关键词：
生物质
燃烧监测
光谱分析
火焰图像
燃料识别
稳定性分析
摘要：
近年来,随着生物质发电持续稳定发展,生物质锅炉燃烧状态监测与控制问题日益受到关注。我国可用生物质燃料品种多样,燃料偏离锅炉设计种类容易造成结焦和严重积灰等问题,直接影响生产安全和经济效益。本文基于火焰光谱分析算法和图像处理技术,研究生物质燃料种类识别及燃烧状态的监测方法。在单生物质燃烧特性的基础上,重点研究混合生物质的燃料识别和燃烧稳定性分析问题,为生物质锅炉适应燃料的多样性和机组的稳定经济运行提供依据。主要内容如下:1)针对生物质混燃问题,构造了基于火焰光谱6维特征与集成学习的生物质燃料识别方法。通过花生壳、柳木、麦秸、玉米芯四种单生物质及其等质量均匀混合的六种混合生物质进行燃烧实验;同时基于生物质燃烧火焰光谱的时域特性和频域特性的深入分析,构造了基于火焰光谱6维特征(由OH*、CN*、CH*、C2*-1和C2*-2等5类自由基辐射强度和火焰辐射强度信号组成)与集成学习的生物质燃料识别方法,并将识别结果与SVM和决策树两种常用算法进行了对比,结果表明,基于6维火焰光谱强度信号与集成学习的生物质燃料识别方法具有较高的识别率,单生物质高于99.32%,混合生物质均达到100%。该方法简化了特征提取过程,集成了支持向量机(Support Vector Machines,SVM)与决策树两种单分类器的优势,具有较好的泛化能力。2)构造了基于火焰图像与卷积神经网络的燃料识别方法。为克服传统基于图像的燃料识别方法对特征提取的依赖性,在分析生物质燃烧火焰图像的几何特征、光学特征和热力学特征的基础上,构造了基于火焰图像与深度卷积神经网络ResNet50的燃料识别方法,并分别对单生物质和混合生物质进行了燃料识别实验,结果表明基于火焰图像与ResNet50的燃料识别准确率高达97.41%,而其它机器学习算法最高仅达85.83%,可见该方法识别效果优于四种传统机器学习方法。3)定义了基于火焰图像和数据融合的燃烧稳定性指数。在提取火焰图像高度、平均灰度、平均温度和最高温度等特征参数的基础上,定义了基于火焰图像和数据融合的稳定性指数,并用来定量表征生物质火焰燃烧稳定性状态,并结合火焰闪烁频率对单生物质和混合生物质燃料稳定性进行了分析,分析结果表明所提方法能够有效表征生物质火焰燃烧稳定性状态。4)构建了一种生物质燃烧监测及稳定性判别的优化方案。基于混淆矩阵,对光谱分析与图像处理在生物质燃料识别与燃烧稳定性分析效果进行了对比分析,提出了以火焰光谱6维特征与集成学习进行生物质燃料识别、基于火焰图像和稳定性指数进行生物质燃烧稳定性分析的生物质燃烧监测优化方案。借鉴多元统计指标T2和SPE实现了不同生物质燃烧稳定与不稳定的分类,并根据分类结果确定了稳定性指数阈值,最终实现了燃料和稳定性的实时判定。
欢迎来到三峡大学图书馆！
