CN116906910A - 一种基于深度卷积神经网络的高效燃烧控制方法及系统 - Google Patents

Abstract

本发明提供了一种基于深度卷积神经网络的高效燃烧控制方法及系统，基于炉内全方位摄像头对火焰进行成像，再利用深度卷积神经网络模型对燃烧效率指标进行学习和诊断，在不对炉内火焰进行入侵式探测的前提下获得关键燃烧信息，且具有低延时、高可靠性的优点；并且以预测的CO、灰渣含碳量为核心控制基准的燃烧控制方法具有提高燃烧效率的天然优势，并始终保持CO排放处于高度可控状态，是下一步燃烧控制技术发展的主要方向；另外以现有余热锅炉出口氧量、烟囱CEMS作为辅助控制指标可以确保整套燃烧控制模式无漏洞，安全无隐患；本方案解决了焚烧炉负荷波动大、CO瞬时超标难控制以及过量空气系数高，增加燃烧安全性、提高燃烧效率的作用。

Description

一种基于深度卷积神经网络的高效燃烧控制方法及系统

技术领域

本发明属于燃烧控制领域，具体涉及一种基于深度卷积神经网络的高效燃烧控制方法及系统。

背景技术

燃烧控制是生活垃圾焚烧炉运行的难点，层燃型垃圾焚烧炉燃烧状态诊断主要依赖于传统的热电偶、余热锅炉出口氧化锆氧气测点、烟囱CEMS的一氧化碳(CO)测点以及人工观测CCD相机，这些诊断方法有效信息非常有限，如利用炉内热电偶、一次风压力差等数据时所代表意义不具有广泛的燃烧诊断意义且受干扰较大，CEMS数据时间延时大，一般在2～3min，增加了燃烧控制难度，人工观察CCD相机并判断具有很强主观性。这些检测手段不是代表性有限，就是时间延迟太长，导致入炉燃料发生改变时不能及时有效的进行针对性调整，典型代表性问题即CO瞬时超标难控制、过量空气系数高、燃烧调整频繁操作量大，共同导致层燃炉运行经济性差、安全性差，如为保证燃烬层燃炉常用过量空气系数为1.4～1.9，其大大高于煤粉炉、燃油炉、燃气炉的1.1～1.3。

另外，现有技术中基于机器学习算法的燃烧控制技术对提高燃烧效率帮助有限，如CN 106765199B专利只是着重对不同燃烧状态进行识别和分类，起到取代人工的作用，更进一步的CN 113313204 A专利是对污染物浓度进行预测，但对燃烧效率提升的燃烧控制并没有专门进行强化，仍然只能起到替代人工，起到增加自动化程度的作用，起不到增加燃烧安全性、提高燃烧效率的作用。

发明内容

本发明提供了一种基于深度卷积神经网络的高效燃烧控制方法及系统，基于火焰图像深度学习算法预测炉内CO和灰渣含碳量，并基于CO和灰渣含碳量建立炉内高效燃烧控制回路，解决了CO瞬时超标难控制、过量空气系数高、燃烧调整频繁操作量大等问题，增加燃烧安全性、提高燃烧效率的作用。

为解决上述技术问题，本发明采用以下技术方案：

一种基于深度卷积神经网络的高效燃烧控制方法，针对机械炉排式焚烧炉系统，执行以下步骤，实现对焚烧炉的实时燃烧控制：

步骤1：实时采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数；

步骤2：基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O₂量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型；

步骤3：基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；

步骤4：基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O₂量、焚烧炉烟囱CO量、预设焚烧炉出口O₂量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值，通过控制风机的开度实现对焚烧炉的实时燃烧控制。

作为本发明的一种优选技术方案，所述步骤1中，所述焚烧炉内火焰图像包括焚烧炉中炉排上的全部火焰图像、以及焚烧炉余热锅炉一烟道的全部火焰图像。

作为本发明的一种优选技术方案，所述步骤2中，所述预设各类型焚烧炉设计规格参数包括焚烧炉处理吨位、焚烧炉设计垃圾热值。

作为本发明的一种优选技术方案，所述步骤2中，所述预设各类型焚烧炉运行参数包括焚烧炉负荷率、焚烧炉炉温。

作为本发明的一种优选技术方案，所述风机包括一次风机、二次风机。

作为本发明的一种优选技术方案，所述步骤4，具体步骤如下：

步骤4.1：基于实时预测的焚烧炉内烟气中CO浓度、以及焚烧炉内排出的灰渣含碳量，结合预设焚烧炉内烟气中CO浓度目标值、预设焚烧炉内排出的灰渣含碳量目标值以及与风机开度调节对应的经验参数k1值，获得一次风机的开度调节增量e1，进而输入以开度调节增量为输入、以一次风机开度调节值为输出的模糊控制器，获得一次风机开度调节值；并且输入以开度调节增量为输入、以一次风温度调节值为输出模糊控制器，获得一次风温度调节值；

步骤4.2：基于实时预测的焚烧炉内烟气中CO浓度，结合焚烧炉烟囱CO量、焚烧炉出口O₂量、预设焚烧炉出口O₂量范围，获得二次风机的开度调节增量e4及增量变化量，进而输入以开度调节增量及增量变化量为输入、以二次风机开度为输出的模糊控制器，获得二次风机开度。

作为本发明的一种优选技术方案，所述步骤4.1中一次风机的开度调节增量e1通过以下公式获得：

e1＝max{预测的焚烧炉内排出的灰渣含碳量-预设焚烧炉内排出的灰渣含碳量目标值，0}+max{预测的焚烧炉内烟气中CO浓度-预设焚烧炉内烟气中CO浓度目标值}/100*k1；

式中，预设焚烧炉内排出的灰渣含碳量目标值为根据法律法规和运行要求设定的含碳量上限值；预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值；k1为预设权重调节因子。

作为本发明的一种优选技术方案，所述步骤4.2中，具体过程如下：

步骤4.2.1：基于实时预测的焚烧炉内烟气中CO浓度，结合预设焚烧炉内烟气中CO浓度目标值、焚烧炉烟囱CO量，通过以下公式，获得增量e2：

e2＝max{预测的焚烧炉内烟气中CO浓度-预设焚烧炉内烟气中CO浓度目标值，焚烧炉烟囱CO量-预设焚烧炉内烟气中CO浓度目标值，0}/100；

式中，预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值；

步骤4.2.2：基于焚烧炉出口O₂量、以及预设焚烧炉出口O₂量范围，通过以下过程，获得增量e3：

增量e3获得过程：当焚烧炉出口O₂量≤预设焚烧炉出口O₂量范围下限，则e3＝预设焚烧炉出口O₂量范围下限-焚烧炉出口O₂量；当焚烧炉出口O₂量＞预设焚烧炉出口O₂量范围上限，则e3＝预设焚烧炉出口O₂量范围上限-焚烧炉出口O₂量；当预设焚烧炉出口O₂量范围下限<焚烧炉出口O₂量≤预设焚烧炉出口O₂量范围上限，则e3＝0。

步骤4.2.3：基于增量e2、e3，通过以下公式，获得增量e4及e4变化率，进而输入模糊控制器，获得二次风机开度：

e4＝e2+e3*k2；

e4变化率＝d(e4)/t；

式中，k2为预设权重调节因子，t为时间。

一种基于所述深度卷积神经网络的高效燃烧控制方法的系统，包括数据采集模块、燃烧预测模型构建模块、燃烧预测模块、燃烧控制模块，

数据采集模块用于采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数；

燃烧预测模型构建模块用于基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O₂量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型；

燃烧预测模块用于基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；

燃烧控制模块用于基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O₂量、焚烧炉烟囱CO量、预设焚烧炉出口O₂量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值。

本发明的有益效果是：本发明提供了一种基于深度卷积神经网络的高效燃烧控制方法及系统，提供了更全面、及时的燃烧状态诊断，基于炉内全方位摄像头对火焰进行成像，再利用深度卷积神经网络模型对燃烧效率指标进行学习和诊断，在不对炉内火焰进行入侵式探测的前提下获得关键燃烧信息，且具有低延时、高可靠性的优点；并且以神经网络模型预测的CO、灰渣含碳量为核心控制基准参数的燃烧控制方法相比依赖余热锅炉出口氧量进行调节具有提高燃烧效率的天然优势，并始终保持CO排放处于高度可控状态，是下一步燃烧控制技术发展的主要方向；另外以现有余热锅炉出口氧量、烟囱CEMS作为辅助控制指标可以确保整套燃烧控制模式无漏洞，安全无隐患；本方案基于火焰图像深度学习算法预测炉内CO和灰渣含碳量，并基于CO和灰渣含碳量建立炉内高效燃烧控制回路，解决了焚烧炉负荷波动大、CO瞬时超标难控制以及过量空气系数高，增加燃烧安全性、提高燃烧效率的作用。

附图说明

图1为本发明实施例中焚烧炉及摄像头系统示意图；

图1中，1、焚烧炉；2、一次风机；3、二次风机；4、余热锅炉；41、余热锅炉与焚烧炉分界线；42、余热锅炉一烟道；43、余热锅炉二烟道；5、余热锅炉出口氧量仪；6、余热锅炉一烟道上部摄像头；61、摄像头视角范围；7、焚烧炉尾部摄像头；8、计算机；

图2为本发明实施例中顶部摄像头布置位置示意图；

图2中，a、烟道2/3高度以上位置；b、为一烟道顶部靠近前墙的一半空间；

图3为本发明实施例中火焰图像深度学习模型；

图4为本发明实施例中燃烧预测模型训练过程示意图；

图5为本发明实施例中一次风机的控制过程流程图。

图6为本发明实施例中二次风机的控制过程流程图。

具体实施方式

下面结合附图对本发明进行进一步说明。下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。

一种基于深度卷积神经网络的高效燃烧控制方法，针对机械炉排式焚烧炉系统，执行以下步骤，实现对焚烧炉的实时燃烧控制。

本实施例中，应用的焚烧炉如图1所示，为机械炉排式生活垃圾焚烧炉，包含焚烧炉、配风系统、余热锅炉和余热锅炉出口氧量测点等，具体有焚烧炉1、一次风机2、二次风机3、余热锅炉4、余热锅炉与焚烧炉分界线41、余热锅炉一烟道42、余热锅炉二烟道43、余热锅炉出口氧量仪6，其中焚烧炉包含进料装置、炉排片、排渣装置、炉拱等，炉排下部为一次风机系统，一次风干燥、燃烧、燃尽等过程划分为若干风室，二次风机位于焚烧炉上部，焚烧炉出口为余热锅炉，余热锅炉根据烟道数量从前往后依次划分为一烟道、二烟道、三烟道、水平烟道等，焚烧炉系统为常规设计。

步骤1：实时采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数。

所述步骤1中，所述焚烧炉内火焰图像包括焚烧炉中炉排上的全部火焰图像、以及焚烧炉余热锅炉一烟道的全部火焰图像。

本实施例中，焚烧炉内火焰图像可通过摄像头装置进行采集，摄像头需遵循以下设计和安装原则：

(1)在焚烧炉后拱至少设置一至多个摄像头，如图1中7所示焚烧炉尾部摄像头，摄像头观测范围需包含焚烧炉中炉排上的全部火焰范围，包括横向和竖直方向的所有燃烧区域均可观测；

(2)在余热锅炉一烟道上部设置至少一个摄像头，如图1中6所示余热锅炉一烟道上部摄像头，摄像头观测范围需至少包含一烟道2/3高度以下部位全部火焰范围，摄像头位置应在一烟道前墙2/3高度以上，如图1中62所示摄像头视角范围；或顶部靠近前墙的位置，如图2所示，其中a为烟道2/3高度以上位置，b为一烟道顶部靠近前墙的一半空间，即一烟道中心线的偏前墙一侧。在焚烧炉宽度方向，摄像头位于中心线附近，以等量观测两边的火焰。

(3)除以上摄像头的其他摄像头，提供火焰的更多可观测范围或观测信息均可。

本实施例中，摄像头可采用CCD或ICCD相机，对火焰发射可见光进行成像，也包括额外增加红外相机对料层火焰进行成像。

步骤2：基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O₂量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型。

所述预设各类型焚烧炉设计规格参数包括焚烧炉处理吨位、焚烧炉设计垃圾热值。所述预设各类型焚烧炉运行参数包括焚烧炉负荷率、焚烧炉炉温。

所述燃烧预测模型对应的训练数据集，本实施例中，是利用上述摄像头装置对多种工况下的炉内燃烧工况进行火焰成像，这里的工况为预设历史时间段内实时采集的焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数构成的各训练样本。采集火焰图像集，在采集火焰图像集的同时在余热锅炉二烟道或出口实时测量烟气中CO浓度，测量仪器可采用基于TDLAS(可调谐激光二极管)的CO激光气体分析仪等高精度、短延时、宽范围的测量技术以提高测量精度，同时收集焚烧炉对应燃烧工况排出的灰渣，测量灰渣含碳量(也叫灰渣热酌减率)，并将同一工况下的火焰图像、余热锅炉出口O₂量、负荷率、炉温、焚烧炉设计规格(包括但不限于处理吨位、设计垃圾热值)等与测量的CO浓度、灰渣含碳量进行一一对应建立训练数据集。典型工况应包括不同负荷、入炉垃圾热值、O₂含量、CO浓度下的工况，且多次重复，收集足够样本数据量。

所述燃烧预测模型包括特征提取模块、预测模块，所述特征提取模块用于针对所述步骤2中火焰图像进行特征提取获得各火焰图像分别对应的图像特征向量输入预测模块。本实施例中，通过深度卷积神经网络(DCNN)模型进行特征提取，如图3所示火焰图像深度学习模型，将以上摄像头采集火焰图像进行特征提取；并且将以上摄像头采集火焰图像、焚烧炉出口O₂量、焚烧炉设计规格、焚烧炉运行参数作为训练数据，将CO浓度、灰渣含碳量分别作为数据标签，对所述燃烧预设模型进行训练，得到预测焚烧炉CO、灰渣含碳量的燃烧预测模型。本实施例中采用深度卷积神经网络模型中包含的多个卷积层、池化层进行特征提取，以提高预测能力，基于每个摄像头的角度、环境不一样，看到的火焰部位也不一样，需要用不同的卷积核和池化方式来增强处理能力，需要根据训练结果去调整。因此，不同摄像头的图像可采用不同的卷积核和池化方式，以有利于提高不同摄像头的特征提取能力，不同摄像头图像提取特征后分别获得其对应的图像特征向量X_A、X_B…X_M。

图像特征向量与焚烧炉出口O₂量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数等参数形成的运行特征向量X_S一起作为预测模块的输入数据，预测模块的输出参数为炉内CO和灰渣含碳量。预测模块包括但不限于DCNN自带的全连接层、支持向量机、最小二乘支持向量回归等预测模型和方法，本实施例中，采用DCNN+支持向量机的组合模型，其中DCNN用于提取图像特征，支持向量机用于建立输入数据与预测对象的联系，没有采用DCNN中的全连接层进行预测，采用了支持向量机预测方法，因为其效率更高。

燃烧预测模型的训练过程如图4所示，首先需获取不同典型工况下的样本数据，包括图像、焚烧炉设计规格、关键运行参数以及测量的CO浓度、灰渣含碳量等，然后对图像进行DCNN特征提取，获得特征向量，再综合焚烧炉规格、运行数据、测量数据对预测模块进行学习训练，并对模型进行测试和评价，合格后得到目标模型，即燃烧预测模型，数据可导入DCS或燃烧控制ACC参与燃烧过程控制。

步骤3：基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；

步骤4：基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O₂量、焚烧炉烟囱CO量、预设焚烧炉出口O₂量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值，通过控制风机的开度实现对焚烧炉的实时燃烧控制，通过图1中的计算机8控制风机的温度和开度实现对焚烧炉的实时燃烧控制。

其中，烟囱是在烟气净化的最后一个环节，烟气最终排放到大气的排放口，所有此类项目都有烟囱。根据行业规范，所有的生活垃圾焚烧处置项目在烟囱处都会设置一个在线连续检测仪(叫CEMS)，用来检测排放到空气里的烟气的各种参数，如烟气量，烟气中污染物浓度，其中就有CO，只是CEMS的数据延迟比较大，一般有2～3分钟，不适合用来做实时控制用，可以做辅助控制。

所述步骤4，具体步骤如下：

步骤4.1：基于实时预测的焚烧炉内烟气中CO浓度、以及焚烧炉内排出的灰渣含碳量，结合预设焚烧炉内烟气中CO浓度目标值、预设焚烧炉内排出的灰渣含碳量目标值以及与风机开度调节对应的经验参数k1值，获得一次风机的开度调节增量e1，进而输入以开度调节增量为输入、以一次风机开度调节值为输出的模糊控制器，获得一次风机开度调节值；并且输入以开度调节增量为输入、以一次风温度调节值为输出模糊控制器，获得一次风温度调节值。如图5所示。

所述步骤4.1中一次风机的开度调节增量e1通过以下公式获得：

e1＝max{预测的焚烧炉内排出的灰渣含碳量-预设焚烧炉内排出的灰渣含碳量目标值，0}+max{预测的焚烧炉内烟气中CO浓度-预设焚烧炉内烟气中CO浓度目标值}/100*k1；

式中，预设焚烧炉内排出的灰渣含碳量目标值为根据法律法规和运行要求设定的含碳量上限值，一般为3～5％；预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值，超过该限值即意味着需要进行运行操作以调整CO，一般为20～50mg/Nm3，也可以超过该范围；k1为预设权重调节因子，一般在0～5范围取值，也可以超过该范围，该值越大，CO调节所占的比重就越大。

步骤4.2：基于实时预测的焚烧炉内烟气中CO浓度，结合焚烧炉烟囱CO量、焚烧炉出口O₂量、预设焚烧炉出口O₂量范围，获得二次风机的开度调节增量e4及增量变化量，进而输入以开度调节增量及增量变化量为输入、以二次风机开度为输出的模糊控制器，获得二次风机开度。如图6所示。

所述步骤4.2中，具体过程如下：

步骤4.2.1：基于实时预测的焚烧炉内烟气中CO浓度，结合预设焚烧炉内烟气中CO浓度目标值、焚烧炉烟囱CO量，通过以下公式，获得增量e2：

e2＝max{预测的焚烧炉内烟气中CO浓度-预设焚烧炉内烟气中CO浓度目标值，焚烧炉烟囱CO量-预设焚烧炉内烟气中CO浓度目标值，0}/100；

式中，预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值；

步骤4.2.2：基于焚烧炉出口O₂量、以及预设焚烧炉出口O₂量范围，通过以下过程，获得增量e3：

增量e3获得过程：当焚烧炉出口O₂量≤预设焚烧炉出口O₂量范围下限，则e3＝预设焚烧炉出口O₂量范围下限-焚烧炉出口O₂量；当焚烧炉出口O₂量＞预设焚烧炉出口O₂量范围上限，则e3＝预设焚烧炉出口O₂量范围上限-焚烧炉出口O₂量；当预设焚烧炉出口O₂量范围下限<焚烧炉出口O₂量≤预设焚烧炉出口O₂量范围上限，则e3＝0。式中预设焚烧炉出口O₂量范围下限、上限分别为正常无需调整的O₂范围的下限和上限，根据不同焚烧炉、垃圾特性、操作要求等会有所不同，为经验参数，一般下限范围在3～5％，上限范围在5～7％，也可以超出该范围。

步骤4.2.3：基于增量e2、e3，通过以下公式，获得增量e4及e4变化率，进而输入模糊控制器，获得二次风机开度：

e4＝e2+e3*k2；

e4变化率＝d(e4)/t；

式中，k2为预设权重调节因子；k2为权重调节因子，该值越大，O2量调节比重就越大，一般取值0～2，也可以超过该范围；t为时间。

模糊控制理论是模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，模糊控制技术利用控制法则来描述系统变量间的关系，是一种非线性智能控制方法，具有简化系统复杂性，适用于非线性、时变、模型不完全的系统的优点，非常适合用于垃圾焚烧炉的配风控制。

基于上述方案，还提出了一种基于深度卷积神经网络的高效燃烧控制方法的系统，包括数据采集模块、燃烧预测模型构建模块、燃烧预测模块、燃烧控制模块，

数据采集模块用于采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数；

本实施例中，采集焚烧炉内火焰图像的装置包括(1)在焚烧炉后拱至少设置一至多个摄像头，摄像头观测范围需包含炉排上的全部火焰范围，包括横向和竖直方向的所有燃烧区域均可观测；(2)在余热锅炉一烟道上部设置至少一个摄像头，摄像头观测范围需至少包含一烟道2/3高度以下部位全部火焰范围，摄像头位置应在一烟道前墙2/3高度以上，或顶部靠近前墙的一半空间内，如图2所示；(3)除以上摄像头的其他摄像头，提供火焰的更多可观测范围或观测信息均可。

采集焚烧炉内烟气中CO浓度的装置采用基于TDLAS(可调谐激光二极管)的CO激光气体分析仪等高精度、短延时、宽范围的测量技术以提高测量精度。

燃烧预测模型构建模块用于基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O₂量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型；

燃烧预测模块用于基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；

燃烧控制模块用于基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O₂量、焚烧炉烟囱CO量、预设焚烧炉出口O₂量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值。

本发明设计了一种基于深度卷积神经网络的高效燃烧控制方法及系统，提供了更全面、及时的燃烧状态诊断，基于炉内全方位摄像头对火焰进行成像，再利用深度卷积神经网络模型对燃烧效率指标进行学习和诊断，在不对炉内火焰进行入侵式探测的前提下获得关键燃烧信息，且具有低延时、高可靠性的优点；并且以神经网络模型预测的CO、灰渣含碳量为核心控制基准参数的燃烧控制方法相比依赖余热锅炉出口氧量进行调节具有提高燃烧效率的天然优势，并始终保持CO排放处于高度可控状态，是下一步燃烧控制技术发展的主要方向；另外以现有余热锅炉出口氧量、烟囱CEMS作为辅助控制指标可以确保整套燃烧控制模式无漏洞，安全无隐患；本方案基于火焰图像深度学习算法预测炉内CO和灰渣含碳量，并基于CO和灰渣含碳量建立炉内高效燃烧控制回路，解决了焚烧炉负荷波动大、CO瞬时超标难控制以及过量空气系数高，增加燃烧安全性、提高燃烧效率的作用。

以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (9)

1.一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，针对层燃型机械炉排式焚烧炉系统，执行以下步骤，实现对焚烧炉的实时燃烧控制：

步骤1：实时采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数；

步骤2：基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O₂量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型；

步骤3：基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；

步骤4：基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O₂量、焚烧炉烟囱CO量、预设焚烧炉出口O₂量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值，通过控制风机的开度实现对焚烧炉的实时燃烧控制。

2.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤1中，所述焚烧炉内火焰图像包括焚烧炉中炉排上的全部火焰图像、以及焚烧炉余热锅炉一烟道的全部火焰图像。

3.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤2中，所述预设各类型焚烧炉设计规格参数包括焚烧炉处理吨位、焚烧炉设计垃圾热值。

4.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤2中，所述预设各类型焚烧炉运行参数包括焚烧炉负荷率、焚烧炉炉温。

5.根据权利要求1所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述风机包括一次风机、二次风机。

6.根据权利要求6所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤4，具体步骤如下：

步骤4.1：基于实时预测的焚烧炉内烟气中CO浓度、以及焚烧炉内排出的灰渣含碳量，结合预设焚烧炉内烟气中CO浓度目标值、预设焚烧炉内排出的灰渣含碳量目标值以及与风机开度调节对应的预设权重调节因子k1值，获得一次风机的开度调节增量e1，进而输入以开度调节增量为输入、以一次风机开度调节值为输出的模糊控制器，获得一次风机开度调节值；并且输入以开度调节增量为输入、以一次风温度调节值为输出模糊控制器，获得一次风温度调节值；

步骤4.2：基于实时预测的焚烧炉内烟气中CO浓度，结合焚烧炉烟囱CO量、焚烧炉出口O₂量、预设焚烧炉出口O₂量范围，获得二次风机的开度调节增量e4及增量变化量，进而输入以开度调节增量及增量变化量为输入、以二次风机开度为输出的模糊控制器，获得二次风机开度。

7.根据权利要求6所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤4.1中一次风机的开度调节增量e1通过以下公式获得：

e1＝max{预测的焚烧炉内排出的灰渣含碳量-预设焚烧炉内排出的灰渣含碳量目标值，0}+max{预测的焚烧炉内烟气中CO浓度-预设焚烧炉内烟气中CO浓度目标值}/100*k1；

式中，预设焚烧炉内排出的灰渣含碳量目标值为根据法律法规和运行要求设定的含碳量上限值；预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值；k1为预设权重调节因子。

8.根据权利要求6所述一种基于深度卷积神经网络的高效燃烧控制方法，其特征在于，所述步骤4.2中，具体过程如下：

步骤4.2.1：基于实时预测的焚烧炉内烟气中CO浓度，结合预设焚烧炉内烟气中CO浓度目标值、焚烧炉烟囱CO量，通过以下公式，获得增量e2：

e2＝max{预测的焚烧炉内烟气中CO浓度-预设焚烧炉内烟气中CO浓度目标值，焚烧炉烟囱CO量-预设焚烧炉内烟气中CO浓度目标值，0}/100；

式中，预设焚烧炉内烟气中CO浓度目标值为根据运行要求设定的CO瞬时浓度下限值；

步骤4.2.2：基于焚烧炉出口O₂量、以及预设焚烧炉出口O₂量范围，通过以下过程，获得增量e3：

增量e3获得过程：当焚烧炉出口O₂量≤预设焚烧炉出口O₂量范围下限，则e3＝预设焚烧炉出口O2量范围下限-焚烧炉出口O₂量；当焚烧炉出口O₂量＞预设焚烧炉出口O₂量范围上限，则e3＝预设焚烧炉出口O₂量范围上限-焚烧炉出口O₂量；当预设焚烧炉出口O₂量范围下限<焚烧炉出口O₂量≤预设焚烧炉出口O₂量范围上限，则e3＝0。

步骤4.2.3：基于增量e2、e3，通过以下公式，获得增量e4及e4变化率，进而输入模糊控制器，获得二次风机开度：

e4＝e2+e3*k2；

e4变化率＝d(e4)/t；

式中，k2为预设权重调节因子，t为时间。

9.一种基于权利要求1-8任意一项所述深度卷积神经网络的高效燃烧控制方法的系统，其特征在于，包括数据采集模块、燃烧预测模型构建模块、燃烧预测模块、燃烧控制模块，

数据采集模块用于采集焚烧炉内火焰图像、焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数；

燃烧预测模型构建模块用于基于火焰图像、烟气中CO浓度、灰渣含碳量、焚烧炉出口O₂量、预设各类型焚烧炉运行参数，结合预设各类型焚烧炉设计规格参数，训练构建以火焰图像、焚烧炉出口O₂量、预设各类型焚烧炉设计规格参数、预设各类型焚烧炉运行参数为输入，以烟气中CO浓度、灰渣含碳量为输出的燃烧预测模型；

燃烧预测模块用于基于燃烧预测模型，获得实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量；

燃烧控制模块用于基于实时预测的焚烧炉内烟气中CO浓度、焚烧炉内排出的灰渣含碳量，结合实时焚烧炉出口O₂量、焚烧炉烟囱CO量、预设焚烧炉出口O₂量范围、预设焚烧炉内烟气中CO浓度目标值、以及预设焚烧炉内排出的灰渣含碳量目标值，实时获得焚烧炉中风机的开度值。