基于数字图像和炉膛参数结合的灭火诊断分析

作     者：王瑞丹 

作者单位：华北电力大学(北京) 

学位级别：硕士

导师姓名：杨国田

授予年度：2017年

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：火焰图像检测 挥发分 灭火诊断 大数据 神经网络 

摘      要：本文研究的主要目是通过火焰图像检测,判断炉膛内火焰是否有灭火迹象,并分析造成灭火的原因。主要研究方法是对采集的三种情况下锅炉燃烧过程中的火焰图像进行特征检测,采集了黑龙面积,挥发分燃烧面积、挥发分燃烧能量差、火焰颜色和温度等特征参数后,对数据进行初步处理得到燃烧速率、燃烧波动幅度和频率等特征参数,然后利用主成分分析法减少特征参量的维度,再分别用BP神经网络和支持向量机SVM训练和分类,分析得出可能引发炉膛灭火的因素。煤粉燃烧过程中,挥发分燃烧处于煤粉中碳元素着火与没着火之间,因此在不同原因造成灭火之前,挥发分燃烧的表现可以反映出煤粉燃烧的状态和程度,以及造成不稳定的原因。通过对采集数据的观察和分析,发现挥发分燃烧区域受一次风配比影响较大,燃烧区域的抖动现象,能直接反映出一次风与燃烧稳定性的关系。本文主要应用数字图像的处理方法,将火焰图像分区为未燃区、初燃区、燃烧区和燃烬区,其中初燃区主要是挥发分的燃烧区域,未燃区和初燃区组成黑龙区。采集了4个区的面积,黑龙区的长度,采用双色法测量了燃烧区的温度等特征参数,并结合炉膛测量的温度参数,对摄像头的成像参数进行对数修正。直接采集的火焰图像的数据参数较多,分析较为复杂,本文应用大数据处理的方法,对数据进行降维后,消除了数据的相关性,使数据的表达更为高效。再对其应用经过参数优化的BP神经网络和支持向量机进行训练和分类,减少了冗余后的输入数据,提高了神经网络的精度,对比测试结果显示,经过遗传算法优化的BP神经网络,输出造成灭火原因的准确性更高。