一种灰熔融性特征曲线确定方法及系统

1.本发明涉及灰熔融性特征曲线预测领域，特别是涉及一种灰熔融性特征曲线确定方法及系统。


背景技术：

2.灰是生物质燃料燃烧、热解过程中的衍生物。生物质锅炉在设计过程中需要考虑多种生物质混烧的情况，而不同生物质燃料燃烧产生的灰具有不一样的特征熔融温度，这给生物质锅炉的设计工作带来了极大考验。目前，普遍使用的灰熔融特征温度测量方式是传统的灰熔融检测(theashfusiontest)。该方法是通过锥形灰柱在氧化或还原气氛中，加热到超过1500～1600℃，并根据灰柱的形状变化，为每个样品确定四个特征熔融温度：变形温度、软化温度、半球温度、流动温度。然而，传统检测方法的重复性差，难以提供精确的特征熔融温度预测。设计生物质锅炉需要大量灰样品的特征熔融温度以及生物质的灰样品在其他温度下的熔融特征。因此，提出基于bp神经网络的灰熔融性特征曲线确定方法，该方法可以缩短测定灰样品熔融性特性曲线需要的周期，并且获得灰样品随温度的完整变化过程。


技术实现要素：

3.本发明的目的是提供一种灰熔融性特征曲线确定方法及系统，缩短测定灰样品熔融性特性曲线需要的周期，并且获得灰样品随温度的完整变化过程。
4.为实现上述目的，本发明提供了如下方案：
5.第一方面，本发明提供了一种灰熔融性特征曲线确定方法，所述方法包括：
6.获取实际灰熔融性特征曲线；
7.计算灰样品的组成指数；
8.构建bp神经网络；
9.采用所述灰样品的组成指数以及实际灰熔融特性曲线对所述bp神经网络进行训练；
10.基于训练好的bp神经网络确定未知的灰样品的熔融性特征曲线。
11.可选的，所述获取实际灰熔融性特征曲线具体包括以下步骤：
12.将样品灰化；
13.压制灰粒；
14.将灰粒升温，每隔预设温度范围，拍摄照片；
15.对每张拍摄的照片采用sobel算子的图像分析方法进行边缘检测；
16.根据检测结果确定灰粒的相对高度，以此得到实际灰熔融性特征曲线。
17.可选的，所述将样品灰化具体包括：
18.将一系列生物质样品在500～600℃环境下灰化。
19.可选的，所述压制灰粒具体包括：
20.取灰样品0.5～lg，在圆柱形模具中施压制成灰粒，用自动压力机进行压模制成灰粒，保证样品的尺寸一致。
21.可选的，所述将灰粒升温，每隔预设温度范围，拍摄照片具体包括：
22.将灰粒升温，以5～10℃/min的升温速率从150～200℃加热至1500～1600℃，在此期间，每隔0.5～l℃，利用黑白闭合回路数码相机自动对灰样品拍摄一张照片。
23.可选的，所述灰样品的组成指数包括：炉渣粘度指数、灰粘结指数、白云石比率、灰的碱性氧化物与酸性氧化物之比、结垢指数和铝钛氧化物含量。
24.可选的，所述bp神经网络包括：输入层、隐藏层以及输出层。
25.可选的，对所述bp神经网络进行训练具体包括三个阶段：信号的前向传播、误差的反向传播以及权重和阈值的调整。
26.第二方面，基于本发明中的上述方法，本发明另外提供一种灰熔融性特征曲线确定系统，所述系统包括：
27.实际灰熔融性特征曲线确定模块，用于获取实际灰熔融性特征曲线；
28.灰样品的组成指数确定模块，用于计算灰样品的组成指数；
29.神经网络构建模块，用于构建bp神经网络；
30.训练模块，用于采用所述灰样品的组成指数以及实际灰熔融特性曲线对所述bp神经网络进行训练；
31.预测模块，用于基于训练好的bp神经网络确定未知的灰样品的熔融性特征曲线。
32.根据本发明提供的具体实施例，本发明公开了以下技术效果：
33.灰样品的组成决定了熔融特征，通常组成一定时，灰样品的熔融特征也确定，本发明即采用间接测量这些易测的物理量结合人工神经网络实现间接测定灰样品的熔融特征数据，避免了传统测定方法繁琐的处理、分析过程。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1为本发明实施例灰熔融性特征曲线确定方法流程框图；
36.图2为本发明实施例bp神经网络结构示意图。
具体实施方式
37.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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
38.本发明的目的是提供一种灰熔融性特征曲线确定方法及系统，缩短测定灰样品熔融性特性曲线需要的周期，并且获得灰样品随温度的完整变化过程。
39.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实
施方式对本发明作进一步详细的说明。
40.图1为本发明实施例灰熔融性特征曲线确定方法流程框图，如图1所示，本发明中的方法包括：
41.步骤1：获取实际灰熔融性特征曲线。
42.具体包括以下步骤：
43.步骤1.1：样品灰化。将一系列生物质样品在500～600℃环境下灰化。
44.步骤1.2：压制灰粒。取灰样品0.5～lg，在圆柱形模具中施压制成灰粒，用自动压力机进行压模制成灰粒，保证样品的尺寸一致。
45.步骤1.3：拍摄。将灰粒升温，以5～10℃/min的升温速率从150～200℃加热至1500～1600℃，在此期间，每隔0.5～l℃，黑白闭合回路数码相机自动对灰样品拍摄一张照片。
46.步骤1.4：获得数据。对每张拍摄的照片采用sobel算子的图像分析方法进行边缘检测，根据检测结果获得灰粒的相对高度，以此得到灰样品的熔融性特征曲线数据。最后，将得到的数据导入bp_data数据库中作为输入数据集。
47.步骤2：计算灰样品的组成指数。
48.具体包括以下步骤：
49.步骤2.1：测定样品组成成分。用低压聚乙烯镶边衬底，配合压力机在40～50mpa压力下保持30～50s将灰样品压制成直径为32～34mm的圆片。用x-射线荧光光谱仪分析灰样品的化学成分。
50.步骤2.2：计算灰样品的组成指数。灰样品的组成可以影响熔融特征，灰熔融性特征曲线采用金属氧化物指数的形式进行评估。其中包括炉渣粘度指数、r
250
(灰粘结指数，判断灰粘结情况的经验参数)、白云石比率、r
b/a
(灰的碱性氧化物与酸性氧化物之比)、结垢指数和铝钛氧化物含量。计算公式如下：
[0051][0052][0053][0054][0055]
结垢指数＝r
b/a
×
(na2o+k2o)
[0056]
铝钛氧化物含量＝al2o3+tio2[0057]
其中，sio2是灰样品中二氧化硅含量，fe2o3是灰样品中三氧化二铁含量，cao灰样品中氧化钙含量，mgo灰样品中氧化镁含量，al2o3灰样品中三氧化二铝含量，na2o是灰样品中氧化钠含量，k2o是灰样品中氧化钾含量，tio2是灰样品中二氧化钛含量。
[0058]
最后，将得到的数据导入bp_data数据库中作为输入数据集。
[0059]
步骤3：构建bp神经网络。
[0060]
bp网络具有输入层、隐藏层和输出层，bp算法是以误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
[0061]
bp神经网络的训练过程包含3个阶段，首先是信号的前向传播阶段，然后是误差的反向传播阶段，最后是权值和阈值的调整，如此反复迭代，在大于最大迭代次数或者小于目标误差时停止迭代，所得到的就是训练好的bp神经网络模型(具体参见图2)。
[0062]
步骤4：采用所述灰样品的组成指数以及实际灰熔融特性曲线对所述bp神经网络进行训练。
[0063]
步骤5：基于训练好的bp神经网络确定未知的灰样品的熔融性特征曲线。
[0064]
利用足够的数据通过反复对神经网络进行训练直至训练误差小于预设值，就相当于获得了灰样品的熔融性特征曲线与组成指数的函数表达式。神经网络训练达标后即可通过测定灰样品的炉渣粘度指数、r
250
、白云石比率、酸碱比、结垢指数和铝钛氧化物含量来间接测定灰样品的熔融性特征曲线。
[0065]
基于本发明中的上述方法，本方面另外提供一种灰熔融性特征曲线确定系统，所述系统包括：
[0066]
实际灰熔融性特征曲线确定模块，用于获取实际灰熔融性特征曲线。
[0067]
灰样品的组成指数确定模块，用于计算灰样品的组成指数。
[0068]
神经网络构建模块，用于构建bp神经网络。
[0069]
训练模块，用于采用所述灰样品的组成指数以及实际灰熔融特性曲线对所述bp神经网络进行训练。
[0070]
预测模块，用于基于训练好的bp神经网络确定未知的灰样品的熔融性特征曲线。
[0071]
本发明中的上述方案具有以下有益效果：
[0072]
灰样品的组成决定了熔融特征，通常组成一定时，灰样品的熔融特征也确定。本发明即采用间接测量这些易测的物理量结合人工神经网络实现间接测定灰样品的熔融特征数据，避免了传统测定方法繁琐的处理、分析过程。
[0073]
传统方法采用灰熔融性测试，得到灰样品的熔融性特征温度：变形温度、软化温度、半球温度、流动温度。该方法依赖人工观察、主观判断各个温度点，误差较大、重复性差且无法判断其他温度下灰样品的熔融特征。步骤1.4中的灰熔融性特征曲线，通过图像分析方法得出灰样品的熔融温度，使得结果更加准确、重复性好而且可以获得其他温度下灰样品的熔融特征。但是，在处理大量生物质样品时，繁琐的操作步骤导致项目周期延长。并且，长期连续拍摄，对摄像头的损耗高，会导致项目后期的数据存在误差。基于bp神经网络算法的灰熔融性特征曲线测定方法，通过步骤3、4、5可以减少样品灰熔融性特征曲线的测定次数，缩短项目周期。通过少量准确数据得到其余样品的灰熔融性特征曲线数据，保证了整体数据的准确率。
[0074]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0075]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据
本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。