技术领域
[0001] 本
发明涉及
图像处理的过程监视技术领域，特别是涉及锅炉燃烧器火焰图像量化特征的半监督提取方法。
背景技术
[0002] 由于燃
煤锅炉燃用的
燃料特性多变，而且机组出
力频繁变化，易出现燃烧不稳定的现象，直接影响着整个机组运行的安全性。因此监视炉内燃烧的
稳定性并对燃烧进行调整优化一直是业界关注的热点。
[0003] 火焰
可视化和表征技术是深入了解
炉膛内部
煤粉燃烧的重要工具之一，旨在为燃烧调整提供安全保障。由于火焰图像包含信息巨大，往往需要综合多个不同的特征变量来反映燃烧过程。传统的火焰图像特征提取技术通常采用固定的提取
框架，如去噪、增强、分割以及特征提取等。但传统特征提取程序较为繁琐，提取的特征量的有效性往往依赖于
图像分割结果的合理性。
[0004] 因此提出一种锅炉燃烧器火焰图像量化特征的半监督提取方法解决
现有技术中存在的问题。
发明内容
[0005] 本发明公开了一种锅炉燃烧器火焰图像量化特征的半监督提取方法,所述方法包括以下步骤：
[0006] 步骤1：收集燃料燃烧火焰的视频，然后将视频转化为图像集，并调整图片大小，使其为长宽相等的正方形火焰图像；
[0007] 步骤2：利用步骤1中的图像集训练卷积自
编码器模型；
[0008] 步骤3：对卷积自编码器模型中编码网络的输出进行可视化，得到一组输入图像的特征图；
[0009] 步骤4：从步骤3中选取最能体现燃烧变化的特征图像，并将该特征图像展开为一个一维向量，作为待选
特征向量；
[0010] 步骤5：提取与燃烧状态相关的特征量，计算直接影响燃烧的过程参数与提取的特征量之间的相关系数，选取相关系数大于设定
阈值的特征量，然后对步骤4的待选特征向量进行滤波以滤除噪声。
[0011] 优选地，所述步骤1将视频转化为图像集时，根据需要对图片进行图片拉伸和压缩预处理，并结合图像记录的时间建立所述图像集。
[0012] 优选地,所述步骤2的训练步骤包括：
[0013] 步骤2.1：从数据集中随机选取部分火焰图像作为所述卷积自编码器模型的输入，模型输出为与输入图像大小完全一致的重构图像；
[0014] 步骤2.2：设自编码器模型输入图像为X，输出图像为Y，模型由解码过程g(·)和编码过程f(·)构成，数学描述为：
[0015] f:X→F
[0016] g:F→X
[0017] Y＝g(f(X))
[0018] 步骤2.3：从图像集中随机选取部分火焰图像作为所述卷积自编码器模型的输入，模型训练目标为模型输出图像与输入图像一致，由此设置损失函数：
[0019]
[0020] 其中，W,b为在f映射及g映射过程中涉及卷积过程的权重及偏置参数；n为每次训练过程的图片样本数；Xi为编码模型的第i个输入样本；Yi为对应的解码模型的第i个输出；
[0021] 步骤2.4：利用交叉损失熵作为损失函数对所述卷积自编码器模型进行训练，直到损失函数值降到预期范围或循环次数达到预期值。
[0022] 优选地,所述步骤3的输入图像特征图为经过卷积操作后的滤波图像。
[0023] 优选地,所述步骤5直接影响燃烧的过程参数包括：给煤量、一次
风量和煤粉浓度。
[0024] 本发明提出了一种锅炉燃烧器火焰图像量化特征的半监督提取方法，本发明简化了火焰图像特征提取的步骤，减少人为确定特征量的工作量，同时减少主观成分而带来的信息损失，可以有效地提取火焰图像中包含的更深层次信息，本发明通过卷积自编码模型提取的特征量可用于在线监视燃烧状态，为燃烧过程的控制优化提供指导作用。
附图说明
[0025] 图1为锅炉燃烧器火焰图像量化特征的半监督提取方法的
流程图。
[0026] 图2为三层自编码器结构示意图。
[0027] 图3为火焰图像特征提取过程中的卷积自编码器结构示意图。
[0028] 图4为编码器输出图片与输入图片对比图。
[0029] 图5为编码器输出特征参数经指数滑动窗滤波后与给煤量之间的对比曲线图。
[0030] 图6为编码器输出各特征参数与给煤率之间的相关系数对比图。
[0031] 图7为编码器输出特征参数经指数滑动窗滤波后与一次风温之间的对比曲线图。
[0032] 图8为编码器输出各特征参数与一次风温之间的相关系数对比图。
具体实施方式
[0033] 为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明
实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034] 本实施例选取连续4个小时燃烧的火焰图像进行分析。同时选取与锅炉燃烧过程相关的变量：给煤量、机组负荷。其中图5中y显示的是在[0s,14400s]区间内给煤量变化情况。从图中可看出，在5700s时开始切掉相应磨煤机，此时给煤率开始逐渐下降，6300s时磨煤机给煤率降为0t/h；在第7320s时重新启动F磨直到恢复稳定出力。根据燃烧原理，煤粉浓度是煤粉气流着火、燃烧特性最主要的影响因素，直接影响着锅炉燃烧的稳定性。煤粉浓度低时，煤粉空气混合物所需着火热量较少，并且少于供给的热量，因此能很快将煤粉气流加热至着火的
临界状态。由于煤粉浓度低，放出的热量少，燃烧不强烈，无法形成连续的火焰，向外
散热较大，
温度水平较低造成燃烧不稳定。因此当给煤率接近0t/h时，燃烧状态是不稳定的。选择给煤量作为锅炉燃烧状态变化的相关变量，以给煤量作为评价燃烧状态的指标并与后面自编码模型提取的特征量进行对比，验证特征提取方法有效性。
[0035] 下面结合附图和实施例，说明基于卷积自编码器模型的燃烧过程火焰图像特征提取方法。
[0036] 如图1所示基于
卷积神经网络模型与如图2所示的自编码器模型相结合的火焰图像特征提取方法实施步骤：
[0037] 将火焰视频转化为长宽相等的正方形
图像序列，这里本实施例中的火焰图像为彩色图像，通道数为3，长宽各设为128；
[0038] 对卷积自编码器模型进行训练，如图3所示，其中编码部分：输入X为128×128×3大小的火焰图像，采用64个大小为3×3的卷积核进行卷积，然后进行
池化处理(在本实施例中，所采用的的池化方式都是步长为2的不重叠最大池化)，输出为64×64×64大小的特征图；再采用32个大小为3×3的卷积核进行卷积，并进行池化处理，输出为32×32×32大小的特征图；最后采用16个大小为3×3的卷积核进行卷积，并进行池化处理，输出为16×16×16大小的特征图。解码过程与解码网络对称，首先将编码输出的16×16×16大小的特征图采用16个大小为3×3的反卷积核进行反卷积，输出为16×16×16大小的特征图；再进行反池化操作(反池化为池化的逆操作，它只能近似还原池化过程，本实施例中，所采用的反池化方式为步长为2的不重叠最大反池化)，并采用32个大小为3×3的反卷积核进行反卷积，输出为32×32×32大小的特征图；再进行反池化操作，并采用64个大小为3×3的反卷积核进行反卷积，输出为64×64×64大小的特征图；最后再进行反池化操作，并采用3个大小为3×3的反卷积核进行反卷积，输出为128×128×3大小的特征图，即自编码网络输出Y。
[0039] 进一步地，对火焰图像数据集进行编码加解码处理，要求模型的输出Y能尽可能还原输入X，本实施例中选择交叉熵作为衡量输入X与输出Y之间的误差，具体为：
[0040]
[0041] 设置训练过程循环次数为5000次，将损失函数收敛到可接受范围或预期值，此时模型训练完成。
[0042] 对编码网络输出进行可视化。将火焰图像输入编码网络，输出为16个16×16大小的特征图。图4为在三种不同给煤量条件下的原始火焰图像和对应的编码网络输出特征图，分别对应稳定、不稳定和灭火三种状态。观察分析这些输出特征图，可知第13张特征图中阴影部分代表煤粉面积，可以单独提取作为反映燃烧过程特征量。
[0043] 进一步地，提取第13张特征图的
亮度均值进行下一步的分析。
[0044] 将编码网络输出展开为一维向量；编码网络输出为16×16×16大小的特征图，展开为一维向量之后特征量个数为4096。
[0045] 提取能反映燃烧过程状态的特征量。本实施例中选择给煤量与一次风温作为直接影响燃烧状态的过程参数，分别计算编码网络输出各特征向量与给煤量(一次风温)之间的相关系数，并选取与过程参数相关系数绝对值较高的特征向量作为反映燃烧过程的特征量。图5为提取的火焰图像特征变量分别经过指数滑动窗滤波后的结果，其中x1为编码器输出特征向量中与给煤率正相关系数最高的特征变量，x2为编码器输出特征向量中与给煤率负相关系数最高的特征变量；x3为编码器输出第13个特征图亮度的平均值，y为燃烧过程中给煤率变化情况。从图中可得出，提取的特征量在一定程度上能有效反应燃烧过程变化，其中x2随着燃烧过程推进，与给煤量存在反比关系，x1与x3与给煤量存在正比关系,都能较为准确地反应燃烧状态。图6为编码器输出各特征参数与给煤率之间的相关系数，其中正相关系数最大值为0.909998，负相关系数最大值为-0.922144。类似地，图7为提取的火焰图像特征参数分别经过指数滑动窗滤波后的结果，其中x1为编码器输出特征向量中与一次风温正相关系数最高的特征变量，x2为编码器输出特征向量中与一次风温负相关系数最高的特征变量，y为燃烧过程一次风温变化情况。图8为编码器输出各特征参数与一次风温之间的相关系数，其中正相关系数最大值为0.903492，负相关系数最大值为-0.938299。
[0046] 最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
