基于燃烧混合系数和模糊识别的燃烧稳定性判别方法与流程

本发明属于燃烧火焰图像处理技术领域，具体涉及一种基于燃烧混合系数和模糊识别的燃烧稳定性判别方法。

背景技术：

煤炭是我国的主要能源之一，其中燃煤锅炉的消耗量占相当大的比例。电站锅炉燃烧稳定性直接关系到锅炉运行的可靠性和安全性，燃烧不稳定或者燃烧调整不好不但会引起蒸汽参数发生波动，锅炉热效率下降，而且可能会引起炉膛灭火，甚至引发炉膛爆炸，造成巨大的经济损失。因此对锅炉燃烧火焰进行实时检测，建立燃烧稳定性判别方法，提高燃烧效率，降低燃烧污染，具有重要工程应用意义。

现阶段针对锅炉燃烧稳定性的研究方法主要是通过测量火焰特征信号如火焰亮度、火焰强度和火焰光谱等，进而对其进行频谱分析等数学处理获取反映燃烧状况的特征信息。近年来随着我国大部分电站锅炉广泛使用火焰图像监控系统，为炉膛火焰检测提供了燃烧状态视觉信息，研究者们通过对火焰图像进行处理并提取相应特征量，结合神经网络、支持向量机、粗糙集理论和模糊识别等方法来完成锅炉燃烧稳定性状态的判别。

值得注意的是，煤粉与炉内热流的混合效果对炉内燃烧状况也有着重要影响，燃烧混合参数是用于表征煤粉与炉内热流混合效果的特征参数，若煤粉与炉内热流混合效果较好，则炉内燃烧状况较好，燃烧稳定；若混合效果较差，则会增加煤粉燃烧时间，降低煤粉燃烧效率，导致燃烧不稳定，因此燃烧混合系数对于锅炉燃烧稳定性研究有重要意义。

由上可知，现阶段基于火焰图像的燃烧稳定性判别方法还不够成熟，其没有考虑燃烧混合系数对锅炉燃烧稳定性的影响，导致燃烧稳定性判别结果准确度较低。

技术实现要素：

针对上述问题，本发明提出了一种基于燃烧混合系数和模糊识别的燃烧稳定性判别方法，该方法包括以下步骤：

步骤一，以火焰燃烧区为特征区域，提取相应灰度参数G和灰度位置分布参数D，计算燃烧混合系数H和燃烧混合系数波动△H；

步骤二，对燃烧图像进行边缘检测，计算黑龙长度DI和黑龙长度波动参数△DI；

步骤三，以燃烧混合系数H、燃烧混合系数波动△H、黑龙长度DI和黑龙长度波动参数△DI为特征指标，建立基于模糊识别的燃烧稳定性判别方法。

优选地，步骤一中，燃烧混合系数H的计算方法如下：以火焰燃烧区为特征区域,对其进行分块处理，提取各分块区域内的灰度分布信息，包括灰度参数G与灰度位置分布参数D，所述灰度参数G通过构建各分块区域内像素灰度级统计信息的特征向量与最佳特征向量的欧氏距离并加权获得，所述灰度位置分布参数D是通过各子区域的灰度信息，以图像上子区域到黑龙边缘的距离作为其位置信息，构建其中N为子区域数，为子区域灰度级特征，为第j子区域第i灰度级集合像素点数，p_i为权重向量P中的第i个分量，n为灰度级数，s_i为第i子区域中心点到分割直线的距离；

根据所述灰度参数G和所述灰度位置分布参数D确定燃烧混合系数其中α为权重系数，取值范围为(0,1)，为归一化灰度参数，为归一化灰度位置分布参数，其中t为子区域像素点。

优选地，燃烧混合系数波动参数△H计算方法如下：取两帧连续时间火焰视频图像的混合系数差ΔH_i＝|H_i-H_i-1|来描述该时刻燃烧混合系数波动情况，以此反应锅炉燃烧稳定，其中ΔH_i为i时刻的燃烧混合系数波动参数，H_i为i时刻的燃烧混合系数，H_i-1为i-1时刻的燃烧混合系数。

优选地，步骤二中，黑龙长度DI的计算方法如下：根据黑龙长度有效区域和煤粉气流运动方向确定n条待检测直线，通过一阶差分算法寻找每条直线灰度梯度最大点，得到n组黑龙边缘坐标，每个边缘点到火焰图像边界的距离为其平均值即是火焰图像的黑龙长度其中(x_i0,y_i0)为第i直线初始像素点坐标，(x_ij,yi_j)为第i条直线灰度梯度最大像素点坐标。

优选地，黑龙长度波动参数△DI计算方法如下：取两帧连续时间火焰视频图像的黑龙长度差ΔDI_i＝|DI_i-DI_i-1|来描述该时刻黑龙长度波动情况，其中ΔDI_i为i时刻的黑龙长度波动参数，DI_i为i时刻的黑龙长度，DI_i-1为i-1时刻的黑龙长度。

优选地，步骤三中，建立基于燃烧混合系数和模糊识别的燃烧稳定性判别方法包括以下步骤：

(1)选取所述燃烧混合系数H和所述黑龙长度参数DI的隶属度函数分别为偏大型岭形分布函数、中间型二次抛物线分布函数，选取所述燃烧混合系数波动参数△H和所述黑龙长度波动参数△DI的隶属度函数均为偏小型的二次抛物型分布；

(2)选取稳定燃烧火焰视频图像的特征指标隶属度作为稳定标准模糊集U₁，选取不稳定燃烧火焰视频图像的特征指标隶属度作为不稳定标准模糊集U₂；

(3)提取待判定火焰图像特征参数，计算特征指标隶属度，构建燃烧稳定性判别方法的因素模糊集合A_i，分别计算A_i与稳定标准模糊集U₁和不稳定标准模糊集U₂的欧几里得贴近度，利用择近原则判别燃烧稳定性。

本发明根据煤粉燃烧图像，构建了基于燃烧混合系数和模糊识别的燃烧稳定性判别方法，实现了对锅炉燃烧稳定性的判别，该方法充分考虑了燃烧混合系数对燃烧稳定性的影响，具有很好的识别火焰燃烧稳定性的能力，能够正确区分燃烧稳定性与不稳定性的情况，准确率较高。

附图说明

图1是本发明提出的燃烧稳定性判别方法流程图

图2是本发明实施例的燃烧图像

图3是本发明实施例的燃烧图像黑龙长度有效区域示意图

具体实施方式

下面结合附图，对实施例作详细说明。

锅炉燃烧过程中，燃烧混合系数直接影响锅炉燃烧状况，本发明通过图1所示的方法对燃烧稳定性进行判别，具体包括以下步骤：

步骤一：以火焰燃烧区为特征区域，提取相应灰度参数G和灰度位置分布参数D，计算燃烧混合系数H和燃烧混合系数波动△H，详细如下：

通过火焰图像传感器采集燃烧图像，本发明实施例使用的是大小为320*240的燃烧图像，参见图2。以火焰燃烧区为特征区域，对特征区域进行分块处理，分割成N个大小为t×t的相邻无空隙的子区域，依次对每个子区域进行灰度分级处理，提取各分块区域内的灰度分布信息，包括灰度参数G与灰度位置分布参数D，从而将炉内煤粉像素在空间位置上的图像灰度分布状况引入到煤粉与炉内热流混合效果-燃烧混合系数的度量。

灰度参数G是通过构建各分块区域内像素灰度级统计信息的特征向量与最佳特征向量的欧氏距离并加权获得的。对应在n级灰度图像中，混合效果最差时，特征区域内像素点分布在较低灰度级集合中；混合效果最佳时，区域内像素点集中于较高灰度级集合中。同时由于灰度值较小的灰度级集合像素点越多，混合效果越差；灰度值较大的灰度级集合像素点越多，混合效果越好，因此通过加权来度量不同灰度级集合对混合效果评价的影响。

根据各子区域属于各灰度级集合像素点个数，得到在特征区域内属于各灰度级集合的像素点数。通过构建一个n维特征向量A＝(a₁,…,a_i,…,a_n)，其中a_i是第i灰度集合的像素点数与区域总像素点数的比值，理想状况下，煤粉与炉内热流混合效果最好时，燃烧效果最佳，燃烧图像特征区域亮度最高，所以以A_b＝(0,…,0,…,0,1)作为n维最佳特征向量。同时以作为权重向量，计算灰度参数其中，p_i,a_i,a_bi分别表示向量P,A,A_b中的第i个分量，N为子区域个数。

灰度位置分布参数D是通过各子区域的灰度信息，以图像上子区域到黑龙边缘的距离作为其位置信息，构建灰度位置分布参数其中N为子区域数，为子区域灰度级特征，为第j子区域第i灰度级集合像素点数，p_i为权重分量P中的第i个分量，n为灰度级数，s_i为第i子区域中心点到分割直线的距离。

根据灰度参数G和灰度位置分布参数D确定混合系数其中α为权重系数，取值范围为(0,1)，为归一化灰度参数，为归一化灰度位置分布参数，其中t为子区域像素点。

当煤粉气流速度或炉内温度等条件发生改变，则煤粉与炉内热流混合效果也将发生变化，此时燃烧混合系数将发生较大波动。取两帧连续时间火焰视频图像的燃烧混合系数差ΔH_i＝|H_i-H_i-1|来描述该时刻燃烧混合系数波动情况，以此反应锅炉燃烧的稳定与否，其中ΔH_i为i时刻的燃烧混合系数波动。

步骤二，对燃烧图像进行边缘检测，计算黑龙长度DI和黑龙长度波动参数△DI，详细如下：

在黑龙长度测量过程中，起作用的是混合气流的中部区域，其特征提取的有效区域如图3所示。当煤粉气流从未燃烧区进入初始燃烧区时，火焰图像沿气流方向的像素点灰度将大幅增加，而从初始燃烧区到未燃烧区，灰度快速降低，分别计算两方向上的灰度梯度，可以确定黑龙长度边缘像素点。采用一阶差分算法对火焰图像进行边缘检测。通过找到最大的前向差分，即图像中规定方向上灰度梯度最大点，确定黑龙边缘。

根据黑龙长度有效区域和煤粉气流运动方向确定n条待检测直线，并通过一阶差分算法寻找每条直线灰度梯度最大点，得到n组黑龙边缘坐标。每个边缘点到火焰图像边界的距离为其平均值即是火焰图像黑龙长度其中(x_i0,y_i0)为第i直线初始像素点坐标，(x_ij,y_ij)为第i条直线灰度梯度最大像素点坐标。

当由于外部条件改变导致煤粉气流或火焰扩展速度发生改变，黑龙将会前后移动，黑龙长度发生变化，将会导致煤粉着火不稳定，甚至吹灭火焰的现象，因此黑龙长度随时间改变情况能够反应燃烧稳定状况，取两帧连续时间火焰视频图像的黑龙长度差ΔDI_i＝|DI_i-DI_i-1|来描述该时刻黑龙长度波动情况，其中ΔDI_i为i时刻的黑龙长度波动。

步骤三，建立基于燃烧混合系数和模糊识别的燃烧稳定性判别：

燃烧混合系数H在最佳燃烧状况时数值应该接近于1，距离1越远燃烧效果越差。燃烧混合系数在0或1附近时，其数值增长对燃烧效果影响不大，反之则影响较大，因此选取偏大型岭形分布作为最佳燃烧混合系数隶属函数μ₁，取x为燃烧混合系数H，x∈[0,1]，则

燃烧混合系数波动ΔH波动较大时，燃烧效果变化较大，燃烧不稳定性增加，因此采用偏小型二次抛物型分布作为最佳燃烧混合系数波动隶属函数u₂。取x为混合系数波动50×ΔH，x∈[0,50]，则

黑龙长度DI在最佳燃烧状况时长度处于适中状态，黑龙长度越接近图像中部，燃烧效果越好，向中间靠拢时的燃烧效果提升越慢，反之，燃烧效果越差，但向中间靠拢时的燃烧效果提升越快。因此取中间型二次抛物线分布作为最佳黑龙长度隶属函数u₃，取DI_max为最大黑龙长度，x∈[0,1]，则

黑龙长度波动ΔDI趋近于0时燃烧效果最佳，随着黑龙长度波动增大，燃烧效果变差，燃烧效果变差的速度变快，由此选择偏小型二次抛物线分布作为最佳黑龙长度波动隶属函数u₄。取x∈[0,5]，则

在理想状态下燃烧情况最佳时，煤粉与炉内热流混合效果应该处于最佳状态即燃烧混合系数H为1，黑龙长度DI应该处于火焰图像中间位置，燃烧混合系数波动ΔH和黑龙长度波动ΔDI最小，即波动值为0。此时各特征指标隶属度u₁＝1,u₂＝1,u₃＝1,u₄＝1，选择稳定标准模糊集U₁＝(1,1,1,1)。反之，在理想状态下燃烧状况最差时，燃烧混合系数H数值较小，黑龙长度DI应该过长或者过短，燃烧混合系数波动ΔH和黑龙长度波动ΔDI很大，因此选择不稳定标准模糊集U₂＝(0,0,0,0)。

基于燃烧火焰图像分别提取燃烧混合系数H、燃烧混合系数波动ΔH、黑龙长度DI及黑龙波动ΔDI，计算其对最佳燃烧状况隶属度，得到待检测的模糊集X_i。根据择近原则，分别计算待检测模糊集X_i和稳定标准模糊集U₁、不稳定标准模糊集U₂的欧几里得贴近度其中n是所采集火焰视频图像的燃烧器个数，本实施例中n＝4；i＝1,2,…,m，m是所得到的待检测的模糊集个数，本实施例中m＝60；j＝1,2。

根据择近原则判别燃烧稳定性。若N(X_i,U₁)>N(X_i,U₂)，说明该模糊集X_i与稳定标准模糊集U₁更贴近，则对应的火焰图像锅炉燃烧状况稳定；反之，锅炉燃烧状况不稳定。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。