火電廠煤粉鍋爐燃燒狀態(tài)智能監(jiān)測與評判研究.pdf

1、由于現(xiàn)代熱力發(fā)電設備向著大容量和高參數(shù)的方向發(fā)展，機組設備越來越復雜，對生產過程的控制品質要求越來越高?；痣姀S煤粉鍋爐燃燒狀態(tài)的監(jiān)測與評判，對于保障生產的安全性、經濟性和環(huán)保性是非常有意義的。將人工智能算法引入鍋爐燃燒狀態(tài)監(jiān)測與評判，可以提高監(jiān)測與判別的準確性、實時性，能為機組運行的自動控制提供可靠依據(jù)。目前火電廠煤粉鍋爐燃燒狀態(tài)監(jiān)測以火焰圖像為主要對象，從火焰圖像處理、火焰圖像狀態(tài)評判和火焰燃燒過程狀態(tài)建模的研究狀況來看，人工智能的研

2、究與應用具有積極的意義，為鍋爐火焰燃燒狀態(tài)監(jiān)測和評判開辟了智能化的新思路。本文在研究一些熱門人工智能算法和分析煤粉鍋爐的工作原理及影響鍋爐燃燒狀態(tài)的因素的基礎上，開展了以下三個方面的研究工作：①應用智能算法實現(xiàn)火焰圖像的預處理和特征提??；②利用火焰圖像和智能算法評判鍋爐燃燒狀態(tài)；③利用智能算法建立基于火焰圖像序列的鍋爐燃燒狀態(tài)識別模型。 本文提出了自適應投票法快速中值濾波(AVMF)算法用于圖像濾波。本文詳細介紹了煤粉鍋爐火焰燃

3、燒狀態(tài)監(jiān)測系統(tǒng)的構成和火焰圖像采集的原理。分析了火焰圖像的噪聲產生機理及常用噪聲去除方法。AVMF算法結合了自適應判斷噪聲點技術和投票法濾波算法，與現(xiàn)有其它中值濾波改進方法比較，既具有極高的處理速度，又能較好地保留圖像細節(jié)。 本文提出將遺傳算法和混合高斯馬爾可夫隨機模型用于火焰圖像的分割。由于煤粉火焰圖像的大噪聲和邊緣模糊的特點，采用傳統(tǒng)的基于灰度梯度的圖像分割方法不能取得滿意的效果。將遺傳算法應用于火焰圖像區(qū)域的分割和合并。實

4、驗結果表明該方法較之傳統(tǒng)方法具有更理想的分割效果?；趫D像數(shù)據(jù)的局部相關性，馬爾可夫隨機過程理論用一個二維隨機場模型來描述圖像。它用條件概率描述圖像的數(shù)據(jù)分布，用高斯分布特性描述單個像素及其鄰域關系。實驗結果表明利用混合高斯馬爾可夫隨機模型能夠分割噪聲圖像。 本文提出將隱馬爾可夫隨機模型(HMM)用于基于火焰圖像的燃燒狀態(tài)識別。在研究了煤粉燃燒機理的基礎上，提出了火焰圖像中反映燃燒特性的特征參數(shù)及其計算方法。根據(jù)火焰燃燒的隨機性

5、特點，率先建立了基于火焰圖像的鍋爐燃燒狀態(tài)識別HMM。實驗結果表明該方法能夠獲得較滿意的識別效果。 本文提出了將交互式學習神經網絡用于基于火焰圖像的燃燒狀態(tài)識別。利用球面鄰域理論構建神經網絡，使用交互式學習技術降低網絡構建的復雜度，提高模型識別精度。實驗結果表明該技術的能夠獲得更好的識別效果。 本文提出了將光滑支持向量回歸(SSVR)算法應用于火焰圖像序列預測。仿真結果表明該方法具有一定的預測效果。根據(jù)火焰圖像具有異常噪

6、聲的特點，本文率先提出了變ε光滑支持向量回歸(AεSSVR)算法，并用于火焰圖像序列分析。仿真結果表明AεSSVR能有效避免異常噪聲帶來的虛報警。 本文提出了將隱馬爾可夫模型應用于基于火焰圖像序列的燃燒狀態(tài)建模。利用隱馬爾可夫模型對于隨機過程的強大模式分類能力及其與傳統(tǒng)方法相比具備的獨特的自適應特性，本文率先建立了基于火焰圖像序列的鍋爐燃燒狀態(tài)的一維隱馬爾可夫模型和偽二維隱馬爾可夫模型。通過與神經網絡的對比，仿真結果表明偽二維隱

7、馬爾可夫模型具有更高的識別精度。 本文的主要理論創(chuàng)新點： (1)提出了自適應投票法快速中值濾波算法并用于火焰圖像濾波； (2)提出了變ε光滑支持向量回歸算法并用于火焰圖像序列分析。 本文的主要應用創(chuàng)新點： (1)將遺傳算法和混合高斯馬爾可夫隨機模型用于火焰圖像的分割； (2)將交互式學習神經網絡用于基于火焰圖像的燃燒狀態(tài)識別； (3)將隱馬爾可夫模型用于基于火焰圖像的燃燒狀態(tài)識別；