燃烧状态预测及火焰图像识别
参考文献:
[1] 王万. 火焰学[M ]. 北京: 中国科学技术出版社, 1994.
[2] 卫成业, 严建华. 基于炉内火焰图像的燃烧诊断[J ]. 动
力工程, 2003, 3(6): 2 420- 2 427.
[3] 董晓峰, 高庆忠, 刘广生. 基于BP 网络的燃烧器火焰燃
烧状态识别[J ]. 东北电力学院学报, 2005, 25(1): 44
- 47.
[4] 朱曙光, 宋阁, 谭俊杰, 刘心志. 基于数字图像和SDBP
的预混火焰燃烧状态识别[J ]. 南京理工大学学报,
2006, 30(6): 688- 691.
[5] 姜仁峰, 卢兵. 实用预测技术[M ]. 哈尔滨: 哈尔滨船
舶工程学院出社, 1993.
本文对固定燃气流量改变空气流量的气体火焰
燃烧进行了研究, 应用数字图像技术和BP 人工神经
网络技术对典型的火焰燃烧状态进行了识别并对下
一时刻的燃烧状态进行了预测, 实验结论如下:
(1)结合计算机图像技术与BP 神经网络可以准
确地识别出典型的稳定燃烧、熄火危险和回火危险燃烧状态;
(2)传统的二次指数平滑模型可用于燃烧状态
预测分析, 能较好地预测下一步的燃烧状况, 为燃烧
状态调整提供依据;
(3)一次完整的图像采集、图像处理、燃烧状态
识别和预测需时015 s 左右, 这个时间会随着硬件配
置和算法的不同而有所差异。Ξ
摘要: 提出了一种基于人工神经网络的火焰图像在线识别及燃烧状态在线预测技术。图像检测系统采集火焰燃烧
图像, 并由图像识别程序提取其位置、形状及强度特征参数。依据这些参数, 利用附加动量项与学习率可变的BP 网
络识别火焰图像, 得到当前燃烧状态, 并利用指数平滑预测模型对下一步燃烧状态进行预测。实验结果表明: 此技
术对燃烧状态有较高的识别准确性, 可以有效地实现熄火、回火等状态的预测。
关键词: 火焰燃烧状态; BP 神经网络; 图像识别; 在线预测
中图分类号: TK39
燃烧火焰在能源、动力、化工、冶金等基础工业
及航空航天等高科技领域都占有重要地位。燃烧状
[1]
态的好坏直接关系到各项生产活动的正常进行 。
燃烧火焰是表征燃烧状态稳定与否最直接的反映,
而图像型火焰监测一方面有着火焰电视直观形象的
优点, 又能充分借助计算机强大的信息处理能力, 在
[2]
火焰监测方面显示出很强的优越性 。如果结合人
工神经网络技术, 就可以实现燃烧状态的自动识
[3, 4]
别 。本文拟利用计算机图像处理和BP 人工神经
网络, 在线实现气体燃烧火焰的燃烧状态识别并对
下一时刻的燃烧状态进行简单的预测。
1 实验方案
采用苯生灯实验台来模拟典型的火焰状态, 利
用摄像监控系统进行火焰拍摄, 拍摄到的图像经图
像采集卡进入计算机, 由图像识别程序提取火焰特
征信息进行燃烧状态识别和预测。
通过调节空气流量的大小以使火焰状态发生变
化。当空气流量逐渐调大时, 火焰由正常燃烧趋向于
熄火; 反之, 当空气流量逐渐调小时, 火焰由正常燃
烧趋向回火。因此可以将燃烧状态分为“正常燃烧”、
“回火危险”、“熄火危险”及其介于之间的中间状态。
2 火焰图像识别及燃烧状态预测
在一幅火焰图像上, 燃烧火焰的位置(根部、中Ξ
部、前部)、火焰大小、形状将直接反映燃烧火焰的状
况。虽然用确切的数学模型来描述燃烧火焰图像还
很困难, 但是有经验的操作人员可以根据火焰燃烧
的特征判别燃烧情况, 如“正常燃烧”、“扩散燃烧”、
“熄火危险”、“回火危险”等燃烧状态。这样火焰的燃
烧状态的识别, 其实就是将实时采集的火焰燃烧图
像映射为若干种标准模式之一的模式分类问题。由
于燃烧状况的复杂多变性, 这种映射是高度非线性
和不确定的, 适合于用神经网络对火焰图像进行识
别。如果在线采集火焰图像, 并通过图像识别程序计
算火焰的形状位置信息, 以形状位置信息为BP 神经
网络的输入, 就能根据火焰火焰图像进行燃烧状态
识别。
图像识别算法和BP 网络的算法描述请参考文
献 下面只给出 神经网络对燃烧状态进行识
[4], BP
别的具体步骤如下:
(1)将采集到的图像样本按工况分类;
(2)初步确定网络层数及隐层单元数;
(3)确定激励函数与学习算法: 确定隐层的激励
函数为对数- S 函数, 输出层的激励函数为对数- S
函数, 使用附加动量项与学习率自适应的BP 算法。
(4)训练网络: 以分类好的图像样本的特征信息
为输入项, 用试凑法逐步增加隐含层的单元数, 从中
确定网络误差最小时对应的隐含层的单元数, 最终
确定网络结构;
(5)测试网络: 利用该网络对若干个不变工况的
状态进行识别计算;
(6)推广网络: 利用该网络对若干个变工况的状550