[发明专利]一种基于图像识别的火焰稳定性监测方法

说明书

本发明公开了一种基于图像识别的火焰稳定性监测方法，包括以下步骤：采集不同燃烧工况下的火焰图像，经过图像预处理后分为训练集与验证集；在训练集中加入高斯白噪声，训练自编码网络；利用已训练的自编码网络提取验证集图像的深层特征，并重建验证集图像；采用高斯混合模型对提取的深层特征进行两分类，得到两个簇；识别得到的两个簇的稳定性类别，得到定性标签，再利用新提出的燃烧稳定性指标得到定量标签；将深层特征加上定性及定量标签，并利用其来训练高斯过程分类模型与高斯过程回归模型，确定最佳模型参数。本发明所建立的燃烧稳定性检测模型，能够定性及定量地识别单张火焰图像的稳定性，无需标签数据，具有良好的实用性。

技术领域

本发明属于燃烧稳定性检测领域，具体涉及一种火焰图像识别的稳定性监测方法。

背景技术

化石燃料锅炉广泛应用于发电行业中，保持长期稳定燃烧状态是安全运行的基本要求，但在实际运行中，燃烧不稳定现象屡有发生，特别是受煤质、调峰等因素的影响，加剧了此现象的发生频率。燃烧不稳定不仅会降低燃烧效率，增加污染物排放量，而且在极端情况下还会引起炉膛爆燃、灭火等事故，给整个机组的运行安全带来隐患。因此，建立准确、有效的燃烧稳定性监测系统，对实现燃烧优化控制具有重要实践意义。

目前工业现场的火焰监测主要有两种方式：火焰故障检测器和火焰电视系统。火焰故障检测器是利用可见光或红外传感器等检测设备，通过监测火焰的亮度或闪烁频率，判断燃烧状态。然而，这些检测设备容易受到恶劣环境、火焰位置波动等因素的影响，经常出现误报、漏报。火焰电视系统是火焰故障检测的辅助监测技术，可以直观地显示燃烧火焰，但该系统仅用于一般监视目的，图像的解释依赖于操作员的经验，观测结果因人而异，缺乏客观性。

随着图像处理技术的发展，燃烧诊断不断涌现新的检测方法。这些方法通常是利用CCD摄像机采集火焰图像，经数据处理后，实时输出检测结果，不但继承了火焰电视直观性的优点，又充分发挥了计算机强大的数据处理能力，使火焰图像检测功能得到了质的提升。目前，常见的数据处理方法主要分为两类：1)频域与时域方法，通过分析一段时间内图像数据变化的方差及功率谱密度进行故障诊断，但这种方法响应时间长，不能实时反映当前的燃烧状态；2)机器学习方法，利用图像特征构建非线性预测模型，但这种模型都是基于图像浅层特征建立的，诊断效果并不理想，鲁棒性差，还需要大量标签数据用于模型训练。此外，目前大多数据分析方法只能判断火焰的有无，而不能定量预测燃烧稳定性，对燃烧调整缺乏指导作用。

深度学习，被认为是机器学习的一个重大突破，其深层网络结构能够深层挖掘数据的本质特征，为传统机器学习方法无法解决的难题带来了希望。自编码网络属于深度学习算法的一种，它能够以无监督方式提取数据的深层特征。然而，该网络在训练过程中，经常会出现梯度消失或梯度爆炸等问题，且存在简单保存输入层信息的可能，学习不到有用的特征。即使采用传统的堆栈自编码网络在很大程度上解决了此问题，但多级单隐层复杂结构，需要逐层单独训练，无疑增加了训练复杂度。

发明内容

技术问题：

本发明所要解决的技术问题是针对上述现有技术存在的不足，而提供一种稳定性好且精度高的稳定性监测方法。

技术方案：

为解决上述技术问题，所采用的技术方案是：

一种基于图像识别的火焰稳定性监测方法，其特征在于，包括以下步骤：

步骤1、采集不同燃烧工况下的火焰图像，经过图像预处理后分为训练集与验证集；

步骤2、在训练集中加入高斯白噪声，训练自编码网络，该网络设计结构如图2所示；

自编码网络包含两级子网络；

在第一级子网络中，将平均结构相似度作为损失项引入到损失函数中，得到改进的损失函数L′₁，通过对比不同训练次数下的重建精度Q，确定最优训练次数；