CN116778301A - 一种炉膛火焰燃烧状态定量检测方法及系统 - Google Patents
一种炉膛火焰燃烧状态定量检测方法及系统 Download PDFInfo
- Publication number
- CN116778301A CN116778301A CN202310769036.5A CN202310769036A CN116778301A CN 116778301 A CN116778301 A CN 116778301A CN 202310769036 A CN202310769036 A CN 202310769036A CN 116778301 A CN116778301 A CN 116778301A
- Authority
- CN
- China
- Prior art keywords
- flame
- encoder
- image data
- combustion state
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 68
- 208000002079 spinocerebellar ataxia with epilepsy Diseases 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
- G06V10/70—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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种炉膛火焰燃烧状态定量检测方法及系统，涉及燃烧状态检测技术领域，该方法包括：采集炉膛火焰在设定时间段内的图像数据和过程参数；将预处理后的图像数据输入图像潜在特征提取模型得到图像潜在特征矩阵；图像潜在特征提取模型为训练好的DANet‑SCAE模型；对各图像潜在特征矩阵降维，得到燃烧状态指标；从过程参数中，筛选与燃烧状态指标之间相关系数大于设定值的特征参数；对各图像数据的燃烧状态指标与特征参数线性加权组合得到火焰状态指标；对火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态。本发明实现炉膛火焰燃烧状态的定量检测。
Description
技术领域
本发明涉及燃烧状态检测技术领域，特别是涉及一种炉膛火焰燃烧状态定量检测方法及系统。
背景技术
目前，中国新能源电力占比不断提高，但由于其强烈的间歇性与波动性，火力发电仍是当前最主流的发电方式。炉膛火焰的燃烧状态是电网系统的重要指标，对电力系统的稳定运行影响巨大。中国炉膛内火焰燃烧状态传统检测方法主要基于实验和机理模型，但由于工业燃烧行为复杂，燃烧状态受多种变量影响，模型准确性通常受到限制。基于图像的火焰燃烧状态检测方法因无需复杂的机理模型、直接从图像中获取特征信息判断燃烧状态、具有更高的及时性和准确性而广泛应用。
由于人工智能的兴起与发展，目前对于基于图像的火焰燃烧状态的评估方法集中在基于特征工程的机器学习方法和近年来更受欢迎的深度学习方法。但机器学习方法很大程度上依赖于先验知识和特征选择，过程复杂且泛化能力较差，而深度学习方法无需人工选择特征，具有更优良的性能。在当前燃烧状态检测中，大方法多只进行定性分类，将燃烧状态分为稳定与不稳定两种状态，对于不同类别的临界状态的划分和识别通常都较为困难，且模型检测精度受限于人工标注的数据。
发明内容
本发明的目的是提供一种炉膛火焰燃烧状态定量检测方法及系统，实现炉膛火焰燃烧状态的定量检测。
为实现上述目的，本发明提供了如下方案：
一种炉膛火焰燃烧状态定量检测方法，包括：
采集炉膛火焰在设定时间段内的图像数据和过程参数；
对各所述图像数据进行预处理；
将预处理后的图像数据输入图像潜在特征提取模型，得到图像潜在特征矩阵；所述图像潜在特征提取模型为采用无监督学习方法训练好的DANet-SCAE模型，DANet-SCAE模型为将DANet加入到SCAE第一层的卷积自编码器的第一次卷积池化后的模型；
根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标；
根据皮尔逊相关系数从图像数据对应的过程参数中，筛选与所述燃烧状态指标之间相关系数大于设定值的特征参数；
对各图像数据的燃烧状态指标与对应特征参数进行线性加权组合，得到各图像数据的火焰状态指标；
对各图像数据的火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态。
可选地，所述过程参数包括燃烧器火检信号、负荷指令、实际负荷、主汽压力、主汽温度、主汽流量、给水流量和总燃料量。
可选地，对各所述图像数据进行预处理，具体包括：
对各图像数据进行中值滤波操作，将各图像数据转换为960×576分辨率的图像；
利用双线性方法法将960×576分辨率的图像的分辨率压缩为128×128；
采用归一化操作将分辨率压缩为128×128的图像中像素点的数值范围由0至255转换为0至1，得到预处理后的图像数据。
可选地，根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标，具体包括：
利用主成分分析法对图像潜在特征矩阵进行降维处理，得到降维处理后矩阵；
采用一次指数平滑方法对降维处理后矩阵进行平滑处理；
对平滑处理后矩阵进行归一化处理，得到燃烧状态指标。
可选地，所述DANet-SCAE模型包括依次连接的第一编码器、DANet、第二编码器、第三编码器、第四编码器、展平层、第五编码器、第五解码器、维度重构层、第四解码器、第三解码器、第二解码器和第一解码器；
第一编码器、DANet、第二编码器、第二解码器和第一解码器构成第一卷积自编码器；第三编码器、第四编码器、第四解码器和第三解码器构成第二卷积自编码器；展平层、第五编码器、第五解码器和维度重构层构成自编码器；
所述DANet-SCAE模型的训练过程包括：
基于火焰训练集，以最小化输入第一卷积自编码器的样本火焰图像与输出第一卷积自编码器的重构火焰图像之间的误差为学习目标，训练所述第一卷积自编码器；
以最小化输入第二卷积自编码器的第一层潜在特征向量与输出第二卷积自编码器的重构后的第一层潜在特征向量之间的误差为学习目标，训练所述第二卷积自编码器；
以最小化输入自编码器的第二层潜在特征向量与输出自编码器的重构后的第二层潜在特征向量之间的误差为学习目标，训练所述自编码器。
可选地，所述设定值为0.8。
可选地，不同的火焰燃烧状态包括稳定燃烧状态和不稳定燃烧状态。
本发明公开了一种炉膛火焰燃烧状态定量检测系统，包括：
数据采集模块，用于采集炉膛火焰在设定时间段内的图像数据和过程参数；
预处理模块，用于对各所述图像数据进行预处理；
特征提取模块，用于将预处理后的图像数据输入图像潜在特征提取模型，得到图像潜在特征矩阵；所述图像潜在特征提取模型为采用无监督学习方法训练好的DANet-SCAE模型，DANet-SCAE模型为将DANet加入到SCAE第一层的卷积自编码器的第一次卷积池化后的模型；
燃烧状态指标确定模块，用于根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标；
特征参数确定模块，用于根据皮尔逊相关系数从图像数据对应的过程参数中，筛选与所述燃烧状态指标之间相关系数大于设定值的特征参数；
火焰状态指标确定模块，用于对各图像数据的燃烧状态指标与对应特征参数进行线性加权组合，得到各图像数据的火焰状态指标；
燃烧状态确定模块，用于对各图像数据的火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明将预处理后的图像数据输入图像潜在特征提取模型，得到图像潜在特征矩阵；其中，图像潜在特征提取模型为采用无监督学习方法训练好的DANet-SCAE模型，避免了人工标注数据的过程；基于各图像潜在特征矩阵得到各图像数据的火焰状态指标，对各图像数据的火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态，实现炉膛火焰燃烧状态的定量检测。
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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种炉膛火焰燃烧状态定量检测方法流程图；
图2为本发明实施例提供的一种炉膛火焰燃烧状态定量检测方法原理流程示意图
图3为本发明实施例提供的DANet-SCAE模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种炉膛火焰燃烧状态定量检测方法及系统，实现炉膛火焰燃烧状态的定量检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
自编码器(autoencoder，AE)是一类在半监督学习和无监督学习中使用的人工神经网络，可以对输入信息进行表征学习。堆叠自编码器(stackedAE，SAE)能够学习到原输入数据更深层次的信息表达，有更好的重构图像性能。卷积自编码器(convolutionAE，CAE)能更好的保留图像的空间信息，在此基础上，将SAE和CAE结合建立堆叠卷积自编码器(stacked CAE，SCAE)，可以更好的提取火焰图像潜在特征。双重注意力融合网络(DualAttention Network，DANet)注意力机制由位置注意力机制和通道注意力机制组合而成，位置注意力模块通过所有位置处的特征的加权和来选择性地聚合每个位置的特征，通道注意力模块通过整合所有通道映射之间的相关特征来选择性地强调存在相互依赖的通道映射，两个注意模块的输出相加进一步改进特征表示。为降低对人工标记的依赖，提高检测精度。本发明建立基于DANet-SCAE的火焰潜特征提取网络，定义燃烧状态指数，结合炉膛信号计算燃烧稳定性结果。
如图1所示，本实施例提供的一种炉膛火焰燃烧状态定量检测方法，具体包括如下步骤。
步骤101：采集炉膛火焰在设定时间段内的图像数据和过程参数。
其中，设定时间段为一天24小时。
步骤102：对各所述图像数据进行预处理。
其中，步骤102具体包括：
对各图像数据采用像素平均法计算均值。
基于各图像数据的均值，对各图像数据进行中值滤波操作，将各图像数据转换为960×576分辨率的图像。中值滤波操作为了提升模型的训练效率，减少训练的数据量和时间，削弱炉膛内噪声的影响和数据传输过程中信号强度的损失，利用像素平均法对每秒内的25帧的图片进行处理，然后进行中值滤波操作；获得代表该秒级时间段的高质量燃烧火焰图像。
利用双线性方法法将960×576分辨率的图像的分辨率压缩为128×128。
采用归一化操作将分辨率压缩为128×128的图像中像素点的数值范围由0至255转换为0至1，即由[0,255]转换为[0,1]，得到预处理后的图像数据。
步骤103：将预处理后的图像数据输入图像潜在特征提取模型，得到图像潜在特征矩阵；所述图像潜在特征提取模型为采用无监督学习方法训练好的DANet-SCAE模型，DANet-SCAE模型为将DANet加入到SCAE第一层的卷积自编码器的第一次卷积池化后的模型。
如图2所示，所述DANet-SCAE模型包括依次连接的第一编码器e1、DANet、第二编码器e2、第三编码器e3、第四编码器e4、展平层(Flatten)f、第五编码器e5、第五解码器d5、维度重构层uf、第四解码器d4、第三解码器d3、第二解码器d2和第一解码器d1。
第一编码器、DANet、第二编码器、第二解码器和第一解码器构成第一卷积自编码器(图2中第一个CAE层)；第三编码器、第四编码器、第四解码器和第三解码器构成第二卷积自编码器(图2中第二个CAE层)；展平层、第五编码器、第五解码器和维度重构层构成自编码器(图2中第三个AE层)。
第五编码器和第五解码器均为线性层(Linear)，维度重构层为反展平层(Unflatten)。
其中，步骤103中第一层的卷积自编码器即为第一卷积自编码器，其中DANet注意力机制层加到SCAE模型中第一卷积自编码器的第一次卷积池化后。
所述DANet-SCAE模型的训练过程包括：
基于火焰训练集训练DANet-SCAE模型。火焰训练集中样本数据为样本火焰图像。
其中，火焰训练集的构建包括：从某燃煤发电锅炉数据库中，采集炉膛火焰在各个燃烧状态下的视频数据与分散控制系统(DCS)中相关的过程参数。视频数据时长为3小时，帧率为25，记录了在不同给定条件下火焰状态从稳定燃烧到不稳定燃烧直至熄火，再重新燃烧至稳定状态的过程中图像数据。
所述过程参数包括燃烧器火检信号、负荷指令、实际负荷、主汽压力、主汽温度、主汽流量、给水流量、总燃料量、第一级压力1、第一级压力5、第一级压力6、分离器A出口温度、分离器B出口温度、分离器C出口温度、分离器D出口温度、储水箱排汽压力1、储水箱排汽压力2、储水箱排汽压力3、再热汽温、省煤器入口压力1、省煤器入口压力2、省煤器入口温度1、省煤器入口温度2、省煤器入口温度3等变量。
不同给定条件具体包括：13:00:00-14:35:00给煤量基本保持稳定，随后逐渐降低给煤量，在30t/h时经历8分钟左右的平台期后继续下降，于14:45:15下降至0t/h，到15:02:00一直维持在熄火状态，随后开始逐渐增加给煤量至60t/h左右，并保持给煤量稳定至16:00:00。
训练第一层(第一卷积自编码器)：以最小化输入第一卷积自编码器的样本火焰图像与输出第一卷积自编码器的重构火焰图像之间的误差为学习目标，训练所述第一卷积自编码器。
训练第二层(第二卷积自编码器)：以最小化输入第二卷积自编码器的第一层潜在特征向量与输出第二卷积自编码器的重构后的第一层潜在特征向量之间的误差为学习目标，训练所述第二卷积自编码器。
训练第三层(自编码器)：以最小化输入自编码器的第二层潜在特征向量与输出自编码器的重构后的第二层潜在特征向量之间的误差为学习目标，训练所述自编码器。
其中，步骤103中图像潜在特征矩阵为训练好的DANet-SCAE模型的输出，即第一解码器的输出。
作为具体实施方式，DANet-SCAE模型训练过程更具体的包括：
训练第一层：经过预处理后的图像经过第一编码器e1、DANet、第一编码器e2获得大小为32×32×32的第一层潜在特征向量，然后经过第二解码器d2和第一解码器d1重构出与原始像素相同的火焰图像，此阶段网络的学习目标为最小化重构的火焰图像和经预处理后输入到网络的图像之间的误差。
训练第二层：第一层潜在特征向量经过第三编码器e3、第四编码器e4获得大小为8×8×8的第二层潜在特征向量，然后经过第四解码器d4和第三解码器d3重构出第一层潜在特征向量，此阶段网络的学习目标为最小化重构第一层潜在特征向量和输入第一层潜在特征向量的误差。
训练第三层：第二层潜在特征向量经过数据平展层f、第五编码器e5获得最终256维的火焰潜在特征向量，然后经过第五解码器d5和维度重构层uf重构出第二层潜在特征向量，此阶段网络的学习目标为最小化重构第二层潜在特征向量和输入第二层潜在特征向量的误差。
微调整个DANet-SCAE特征提取网络(DANet-SCAE模型)的参数：此时将所有层级视为一个整体网络模型，通过反向传播和梯度下降算法对网络所有的权重、偏差等参数再次调整。
DANet-SCAE模型的网络配置如表1所示。
表1DANet-SCAE模型的网络配置
步骤104：根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标。
其中，步骤104具体包括：
利用主成分分析法(PCA)对图像潜在特征矩阵进行降维处理，得到降维处理后矩阵，具体包括：
取n＝256，分别计算k＝1，2，3，4，5，6...的累计方差贡献率，k1取使得前k1个主成分累计方差贡献率大于99％的最小值，具体计算公式如下：
其中，m为样本个数，Y、Y'分别为样本矩阵(图像潜在特征矩阵)和样本均值矩阵，将样本矩阵Y的每一维数据减去该维均值得到Y'，C为方差矩阵，λi为C的特征值的降序排列，ηk为第k个主成分方差贡献率，ηt为前t个主成分累计方差贡献率，U为k个主成分对应的特征向量，Z为降维处理后矩阵。
采用一次指数平滑方法对降维处理后矩阵进行平滑处理，以减少冗余信息，平滑因子设置为0.7。
对平滑处理后矩阵进行归一化处理，缩放至[0,1]，得到燃烧状态指标。
归一化处理的计算公式为：
式中，Z'为平滑处理后矩阵，Zmin为燃烧状态指标中的最小值，Zmax为燃烧状态指标中的最大值，Φ为最终的燃烧状态指标。
步骤105：根据皮尔逊相关系数从图像数据对应的过程参数中，筛选与所述燃烧状态指标之间相关系数大于设定值的特征参数。
所述设定值为0.8。
其中，步骤105具体包括：
对DCS采集的过程参数进行异常值筛查、缺失值增补以及归一化等操作。
针对每个图像数据，根据皮尔逊相关系数进行特征(每个图像数据对应的过程参数)初筛，选取参数(进行异常值筛查、缺失值增补以及归一化等操作后过程参数)与燃烧状态指标之间相关系数大于0.8的特征参数。
步骤106：对各图像数据的燃烧状态指标与对应特征参数进行线性加权组合，得到各图像数据的火焰状态指标。
线性加权组合的计算公式为：且/>
其中，Q表示火焰状态指标，n表示特征参数的数量与燃烧状态指标的数量之和，yi为燃烧状态指标与对应特征参数构成的集合中第i个值，wi为yi对应的权重系数。
权重系数wi为采用遗传算法(GeneticAlgorithm,GA)计算得到的。
步骤107：对各图像数据的火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态。
作为具体实施方式，不同的火焰燃烧状态包括稳定燃烧状态和不稳定燃烧状态。
作为另外一个具体实施方式，不同的火焰燃烧状态包括五个状态区间。
本发明的关键在于保护这种通过无监督学习方法对储炉膛火焰燃烧过程状态进行检测时，融合炉膛信息数据计算燃烧状态指数和稳定性结果进行稳定性定量分析。
本发明产生的有益效果是：
为保障火电机组的稳定运行，需要对机组中火焰燃烧状态精准检测与评估。本发明通过炉膛火焰燃烧的视频数据去提取火焰的特征信息，并利用DANet-SCAE模型这些信息进行训练进而达到精准检测与评估的能力，这对实现火力发电机组的经济、高效、安全的运行具有重要意义。
试验将处理后的10800张火焰图像按照8:2的比例分为训练集和测试集，使用自适应矩估计(adaptive moment estimation，Adam)进行训练，损失函数为MSE。损失函数值随着迭代次数的增大很快不再有明显的下降趋势，每一层损失函数最终都收敛，证明了模型的可靠性。
将DANet-SCAE模型的测试数据在MSE、峰值信噪比(peak signal to noiseratio，PSNR)、结构相似性(structural similarity，SSIM)方面与其他自编码器对比，可以得出DANet-SCAE特征提取网络展现出更优良的性能，具有更好的降噪能力和鲁棒性，更适合炉膛火焰潜在特征的提取。将数据采集实验过程中中燃烧稳定性结果的数值与炉膛风煤比、一二次风比结合分析，证明燃烧状态指标和燃烧稳定性结果能反映炉膛内火焰的燃烧状态。
如图3所示，本实施例提供的一种炉膛火焰燃烧状态定量检测系统，包括：
数据采集模块201，用于采集炉膛火焰在设定时间段内的图像数据和过程参数。
预处理模块202，用于对各所述图像数据进行预处理。
特征提取模块203，用于将预处理后的图像数据输入图像潜在特征提取模型，得到图像潜在特征矩阵；所述图像潜在特征提取模型为采用无监督学习方法训练好的DANet-SCAE模型，DANet-SCAE模型为将DANet加入到SCAE第一层的卷积自编码器的第一次卷积池化后的模型。
燃烧状态指标确定模块204，用于根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标。
特征参数确定模块205，用于根据皮尔逊相关系数从图像数据对应的过程参数中，筛选与所述燃烧状态指标之间相关系数大于设定值的特征参数。
火焰状态指标确定模块206，用于对各图像数据的燃烧状态指标与对应特征参数进行线性加权组合，得到各图像数据的火焰状态指标。
燃烧状态确定模块207，用于对各图像数据的火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种炉膛火焰燃烧状态定量检测方法，其特征在于，包括：
采集炉膛火焰在设定时间段内的图像数据和过程参数；
对各所述图像数据进行预处理；
将预处理后的图像数据输入图像潜在特征提取模型，得到图像潜在特征矩阵；所述图像潜在特征提取模型为采用无监督学习方法训练好的DANet-SCAE模型，DANet-SCAE模型为将DANet加入到SCAE第一层的卷积自编码器的第一次卷积池化后的模型；
根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标；
根据皮尔逊相关系数从图像数据对应的过程参数中，筛选与所述燃烧状态指标之间相关系数大于设定值的特征参数；
对各图像数据的燃烧状态指标与对应特征参数进行线性加权组合，得到各图像数据的火焰状态指标；
对各图像数据的火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态。
2.根据权利要求1所述的炉膛火焰燃烧状态定量检测方法，其特征在于，所述过程参数包括燃烧器火检信号、负荷指令、实际负荷、主汽压力、主汽温度、主汽流量、给水流量和总燃料量。
3.根据权利要求1所述的炉膛火焰燃烧状态定量检测方法，其特征在于，对各所述图像数据进行预处理，具体包括：
对各图像数据进行中值滤波操作，将各图像数据转换为960×576分辨率的图像；
利用双线性方法法将960×576分辨率的图像的分辨率压缩为128×128；
采用归一化操作将分辨率压缩为128×128的图像中像素点的数值范围由0至255转换为0至1，得到预处理后的图像数据。
4.根据权利要求1所述的炉膛火焰燃烧状态定量检测方法，其特征在于，根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标，具体包括：
利用主成分分析法对图像潜在特征矩阵进行降维处理，得到降维处理后矩阵；
采用一次指数平滑方法对降维处理后矩阵进行平滑处理；
对平滑处理后矩阵进行归一化处理，得到燃烧状态指标。
5.根据权利要求1所述的炉膛火焰燃烧状态定量检测方法，其特征在于，所述DANet-SCAE模型包括依次连接的第一编码器、DANet、第二编码器、第三编码器、第四编码器、展平层、第五编码器、第五解码器、维度重构层、第四解码器、第三解码器、第二解码器和第一解码器；
第一编码器、DANet、第二编码器、第二解码器和第一解码器构成第一卷积自编码器；第三编码器、第四编码器、第四解码器和第三解码器构成第二卷积自编码器；展平层、第五编码器、第五解码器和维度重构层构成自编码器；
所述DANet-SCAE模型的训练过程包括：
基于火焰训练集，以最小化输入第一卷积自编码器的样本火焰图像与输出第一卷积自编码器的重构火焰图像之间的误差为学习目标，训练所述第一卷积自编码器；
以最小化输入第二卷积自编码器的第一层潜在特征向量与输出第二卷积自编码器的重构后的第一层潜在特征向量之间的误差为学习目标，训练所述第二卷积自编码器；
以最小化输入自编码器的第二层潜在特征向量与输出自编码器的重构后的第二层潜在特征向量之间的误差为学习目标，训练所述自编码器。
6.根据权利要求1所述的炉膛火焰燃烧状态定量检测方法，其特征在于，所述设定值为0.8。
7.根据权利要求1所述的炉膛火焰燃烧状态定量检测方法，其特征在于，不同的火焰燃烧状态包括稳定燃烧状态和不稳定燃烧状态。
8.一种炉膛火焰燃烧状态定量检测系统，其特征在于，包括：
数据采集模块，用于采集炉膛火焰在设定时间段内的图像数据和过程参数；
预处理模块，用于对各所述图像数据进行预处理；
特征提取模块，用于将预处理后的图像数据输入图像潜在特征提取模型，得到图像潜在特征矩阵；所述图像潜在特征提取模型为采用无监督学习方法训练好的DANet-SCAE模型，DANet-SCAE模型为将DANet加入到SCAE第一层的卷积自编码器的第一次卷积池化后的模型；
燃烧状态指标确定模块，用于根据对各图像潜在特征矩阵进行降维处理，得到各图像数据的燃烧状态指标；
特征参数确定模块，用于根据皮尔逊相关系数从图像数据对应的过程参数中，筛选与所述燃烧状态指标之间相关系数大于设定值的特征参数；
火焰状态指标确定模块，用于对各图像数据的燃烧状态指标与对应特征参数进行线性加权组合，得到各图像数据的火焰状态指标；
燃烧状态确定模块，用于对各图像数据的火焰状态指标进行聚类，根据聚类结果将各图像数据分为不同的火焰燃烧状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769036.5A CN116778301A (zh) | 2023-06-27 | 2023-06-27 | 一种炉膛火焰燃烧状态定量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769036.5A CN116778301A (zh) | 2023-06-27 | 2023-06-27 | 一种炉膛火焰燃烧状态定量检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116778301A true CN116778301A (zh) | 2023-09-19 |
Family
ID=88007766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310769036.5A Pending CN116778301A (zh) | 2023-06-27 | 2023-06-27 | 一种炉膛火焰燃烧状态定量检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778301A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612110A (zh) * | 2023-12-13 | 2024-02-27 | 安徽省川佰科技有限公司 | 基于计算机视觉技术的炉膛火焰智能监控系统及方法 |
-
2023
- 2023-06-27 CN CN202310769036.5A patent/CN116778301A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612110A (zh) * | 2023-12-13 | 2024-02-27 | 安徽省川佰科技有限公司 | 基于计算机视觉技术的炉膛火焰智能监控系统及方法 |
| CN117612110B (zh) * | 2023-12-13 | 2024-05-14 | 安徽省川佰科技有限公司 | 基于计算机视觉技术的炉膛火焰智能监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
| CN116778301A (zh) | 一种炉膛火焰燃烧状态定量检测方法及系统 | |
| CN106201849B (zh) | 一种有限数据驱动的长寿命部件余寿预测方法 | |
| CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN109085805B (zh) | 一种基于多采样率因子分析模型的工业过程故障检测方法 | |
| CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
| CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
| CN117484031A (zh) | 光伏组件焊接加工设备 | |
| CN105631550A (zh) | 一种短时风电功率的组合预测方法 | |
| CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
| CN117172589A (zh) | 一种行业典型用户电力需求响应潜力评估方法 | |
| CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
| CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
| CN116992362A (zh) | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 | |
| CN116934117A (zh) | 一种碳排放峰值预测方法及系统 | |
| CN117113243A (zh) | 一种光伏设备异常检测方法 | |
| CN115932435A (zh) | 一种基于低频采集信号的居民非侵入式负荷监测方法 | |
| CN113742989B (zh) | 燃烧优化控制方法、装置、存储介质及电子设备 | |
| CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
| CN114065610A (zh) | 基于麻雀搜索算法优化核极限学习机的风电功率预测方法 | |
| CN111832145B (zh) | 一种油浸式电力变压器的故障诊断方法及系统 | |
| CN111027392A (zh) | 一种锅炉燃烧器火焰图像量化特征的半监督提取方法 | |
| Han et al. | A RP image-based health indicator construction method for wind turbine RUL prediction | |
| CN118349830A (zh) | 一种基于改进Seq2Seq模型的超超临界机组中间点温度预测方法 | |
| CN111008584A (zh) | 一种模糊自组织神经网络的电能质量量测缺失修复方法 |
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 |