基于深度学习的回转窑燃烧状态识别与预测系统

摘要

回转窑作为生产流程中的核心设备，被广泛用于各种工业应用中，如电厂炉窑、水泥生产和钢铁生产等。窑的运行效率取决于各种参数，例如倾角，温度，转速，物料流率和出料率。保持回转窑的充分稳定燃烧，使得温度保持恒定，提高产品质量至关重要。能有效的识别与预测回转窑内燃烧状态是工业生产中非常重要和具有挑战性的问题。然而，传统的基于图像处理的方法前期需要对数据进行大量的预处理，并且精度有限。本文提出了一种基于深度学习的回转窑燃烧状态识别与预测系统。所提出的神经网络体系结构实现了直接从输入数据中提取输出的端到端模型，从而免去传统的基于特征提取方法繁杂的程序。提出的卷积神经网络(CNN)能快速且准确的识别回转窑燃烧状态。另外，提出的卷积循环神经网络(CRNN)融合了卷积神经网络和循环神经网络(RNN)的优点，能有效的预测回转窑内燃烧状态。深度学习模型将火焰图像分别输入到CNN和CRNN中，以同时识别和预测窑内燃烧状态。为了提高CRNN网络预测的准确度，在卷积层引入了SC-III算法。当神经网络节点数较少时，SC-III算法可实现最佳性能，并有效地优化了sigmoid和tanh等激活函数。同时SC-III算法能随机配置神经网络内的输入权重和偏差，从而增强CRNN模型的学习能力。通过大量的比较实验，证明SC-III算法的引入大大提高了模型的预测准确性，并使模型可以更快地收敛。主要创新点如下：　　1.提出了一种深度学习方法来识别回转窑燃烧状态。将从CCD摄像机捕获到的火焰燃烧视频按帧提取出图像数据输入到卷积神经网络中，产生三维预测，对应三种燃烧状态(欠燃烧、正常燃烧、过燃烧)，预测得分最高的燃烧状态则为此时回转窑内的燃烧状态。　　2.提出了一种新颖的神经网络体系结构，用于预测回转窑的燃烧状态。卷积循环神经网络首先将不同窗口宽度的火焰图像序列送入到卷积层中进行卷积特征提取，然后将得到的特征序图的每一列作为一个时间序列输入循环层得到预测序列，最后通过预测层的softmax分类器来预测燃烧状态。　　通过收集数据和仿真实验表明，所提出的方法中，卷积神经网络能快速且准确的识别回转窑燃烧状态。同时，卷积循环神经网络也能有效的预测窑内燃烧状态。实验结果表明该方法有效且鲁棒，具有很大的工业应用潜力。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.3 本论文主要工作

1.3.1 本论文主要研究内容

1.3.2 论文结构

第2章 神经网络基础

2.1 深度学习背景

2.2 卷积神经网络（CNN）

2.3 循环神经网络（RNN）

2.4 卷积循环神经网络（CRNN）

2.5 本章小结

第3章 基于深度学习方法的建模

3.1 基于深度学习的回转窑燃烧监测系统

3.2 基于卷积神经网络（CNN）的燃烧状态识别方法

3.3 基于卷积循环神经网络（CRNN）的燃烧状态预测方法

3.3.1 卷积层提取特征序列

3.3.2 循环层预测特征序列

3.3.3 预测层预测回转窑燃烧状态

3.3.4 随机配置（SC）算法

3.3.5 CRNN网络配置

3.4 本章小结

第4章 模型与算法仿真实验研究

4.1 数据集准备

4.2 基于深度学习的回转窑燃烧状态识别与预测实验

4.3 基于窗口的图像序列预测实验

4.4 与传统方法的比较评估

4.5 本章小结

结论

参考文献

附录A 攻读学位期间所发表的学术论文目录

致谢