一种基于火焰多图像特征的锅炉燃烧稳定性监测方法与流程

本发明属于电厂锅炉燃烧稳定性检测领域，尤其涉及一种基于火焰多图像特征的锅炉燃烧稳定性监测方法。

背景技术：

在火力发电站锅炉煤粉燃烧的稳定关系到锅炉运行的经济性以及安全性。稳定性判别方法主要依据与燃烧相关的参数建立模型，间接地判别燃烧稳定性。但由于影响燃烧的因素众多，燃烧状况的复杂，实际应用效果不理想。

近年来，火焰图像采集监控系统已经广泛运用于电站锅炉，但由于现场环境复杂，测量误差较大。所以，目前火焰视频图像在现场还主要应用在判断着火灭火，还不能做到基于动态的视频图像自动监测燃烧稳定性。

技术实现要素：

为了解决上述问题，本发明提供了一种根据视频图像判断锅炉燃烧稳定性的方法，用于自动检测炉膛内火焰的燃烧状况。

所述方法包括特征值提取和稳定性判断两部分；具体为

步骤1、从炉膛火焰燃烧视频中对每一帧图像做图像预处理，提取每一帧图像的特征值，包括燃烧区波动指数、煤粉边缘轮廓相似度和煤粉边缘轮廓长度差值；

步骤2、利用RBF神经网络训练火焰燃烧稳定性判定模型，用以判断炉膛火焰燃烧稳定性，根据其输出参数所在的范围判定稳定性。

所述图像预处理，包括

步骤101、从炉膛火焰视频中提取t时刻的单帧图像，并将其灰度化，得到图像f_g(i,j,t)；

步骤102、对图像f_g(i,j,t)进行中值滤波，得到图像f_m(i,j,t)；

步骤103、对图像f_m(i,j,t)做灰度拉伸处理，增强图像对比度，得到图像f_en(i,j,t)。

所述燃烧区波动指数能反映燃烧区的波动剧烈程度，其提取方法包括

步骤201、将步骤103处理得到的图像f_en(i,j,t)根据灰度阈值100,200从暗到亮依次分为三个灰度级分别代表未燃区、初燃区和燃尽区，得到图像f_l(i,j,t)；未燃区即煤粉进入炉膛后并未立即燃烧，吸收炉内辐射能，因而不发出可见光；初燃区即煤粉进入炉膛后逐渐被加热，开始燃烧，并开始释放出光和热，从图中能看到水平方向上的灰度变化；燃尽区即煤粉在火焰和高温烟气的加热下，完全燃烧，释放出大量的光和热，在图像中呈现出高亮度；

步骤202、通过上述步骤1以及步骤201得到两幅燃烧区分割图像f_l(i,j,t₀)以及f_l(i,j,t₁)；两幅图像间隔帧数的选择结合了火焰闪烁频率以及视频帧率，两幅图像间隔5帧时，差分效果最佳；

步骤203、计算f_l(i,j,t₀)与f_l(i,j,t₁)的差分取绝对值f_diff(i,j,Δt)＝|f_l(i,j,t₀)-f_l(i,j,t₁)|；

步骤204、统计图像f_diff(i,j,Δt)中三个灰度级各自的像素点个数，n₀,n₁,n₂分别代表像素点所处的燃烧区前后不变，变化1级燃烧区即未燃区到初燃区、初燃区到未燃区、初燃区到燃尽区、燃尽区到初燃区以及变化2级燃烧区即未燃区到燃尽区、燃尽区到未燃区的像素点个数，变化2级燃烧区的像素点处燃烧波动大，变化1级燃烧区的像素点处的波动程度次之，灰度级前后不变的像素点处的波动程度最低，燃烧最稳定；

步骤205、计算稳定性指数f是各个燃烧区像素点个数占总像素点数的比值的加权和；ω₀、ω₁、ω₂为其权值系数，n为画面中像素点的总个数；由于通常变化2灰度级的像素点数量较少，但对燃烧稳定性影响较大，所以为了放大灰度变化剧烈的像素点对燃烧区波动指数的影响，令ω₂等于16。变化1灰度级的像素点对燃烧稳定性也有影响，令ω₁＝4。而所处灰度级不变像素点处燃烧稳定，令ω₀＝0。

所述煤粉边缘轮廓相似度能反映煤粉锋面的波动程度，用来判断燃烧稳定性好坏，其提取方法包括

步骤301、将步骤103处理得到的，根据大津算法提取二值化阈值，将图像二值化，得到图像f_binary(i,j,t₀)和f_binary(i,j,t₁),其间隔与燃烧区波动指数计算间隔一致、间隔5帧；

步骤302、使用Canny算子检测f_binary(i,j,t₀)和f_binary(i,j,t₁)煤粉轮廓序列L(i,t₀)、L(i,t₁)；

步骤303、从L(i,t₀)和L(i,t₁)中选取最长轮廓L_max(t₀)、L_max(t₁)代表t₀时刻和间隔5帧图像后的t₁时刻的最长的轮廓；

步骤304对L_max(t₀)，L_max(t₁)求7个几何不变矩I₁～I₇；

I₁＝y₂₀+y₀₂

I₃＝(y₃₀+3y)²+(3y₂₁-y₀₃)²

I₄＝(y₃₀+y₁₂)²+(y₂₁+y₀₃)²

I₅＝(y₃₀-y₁₂)(y₃₀+y₁₂)[(y₃₀+y₁₂)²-3(y₂₁+y₀₃)²]+

(3y₂₁-y₀₃)(y₂₁+y₃₀)[3(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]

I₆＝(y₂₀-y₀₂)[(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]+4y₁₁(y₃₀+y₁₂)(y₂₁+y₀₃)

I₇＝3(y₂₁+y₀₃)(y₃₀+y₁₂)[(y₃₀+y₁₂)²-(3y₂₁-y₀₃)²]+

(y₃₀-3y₁₂)(y₂₁+y₃₀)[3(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]

其中：

式中，

式中，p,q＝0,1,2,…；

其中矩心(x₀,y₀)为：

m_pq＝∫∫x^py^qf(x,y)dxdy p,q＝0,1,2,…；

步骤305、得到煤粉边缘轮廓相似度M；

其中，k(t)＝sign(log₁₀|I_i(t₀)|)。

煤粉边缘轮廓长度差值其提取方法包括

步骤401、求取通过步骤303得到的轮廓L_max(t₀)、L_max(t₁)的轮廓长度

其中，n为轮廓序列L上的像素点的总数，(x_j,y_j)和(x_j+1,y_j+1)分别代表轮廓中第j，第j+1个像素点；

步骤402、计算间隔5帧的两幅图像的煤粉边缘轮廓长度差值

Δd＝|d(t₀)-d(t₁)|。

所述火焰燃烧稳定性判别模型，其模型输入提取步骤为

步骤501、将步骤1中所述特征值做20帧滑动平均；

步骤502、根据火焰闪烁频率以及运行人员经验，选取从2秒前至当前时刻共2秒时间内所有帧的图像，对每幅图像计算特征值；对每个特征值计算2秒内的均值、最大-最小差值、方差。得到输入向量

对于燃烧区波动指数f_H-L,分别代表2秒钟内共50帧图像的燃烧区波动指数的均值，最大-最小差值，方差；

对于煤粉边缘轮廓相似度，M_H-L,分别代表2秒钟内共50帧图像煤粉边缘轮廓相似度的均值、最大-最小差值、方差；

对于煤粉边缘轮廓长度差值，d_H-L，分别代表2秒钟内共50帧图像煤粉边缘轮廓长度差值的均值、最大-最小差值、方差；

步骤503，对上述输入做归一化处理得到最终的输入。

所述火焰燃烧稳定性判别模型是一个径向基函数RBF神经网络；其输入层节点数为9，和输入向量元素个数一致；其隐含层节点数目为9×2+1＝19个；其输出层节点个数为1。

所述RBF神经网络隐含层的核函数中心为人工划分的5种燃烧稳定状态下的共计19组输入。

所述RBF神经网络其输出参数代表稳定性，输出的参数在0～1.5内代表非常稳定，输出的参数在1.5～2.5代表稳定，输出的参数在2.5～3.5代表一般稳定，输出的参数在3.5～4.5代表不稳定，输出的参数在4.5～+∞代表很不稳定。

所述RBF神经网络的训练样本大小为5×100＝500；由非常稳定、稳定、一般、不稳定、很不稳定五类工况各100个样本组成；上述非常稳定、稳定、一般、不稳定、很不稳定五类工况的输出分别被标记为1,2,3,4,5。

有益效果

本发明根据炉膛内部火焰燃烧的特点，提出了一种基于特征值的锅炉燃烧稳定性判别方法，能够根据视频图像的前后帧图像的特征变化实时自动判定锅炉燃烧稳定性状况，有利于火电站监测锅炉燃烧状况，指导运行人员调节给煤量，为机组安全、稳定、经济运行提供技术保障。

附图说明

图1发明主要流程图

图2 t时刻未燃区、初燃区、燃尽区分割图像

图3间隔5帧的差分图像

图4Otsu二值化结果

图5提取得到最长轮廓

图6RBF神经网络结构图

图7稳定燃烧工况下神经网络输出

图8不稳定燃烧工况下神经网络输出

图9模型输出与稳定性划分

具体实施方式

本发明提出了一种基于火焰多图像特征的锅炉燃烧稳定性监测方法,所述方法包括特征值提取和稳定性判断两部分；

步骤1、从炉膛火焰燃烧视频中提取每一帧图像，对其进行预处理操作，其处理步骤包括；

步骤101、从炉膛火焰视频中提取t时刻的单帧图像，并将其灰度化，得到图像f_g(i,j,t)；

步骤102、对图像f_g(i,j,t)进行中值滤波，得到图像f_m(i,j,t)；

步骤103、对图像f_m(i,j,t)做灰度拉伸处理，增强图像对比度，得到图像f_en(i,j,t)；

步骤2、对预处理后图像求取燃烧区波动指数；

步骤201、如图1所示，将图像f_en(i,j,t)根据灰度阈值100,200从暗到亮依次分为三个灰度级分别代表未燃区(图中网格线区域)、初燃区(图中斜线区域)和燃尽区(图中白色区域)，得到图像f_l(i,j,t)；未燃区即煤粉进入炉膛后并未立即燃烧，吸收炉内辐射能，因而不发出可见光；初燃区即煤粉进入炉膛后逐渐被加热，开始燃烧，并开始释放出光和热，从图中能看到水平方向上的灰度变化；燃尽区即煤粉在火焰和高温烟气的加热下，完全燃烧，释放出大量的光和热，在图像中呈现出高亮度；

步骤202、通过上述步骤1以及步骤201得到两幅燃烧区分割图像f_l(i,j,t₀)以及f_l(i,j,t₁)。两幅图像间隔帧数的选择结合了火焰闪烁频率以及视频帧率，两幅图像间隔5帧时，差分效果最佳，如图3所示。

步骤203、计算f_l(i,j,t₀)与f_l(i,j,t₁)的差分取绝对值f_diff(i,j,Δt)＝|f_l(i,j,t₀)-f_l(i,j,t₁)|；

步骤204、如图2所示统计图像f_diff(i,j,Δt)中三个灰度级各自的像素点个数，n₀,n₁,n₂分别代表像素点所处的燃烧区前后不变(图中网格线区域)，变化1级燃烧区(未燃区到初燃区、初燃区到未燃区、初燃区到燃尽区、燃尽区到初燃区。图中斜线区域)以及变化2级燃烧区(未燃区到燃尽区、燃尽区到未燃区。图中白色区域)的像素点个数，变化2级燃烧区的像素点处燃烧波动大，变化1级燃烧区的像素点处的波动程度次之，灰度级前后不变的像素点处的波动程度最低，燃烧最稳定。

步骤205、计算稳定性指数f是各个燃烧区像素点个数占总像素点数的比值的加权和。ω₀、ω₁、ω₂为其权值系数，n为画面中像素点的总个数。由于通常变化2灰度级的像素点数量较少，但对燃烧稳定性影响较大，所以为了放大灰度变化剧烈的像素点对燃烧区波动指数的影响，令ω₂等于16。变化1灰度级的像素点对燃烧稳定性也有影响，令ω₁＝4。而所处灰度级不变像素点处燃烧稳定，令ω₀＝0。

步骤3、对预处理后图像求取煤粉边缘轮廓相似度，其提取方法包括：

步骤301、将步骤103处理得到的，根据大津算法提取二值化阈值，将图像二值化，得到图像f_binary(i,j,t₀)和f_binary(i,j,t₁),其间隔与燃烧区波动指数计算间隔一致、间隔5帧；

步骤302、使用Canny算子检测f_binary(i,j,t₀)和f_binary(i,j,t₁)煤粉轮廓序列L(i,t₀)、L(i,t₁)；

步骤303、从L(i,t₀)和L(i,t₁)中选取最长轮廓L_max(t₀)、L_max(t₁)代表t₀时刻和间隔5帧图像后的t₁时刻的最长的轮廓；

步骤304、对L_max(t₀)，L_max(t₁)求7个几何不变矩I₁～I₇；

I₁＝y₂₀+y₀₂

I₃＝(y₃₀+3y)²+(3y₂₁-y₀₃)²

I₄＝(y₃₀+y₁₂)²+(y₂₁+y₀₃)²

I₅＝(y₃₀-y₁₂)(y₃₀+y₁₂)[(y₃₀+y₁₂)²-3(y₂₁+y₀₃)²]+

(3y₂₁-y₀₃)(y₂₁+y₃₀)[3(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]

I₆＝(y₂₀-y₀₂)[(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]+4y₁₁(y₃₀+y₁₂)(y₂₁+y₀₃)

I₇＝3(y₂₁+y₀₃)(y₃₀+y₁₂)[(y₃₀+y₁₂)²-(3y₂₁-y₀₃)²]+

(y₃₀-3y₁₂)(y₂₁+y₃₀)[3(y₃₀+y₁₂)²-(y₂₁+y₀₃)²]

其中：

式中，

式中，p,q＝0,1,2,…。

其中矩心(x₀,y₀)为：

m_pq＝∫∫x^py^qf(x,y)dxdy p,q＝0,1,2,…；

步骤305、得到煤粉边缘轮廓相似度M，如图4所示。

其中，k(t)＝sign(log₁₀|I_i(t₀)|)。

步骤4、对预处理后图像求取煤粉边缘轮廓长度差值，如图5所示其提取方法包括：

步骤401、求取通过步骤303得到的轮廓L_max(t₀)、L_max(t₁)的轮廓长度

其中，n为轮廓序列L上的像素点的总数，(x_j,y_j)和(x_j+1,y_j+1)分别代表轮廓中第j，第j+1个像素点。

步骤402、计算间隔5帧的两幅图像的煤粉边缘轮廓长度差值

Δd＝|d₀)-d(t₁)|。

步骤5、利用RBF神经网络训练火焰燃烧稳定性模型，用以判断炉膛火焰燃烧稳定性，根据其输出参数所在的范围判定稳定性，图6为RBF神经网络结构图。

所述火焰燃烧稳定性模型，其输入提取步骤为

步骤501、将步骤1中所述特征值做20帧滑动平均；

步骤502、根据火焰闪烁频率以及运行人员经验，选取从2秒前至当前时刻共2秒时间内所有帧的图像，对每幅图像计算特征值。对每个特征值计算2秒内的均值、最大-最小差值、方差。得到输入向量

对于燃烧区波动指数f_H-L,分别代表2秒钟内共50帧图像的燃烧区波动指数的均值，最大-最小差值，方差；

对于煤粉边缘轮廓相似度，M_H-L,分别代表2秒钟内共50帧图像煤粉边缘轮廓相似度的均值、最大-最小差值、方差；

对于煤粉边缘轮廓长度差值，d_H-L，分别代表2秒钟内共50帧图像煤粉边缘轮廓长度差值的均值、最大-最小差值、方差。

步骤503、对上述输入做归一化处理得到最终的输入。

步骤504、以人工划分的5种燃烧稳定状态下的共计19组输入作为RBF神经网络隐含层的核函数中心

步骤505、对网络进行训练，训练样本大小为5×100＝500。由非常稳定、稳定、一般、不稳定、很不稳定五类工况各100个样本组成。上述非常稳定、稳定、一般、不稳定、很不稳定五类工况的输出分别被标记为1,2,3,4,5。

步骤406、向RBF神经网络输入数据，其输出参数代表稳定性，输出的参数在0～1.5内代表非常稳定，输出的参数在1.5～2.5代表稳定，输出的参数在2.5～3.5代表一般稳定，输出的参数在3.5～4.5代表不稳定，输出的参数在4.5～+∞代表很不稳定。图9为模型输出与稳定性划分。

两组实验结果见说明书附图中图7，图8。图7为燃烧稳定的视频片段进行实时稳定性判别后，模型输出值。图8为燃烧不稳定的视频片段进行实时稳定性判别后，模型输出值。

可以观察到燃烧稳定时模型输出值小，曲线波动小，稳定性判断基本维持在“稳定”以及“一般”。燃烧不稳定时模型输出值较大，曲线波动频繁，“非常不稳定”、“不稳定”出现频繁。

实验结果表明模型对锅炉燃烧稳定性的判别有效。