基于图像处理和人工智能的垃圾焚烧炉燃烧状态诊断研究

摘要

随着我国经济社会的发展和城市化进程的推进，城市生活垃圾的生产量越来越大，已经成为当前困扰城市发展的一个难题。垃圾焚烧处理能够真正做到垃圾的减量化、资源化、无害化处理，是未来城市生活垃圾处理的主要方式。然而受到垃圾水分高、成分多变、热值在较大范围内波动等因素影响，焚烧炉的运行通常很不稳定，不仅影响设备的经济安全运行，还会造成污染物排放超标等问题。因此，需要实时监测垃圾燃烧状态，以便及时地做出调整以维持稳定燃烧。本文运用火焰图像处理技术和人工智能诊断技术研究垃圾焚烧炉燃烧状态诊断方法。主要研究内容及工作成果如下:
　　(1)基于专家经验和火焰图像样本库，确定了垃圾焚烧炉的7种典型燃烧状态及其相应的燃烧调整策略。
　　(2)提出了垃圾焚烧炉火焰图像3个分区的几何特征阈值;定义了火焰图像特征量;建立了三个分区对应的12个火焰图像特征量的算法模型。
　　(3)基于粗糙集理论，提出了一种基于属性重要性的前向搜索与后向剪枝相结合的属性约简算法，该算法可以克服前向搜索约简算法不能得到最小约简、后向搜索约简算法可能删除重要属性的缺点;利用该算法将12个特征量约简成为7个主导特征量（Ⅰ区火焰图像有效区平均灰度、特征Ⅰ区火焰高温区面积、特征Ⅰ区火焰中心水平偏移距离、特征Ⅰ区火焰图像有效区面积、特征Ⅰ区图像内火焰灰度方差、特征Ⅱ区着火面积、特征Ⅲ区灰度方差）;并建立了典型燃烧状态特征样本集。
　　(4)建立了一种基于神经网络的燃烧状态诊断模型，利用典型燃烧状态特征样本集进行十折交叉验证实验，实验中分类正确率为99.05％，方差为2.07。结果表明该方法的诊断正确率较高且诊断结果比较稳定，说明该模型用于城市生活的燃烧状态诊断是可行的。
　　(5)提出了一种基于数字图像处理技术和人工智能的垃圾焚烧炉燃烧状态诊断方法。算例表明，基于本文诊断方法，可以基于当前火焰图像及其特征量，实现垃圾焚烧炉燃烧状态的诊断，并给出相应的操作指导。

目录

声明

摘要

第一章 绪论

1．1 选题背景及意义

1．2 基于图像处理的燃烧状态诊断研究现状

1．3 本文主要研究内容

第二章 垃圾燃烧状态的表征和特征量提取

2．1 引言

2．2 垃圾焚烧工艺及设备介绍

2．3 火焰图像采集

2．3．1 图像采集

2．3．2 数字图像的矩阵表示

2．4 火焰图像及其特征区域的划分

2．5 典型垃圾燃烧状态及其火焰图像

2．6 垃圾焚烧炉火焰图像特征量

2．6．1 选择特征量的几个原则

2．6．2 垃圾焚烧炉火焰图像特征量

2．7 特征量提取与分析

2．8 本章小结

第三章 粗糙集理论及其在火焰特征量选择中的应用

3．1 引言

3．2 粗糙集理论概说

3．3 粗糙集理论基本知识

3．3．1 知识和知识库

3．3．2 不可分辨关系

3．3．3 信息系统

3．3．4 上近似集与下近似集

3．3．5 属性的核与属性约简

3．3．6 数值型变量的处理

3．4 粗糙集属性约简算法实现

3．5 粗糙集理论在火焰特征量选择中的应用

3．5．1 应用粗糙集进行火焰特征量选择

3．5．2 特征量约简结果的比较和分析

3．6 本章小结

第四章 基于神经网络的垃圾燃烧状态诊断方法研究

4．1 引言

4．2 神经网络的基本结构及特点

4．3 一般神经元模型

4．4 BP神经网络及其学习算法

4．5 基于BP算法的垃圾燃烧状态诊断模型

4．5．1 基于神经网络的燃烧状态诊断原理

4．5．2 基于神经网络的垃圾燃烧状态诊断模型的建立

4．5．3 网络的训练与测试

4．6 本章小结

第五章 燃烧诊断模型的应用

5．1 引言

5．2 垃圾燃烧状态诊断流程

5．2．1 离线训练过程

5．2．2 在线应用过程

5．3 火焰图像特征量及其约简

5．4 典型燃烧状态的特征样本集

5．5 实际火焰图像特征量的提取

5．6 燃烧状态诊断与运行指导

5．7 本章小结

第六章 总结

6．1 研究工作总结

6．2 研究工作展望

致谢

参考文献

作者在攻读硕士学位期间研究成果