学位论文 > 优秀研究生学位论文题录展示

基于图像处理技术的炉膛火焰检测方法研究

作　者: 甄成刚
导　师: 韩璞
学　校: 华北电力大学（河北）
专　业: 热能工程
关键词: 燃烧温度场图像处理遗传算法边缘检测
分类号: TK39
类　型: 博士论文
年　份: 2004年
下　载: 932次
引　用: 20次
阅　读: 论文下载

内容摘要

对大型燃煤锅炉而言,监控炉内悬浮燃烧状态对锅炉的可靠性、安全性和经济性非常重要。煤粉锅炉的燃烧过程是一种非常复杂的悬浮燃烧,它的工况是极不稳定,锅炉燃烧的安全性主要取决于火焰的稳定性。为了避免锅炉爆炸事件的发生,炉内煤粉必须充分燃烧。如果燃烧不稳定,炉内温度场不均匀,容易出现可怕的后果,同时锅炉的热效率极大地降低。因此,炉内的温度场对判断炉膛的燃烧状态,调整锅炉的运行参数非常重要。为了提高燃烧过程的判断、预测及故障诊断能力,本课题重点研究了炉膛火焰的图像处理技术,使运行人员得到更加清晰的图像。虽然二维温度场不能很好地反映炉膛空间沿高度方向的温度变化,但能反映火焰在二维空间的分布特征,如果摄像头安装位置恰当,可以提供火焰燃烧情况等重要信息。根据图像获得的温度场给运行人员提供一个温度参考,进而指导燃烧操作。对电厂的安全运行和燃烧诊断具有重要的意义。本课题给出了比色测温算法的原理及误差分析,并给出了具体实现方法。本文根据噪声理论,分析了图像噪声的来源。全炉膛火焰的燃烧过程伴随着大量动态的随机噪声,这些噪声信号必须消除。中值滤波是非线性的信号处理技术,能有效地消除图像中的噪声信号,但是有一个明显的缺点,即必须对像素值进行排序,计算机处理时间慢。为了节省时间,本文根据全炉膛火焰的特点,设计了快速中值滤波,直接得出中值,无需排序,使滤波效率提高数十倍。为了获得丰富、清晰的火焰图像,本文提出了运用图像处理技术对其进行灰度变换、伪彩色显示技术。由于传统的图像分割技术大多基于灰度的梯度,而全炉膛火焰的灰度变化不明显,采用传统的方法不能取得满意的效果。在分析现有图像分割技术的基础上,本文采用遗传算法处理图像分割问题,把遗传算法应用于分裂合并图像分割方法,涉及到染色体编码、遗传操作设计和个体的适应度评价等问题,取得了满意的效果。对燃烧器图像,本文以梯度算子为基础,通过对样本图像的学习,利用神经网络对模板参数进行训练,从而得到最优的梯度算子,试验结果表明,本文方法可以使图像边缘检测的效果得到明显的改善。在分析现有燃烧诊断技术的基础上,本文提出了基于BP神经网络进行火焰燃烧状态的评测技术。神经网络的输入变量为表征火焰图像的燃烧参数,本文给出了这些参数的定义即其求解算法。燃烧状态指数,一个0.0-1.0之间的数据,越大代表燃烧状态越好;反之,越小代表燃烧状态差。把输出值按划定三种状态,熄火、燃烧不正常、燃烧正常,可以准确的预测到实际的燃烧状态。

全文目录

第一章绪论  8-26
  1.1 本课题的研究意义  8-10
    1.1.1 安全性要求  8-9
    1.1.2 经济性要求  9-10
    1.1.3 环保要求  10
  1.2 国内外的研究现状  10-25
    1.2.1 传统的火焰测量技术  11-12
    1.2.2 火焰检测技术的发展历程  12-15
    1.2.3 火焰检测系统的分类  15-20
      1.2.3.1 检测原理分类  15-18
      1.2.3.2 检测结构分类  18-20
    1.2.4 火焰检测系统的现状  20-25
  1.3 本文的研究内容  25-26
第二章炉膛温度场计算  26-43
  2.1 引言  26-27
  2.2 炉膛火焰监视系统的构成  27-33
    2.2.1 光学图像传感器系统组成  27-30
    2.2.2 数字图像采集原理  30-32
    2.2.3 计算机数字处理系统  32-33
  2.3 测温原理  33-34
  2.4 单色测温算法  34-35
  2.5 三波长测温算法  35-37
  2.6 比色测温算法  37-42
    2.6.1 比色测温原理  37-39
    2.6.2 比色测温误差分析  39-42
  2.7 本章总结  42-43
第三章炉膛火焰图像处理技术  43-58
  3.1 颜色分析  43-44
    3.1.1 RGB颜色空间  43
    3.1.2 YIQ颜色空间  43-44
  3.2 图像噪声处理  44-50
    3.2.1 图像噪声分析  44-47
    3.2.2 图像噪声处理  47-49
    3.2.3 快速中值噪声滤波  49-50
  3.3 图像的局部增强  50-54
    3.3.1 直方图处理  51-52
    3.3.2 直接灰度变换  52-54
    3.3.3 用灰度阀值提取图形  54
  3.4 图像显示  54-56
    3.4.1 温度切割  54-55
    3.4.2 从灰色到彩色的变换  55-56
  3.5 本章总结  56-58
第四章炉膛火焰图像分割技术  58-78
  4.1 分割算法的分类  58-59
    4.1.1 分割算法的定义  58-59
    4.1.2 分割算法的分类  59
  4.2 边缘检测算法分析与比较  59-64
  4.3 炉膛火焰图像分割算法  64-77
    4.3.1 遗传算法  64-65
    4.3.2 遗传学习的分类系统方法  65-66
    4.3.3 基于遗传算法的全炉膛火焰图像的边缘检测算法研究  66-73
    4.3.4 基于BP网络的燃烧器图像的边缘检测算法研究  73-77
      4.3.4.1 神经网络结构  74-76
      4.3.4.2 神经网络优化梯度算子的学习过程:  76-77
  4.4 本章总结  77-78
第五章基于图像处理技术的燃烧诊断研究  78-92
  5.1 引言  78
  5.2 炉膛火焰的燃烧特征区  78-80
  5.3 现有判据的分析  80-84
    5.3.1 平均亮度判据  80-81
    5.3.2 特征区判据  81-82
    5.3.3 最小距离判据  82
    5.3.4 火焰锋面判据  82-84
    5.3.5 基于自组织神经网络的燃烧诊断  84
  5.4 基于BP网络的燃烧诊断  84-91
    5.4.1 网络的结构和数学描述  84-85
    5.4.2 燃烧状态参数描述  85-89
    5.4.3 基于BP网络的燃烧诊断  89-91
  5.5 本章总结  91-92
第六章全文总结  92-96
致谢  96-97
参考文献  97-103
攻读博士学位期间发表的学术论文  103-104
攻读博士学位期间参加的科研项目  104

基于图像处理技术的炉膛火焰检测方法研究

内容摘要

全文目录

相似论文