CN116452831A - 天然气掺氢燃烧系统调整方法、装置及电子设备 - Google Patents
天然气掺氢燃烧系统调整方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116452831A CN116452831A CN202310501030.XA CN202310501030A CN116452831A CN 116452831 A CN116452831 A CN 116452831A CN 202310501030 A CN202310501030 A CN 202310501030A CN 116452831 A CN116452831 A CN 116452831A
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- flame image
- preset
- hydrogen loading
- natural gas
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 248
- 239000003345 natural gas Substances 0.000 title claims abstract description 119
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000001257 hydrogen Substances 0.000 claims abstract description 236
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 236
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 235
- 238000011217 control strategy Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 32
- 238000013145 classification model Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005549 size reduction Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- VUZPPFZMUPKLLV-UHFFFAOYSA-N methane;hydrate Chemical compound C.O VUZPPFZMUPKLLV-UHFFFAOYSA-N 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229910001868 water Inorganic materials 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/20—Systems for controlling combustion with a time programme acting through electrical means, e.g. using time-delay relays
- F23N5/203—Systems for controlling combustion with a time programme acting through electrical means, e.g. using time-delay relays using electronic means
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本申请提供了一种天然气掺氢燃烧系统调整方法、装置及电子设备,其中,该方法包括:获取火焰图像;通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像;将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。通过本申请,解决了相关技术中存在需要在天然气管道安装传感器,有电源、线路等局限性,难以对单个用户的掺氢比例进行调整的问题。
Description
技术领域
本发明涉及新能源技术领域,尤其涉及一种天然气掺氢燃烧系统调整方法、装置及电子设备。
背景技术
天然气掺氢是指将一定比例的氢气注入天然气中与天然气混合形成的一种混合气体(HCNG),能够改善城镇燃气质量与减少碳排放,是氢能利用的重要方向之一。不同氢气比例,混合气体(HCNG)的燃烧工况会改变,会影响燃具的性能,不同类型燃烧器能够接受的最大掺氢比例也不相同,因此,需要对天然气掺氢燃烧系统的掺氢比例进行调整。
现有技术仅用管道可编程序控制器(Programmable Logic Controller,PLC)调整天然气掺氢燃烧系统的掺氢比例,基于天然气管道内的测量传感器的测量数据得出掺氢比例,通过管道PLC进行管道闸门的启闭控制,实现对天然气掺氢比例进行调整。现有技术需要在天然气管道内布置传感器,增加成本,且有电源、线路等局限性,难以对单个用户的天然气掺氢比例进行多效管控与感知调节调控,现有技术都是对基于多户数的天然气掺氢燃烧系统调整。
因此,现有技术中存在需要在天然气管道安装传感器,有电源、线路等局限性,难以对单个用户的掺氢比例进行调整的问题。
发明内容
本申请提供了一种天然气掺氢燃烧系统调整方法、装置及电子设备,以至少解决相关技术中存在需要在天然气管道安装传感器,有电源、线路等局限性,难以对单个用户的掺氢比例进行调整的问题。
根据本申请实施例的一个方面,提供了一种天然气掺氢燃烧系统调整方法,该方法包括:
获取火焰图像;
通过预设方法对所述火焰图像进行预处理,得到预处理后的火焰图像;
将所述预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;
根据所述当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
根据本申请实施例的另一个方面,还提供了一种天然气掺氢燃烧系统调整装置,该装置包括:
第一获取模块,用于获取火焰图像;
第一处理模块,用于通过预设方法对所述火焰图像进行预处理,得到预处理后的火焰图像;
第一得到模块,用于将所述预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;
第一调整模块,用于根据所述当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
可选地,该装置还包括:
第二获取模块,用于获取预设数量个火焰图像训练样本;
第二处理模块,用于通过所述预设方法对所述火焰图像训练样本进行预处理,得到预处理后的火焰图像训练样本;
第二得到模块,用于根据所述预处理后的火焰图像训练样本,得到训练集和测试集;
训练模块,用于根据预设优化器、预设训练参数、预设损失函数以及所述训练集对初始掺氢比例识别模型进行训练,直到训练次数达到预设阈值,得到中间掺氢比例识别模型;
测试模块,用于根据所述测试集对所述中间掺氢比例识别模型进行测试,并判断测试结果是否满足预设条件;
作为模块,用于如果所述测试结果满足所述预设条件,则将所述中间掺氢比例识别模型作为所述掺氢比例识别模型。
可选地,第一处理模块包括:
第一提取单元,用于从所述火焰图像中提取满足第一预设空间规则的第一像素点;
第一得到单元,用于根据所述第一像素点和所述第一像素点对应的颜色通道值,得到第一中间火焰图像;
第二提取单元,用于将所述第一中间火焰图像进行预设空间转换,并从转换后的第一中间火焰图像中提取满足第二预设空间规则的第二像素点;
获取单元,用于获取每个所述第二像素点对应的颜色通道值,并获取所有所述第二像素点对应的所述颜色通道值的均值和标准差;
第二得到单元,用于根据所述颜色通道值、所述均值、所述标准差以及第一预设公式,得到所述第二像素点新的颜色通道值;
第三得到单元,用于根据所述第二像素点和所述新的颜色通道值,得到第二中间火焰图像;
处理单元,用于根据预设形式迭代法对所述第二中间火焰图像进行处理,得到所述预处理后的火焰图像。
可选地,处理单元包括:
第一得到子模块,用于根据所述第二中间火焰图像,得到所述第二中间火焰图像中每个像素对应的第一参数;
第二得到子模块,用于根据所述第一参数和第二预设公式,得到分割阈值;
分割子模块,用于根据所述分割阈值,将所述第二中间火焰图像分割为第一部分和第二部分;
获取子模块,用于获取所述第一部分中所述第一参数的第一平均值和所述第二部分中所述第一参数的第二平均值;
第三得到子模块,用于根据所述第一平均值、所述第二平均值以及第三预设公式,得到新的分割阈值;
第一判断子模块,用于如果所述新的分割阈值与所述分割阈值相同,则完成对所述第二中间火焰图像的处理,得到所述预处理后的火焰图像;
第二判断子模块,用于如果所述新的分割阈值与所述分割阈值不同,则将所述新的分割阈值作为所述分割阈值,并从所述根据所述分割阈值,将所述第二中间火焰图像分割为第一部分和第二部分开始执行后续步骤,直到所述新的分割阈值与所述分割阈值相同,则完成对所述第二中间火焰图像的处理,得到所述预处理后的火焰图像。
可选地,第一调整模块包括:
第四得到单元,用于根据所述当前掺氢比例和目标掺氢比例,得到差值;
确定单元,用于根据所述差值,确定调节参考范围,其中,所述调节参考范围用于确定控制策略;
调整单元,用于根据所述调节参考范围,将掺氢比例增加对应的预设增量。
可选地,在所述调节参考范围为预设范围的情况下,调整单元包括:
第四得到子模块,用于对所述预处理后的火焰图像进行预设数量次卷积核尺寸缩小操作,得到中间图像;
第五得到子模块,用于根据所述中间图像,得到特征向量;
第六得到子模块,用于将所述特征向量输入分类模型,得到所述当前掺氢比例属于不同预设掺氢区间的概率;
作为子模块,用于将最大概率对应的所述预设掺氢区间,作为目标区间;
确定子模块,用于根据所述目标区间,确定所述掺氢比例待增加的所述预设增量。
可选地,该装置还包括:
第三获取模块,用于在对所述天然气掺氢燃烧系统进行调整之后,获取所述天然气掺氢燃烧系统新的掺氢比例;
判断模块,用于判断所述新的掺氢比例是否等于目标掺氢比例;
第二调整模块,用于如果所述新的掺氢比例不等于所述目标掺氢比例,则根据所述新的掺氢比例和所述预设控制策略对所述天然气掺氢燃烧系统进行调整,并从所述在对所述天然气掺氢燃烧系统进行调整之后,获取所述天然气掺氢燃烧系统新的掺氢比例开始执行后续步骤,直到所述新的掺氢比例等于所述目标掺氢比例。
根据本申请实施例的又一个方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;其中,存储器,用于存储计算机程序;处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
根据本申请实施例的又一个方面,还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
在本申请实施例中,通过获取火焰图像;通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像;将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。通过上述方法,先获取火焰图像;再对火焰图像进行预处理;进而根据预处理后的火焰图像确定当前掺氢比例;最后根据当前掺氢比例调整天然气掺氢燃烧系统。克服了现有掺氢比例控制方法需要传感器的局限性,通过外部监测器获取天然气掺氢燃烧系统的火焰图像,并对火焰图像中的火焰特征进行识别,确定当前掺氢比例,最终实现对掺氢天然气的燃烧系统调节控制。解决了相关技术中存在需要在天然气管道安装传感器,有电源、线路等局限性,难以对单个用户的掺氢比例进行调整的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,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地介绍,显而易见地,对于本领域普通技术人员而言,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他的附图。
图1是根据本申请实施例的一种可选的天然气掺氢燃烧系统调整方法的流程示意图;
图2是根据本申请实施例的另一种可选的天然气掺氢燃烧系统调整方法的流程示意图;
图3是根据本申请实施例的一种可选的天然气掺氢燃烧系统调整装置的结构框图;
图4是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
火焰最显著静态特征是其颜色,不同的燃烧材料会有不同的火焰颜色。天然气主要成分是甲烷,甲烷完全燃烧时,会生成二氧化碳和水,甲烷不完全燃烧时,会生成一氧化碳和水或一氧化碳、二氧化碳和水,二氧化碳容易造成温室效应,一氧化碳对人体有害。因此,在天然气中掺入氢气,一方面能够减少二氧化碳排放,另一方面因为氢气耗氧量更低,能够避免甲烷不完全燃烧生成一氧化碳。
天然气掺氢比例的定义如下式:
其中,表示氢气的体积流量,/>表示甲烷的体积流量。
当不同掺氢比例的掺氢天然气燃烧时,会有不同的火焰颜色,天然气掺氢比例越大,火焰温度越高,火焰整体颜色越淡,火焰中心颜色越深。表1为天然气掺氢比例变化时,火焰特征随之变化的实例。
表1掺氢比例变化示意图
基于上述内容,根据本申请实施例的一个方面,提供了一种天然气掺氢燃烧系统调整方法,如图1所示,该方法的流程可以包括以下步骤:
步骤S101,获取火焰图像。
可选地,通过外部感知摄像设备拍摄天然气掺氢燃烧系统出火口的火焰,完成获取火焰图像。
步骤S102,通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像。
可选地,火焰图像中除了火焰特征还有其他噪声,为了根据火焰图像识别准确的掺氢比例,需要从火焰图像中提取包含火焰特征的像素点即对火焰图像进行预处理,并以提取出的像素点作为基础来分辨火焰的颜色和形状特征。火焰的颜色并非单一的,由内焰至外焰,火焰的颜色分别为白色、蓝白色、黄色、淡黄色、红色、暗红色。因此,本申请基于颜色空间对进行图像预处理。
可以只采用传统的RGB空间规则方法提取包含火焰特征的像素点,该方法是利用火焰像素点各分量间的规律,进行提取。然而,RGB空间规则过于粗糙,难以提取出最优的像素点。因此本申请实施例采用基于RGB—HSV颜色空间规则的火焰特征提取方法。先根据RGB空间规则提取出大致火焰范围内的初始像素点,再根据HSV颜色空间规则从初始像素点中进一步筛选出包含火焰特征的像素点,由这些提取出的像素点,可以组合成预处理后的火焰图像,预处理后的火焰图像为416*416的尺度。
另外,燃烧过程中火焰的伴随着形状的变化,也就是说,图像中的火焰的像素值存在一定的变化率,影响图像识别的精度,因此还可以对该提取出的火焰图像进行图像差分处理,突出预处理后的火焰图像中的变化部分即火焰部分,使得后续可以更精准地识别掺氢比例。
步骤S103,将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例。
可选地,卷积神经网络的火焰图像识别相对于传统方式来说,对火焰有着更高的精确率与召回率,可以极大降低误报率。相较于卷积神经网络,Transformers结构具有更大的模型容量,但是缺少正确的归纳偏差,泛化性更差。本申请结合上述两种架构的优势,采用“CoAtNets”架构,这是一个基于两个关键见解构建的混合模型,是基于MBConv块和相对自注意力,将平同变性(translation equivariance)、输入自适应加权(input-adaptiveWeighting)和全局感受野(Global Receptive Field)融合在一起后形成的新的架构。基于CoAtNet架构搭建掺氢比例识别模型,并通过预训练,使得该掺氢比例识别模型能够根据火焰图像,识别出对应的掺氢比例。
将预处理后的火焰图像输入该掺氢比例识别模型,得到当前掺氢比例。
步骤S104,根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
可选地,根据识别出的当前掺氢比例,结合预设控制策略对天然气掺氢燃烧系统中的掺氢比例进行调整,使得天然气掺氢燃烧系统的掺氢比例能够达到目标值,例如23%。
预设策略可以包括:提前设置多个掺氢比例的区间,例如:0-11%,11%-17%,17%-23%。当前掺氢比例属于不同的区间,将天然气掺氢燃烧系统的掺氢比例增大不同增量。例如:如果当前掺氢比例为13%,属于11%-17%,则将天然气掺氢燃烧系统的掺氢比例增大6%。
本申请通过改变天然气与氢气的通气量,改变氢气所占比例(即掺氢比例),同时天然气掺氢燃烧系统出火口的火焰颜色将会实时变化,不断重复S101-S104,直至将掺氢比例调整为目标值。
另外,如果识别出的掺氢比例大于23%或其他预设上限,或者外部摄像头检测拍摄的图像被识别火焰颜色异常,则发出指令,强制管控PLC的管道压力阀关闭,保障用户人身与财产安全。
在本申请实施例中,通过获取火焰图像;通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像;将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。通过上述方法,先获取火焰图像;再对火焰图像进行预处理;进而根据预处理后的火焰图像确定当前掺氢比例;最后根据当前掺氢比例调整天然气掺氢燃烧系统。克服了现有掺氢比例控制方法需要传感器的局限性,通过外部监测器获取天然气掺氢燃烧系统的火焰图像,并对火焰图像中的火焰特征进行识别,确定当前掺氢比例,最终实现对掺氢天然气的燃烧系统调节控制。解决了相关技术中存在需要在天然气管道安装传感器,有电源、线路等局限性,难以对单个用户的掺氢比例进行调整的问题。
作为一种可选实施例,在将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例之前,方法还包括:
获取预设数量个火焰图像训练样本;
通过预设方法对火焰图像训练样本进行预处理,得到预处理后的火焰图像训练样本;
根据预处理后的火焰图像训练样本,得到训练集和测试集;
根据预设优化器、预设训练参数、预设损失函数以及训练集对初始掺氢比例识别模型进行训练,直到训练次数达到预设阈值,得到中间掺氢比例识别模型;
根据测试集对中间掺氢比例识别模型进行测试,并判断测试结果是否满足预设条件;
如果测试结果满足预设条件,则将中间掺氢比例识别模型作为掺氢比例识别模型。
可选地,利用PyTorch框架搭建基于CoAtNet架构的初始掺氢比例识别模型。
根据上述提前设置的多个掺氢比例的区间,在每个掺氢比例的区间采集100张图像,并将每张图像对应的掺氢比例作为标签一起保存作为火焰图像训练样本,由于相机和天然气掺氢燃烧系统出火口的位置固定,可控制采集图像的大小尺度均为416*416。如果将掺氢比例的区间划分为:0-11%,11%-17%,17%-23%,分别从0-11%,11%-17%,17%-23%中采集100张火焰图像,并将每张图像对应的掺氢比例作为标签一起保存,则火焰图像训练样本数共有300。对这300张火焰图像训练样本,分别采用与上述步骤S102相同的预设方法进行预处理,得到300张预处理后的火焰图像训练样本。按3:1的比例将其划分训练集和测试集,则训练集包括225张预处理后的火焰图像训练样本,测试集包括75张预处理后的火焰图像训练样本。
预设优化器可以为Adam优化器。预设训练参数包括:学习率为1e-4,训练的批次(Batch)为4,学习的训练迭代次数(Epochs)为200次即预设阈值。预设损失函数可以为Softmax损失函数。根据预设优化器、预设训练参数、预设损失函数以及上述训练集对初始掺氢比例识别模型进行训练,直到训练次数达到预设阈值(200次),则得到中间掺氢比例识别模型。
根据测试集对上述中间掺氢比例识别模型进行测试,并判断测试结果是否满足预设条件,预设条件可以为测试结果的正确率高于98%。如果测试结果满足该预设条件,则将上述中间掺氢比例识别模型作为掺氢比例识别模型。保存训练好的掺氢比例识别模型。根据测试集测试,本申请掺氢比例识别模型的正确率可以达到98.74%。
在本申请实施例中,基于CoAtNet架构搭建初始掺氢比例识别模型,通过训练集对初始掺氢比例识别模型进行训练得到中间掺氢比例识别模型,通过测试集测试中间掺氢比例识别模型,保证掺氢比例识别模型具有很高的识别精度,为后续根据火焰图像识别当前掺氢比例提供基础,解决了相关技术中存在需要在天然气管道安装传感器,有电源、线路等局限性的问题。
作为一种可选实施例,通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像,包括:
从火焰图像中提取满足第一预设空间规则的第一像素点;
根据第一像素点和第一像素点对应的颜色通道值,得到第一中间火焰图像;
将第一中间火焰图像进行预设空间转换,并从转换后的第一中间火焰图像中提取满足第二预设空间规则的第二像素点;
获取每个第二像素点对应的颜色通道值,并获取所有第二像素点对应的颜色通道值的均值和标准差;
根据颜色通道值、均值、标准差以及第一预设公式,得到第二像素点新的颜色通道值;
根据第二像素点和新的颜色通道值,得到第二中间火焰图像;
根据预设形式迭代法对第二中间火焰图像进行处理,得到预处理后的火焰图像。
可选地,本申请实施例采用基于RGB—HSV颜色空间规则的火焰特征提取方法。
采用帧间差分法从火焰图像中提取满足第一预设空间规则的第一像素点,第一预设空间规则为RGB空间规则:
其中,R为红色颜色通道值,G为绿色颜色通道值,B为蓝色颜色通道值。
根据第一像素点和第一像素点对应的颜色通道值,得到第一中间火焰图像。通过第一中间火焰图像,可以分离出大致的火焰区域,初步判断出火焰特征,包括颜色和形状特征。
将第一中间火焰图像进行HSV空间转换即预设空间转换,HSV表达图像的方式由色相、饱和度、明度三个部分组成。从转换后的第一中间火焰图像中提取满足第二预设空间规则的第二像素点,第二预设空间规则为HSV颜色空间规则:
其中,Y是亮度,Cb表示色度蓝度分量(Chrominance Blued),Cr表示色度红色分量(Chrominance Red),(x,y)表示转换前RGB图像,Ymean表示原RGB图像亮度的均值,Crmean表示红色分量的均值,Cbmean表示蓝色分量的均值,τ为一个判断参数,具体数值根据需求设定。
获取上述每个第二像素点对应的颜色通道值,并获取所有第二像素点对应的颜色通道值的均值和标准差,颜色通道值包括:红色颜色通道值、绿色颜色通道值以及蓝色颜色通道值;
根据上述颜色通道值、均值、标准差以及第一预设公式,例如公式(1),计算每个第二像素点新的颜色通道值Zi;
其中,Xi表示给定像素的每个颜色通道的值,μi表示该颜色通道的均值,σi表示该颜色通道的标准差。
根据第二像素点和新的颜色通道值,得到第二中间火焰图像。
如上述表1所示,燃烧过程中火焰会发生形状变化,因此,火焰图像中火焰的像素值存在一定变化率,会影响图像识别的精度。因此,需要对火焰形状进行相对应的监测,并消除形状变化带来的影响。
本申请实施例对第二中间火焰图像进一步进行数学形态学的区域处理。由于通过帧间差分法后得到的图像具有区域小、像素较少、便于计算的特点,且火焰运动目标的颜色信息占据了大部分区域,便于进行分割,因此,根据色相H分量进行自适应阈值分割,就能够很好地分离出第二中间火焰图像中运动目标即火焰特征。通过上述形态学的操作,可以清除背景残留小噪声,并且平滑被分割物体边缘,使检测火焰形状边界向内部收缩,其结果使剩下的物体比处理前减少了一些像素,使得检测结果更为精确。
综上,本实施例采用改进的形式迭代法(即预设形式迭代法)对第二中间火焰图像进行色相H分量的自适应切割,得到预处理后的火焰图像。预处理后的火焰图像为416*416的尺度。
在本申请实施例中,采用基于RGB—HSV颜色空间规则的火焰特征提取方法,从火焰图像中提取像素点生成第二中间火焰图像,采用改进的形式迭代法对第二中间火焰图像进行色相H分量的自适应切割,得到预处理后的火焰图像。使得后续识别出的当前掺氢比例更精准,可对天然气掺氢燃烧系统进行更精准的动态调整,使天然气掺氢保持最充分燃烧效率。
作为一种可选实施例,根据预设形式迭代法对第二中间火焰图像进行处理,得到预处理后的火焰图像,包括:
根据第二中间火焰图像,得到第二中间火焰图像中每个像素对应的第一参数;
根据第一参数和第二预设公式,得到分割阈值;
根据分割阈值,将第二中间火焰图像分割为第一部分和第二部分;
获取第一部分中第一参数的第一平均值和第二部分中第一参数的第二平均值;
根据第一平均值、第二平均值以及第三预设公式,得到新的分割阈值;
如果新的分割阈值与分割阈值相同,则完成对第二中间火焰图像的处理,得到预处理后的火焰图像;
如果新的分割阈值与分割阈值不同,则将新的分割阈值作为分割阈值,并从根据分割阈值,将第二中间火焰图像分割为第一部分和第二部分开始执行后续步骤,直到新的分割阈值与分割阈值相同,则完成对第二中间火焰图像的处理,得到预处理后的火焰图像。
可选地,根据第二中间火焰图像,得到第二中间火焰图像中每个像素对应的第一参数,第一参数可以为色相H分量。根据所有像素的H分量,确定第二中间火焰图像中H分量的最大值Hmax和最小值Hmin,并将最大值Hmax和最小值Hmin代入第二预设公式,例如公式(2),计算得到分割阈值T0。
T0=Hmax+Hmin (2)
根据分割阈值T0,将第二中间火焰图像分割为前景部分(即第一部分)和背景部分(即第二部分)。获取前景部分中H分量的第一平均值Ho,获取背景部分中H分量的第二平均值Hb,并将第一平均值Ho和第二平均值Hb代入第三预设公式,例如公式(3),计算得到新的分割阈值T。
T=Ho+Hb (3)
如果新的分割阈值T与上述分割阈值T0相等,则完成对第二中间火焰图像的自适应切割处理,得到预处理后的火焰图像。
如果新的分割阈值T与上述分割阈值T0不相等,则将新的分割阈值T作为分割阈值T0,并开始下一轮自适应切割处理,包括:从步骤“根据分割阈值,将第二中间火焰图像分割为第一部分和第二部分”开始并执行后续步骤,直到该轮分割处理过程中,新的分割阈值T与分割阈值T0相等,则完成对第二中间火焰图像的自适应切割处理,得到预处理后的火焰图像。
在本申请实施例中,采用改进的形式迭代法对第二中间火焰图像进行色相H分量的自适应切割,得到预处理后的火焰图像。清除第二中间火焰图像中背景残留的噪声,并且平滑火焰区域的边缘,使火焰形状的边界向内部收缩,并减少了一些像素,使得后续掺氢比例识别模型根据火焰图像识别出的掺氢比例更为精准。
作为一种可选实施例,根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整,包括:
根据当前掺氢比例和目标掺氢比例,得到差值;
根据差值,确定调节参考范围,其中,调节参考范围用于确定控制策略;
根据调节参考范围,将掺氢比例增加对应的预设增量。
可选地,掺氢天然气的燃烧效率由氢气的占比决定,氢气的占比越高,天然气的燃烧效率越高,但是符合国家标准的用户侧使用的天然气掺氢比例不得超过23%。在保证天然气使用安全的前提下,本方法将用户侧使用的氢气最优比例设置为23%,即本实施例中目标掺氢比例设置为23%。
根据上述当前掺氢比例和目标掺氢比例23%,计算得到二者的差值并将该差值输入给管道PLC,由管道PLC控制压力阀,实时控制管道内天然气和氢气的通气量,实现对掺氢比例的调整。
根据当前掺氢比例与目标掺氢比例23%的差值能够确定当前掺氢比例对应的调节参考范围,例如:0-11%,11%-17%,17%-23%。根据调节参考范围,将掺氢比例增加对应的预设增量,具体包括:如果确定出的调节参考范围是0-11%或11%-17%,则对掺氢比例进行粗调,例如:如果调节参考范围是0-11%时,可直接控制掺氢比例增加10%,如果调节参考范围是11%-17%时,可直接控制掺氢比例增加6%。另外,如果确定出的调节参考范围是17%-23%,则对掺氢比例进行细调,例如:利用图像二分类网络进一步判断当前掺氢比例小于20%的概率、当前掺氢比例大于或等于20%的概率,如果前掺氢比例小于20%的概率更大,则控制掺氢比例增加1%,否则,控制掺氢比例增加0.5%。
在本申请实施例中,通过粗调与细调两种调节方式对掺氢比例进行调节,可快速调节管道的压力阀进行通气量控制,提升燃烧控制反应效率。克服了现有天然气掺氢比例控制的仅用管道PLC调控的技术局限性。
作为一种可选实施例,在调节参考范围为预设范围的情况下,根据调节参考范围,将掺氢比例增加对应的预设增量,包括:
对预处理后的火焰图像进行预设数量次卷积核尺寸缩小操作,得到中间图像;
根据中间图像,得到特征向量;
将特征向量输入分类模型,得到当前掺氢比例属于不同预设掺氢区间的概率;
将最大概率对应的预设掺氢区间,作为目标区间;
根据目标区间,确定掺氢比例待增加的预设增量。
可选地,在调节参考范围为预设范围的情况下,即在确定出的调节参考范围是17%-23%的情况下,则对掺氢比例进行细调。
预处理后的火焰图像尺寸为416*416。对预处理后的火焰图像进行预设数量次卷积核尺寸缩小操作,得到中间图像,卷积核尺寸缩小操作包括:将预处理后的火焰图像使用大小为5*5的卷积核进行特征提取操作,并利用大小为2*2的卷积核进行最大池化操作,将预处理后的火焰图像尺度缩小到208*208,其中激活函数使用的是tanh函数。预设数量可为3,则重复3次卷积核尺寸缩小操作,得到26*26的特征图即中间图像。将中间图像展开为一个26*26=676维的特征向量,并将该特征向量输入分类模型,得到当前掺氢比例属于不同预设掺氢区间的概率,将概率最大的预设掺氢区间作为目标区间,并根据目标区间,确定掺氢比例待增加的预设增量,其中,分类模型可以为二分类模型、三分类模型等等。
本实施例中以二分类模型为例,说明有关分类模型的步骤:基于经典的卷积神经网络CNN构建二分类模型。将上述特征向量输入该二分类模型,在二分类模型中经过两次全连接层,并通过sigmoid函数得到当前掺氢比例属于不同预设掺氢区间的概率,因为是二分类模型,所以预设掺氢区间有两个,分别为:20%-23%和17%-20%,其中,20%-23%表示当前掺氢比例大于20%,17%-20%表示当前掺氢比例小于20%。将最大概率对应的预设掺氢区间,作为目标区间;根据目标区间,确定掺氢比例待增加的预设增量,具体包括:如果当前掺氢比例属于20%-23%的概率大于属于17%-20%,则目标区间为20%-23%,根据目标区间确定掺氢比例待增加的预设增量为0.5%或其他很小的比例,为提高安全度,可动态调整该比例,比例越小越安全。如果当前掺氢比例属于17%-20%的概率大于属于20%-23%,则目标区间为17%-20%,根据目标区间确定掺氢比例待增加的预设增量为1%或其他较小的比例。
需要说明的是,本实施例需要对分类模型进行预训练,以二分类模型为例:将上述在17%-23%采集的100个火焰图像训练样本按照3:1分为分类模型训练集和分类模型测试集。根据分类模型训练集和分类模型测试集对分类模型进行训练,训练方法可以采用上述对初始掺氢比例识别模型相同的训练方法,即采用Adam优化器,学习率设置为1e-4,训练的批次(Batch)设置为4,训练迭代次数(Epochs)设置为200,并采用Softmax损失函数。
在本申请实施例中,通过分类模型确定当前掺氢比例属于不同预设掺氢区间的概率,并根据概率最大的预设掺氢区间确定掺氢比例待增加的预设增量,进而对天然气掺氢燃烧系统的掺氢比例进行细调,使得掺氢比例达到但不超过23%,最充分的提高了燃气燃烧效率并保证天然气掺氢燃烧系统的安全性。
作为一种可选实施例,在根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整之后,方法还包括:
在对天然气掺氢燃烧系统进行调整之后,获取天然气掺氢燃烧系统新的掺氢比例;
判断新的掺氢比例是否等于目标掺氢比例;
如果新的掺氢比例不等于目标掺氢比例,则根据新的掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整,并从在对天然气掺氢燃烧系统进行调整之后,获取天然气掺氢燃烧系统新的掺氢比例开始执行后续步骤,直到新的掺氢比例等于目标掺氢比例。
可选地,在经过步骤S104对天然气掺氢燃烧系统进行调整之后,重新获取天然气掺氢燃烧系统新的掺氢比例,获取新的掺氢比例的方式包括:利用当前掺氢比例加上调整过程中增加的比例,计算得出;还可以获取调整之后新的火焰图像,并经过步骤S102和步骤S103,通过掺氢比例识别模型确定新的掺氢比例。
判断新的掺氢比例是否等于目标掺氢比例23%,如果新的掺氢比例不等于目标掺氢比例23%,则根据新的掺氢比例对天然气掺氢燃烧系统进行调整,并循环执行本实施例中的步骤“在对天然气掺氢燃烧系统进行调整之后,获取天然气掺氢燃烧系统新的掺氢比例”和“判断新的掺氢比例是否等于目标掺氢比例”,直到新的掺氢比例等于目标掺氢比例23%,则停止对天然气掺氢燃烧系统进行调整。
在本申请实施例中,不断对天然气的比例进行动态调整,使得掺氢比例达到但不超过23%,最充分的提高了燃气燃烧效率并保证天然气掺氢燃烧系统的安全性。
根据本申请实施例的另一个方面,还提供了另一种天然气掺氢燃烧系统调整方法,如图2所示,该方法的流程可以包括以下步骤:
S1获取火焰图像;S2图像预处理;S3训练神经网络;S4输出指令给管道压力阀;S5实时控制管道掺氢比例,若超过预警比例强制关停保护。
通过本申请实施例,克服了现有天然气掺氢比例控制的仅用管道PLC调控的局限性,通过外部监测器对掺氢天然气火焰的拍摄图像,进行火焰的颜色热度等特征的图像识别,进行处理分析后,输出决策反馈给管道的压力阀进行通气量的控制,从而完成掺氢比例控制,最终实现掺氢天然气的燃烧系统反馈调节控制,同时当天然气掺氢超过预警比例时,进行紧急阀门的关闭动作,保障用户人身安全。
根据本申请实施例的另一个方面,还提供了一种用于实施上述天然气掺氢燃烧系统调整方法的天然气掺氢燃烧系统调整装置。图3是据本申请实施例的一种可选的天然气掺氢燃烧系统调整装置的结构框图,如图3所示,该装置可以包括:
第一获取模块301,用于获取火焰图像;
第一处理模块302,用于通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像;
第一得到模块303,用于将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;
第一调整模块304,用于根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
需要说明的是,该实施例中的第一获取模块301可以用于执行上述步骤S101,该实施例中的第一处理模块302可以用于执行上述步骤S102,该实施例中的第一得到模块303可以用于执行上述步骤S103,该实施例中的第一调整模块304可以用于执行上述步骤S104。
通过上述模块,先获取火焰图像;再对火焰图像进行预处理;进而根据预处理后的火焰图像确定当前掺氢比例;最后根据当前掺氢比例调整天然气掺氢燃烧系统。克服了现有掺氢比例控制方法需要传感器的局限性,通过外部监测器获取天然气掺氢燃烧系统的火焰图像,并对火焰图像中的火焰特征进行识别,确定当前掺氢比例,最终实现对掺氢天然气的燃烧系统调节控制。解决了相关技术中存在需要在天然气管道安装传感器,有电源、线路等局限性,难以对单个用户的掺氢比例进行调整的问题。
作为一种可选实施例,该装置还包括:
第二获取模块,用于获取预设数量个火焰图像训练样本;
第二处理模块,用于通过预设方法对火焰图像训练样本进行预处理,得到预处理后的火焰图像训练样本;
第二得到模块,用于根据预处理后的火焰图像训练样本,得到训练集和测试集;
训练模块,用于根据预设优化器、预设训练参数、预设损失函数以及训练集对初始掺氢比例识别模型进行训练,直到训练次数达到预设阈值,得到中间掺氢比例识别模型;
测试模块,用于根据测试集对中间掺氢比例识别模型进行测试,并判断测试结果是否满足预设条件;
作为模块,用于如果测试结果满足预设条件,则将中间掺氢比例识别模型作为掺氢比例识别模型。
作为一种可选实施例,第一处理模块包括:
第一提取单元,用于从火焰图像中提取满足第一预设空间规则的第一像素点;
第一得到单元,用于根据第一像素点和第一像素点对应的颜色通道值,得到第一中间火焰图像;
第二提取单元,用于将第一中间火焰图像进行预设空间转换,并从转换后的第一中间火焰图像中提取满足第二预设空间规则的第二像素点;
获取单元,用于获取每个第二像素点对应的颜色通道值,并获取所有第二像素点对应的颜色通道值的均值和标准差;
第二得到单元,用于根据颜色通道值、均值、标准差以及第一预设公式,得到第二像素点新的颜色通道值;
第三得到单元,用于根据第二像素点和新的颜色通道值,得到第二中间火焰图像;
处理单元,用于根据预设形式迭代法对第二中间火焰图像进行处理,得到预处理后的火焰图像。
作为一种可选实施例,处理单元包括:
第一得到子模块,用于根据第二中间火焰图像,得到第二中间火焰图像中每个像素对应的第一参数;
第二得到子模块,用于根据第一参数和第二预设公式,得到分割阈值;
分割子模块,用于根据分割阈值,将第二中间火焰图像分割为第一部分和第二部分;
获取子模块,用于获取第一部分中第一参数的第一平均值和第二部分中第一参数的第二平均值;
第三得到子模块,用于根据第一平均值、第二平均值以及第三预设公式,得到新的分割阈值;
第一判断子模块,用于如果新的分割阈值与分割阈值相同,则完成对第二中间火焰图像的处理,得到预处理后的火焰图像;
第二判断子模块,用于如果新的分割阈值与分割阈值不同,则将新的分割阈值作为分割阈值,并从根据分割阈值,将第二中间火焰图像分割为第一部分和第二部分开始执行后续步骤,直到新的分割阈值与分割阈值相同,则完成对第二中间火焰图像的处理,得到预处理后的火焰图像。
作为一种可选实施例,第一调整模块包括:
第四得到单元,用于根据当前掺氢比例和目标掺氢比例,得到差值;
确定单元,用于根据差值,确定调节参考范围,其中,调节参考范围用于确定控制策略;
调整单元,用于根据调节参考范围,将掺氢比例增加对应的预设增量。
作为一种可选实施例,在调节参考范围为预设范围的情况下,调整单元包括:
第四得到子模块,用于对预处理后的火焰图像进行预设数量次卷积核尺寸缩小操作,得到中间图像;
第五得到子模块,用于根据中间图像,得到特征向量;
第六得到子模块,用于将特征向量输入分类模型,得到当前掺氢比例属于不同预设掺氢区间的概率;
作为子模块,用于将最大概率对应的预设掺氢区间,作为目标区间;
确定子模块,用于根据目标区间,确定掺氢比例待增加的预设增量。
作为一种可选实施例,该装置还包括:
第三获取模块,用于在对天然气掺氢燃烧系统进行调整之后,获取天然气掺氢燃烧系统新的掺氢比例;
判断模块,用于判断新的掺氢比例是否等于目标掺氢比例;
第二调整模块,用于如果新的掺氢比例不等于目标掺氢比例,则根据新的掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整,并从在对天然气掺氢燃烧系统进行调整之后,获取天然气掺氢燃烧系统新的掺氢比例开始执行后续步骤,直到新的掺氢比例等于目标掺氢比例。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。
根据本申请实施例的又一个方面,还提供了一种用于实施上述天然气掺氢燃烧系统调整方法的电子设备,该电子设备可以是服务器、终端、或者其组合。
图4是根据本申请实施例的一种可选的电子设备的结构框图,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401、通信接口402和存储器403通过通信总线404完成相互间的通信,其中,
存储器403,用于存储计算机程序;
处理器401,用于执行存储器403上所存放的计算机程序时,实现如下步骤:
获取火焰图像;
通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像;
将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;
根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
可选地,在本实施例中,上述的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM,也可以包括非易失性存储器(non-volatile memory),例如,至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例,如图4所示,上述存储器403中可以但不限于包括上述天然气掺氢燃烧系统调整装置中的第一获取模块301、第一处理模块302、第一得到模块303、第一调整模块304。此外,还可以包括但不限于上述天然气掺氢燃烧系统调整装置中的其他模块单元,本示例中不再赘述。
上述处理器可以是通用处理器,可以包含但不限于:CPU(Central ProcessingUnit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(DigitalSignal Processing,数字信号处理器)、ASIC(Application Specific IntegratedCircuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图4所示的结构仅为示意,实施上述天然气掺氢燃烧系统调整方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图4其并不对上述电子设备的结构造成限定。例如,终端设备还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图4所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面,还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于存储执行天然气掺氢燃烧系统调整方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
获取火焰图像;
通过预设方法对火焰图像进行预处理,得到预处理后的火焰图像;
将预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;
根据当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例中对此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在本说明书的描述中,参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种天然气掺氢燃烧系统调整方法,其特征在于,所述方法包括:
获取火焰图像;
通过预设方法对所述火焰图像进行预处理,得到预处理后的火焰图像;
将所述预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;
根据所述当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
2.根据权利要求1所述的方法,其特征在于,在所述将所述预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例之前,所述方法还包括:
获取预设数量个火焰图像训练样本;
通过所述预设方法对所述火焰图像训练样本进行预处理,得到预处理后的火焰图像训练样本;
根据所述预处理后的火焰图像训练样本,得到训练集和测试集;
根据预设优化器、预设训练参数、预设损失函数以及所述训练集对初始掺氢比例识别模型进行训练,直到训练次数达到预设阈值,得到中间掺氢比例识别模型;
根据所述测试集对所述中间掺氢比例识别模型进行测试,并判断测试结果是否满足预设条件;
如果所述测试结果满足所述预设条件,则将所述中间掺氢比例识别模型作为所述掺氢比例识别模型。
3.根据权利要求1所述的方法,其特征在于,所述通过预设方法对所述火焰图像进行预处理,得到预处理后的火焰图像,包括:
从所述火焰图像中提取满足第一预设空间规则的第一像素点;
根据所述第一像素点和所述第一像素点对应的颜色通道值,得到第一中间火焰图像;
将所述第一中间火焰图像进行预设空间转换,并从转换后的第一中间火焰图像中提取满足第二预设空间规则的第二像素点;
获取每个所述第二像素点对应的颜色通道值,并获取所有所述第二像素点对应的所述颜色通道值的均值和标准差;
根据所述颜色通道值、所述均值、所述标准差以及第一预设公式,得到所述第二像素点新的颜色通道值;
根据所述第二像素点和所述新的颜色通道值,得到第二中间火焰图像;
根据预设形式迭代法对所述第二中间火焰图像进行处理,得到所述预处理后的火焰图像。
4.根据权利要求3所述的方法,其特征在于,所述根据预设形式迭代法对所述第二中间火焰图像进行处理,得到所述预处理后的火焰图像,包括:
根据所述第二中间火焰图像,得到所述第二中间火焰图像中每个像素对应的第一参数;
根据所述第一参数和第二预设公式,得到分割阈值;
根据所述分割阈值,将所述第二中间火焰图像分割为第一部分和第二部分;
获取所述第一部分中所述第一参数的第一平均值和所述第二部分中所述第一参数的第二平均值;
根据所述第一平均值、所述第二平均值以及第三预设公式,得到新的分割阈值;
如果所述新的分割阈值与所述分割阈值相同,则完成对所述第二中间火焰图像的处理,得到所述预处理后的火焰图像;
如果所述新的分割阈值与所述分割阈值不同,则将所述新的分割阈值作为所述分割阈值,并从所述根据所述分割阈值,将所述第二中间火焰图像分割为第一部分和第二部分开始执行后续步骤,直到所述新的分割阈值与所述分割阈值相同,则完成对所述第二中间火焰图像的处理,得到所述预处理后的火焰图像。
5.根据权利要求1所述的方法,其特征在于,所述根据所述当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整,包括:
根据所述当前掺氢比例和目标掺氢比例,得到差值;
根据所述差值,确定调节参考范围,其中,所述调节参考范围用于确定控制策略;
根据所述调节参考范围,将掺氢比例增加对应的预设增量。
6.根据权利要求5所述的方法,其特征在于,在所述调节参考范围为预设范围的情况下,所述根据所述调节参考范围,将掺氢比例增加对应的预设增量,包括:
对所述预处理后的火焰图像进行预设数量次卷积核尺寸缩小操作,得到中间图像;
根据所述中间图像,得到特征向量;
将所述特征向量输入分类模型,得到所述当前掺氢比例属于不同预设掺氢区间的概率;
将最大概率对应的所述预设掺氢区间,作为目标区间;
根据所述目标区间,确定所述掺氢比例待增加的所述预设增量。
7.根据权利要求1所述的方法,其特征在于,在所述根据所述当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整之后,所述方法还包括:
在对所述天然气掺氢燃烧系统进行调整之后,获取所述天然气掺氢燃烧系统新的掺氢比例;
判断所述新的掺氢比例是否等于目标掺氢比例;
如果所述新的掺氢比例不等于所述目标掺氢比例,则根据所述新的掺氢比例和所述预设控制策略对所述天然气掺氢燃烧系统进行调整,并从所述在对所述天然气掺氢燃烧系统进行调整之后,获取所述天然气掺氢燃烧系统新的掺氢比例开始执行后续步骤,直到所述新的掺氢比例等于所述目标掺氢比例。
8.一种天然气掺氢燃烧系统调整装置,其特征在于,所述装置包括:
第一获取模块,用于获取火焰图像;
第一处理模块,用于通过预设方法对所述火焰图像进行预处理,得到预处理后的火焰图像;
第一得到模块,用于将所述预处理后的火焰图像输入掺氢比例识别模型,得到当前掺氢比例;
第一调整模块,用于根据所述当前掺氢比例和预设控制策略对天然气掺氢燃烧系统进行调整。
9.一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信,其特征在于,
所述存储器,用于存储计算机程序;
所述处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至7中任一项中所述的方法步骤。
10.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1至7中任一项中所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501030.XA CN116452831A (zh) | 2023-04-27 | 2023-04-27 | 天然气掺氢燃烧系统调整方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501030.XA CN116452831A (zh) | 2023-04-27 | 2023-04-27 | 天然气掺氢燃烧系统调整方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452831A true CN116452831A (zh) | 2023-07-18 |
Family
ID=87132122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310501030.XA Pending CN116452831A (zh) | 2023-04-27 | 2023-04-27 | 天然气掺氢燃烧系统调整方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452831A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090123357A1 (en) * | 2006-03-28 | 2009-05-14 | Korea Institute Of Geoscience And Mineral Resources (Kigam) | Method for making silica nanoparticles by flame spray pyrolysis adopting two-fluid nozzle |
CN107944359A (zh) * | 2017-11-14 | 2018-04-20 | 中电数通科技有限公司 | 基于视频的火焰检测方法 |
CN110033040A (zh) * | 2019-04-12 | 2019-07-19 | 华南师范大学 | 一种火焰识别方法、系统、介质和设备 |
CN110057820A (zh) * | 2019-04-15 | 2019-07-26 | 中南大学 | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 |
CN111666834A (zh) * | 2020-05-20 | 2020-09-15 | 哈尔滨理工大学 | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 |
CN112833334A (zh) * | 2021-02-22 | 2021-05-25 | 中能融合智慧科技有限公司 | 一种混合燃气输送调节系统及调节方法 |
CN113221763A (zh) * | 2021-05-18 | 2021-08-06 | 东南大学 | 一种基于视频图像亮度的火焰识别方法 |
CN113984421A (zh) * | 2021-10-26 | 2022-01-28 | 华北电力大学 | 多信号融合火焰燃烧稳定性控制分析装置、方法及应用 |
CN114719262A (zh) * | 2022-05-23 | 2022-07-08 | 山东省节能技术研究院 | 一种浅氢燃气具 |
CN115264956A (zh) * | 2022-07-20 | 2022-11-01 | 广东万家乐燃气具有限公司 | 一种燃气热水设备的控制方法、燃气热水设备及存储介质 |
CN115585401A (zh) * | 2022-09-30 | 2023-01-10 | 上海飞奥燃气设备有限公司 | 燃气管道天然气掺氢浓度控制方法、系统 |
CN115639247A (zh) * | 2022-10-08 | 2023-01-24 | 北京理工大学 | 一种小尺度可视化氢气爆炸监测系统及监测方法 |
CN115901858A (zh) * | 2022-12-13 | 2023-04-04 | 中国石油大学(华东) | 一种受限空间内掺氢天然气爆炸特性实验装置及实验方法 |
-
2023
- 2023-04-27 CN CN202310501030.XA patent/CN116452831A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090123357A1 (en) * | 2006-03-28 | 2009-05-14 | Korea Institute Of Geoscience And Mineral Resources (Kigam) | Method for making silica nanoparticles by flame spray pyrolysis adopting two-fluid nozzle |
CN107944359A (zh) * | 2017-11-14 | 2018-04-20 | 中电数通科技有限公司 | 基于视频的火焰检测方法 |
CN110033040A (zh) * | 2019-04-12 | 2019-07-19 | 华南师范大学 | 一种火焰识别方法、系统、介质和设备 |
CN110057820A (zh) * | 2019-04-15 | 2019-07-26 | 中南大学 | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 |
CN111666834A (zh) * | 2020-05-20 | 2020-09-15 | 哈尔滨理工大学 | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 |
CN112833334A (zh) * | 2021-02-22 | 2021-05-25 | 中能融合智慧科技有限公司 | 一种混合燃气输送调节系统及调节方法 |
CN113221763A (zh) * | 2021-05-18 | 2021-08-06 | 东南大学 | 一种基于视频图像亮度的火焰识别方法 |
CN113984421A (zh) * | 2021-10-26 | 2022-01-28 | 华北电力大学 | 多信号融合火焰燃烧稳定性控制分析装置、方法及应用 |
CN114719262A (zh) * | 2022-05-23 | 2022-07-08 | 山东省节能技术研究院 | 一种浅氢燃气具 |
CN115264956A (zh) * | 2022-07-20 | 2022-11-01 | 广东万家乐燃气具有限公司 | 一种燃气热水设备的控制方法、燃气热水设备及存储介质 |
CN115585401A (zh) * | 2022-09-30 | 2023-01-10 | 上海飞奥燃气设备有限公司 | 燃气管道天然气掺氢浓度控制方法、系统 |
CN115639247A (zh) * | 2022-10-08 | 2023-01-24 | 北京理工大学 | 一种小尺度可视化氢气爆炸监测系统及监测方法 |
CN115901858A (zh) * | 2022-12-13 | 2023-04-04 | 中国石油大学(华东) | 一种受限空间内掺氢天然气爆炸特性实验装置及实验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614996B (zh) | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN109063737A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN110458084B (zh) | 一种基于倒置残差网络的人脸年龄估计方法 | |
CN112164005B (zh) | 图像颜色校正方法、装置、设备及存储介质 | |
CN110032928B (zh) | 一种适用于颜色敏感的卫星遥感影像水体识别方法 | |
CN113298058A (zh) | 基于无人机高光谱图像的水质预测反演方法及系统 | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
CN111160216A (zh) | 一种多特征多模型的活体人脸识别方法 | |
CN109920018A (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 | |
CN114372949A (zh) | 基于改进YOLOv5算法的PCB表面缺陷检测方法 | |
KR20210074953A (ko) | 소고기 등급 판정 장치 및 방법 | |
CN113221695B (zh) | 训练肤色识别模型的方法、识别肤色的方法及相关装置 | |
CN114049264A (zh) | 暗光图像增强方法、装置、电子设备及存储介质 | |
CN116452831A (zh) | 天然气掺氢燃烧系统调整方法、装置及电子设备 | |
CN112258592A (zh) | 一种人脸可见光图的生成方法及相关装置 | |
CN107292331A (zh) | 基于无监督特征学习的无参考屏幕图像质量评价方法 | |
CN111537447A (zh) | 光谱重建方法、印刷质量的评估方法、系统及电子设备 | |
CN114663709B (zh) | 一种应急污水处理方法、装置及设备 | |
CN112560706A (zh) | 一种多源卫星图像水体目标识别方法及装置 | |
Kuo et al. | Chroma Component Generation of Gray Images Using Multi-Scale Convolutional Neural Network | |
CN116895050B (zh) | 一种隧道火灾识别方法及装置 | |
CN111476731B (zh) | 图像矫正方法、装置、存储介质及电子设备 | |
CN117372881B (zh) | 一种烟叶病虫害智能识别方法、介质及系统 | |
CN116844241B (zh) | 基于着色的红外视频行为识别方法、系统和电子设备 |
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 |