基于RAGA－PPC模型的火焰燃燒特征量分析和穩定性預測

2014-07-10 07:58:52白翔，劉石

動力工程學報 2014年4期

白翔，劉石

（華北電力大學能源動力與機械工程學院，北京102206）

在火力發電鍋爐中，火焰燃燒的好壞對鍋爐燃燒有著重要影響，其中火焰燃燒的穩定性就是十分關鍵的因素.但是火力發電鍋爐負荷經常變化、燃燒調整頻繁，且燃燒的煤種變化較大，容易造成燃燒火焰狀況不穩定甚至熄火.特別是對于大型燃煤鍋爐，爐膛燃燒火焰的穩定是保證鍋爐安全和經濟運行的首要條件.火焰燃燒不穩定使得鍋爐燃燒效率降低，極端情況下調整不當還容易引起熄火等事故，極大地影響火力發電廠的經濟性和安全性.因此，對鍋爐火焰燃燒進行檢測和控制越來越受到關注.

目前，火焰燃燒檢測的方法主要基于輻射光能原理和數字圖像處理技術.數字圖像處理技術主要是借助計算機，對拍攝得到的火焰圖像進行特征分析，得出火焰穩定性識別結果，如孫永超［1］借助數字圖像處理技術對鍋爐爐膛火焰的燃燒情況進行檢測，得出了火焰燃燒檢測結果和火焰溫度場.厲謹等［2］基于脈沖耦合神經網絡（PCNN）分割的火災探測方法，提出了基于計算機視覺和數字圖像處理技術的火焰特征計算.另外也有人提出了支持向量機和數據融合以及紅綠藍顏色模型（RGB模型）等模型算法，對火焰燃燒穩定性進行了深入分析［3－4］.輻射光能原理主要是依據火焰燃燒時會向外輻射各種光譜，光譜的頻帶主要集中在可見光和紅外線譜段上，利用光電二極管就可以接收到上述信號，并將其轉化為電信號，方便計算機信號處理.目前，應用輻射光能原理檢測火焰燃燒穩定性的研究也有不少，如馬俊等［5］基于頻譜分析和自組織神經網絡對火焰燃燒穩定性進行檢測，提取功率譜中前30個低頻分量作為神經網絡的輸入訓練樣本.陸劍飛［6］提取火焰的平均輻射強度和輻射強度變化頻率，采用神經網絡融合和模糊融合的信息融合技術對火焰輻射信號進行了深入分析.采用輻射光能原理設計的檢測系統具有操作簡單、價格便宜以及實用性強等特點，因此是目前火焰燃燒穩定性檢測的重要發展方向.而數字圖像處理技術需要的設備較為昂貴，需要的數據存儲量大.但是，無論是使用輻射光能原理還是數字圖像處理技術，提取能有效表征火焰燃燒的特征量是進行燃燒穩定性識別的關鍵步驟，雖然目前所有基于輻射光能原理的火焰檢測方法提取的特征量不少，但是缺乏有效的方法對這些特征量進行分析，有些特征量對火焰燃燒穩定性的影響很小，用于火焰燃燒穩定性檢測產生的效果不大，但是卻增加了計算的時間和復雜性.筆者基于輻射光能原理，采用基于實數編碼的加速遺傳算法的投影尋蹤分類模型（RAGA－PPC模型）對目前所有特征量進行分析，得到了這些特征量對火焰燃燒穩定性的影響程度，并對火焰燃燒穩定性進行識別.

1 投影尋蹤分類模型

投影尋蹤分類模型能夠將高維數據投影到低維子空間，并在低維子空間上尋找能夠反映高維空間數據特征的投影，從而更容易對高維數據進行分析.利用投影特征值進行綜合評價的投影尋蹤技術其實也是一種降維處理技術，即通過投影尋蹤技術可以將多維分析問題通過最優投影方向轉化為一維問題進行研究.投影尋蹤分類模型的主要步驟如下.

（1）樣本評價指標集的歸一化處理.設各指標值的樣本集為｛x＊（i，j）｜i＝1，2，…，n；j＝1，2，…，p｝，其中x＊（i，j）為第i個樣本的第j個指標值，n和p分別為樣本的個數和指標數目.由于指標之間存在量綱的不統一，所以需進行歸一化處理：

對于越大越優的指標

對于越小越優的指標

式中：xmax（j）和xmin（j）分別為第j個指標值的最大值和最小值；x（i，j）為歸一化之后的指標值.

（2）構造投影指標函數.設a＝｛a（1），a（2），…，a（p）｝為某一個投影方向，在該投影方向上，p維數據的一維投影值z（i）為

在構造投影指標函數時，要綜合考慮局部投影點盡可能密集，最好凝聚成若干個點團，而在整體上投影點團之間要盡可能散開.因此，投影指標函數可以表述如下

式中：Sz為投影值z（i）的標準差；Dz為投影值z（i）的局部密度.

式中：E（z）為投影值｛z（i）｜i＝1，2，…，n｝的均值；R為局部密度窗口半徑，它的選取要保證在包含的窗口中投影點平均個數不太少，防止滑動偏差過大，也不能使其隨n的增大而增加太多，一般取R＝0.1Sz；r（i，j）為樣本間距離，r （i，j）＝u（t）為單位階躍函數，u（t）＝

（3）投影指標函數的優化.由于不同的投影方向對應不同的數據結構特征，所謂優化投影指標函數就是尋找最佳投影方向，最大可能地暴露高維數據的某種結構特征.從信息論角度分析，最佳投影方向是數據信息利用最充分、信息損失量最小的方向，優化投影方向歸根到底是找出某種意義下好的投影指標.因此，通過求解投影指標函數最大化來估計最佳投影方向.

上述問題是一個復雜的非線性優化問題，筆者采用基于實數編碼的加速遺傳算法（RAGA）求解，RAGA在算法尋優方面大大強于標準遺傳算法.

2 火焰燃燒特征量描述

燃料在燃燒過程中向外輻射大量的能量，由于火焰形狀變化、熱輻射和振動能或轉動能的轉化等原因，火焰輻射強度和閃爍頻率會出現脈動現象.目前提取的火焰燃燒特征量主要在信號的時域和頻域內獲取.提取的特征量包括信號強度均值、強度方差、峰峰值、閃爍頻率及均勻度.其中，強度均值、強度方差和峰峰值屬于時域量，閃爍頻率和均勻度屬于頻域量，這些特征量的定義列于表1中，其中信號強度x（n）可通過檢測系統獲得.

表1 火焰燃燒特征量定義Tab.1 Definition of the combustion feature values

3 火焰燃燒試驗臺及檢測系統

火焰燃燒試驗臺及檢測系統的組成見圖1.試驗臺主要由燃燒器噴嘴、燃氣瓶、流量計和引風機組成，檢測系統主要由光敏探頭、直流電源、檢測電路系統、數據采集卡以及計算機等構成.試驗中，風機提供一次風和二次風，一次風和來自燃氣瓶的燃氣混合，提供燃氣最初的氧量，二次風提供周界風.

火焰檢測系統流程為：火焰輻射信號傳遞至光敏探頭處，光敏探頭接收光信號后通過檢測電路放大，然后進入數據采集卡進行A／D轉換，最后進入計算機進行分析，在計算機中獲得的是電壓信號而不是光信號，但是該電壓信號與輻射信號為線性關系，反映了光信號的大小，所以認為獲得的電壓信號為火焰輻射信號.

圖1 火焰燃燒試驗裝置Fig.1 Experimental apparatus for the flame combustion test

光敏探頭實質上就是光敏三極管，用于獲取可見光輻射信號.光敏三極管一般在基極開放狀態使用，在此狀態下，光線入射到基極表面時，受到反偏壓的基極、集電極間立即有光電流流過，發射極接地時晶體管的情況也一樣，電流以晶體管的電流放大率被放大而成為流至光敏探頭的光電流，在電路中一般處于反向工作狀況.試驗中采用的光敏三極管型號為3DU465P3，主要性能參數：波長為400～1 100nm，最高電壓為30V，暗電流為0.1μA，光電流為8mA，響應時間為15ns.數據采集卡型號為研華USB4716，實驗中采樣頻率為2 048Hz.

4 RAGA－PPC模型計算分析

燃燒試驗中通過調整風燃比獲取不同的燃燒工況，其中二次風體積流量固定為2 000L／h，一次風體積流量從0增大到1 600L／h，燃氣體積流量從200L／h增大到1 000L／h.維持火焰穩定需要滿足混合氣體流速等于火焰傳播速度，當混合氣體流速大于火焰傳播速度時，火焰脫離燃燒器噴嘴；當混合氣體流速小于火焰傳播速度時，火焰進入燃燒器噴嘴內部，發生回火，這些都不能維持火焰穩定.在試驗中，當混合氣體體積流量發生變化時，即流速發生了變化，所以可以通過調節混合氣體（即一次風或燃氣）體積流量來獲取不同燃燒狀態，其中一次風、二次風體積流量由一次風、二次風流量計讀取，燃氣體積流量由燃氣流量計讀取.根據觀察火焰是否發生回火或者脫離，將火焰燃燒狀態分為穩定燃燒狀態和不穩定燃燒狀態，但有時火焰發生回火或者脫離的現象不明顯，將這種狀態定義為過渡狀態，所以火焰燃燒狀態有穩定、不穩定和過渡3種狀態.通過一系列試驗，得到3種燃燒狀態下的數據集合，每個集合選取10組數據分析，共30組數據樣本，并抽取了3個測試樣本，其特征量計算結果見表2.

首先進行數據歸一化處理，5個特征量中強度均值和均勻度越大越好，因為這2個值越大，火焰燃燒越穩定；而強度方差、峰峰值和閃爍頻率則相反，這3個值越小，火焰燃燒越穩定，因為這3個值都反映了火焰信號的脈動大小.

然后采用RAGA－PPC模型計算，選擇種群數量為400，交叉概率為0.8，變異概率為0.8，優秀個體數目為20，優化變量數目為5，加速次數為7次，變異方向所需要的隨機數為10，得出最大投影值為1.056 3，最佳投影向量為a＝（0.028 0，0.513 9，0.425 2，0.601 5，0.438 7），這就是火焰信號強度均值、強度方差、峰峰值、閃爍頻率和均勻度5個特征量對火焰燃燒穩定性的貢獻值，將這些貢獻值按大小順序排列見圖2.火焰燃燒特征量指標貢獻率的大小見圖3.貢獻率的定義如下

表2 樣本數據特征量計算結果Tab.2 Calculation results of sample data

式中：χi為第i個特征量指標對火焰燃燒穩定性評價的貢獻率；ai為第i個指標的貢獻值.

圖2 火焰燃燒特征量指標投影方向的貢獻值Fig.2 Contribution of various flame characteristic indices to flame stability in projection direction

圖3 火焰燃燒特征量指標貢獻率的大小Fig.3 Contribution rate of various flame characteristic indices

由圖3可以分析各個評價指標對綜合評價結果的影響程度，根據指標貢獻率的大小排序，得到各個指標對火焰燃燒穩定性的貢獻從大到小依次為：閃爍頻率、強度方差、均勻度、峰峰值和強度均值.其中強度均值貢獻最小，只有1%，說明這個指標對火焰燃燒穩定性的影響相對于其他指標來說非常小，甚至可以忽略，原因是火焰燃燒穩定性是由火焰波動大小決定的，而不是由火焰強度大小決定的，這與平時觀察的火焰現象相符.而貢獻最大的是火焰閃爍頻率.由經典的燃燒機理分析，火焰閃爍頻率的產生是由于燃燒過程釋放的熱量會降低周圍環境的氣體密度，而火焰和周圍環境的密度差受重力影響會使得燃氣加速上升，從而發生火焰閃爍.根據 Williams理論［7］，預混火焰本身的不穩定可以分成3類，其中有一類是水力不穩定，水力不穩定是指有2種密度的氣體被火焰前鋒以一定速度分開，而密度大的氣體將不穩定.所以當出現火焰閃爍頻率波動較大時，燃燒火焰密度會變大，從而發生燃燒的不穩定.其機理是擴散的氣體經過火焰使得火焰流線呈現凸出和凹進，未燃氣體就會凹進和凸出.流體的發散和集中會使得該處流體出現減速和加速，這樣會使得擾動加強.即火焰閃爍頻率對于火焰燃燒穩定性是十分關鍵的因素，閃爍頻率越大，火焰越不穩定.由此可知，根據RAGA－PPC模型得到的結論與經典的燃燒理論相符合.

經過進一步分析，還可以求出投影尋蹤分類評價模型，用來評判火焰燃燒穩定性.將最佳投影向量代入式（3）可得到投影值為

該投影值中蘊含有火焰燃燒穩定性信息，采用合適的函數對其進行擬合.根據樣本序號和投影值的函數關系，采用Matlab的CFTOOL擬合工具建立火焰燃燒穩定性識別的投影尋蹤分類評價模型：

式中：z＊為計算投影值；x為樣本序號.

擬合圖形見圖4.由圖4可知，計算投影值隨樣本序號的變化成一定的函數關系.擬合結果及誤差分析見表3.由表3可知，絕對誤差最大值為0.329 6，即絕對誤差范圍為0～0.329 6.而對于相對誤差，樣本序號為26、29和30的樣本相對誤差較大，原因可能是在測量數據過程中人為造成的，但是這并不影響總體的擬合效果，因為除了這3個樣本相對誤差較大外，其余27組樣本相對誤差均不超過20%，而且絕對誤差也較小，可見擬合誤差基本滿足要求.

圖4 計算投影值和樣本序號關系Fig.4 Relationship between projection value and sample number

將1號～3號測試樣本的投影值代入投影尋蹤分類評價模型式（9）中，可以反求出樣本序號（表3）.因為不同樣本序號代表了不同的燃燒狀態，所以根據公式反推得到的樣本序號即為該樣本所處燃燒狀態.3個測試樣本得到的樣本序號分別為22.5、27.4和27.5，其值介于21～30，所以都屬于不穩定燃燒狀態.因此，RAGA－PPC模型不僅可以分析反映火焰燃燒穩定性的特征量，而且還可以對火焰燃燒狀態進行判別，為火焰燃燒穩定性診斷提供了一種新的思路和方法.

表3 RAGA－PPC模型計算結果和誤差分析Tab.3 RAGA－PPC model results and error analysis

5 結論

RAGA－PPC模型是一種新穎有效的能夠降低高維數據的評價模型.利用該模型研究了5個火焰燃燒特征量，得到能夠反映高維數據結構的最佳投影方向，其中強度均值這個特征量對火焰燃燒穩定性的影響貢獻最小，火焰閃爍頻率對火焰燃燒穩定性的影響貢獻最大，結果與經典燃燒理論相符，證明模型的正確性.根據投影值和樣本序號建立火焰燃燒穩定性評價模型，給出評價模型的函數關系式，并分析了模型的誤差，同時對測試樣本進行了預測，結果表明：該模型基本能滿足火焰燃燒穩定性判別的要求.采用該模型來分析火焰燃燒穩定性，為火焰燃燒穩定性研究提供了一種新的思路和方法.

［1］孫永超.基于數字圖像處理的爐膛火焰燃燒診斷系統［D］.北京：北京交通大學，2009.

［2］厲謹，王慧琴，袁洪琳，等.基于PCNN分割的火焰圖像檢測技術［J］.西安工程大學學報，2010，24（2）：217－221.LI Jin，WANG Huiqin，YUAN Honglin，et al.Detection technology based on PCNN segmented flame image［J］.Journal of Xi＇an Polytechnic University，2010，24（2）：217－221.

［3］劉道光，呂麗霞，劉長良.支持向量機在爐膛火焰監測中的應用［J］.化工自動化及儀表，2010，37（1）：41－44.LIU Daoguang，LüLixia，LIU Changliang.Applications of support vector machine in furnace flame［J］.Control and Instruments in Chemical Industry，2010，37（1）：41－44.

［4］周昱，張杰，李昌禧.基于RGB模型的燃氣火焰檢測的圖像處理方法［J］.儀表技術與傳感器，2010（11）：86－90.ZHOU Yu，ZHANG Jie，LI Changxi.Imagery processing method of gas flame examination based on RGB model［J］.Instrument Technique and Sensor，2010（11）：86－90.

［5］馬俊，余岳峰，范浩杰.基于頻譜分析和自組織神經網絡的火焰燃燒診斷研究［J］.動力工程，2004，24（6）：852－856.MA Jun，YU Yuefeng，FAN Haojie.Research on flame detection and combustion diagnosis based on spectrum analysis and with self organized neural networks［J］.Power Engineering，2004，24（6）：852－856.

［6］陸劍飛.信息融合技術在火焰檢測中的應用［D］.保定：華北電力大學，2004.