[發明專利]一種基于火焰圖像和深度學習的燃燒工況監測方法和裝置

在審

• 申請號: 202010039651.7
• 申請日: 2020-01-15
• 公開（公告）號: CN111401126A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 田宏偉;趙恒斌;楊向東;柳倩;韓哲哲;許傳龍
• 申請（專利權）人: 國家能源集團諫壁發電廠
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京源古知識產權代理事務所(普通合伙) 32300
• 代理人: 杜杰

本發明公開了一種基于火焰圖像和深度學習的燃燒工況監測方法和裝置，首先利用圖像監測裝置，采集不同燃燒工況下的火焰圖像；將火焰圖像預處理后分為訓練集、驗證集和測試集；建立卷積稀疏自編碼，利用訓練集進行無監督訓練；完成訓練的卷積稀疏自編碼用于提取驗證集圖像的深層特征；建立Soft?max分類器，利用驗證集圖像的深層特征與標簽進行監督訓練；完成訓練的Soft?max分類器能夠對圖像深層特征進行準確分類，從而實現燃燒工況識別；利用測試集標簽圖像對所提監測方法進行性能檢驗。本發明所提出的監測裝置能夠穩定運行在高溫鍋爐上實現火焰圖像采集，所提出的監測方法能夠準確識別單張火焰圖像的燃燒工況，在燃燒工況監測領域中具有良好的應用前景。

技術領域

本發明涉及一種基于火焰圖像和深度學習的燃燒工況監測方法和裝置，屬于燃燒檢測領域。

背景技術

新能源發電系統受限于可再生資源的隨機性、間歇性，大規模并網會給電網的穩定運行帶來嚴重負面影響。為提供新能源并網足夠的可利用空間，火力發電機組有必要進行靈活性改造，以提高深度調峰的能力。基于此，電站鍋爐有可能的長期處于頻繁、快速的變負荷或長期低負荷工況下，引發煤粉著火困難、燃燒不穩定，甚至鍋爐滅火等現象，使得燃燒調整困難、燃燒效率降低，給火力發電機組的安全穩定運行帶來挑戰。因此，建立準確、可靠的燃燒狀態監測系統，對于預防潛在的危險，提高鍋爐運行的整體性能具有重要的意義。

火焰成像監測方法，不同于傳統的火焰檢測裝置，具有抗干擾、低維護等優點，是一種更為有效的監測方法。該方法通常包括兩個重要步驟：特征提取和狀態識別。特征提取是利用圖像處理技術獲取關鍵特征；狀態識別是對得到的圖像特征進一步分析，實現燃燒狀態識別。目前，常見的圖像處理技術主要分為兩類：1)頻域和時域方法，通過分析圖像的灰度值變化的方差和功率譜密度，推斷燃燒狀態變化趨勢。該方法存在響應時間長、泛化能力弱的缺點；2)機器學習方法，利用主成分分析或偏最小二乘方法以無監督方式提取圖像特征。然而，所得到的特征屬于圖像的淺層信息，缺乏魯棒性，導致識別精度低。

深度學習方法，被認為是人工智能領域的一個重大突破，其深層網絡結構能夠挖掘數據的本質特征，為傳統的數據驅動方法無法解決的難題提供了可能。深度學習網絡，不僅能夠克服淺層方法表現能力差的缺點，而且避免了特征選擇的繁瑣過程，可用于處理高維、大量圖像數據。自編碼是其中一種典型的深度學習網絡，能夠以無監督方式提取圖像的非線性特征。但自編碼在訓練過程中，容易會出現梯度消失或梯度爆炸等現象，存在簡單復制輸入層信息的可能，不能真正獲取圖像的關鍵信息。因此，仍需要開發更加智能的火焰圖像監測與識別方法，為燃燒調整與優化提供指導，使其更具有產業上的利用價值。

發明內容

為解決上述技術問題，本發明的目的是提供一種基于火焰圖像和深度學習的燃燒工況監測方法和裝置。

本發明的一種基于火焰圖像和深度學習的燃燒工況監測方法，包括以下步驟：

步驟1、利用圖像監測裝置采集爐膛火焰圖像，并記錄燃燒工況，所采集的圖像經預處理后分為訓練集、驗證集和測試集，其中，訓練集中的圖像不帶標簽，而驗證集和測試集中的圖像帶標簽；

步驟2、利用訓練集圖像無監督訓練卷積稀疏自編碼；將稀疏懲罰項、均方誤差與結構相似度相結合作為損失函數，表示為：

L＝L_SPT+L_MSE+L_SSIM

式中，L_SPT表示稀疏懲罰項，L_MSE表示均方誤差，L_SSIM表示結構相似度；

步驟3、利用完成訓練的CSAE網絡提取驗證集圖像的深層特征，并結合圖像標簽訓練Soft-max分類器；

步驟4、已訓練的Soft-max分類器能夠對新圖像特征進行分類，實現單張火焰圖像的燃燒工況識別，并利用測試集對其性能進行檢驗。