火焰燃烧状态预测及火焰图像识别 第2页
Ξ
部、前部)、火焰大小、形状将直接反映燃烧火焰的状
况。虽然用确切的数学模型来描述燃烧火焰图像还
很困难, 但是有经验的操作人员可以根据火焰燃烧
的特征判别燃烧情况, 如“正常燃烧”、“扩散燃烧”、
“熄火危险”、“回火危险”等燃烧状态。这样火焰的燃
烧状态的识别, 其实就是将实时采集的火焰燃烧图
像映射为若干种标准模式之一的模式分类问题。由
于燃烧状况的复杂多变性, 这种映射是高度非线性
和不确定的, 适合于用神经网络对火焰图像进行识
别。如果在线采集火焰图像, 并通过图像识别程序计
算火焰的形状位置信息, 以形状位置信息为BP 神经
网络的输入, 就能根据火焰火焰图像进行燃烧状态
识别。
图像识别算法和BP 网络的算法描述请参考文
献 下面只给出 神经网络对燃烧状态进行识
[4], BP
别的具体步骤如下:
(1)将采集到的图像样本按工况分类;
(2)初步确定网络层数及隐层单元数;
(3)确定激励函数与学习算法: 确定隐层的激励
函数为对数- S 函数, 输出层的激励函数为对数- S
函数, 使用附加动量项与学习率自适应的BP 算法。
(4)训练网络: 以分类好的图像样本的特征信息
为输入项, 用试凑法逐步增加隐含层的单元数, 从中
确定网络误差最小时对应的隐含层的单元数, 最终
确定网络结构;
(5)测试网络: 利用该网络对若干个不变工况的
状态进行识别计算;
(6)推广网络: 利用该网络对若干个变工况的状态进行识别计算。
BP 网络的结构为6-11-1 。其中6 个输入特征
参数分别为火焰外焰的底部位置、火焰内焰的底部
位置、火焰内焰的顶部位置、火焰外焰的顶部位置、
火焰内焰的截面面积、火焰外焰的截面面积。网络的
输出为火焰的状态, 共分为5 个状态: 稳定、趋于回
火、回火、趋于熄火, 熄火瞬间状态。定义燃烧状态综
合指数,0 15 代表稳定状态,0 13 代表趋于回火状态,
011 代表回火状态,0 17 代表趋于熄火状态,0 19 代
表熄火瞬间。
在得到当前燃烧状态指数后, 采用基于时间序
列的二次指数平滑法对下一步的火焰燃烧状态进行
[5]
识别 。
二次指数平滑法是在一次指数平滑值序列的基
础上再做一次指数平滑, 然后利用线性模型进行预
测
(2) (1) (2)
S t = S t + (1- Α)S t-1
(2) (2)
式中 S t 为t 时刻的二次指数平滑数;S t-1 为t-1
(1)
时刻的二次指数平滑数;S t 为t 时刻的一次指数平
滑数; Α为平滑系数。
二次指数平滑法的线性预测模型为
Yt+ T = at + btT
(1) (2)
at =2 S t - S 2
(1) (2)
bt = 1-Α Α(S t - S t )
式中 t 为当前的时间序号; T 为超前时间间隔; at
为线性模型的截距; bt 为线性模型的斜率。
这里的时间间隔是指系统从采集一帧图像到图
像处理、燃烧状态识别和预测的一个完整的处理周
期。这个时间周期会随着计算机硬件配置和软件算
法的不同而有所差异。在本文中计算机主要硬件配
置: CPU 为 Intel 的E6300 处理器, P965 主板和2G
内存。一个完整的处理周期需耗时015 s 左右。
3 实验结果及其分析
下面分别根据工况的不同给出燃烧状态的识别
和预测结果。
311 减少空气流量的工况
燃烧状态识别和预测输出结果如图1 所示。样
本1 到样本30 火焰基本为稳定状态, 调节空气流量
减少时, 火焰逐步趋于回火, 表现在样本30 到样本
80; 持续减少空气流量后, 逐步发展到回火危险状
态, 这个过程可能要持续若干时刻, 表现在样本80到样本100 中。而预测的结果也可以表现出从一
状态变化到另一状态的趋势变化。图2 为回火危
状态时程序的界面显示。
图1 减少空气流量工况的识别和预测输出
图2 回火危险状态的识别和预测界面
312 增加空气流量的工况
图3 为增加空气流量工况的识别和预测输出
果。样本1 到样本80 中, 火焰保持为稳定状态。增
空气流量时, 火焰很快地趋于熄火, 表现在样本8
到样本88 中。由于增加空气流量工况过程比较
杂, 熄火瞬间非常快, 时间是毫秒级, 而程序采集
识别图像的速度是2 帧 , 所以单次实验中不一s
可以采集到熄火瞬间情况。预测的结果同样可以
图3 增加空气流量工况的识别输出
上一页 [1] [2]
火焰燃烧状态预测及火焰图像识别 第2页下载如图片无法显示或论文不完整，请联系qq752018766
