-10-14 一种秸秆气化炉气化反应异常识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211256318.7A CN115330829B (zh) 2022-10-14 2022-10-14 一种秸秆气化炉气化反应异常识别方法

Publications (2)

Publication Number Publication Date
CN115330829A true CN115330829A (zh) 2022-11-11
CN115330829B CN115330829B (zh) 2023-01-24

Family

ID=83913548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211256318.7A Active CN115330829B (zh) 2022-10-14 2022-10-14 一种秸秆气化炉气化反应异常识别方法

Country Status (1)

Country Link
CN (1) CN115330829B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101886152A (zh) * 2010-06-02 2010-11-17 河北省首钢迁安钢铁有限责任公司 高炉炉缸三维非稳态监测和异常诊断及维护系统
CN105445607A (zh) * 2015-11-20 2016-03-30 国网福建省电力有限公司泉州供电公司 一种基于等温线绘制的电力设备故障检测方法
CN107480672A (zh) * 2016-06-08 2017-12-15 广州康昕瑞基因健康科技有限公司 图像识别方法及系统和自动聚焦控制方法及系统
CN108344512A (zh) * 2018-01-30 2018-07-31 东南大学 一种电梯闸皮不均匀磨损的检测方法
CN109442474A (zh) * 2018-11-12 2019-03-08 西安艾贝尔科技发展有限公司 一种气化炉火焰检测装置及检测方法
CN109521044A (zh) * 2018-12-06 2019-03-26 中国地质大学（北京） 一种测量砖的烧制温度的方法
CN112990212A (zh) * 2021-02-05 2021-06-18 开放智能机器（上海）有限公司 热成像温度图的读数方法、装置、电子设备和存储介质
CN113609901A (zh) * 2021-06-25 2021-11-05 国网山东省电力公司泗水县供电公司 一种输变电设备故障监测方法及系统
CN114550838A (zh) * 2022-02-25 2022-05-27 浙江大学 一种多组分有机废物高温气化炉内温度的软测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101886152A (zh) * 2010-06-02 2010-11-17 河北省首钢迁安钢铁有限责任公司 高炉炉缸三维非稳态监测和异常诊断及维护系统
CN105445607A (zh) * 2015-11-20 2016-03-30 国网福建省电力有限公司泉州供电公司 一种基于等温线绘制的电力设备故障检测方法
CN107480672A (zh) * 2016-06-08 2017-12-15 广州康昕瑞基因健康科技有限公司 图像识别方法及系统和自动聚焦控制方法及系统
CN108344512A (zh) * 2018-01-30 2018-07-31 东南大学 一种电梯闸皮不均匀磨损的检测方法
CN109442474A (zh) * 2018-11-12 2019-03-08 西安艾贝尔科技发展有限公司 一种气化炉火焰检测装置及检测方法
CN109521044A (zh) * 2018-12-06 2019-03-26 中国地质大学（北京） 一种测量砖的烧制温度的方法
CN112990212A (zh) * 2021-02-05 2021-06-18 开放智能机器（上海）有限公司 热成像温度图的读数方法、装置、电子设备和存储介质
CN113609901A (zh) * 2021-06-25 2021-11-05 国网山东省电力公司泗水县供电公司 一种输变电设备故障监测方法及系统
CN114550838A (zh) * 2022-02-25 2022-05-27 浙江大学 一种多组分有机废物高温气化炉内温度的软测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
EDSON DA COSTA BORTONI等: "《Determination of Hydro Generator Efficiency Using Infrared Thermal Imaging Techniques》", 《IEEE TRANSACTIONS ON ENERGY CONVERSION》 *
王海元: "《热红外图像等温线温度场分割研究》", 《科学技术与工程》 *

Also Published As

Publication number Publication date
CN115330829B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN113689428B (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN115311270B (zh) 一种塑料制品表面缺陷检测方法
CN115937204B (zh) 一种焊管生产质量检测方法
CN109658387A (zh) 电力列车的受电弓碳滑板缺陷的检测方法
CN116092013B (zh) 一种用于智慧监控的危险路况识别方法
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN116975771B (zh) 一种用于电机生产的异常自动识别方法及系统
CN111027631A (zh) 高压耐张线夹压接缺陷判别的x射线影像分类识别方法
CN111461010A (zh) 一种基于模板跟踪的电力设备识别效率优化方法
CN109614512B (zh) 一种基于深度学习的电力设备检索方法
CN115115603A (zh) 基于人工智能的汽车配件飞轮表面检测方法
CN115330829B (zh) 一种秸秆气化炉气化反应异常识别方法
CN116257651B (zh) 一种贯通道渡板异响智能监测系统
CN117372436A (zh) 基于图像数据的风电叶片故障检测方法
CN116664501A (zh) 一种基于图像处理判断储粮变化的方法
CN114972353A (zh) 一种金属高压特种管件质量评估方法及系统
CN115984639A (zh) 一种零件疲劳状态智能检测方法
CN116229438B (zh) 一种纺纱质量视觉识别系统
CN117474918B (zh) 异常检测方法和装置、电子设备以及存储介质
CN117556714B (zh) 一种用于铝金属冶炼的预热管路温度数据异常分析方法
CN117113156B (zh) 一种用于铝型材的锯切断面质量分析方法
CN111210122B (zh) 基于参数隔离的烧结非优运行性能原因追溯方法及系统
JP2003098270A (ja) 発雷判定システム
CN115031644A (zh) 一种基于三维点云数据的金属厚度自动测量方法
CN117351320A (zh) 一种基于深度学习的螺栓分步检测方法

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