“五四模型”的火焰燃燒穩定性判定

陳榮保，曹子沛，肖本賢

(合肥工業大學電氣與自動化工程學院，安徽 合肥 230009)

“五四模型”的火焰燃燒穩定性判定

陳榮保，曹子沛，肖本賢

(合肥工業大學電氣與自動化工程學院，安徽 合肥 230009)

燃燒穩定性判定問題是鍋爐燃燒狀態自動監測中亟待解決的關鍵問題之一。為了實現自動化監測，并對燃燒的穩定程度進行量化判定，基于數字圖像處理技術，從爐腔火焰圖像中提取燃燒參數，建立燃燒參數數據庫。基于多屬性判定方法，生成區間數據樣本決策庫。在模糊推理中，為獲取隸屬度函數參數和模糊推理規則，提出了基于粗糙集簡化樣本決策庫。按照決策屬性離散化決策庫中的條件屬性，實現了屬性簡約和屬性值簡約，增加了網絡訓練樣本參數的可靠性。結合模糊網絡的邏輯推理性和神經網絡的學習性、并行計算等優點，建立了用于燃燒診斷的T-S模糊神經網絡模型。選擇合適的模糊分割數，定義“五四模型”，建立基于“五四模型”的火焰燃燒穩定性判定模型，并進行仿真試驗。對比訓練前后的仿真圖參數表明，該模型是可行的，并具有較好的試驗效果。

燃燒穩定性； 火焰圖像處理； 樣本決策庫； 隸屬度函數； 粗糙集； 離散化； T-S模糊神經網絡； 分割數； 五四模型

0 引言

火力發電是我國電力生產的主要方式。對于大型燃煤鍋爐而言，燃燒的不穩定既不環保節能，又不安全可靠[1]。燃燒火焰是燃燒狀態的最直接反映[2]，目前大型電站鍋爐所使用的火焰圖像檢測系統還需要人工現場觀察，因此火焰圖像燃燒穩定性判定一直都是鍋爐自動監測中亟待解決的問題之一。科學地解決該問題對實現鍋爐自動監測和安全運行具有實際意義[3]。

燃燒過程是一個劇烈變化的過程，為克服燃燒雜質帶來的噪聲影響[4]，需要建立一個具有較好的泛化和容錯能力的燃燒穩定性判定模型。模糊神經網絡模型能夠滿足上述要求[5]。因此，本文提出基于Tagaki-Sugeno模糊神經網絡的燃燒穩定性判定模型，建立“五四模型”，實現燃燒穩定性判定。

1 燃燒特性及樣本參數選取

1.1 火焰圖像的預處理

對燃燒特性進行分析是確定火焰圖像監測算法的關鍵步驟，火焰圖像可能受到了外界的干擾[6]。為了得到更加清晰、更加趨于現實的火焰特性，更是為了得到更加準確的火焰圖像燃燒參數，本文需要對樣本圖像進行預處理。采用的預處理方法為文獻[7]中所闡述的灰度化和中值濾波。

灰度化是將彩色圖像作灰度處理，轉化為灰度圖像。根據RGB顏色空間與YUV顏色空間的對應變換關系，建立亮度Y與R(紅)、G(綠)、B(藍)顏色分量的對應關系Y=0.3R+0.59G+0.11B，計算各個像素點的亮度值Y，并將該亮度值信息作為灰度圖像的灰度值。

中值濾波能夠濾除火焰圖像中的隨機噪聲，并且因其非線性特點，不對階躍信號造成影響，從而不會造成圖像模糊。中值濾波的數字表達式如式(1)所示。

g(x,y)=med{f(x-i,y-i)}i,j∈S

(1)

式中：g(x,y)、f(x,y)為圖像數據矩陣的像素灰度值；S為滑動窗口范圍。

1.2 燃燒樣本參數的選取

采樣攝像頭擺放位置不佳，導致火焰圖像圓形度不夠理想。文獻[7]～ 文獻[11]采用火焰平均灰度、有效區平均灰度、高溫區面積、圓形度、火焰質心偏移、火焰豐度等樣本燃燒參數。綜合考慮，本文選取火焰平均灰度、有效區平均灰度、火焰豐度、高溫區面積率、質心偏移作為燃燒參數進行研究。這五個參數均是對火焰圖像進行預處理后提取得到的。

火焰平均灰度表述了火焰能量高低和火焰輻射平均光強。在穩定燃燒的情況下，火焰脈動并不強烈，圖像平均灰度波動變化較小；在不穩定燃燒的情況下，不穩定燃燒時火焰的劇烈脈動，圖像平均灰度變化波動比較大。

火焰豐度，即火焰有效面積，表示火焰圖像中火焰面積占整幅圖像的比例，反映火焰的占滿程度。由于爐腔內的環境因素，會引起火焰圖像的波動，灰度值的變化和火焰有效面積的波動是脈動特性在圖像上最為明顯的表現。

高溫面積率反映火焰完全燃燒區占火焰圖像的面積。在火焰完全燃燒區內，煤粉燃燒充分，燃燒脈動和火焰面積波動劇烈，溫度也是最高的。此高溫區面積的變化最能反映爐腔內火焰燃燒穩定性。

質心偏移距離指的是火焰高溫區的切圓質心與基準狀態的質心偏移的距離。隨著爐膛內煤粉投入狀況和一、二次風量的變化，火焰運動是必然的，用圖像中的火焰質心偏移來表示火焰的中心位置變化。如果爐膛內各燃燒器配風不當或個別燃燒器工作不正常，會造成火焰中心偏移和變形。

由于煤粉火焰脈動頻率為10～30 Hz，火焰中心脈動頻率為5～10 Hz[9]。為消除火焰脈動對燃燒穩定性判定的影響，對火焰視頻的每5幀圖像的火焰參數取最大值、最小值以及平均值，得到參數樣本。這樣每組樣本數據至少包含一個火焰脈動，以此得到燃燒參數數據庫。

2 基于模糊神經網絡燃燒穩建模

基于T-S模型的燃燒穩定性判定結構圖如圖1所示。

圖1 基于T-S模型的燃燒穩定性判定結構圖

圖1中：網絡結構分為前件網絡與后件網絡，匹配模糊規則的是前件網絡[12]；后件網絡則用于產生模糊規則，確認模型最終輸出結果。

神經網絡輸出的是燃燒穩定性，故本文構造的是MISO網絡模型，有5個輸入和1個輸出。

前件網絡組成結構為4層[13]，如圖1所示，第一層是輸入層，它的各個節點直接和輸入向量的各個分量xi連接，它起著將輸入值x=[x1,x2,…,xN1]T傳送到下一層的作用。該層的節點數N1取5。

第三層是規則層，每個節點代表對應的模糊規則，它的作用是匹配模糊規則的前件，計算每條規則的適用度，如式(2)所示。

(2)

第四層是歸一化計算，如式(3)所示，節點數N4=N3=m。

(3)

后件網絡由γ個結構相同的并列子網絡組成，每個子網絡有一個輸出量[14]。第一層為輸入層，作用是傳遞輸入變量到第二層。第二層有m個節點，節點分別代表著相應的規則，該層的作用會計算各個規則的后件。基于T-S模型的模糊神經網絡分一階線性網絡模型和零階網絡模型，這里選用零階網絡模型，對穩定性輸出進行定義：yi=k,k為穩定度。第三層是對系統輸出進行計算，如式(4)所示。

(4)

由上式可得，各規則后件的加權和是yi，各個規則歸一化后的適用度是其加權系數，也就是把前件網絡的輸出用作后件網絡第三層的連接權值。

3 T-S模糊隸屬度函數和規則獲取

3.1 燃燒決策庫生成

基于模糊神經網絡燃燒穩定性判定燃燒規則及燃燒訓練參數的選取，對燃燒穩定性判定有著重要的作用。如何選取有效的模糊推理規則和訓練參數成為模糊神經網絡燃燒穩定性判定不可回避的問題。本文就此問題，提出基于樣本決策表提取規則庫和訓練樣本。為了得到有效的樣本數據庫，本文選用文獻[10]的基于區間數的多屬性判定思想獲取燃燒決策庫，選定一組燃燒圖像，組成樣本集IS={S1,S2,…,Sn}，并將其表示為一個四元組的信息系統IS=(S,A,V,f)，A是非空有限屬性集，A=C∪d={火焰平均灰度、有效區平均灰度、火焰豐度、高溫區面積率、質心偏移，穩定性}，C={c1,c2,c3,c4,c5}為條件屬性，d為決策屬性，V為屬性值的集合，f→S×A表示條件屬性映射的屬性值集合。

3.2 隸屬度函數及燃燒規則庫

由3.1節生成了樣本決策表，但是決策表中樣本燃燒參數是區間數，使得樣本參數不能被直接處理，需要對其作離散化處理。離散化是為了實現規則提取和模糊初始隸屬度函數參數的獲取。本文選取文獻[8]基于粗糙熵的區間數離散化算法，按照決策屬性離散化決策表中的條件屬性，沒有改變決策表的相容性。本文的決策屬性中有4個區間，故最終離散化的條件屬性有4個樣本區間，這樣利于模糊神經網絡初始的隸屬度函數提取。基于模糊神經網絡穩定性判定初始的隸屬度函數的選取，對樣本訓練準確性及訓練時間有很大的影響[15]。由于模糊隸屬度函數的形狀對網絡性能影響不大，本文建立的模糊神經網絡模型的隸屬度函數是高斯函數。第i個條件屬性的第j個模糊集合的隸屬度函數如式(5)所示。

(5)

根據高斯函數的特性，當輸入量x距離中心很近時，輸入隸屬于其他模糊量的隸屬度通常小于0.5。本文取0.24，把它賦值給隸屬度函數，就可以計算出初始標準差σ，這樣每個條件屬性有4個模糊集合。這里將其分別定義為“小”、“偏小”、“適中”、“大”。通過計算得到部分樣本燃燒參數的模糊區間的隸屬度函數中心值如表1所示。

表1 隸屬度函數中心值

火焰平均灰度的隸屬度函數如圖2所示。

圖2 火焰平均灰度的隸屬度函數

火焰在不同狀態下，狀態變量參數是不一樣的，例如火焰脈動用灰度值即可判定，其余幾個參數并沒有發揮很大的作用，其他燃燒在不同工況特征參數反應情況不同，故經粗糙熵離散化后的樣本決策庫并不是最簡決策庫。為了更顯著地提高系統的訓練效果，簡化樣本決策庫。這里選用文獻[11]中的基于粗糙集理論的規則提取方法簡化和提取離散后的離散決策表。粗糙集可以處理不完整、多變量的數據，不需要關于數據的任何先驗知識或額外的信息，可實現屬性簡約和屬性值簡約。經計算，最終有36條規則，則模糊控制規則可以表示為模糊推理的形式，例如選取一條已經提取的規則，如：

If(“圖像灰度值”is“小”)and(“高溫面積率”is“偏小”)，then(“燃燒穩定性”is“一般穩定”)。

4 火焰燃燒穩定性判定仿真

4.1 T-S模糊神經網絡建模與訓練

本文構建的基于T-S模糊神經網絡的燃燒穩定性判定模型，一共有5個輸入變量、1個輸出變量。輸入變量分別是火焰平均灰度、火焰豐度、有效區平均灰度、高溫區面積率和質心偏移。每個輸入變量對應4個模糊化變量，將該模型定義為“五四模型”，其結構如圖3所示。

圖3 “五四模型”結構圖

由于本文在之前已經確定了燃燒狀態輸入分量的模糊分割數，因此在訓練和學習的過程中，把后件網絡的連接權值、前件網絡第二層節點隸屬度函數的中心值以及寬度作為主要參數。本文建立的模糊神經網絡模型步驟如下。

①建立初始FIS模型，增加ANFIS編輯器輸入變量至5個，修改輸入輸出變量信息。

②編輯初始隸屬度函數，根據表1所示的隸屬度函數中心值及聚類中心，設定初始隸屬度函數。

③根據3.2節獲取的模糊推理規則，輸入模糊規則域值，建立初始T-S模糊神經網絡燃燒穩定性判定模型(“五四模型”)結構圖。

④導入訓練數據、訓練模型，基于粗糙集得到訓練樣本2 000個和測試樣本500個。

⑤訓練完成后，將測試樣本輸入到模型中，并計算模型的準確率，用P表示，P=(模型輸出經四舍五入與樣本一致的離穩度)/(樣本總數)×100%，表示為模型輸出與樣本一致的情況占總樣本的比例。當模型準確率P滿足要求時，該模型即可用來進行燃燒穩定性判定；否則重新訓練和測試該模型，直至滿足要求。

訓練步數被設置為2 000步，圖4為“五四模型”訓練誤差曲線。由圖4可知，在模型訓練2 000步左右時，誤差接近為0。

圖4 “五四模型”訓練誤差曲線

4.2 火焰燃燒穩定性判定輸出

對已經訓練好的判定模型，本文選取500個測試樣本參數，輸入到所建立的神經網絡模型中。燃燒特征參數訓練前后隸屬度函數對比如圖5所示。

圖5 隸屬度函數對比圖

經過計算，模型準確率為95.2%。火焰豐度、高溫區面積率、質心偏移距離和有效區平均灰度的隸屬度函數的變化情況同火焰平均灰度相似，故沒有逐一列出。由圖5可知，訓練后的模糊隸屬度發生了變化，相鄰區間的交集減小，寬度減小，穩定性判定更為準確有效。因此利用基于T-S模糊神經網絡的“五四模型”對燃燒穩定性進行判定是可行的，能適應工程要求。

5 結束語

燃燒穩定性判定是鍋爐安全運營急需解決的問題，本文提出了基于“五四模型”的火焰燃燒穩定性判定模型，用于對爐腔火焰圖像燃燒穩定性進行識別。模糊神經網絡具有自適應性和自學習性，在燃燒穩定性判定時可通過網絡學習來調整判別規則，以適應各種復雜燃燒狀況。最后將獲取的參數對搭建的模型進行訓練和測試。通過樣本測試數據表明，該判別方法是可行的，為鍋爐燃燒穩定性判別建立了一個新的理論模型。

[1] 徐寶昌，張丁元，程亮．基于圖像的火焰穩定性判別方法研究[J]．計算機工程與應用，2012，48(9)：168-171．

[2] 張清宇．火焰燃燒穩定性診斷方法研究[D]．杭州：浙江大學，2004．

[3] KAMARTHI S V,PITTNER S. Accelerating neural network training using weight extrapolations[J]. Neural Networks,1999,12(9):1285-1299.

[4] SRINIVAS M,PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE Transactions on Systems Man & Cybernetics,2002,24(4):656-667.

[5] 劉禾．基于火焰圖像和模糊神經網絡的鍋爐燃燒穩定性判別[J]．儀器儀表學報，2008，29(6)：1280-1284．

[6] 安愛民，楊國強，張浩琛，等．基于T-S模糊決策的PMSG風電系統廣義預測控制[J]．自動化儀表，2016，37(9)：1-5．

[7] 董喜梅，楊磊，崔浩，等．基于圖像處理的火焰檢測算法研究[J]．后勤工程學院學報，2011，27(2)：90-96．

[8] CHEN R B,FAN W T,BIAN J C,et al. Research on stability criterion of furnace flame combustion based on image processing[C]//International Conference on Control Engineering and Communication Technology,2012:568-572.

[9] CHEN R B,BIAN J C,MENG F H. Research on closed-loop control system based on image-signal processing of furnace flame[J]. Advanced Materials Research,2012,61(5):1095-1100.

[10]陳榮保，孟芳慧，肖本賢，等．基于區間數和多屬性決策的燃燒穩定性研究[J]．儀器儀表學報，2015，36(3)：552-559．

[11]CHEN R B,MA W Y,XIAO B X,et al. Study on the parameter discretization algorithm of furnace flame image based on rough set theory[C]//2016 35th Chinese Control Conference(CCC),2016.

[12]TAKAGI T,SUGENO M. Fuzzy identification of systems and its applications to modelling and control [J]. IEEE Transaction on SMC,1985,15(1)：116-118.

[13]張維杰，田建艷，王芳，等．改進型T-S模糊神經網絡風電功率預測模型的研究[J]．自動化儀表，2014，35(12)：39-42．

[14]卜明瑋，孫名松，周夢熊．基于T-S模型FNN的網絡入侵檢測方法研究[J]．自動化技術與應用，2007，26(8)：1-3．

[15]劉海，夏明波．T-S模糊神經網絡及其在主動式集群中的應用[J]．現代計算機(專業版)，2007(4)：66-68．

Flame Combustion Stability Determination Based on “5-4 Model”

CHEN Rongbao,CAO Zipei,XIAO Benxian
(School of Electrical and Automation Engineering,Hefei University of Technology,Hefei 230009,China)

Stability determination of combustion is one of the key issues to be solved in the automatic monitoring of boiler combustion state. For the purpose of automatic monitoring and quantizing the combustion stability degree,according to the digital image processing technology，the combustion parameters are extracted from flame images of furnace cavity and the database of combustion parameters is built. Based on multi-attribute determination method,the interval number sample decision library is generated. In fuzzy inference,for obtaining the membership function parameters and fuzzy rules,the simplified sample decision database is proposed based on rough set. According to the condition attributes of discretized decision database,the simplicity of attributes and their values are realized,and the reliability of sample parameters of network training is increased. Combining the logical inference of fuzzy network and the advantages of neural network,such as good learning ability,parallel computing,etc.,a T-S fuzzy neural network model is built to diagnose combustion. Appropriate number of fuzzy divisions is selected; and “5-4 Model” is defined; and the determination model of flame combustion stability is built based on “5-4 Model”; and simulation experiment is carried out. Contrasting the parameters of simulation diagrams before and after training,the results show that the model is feasible.

Combustion stability; Flame image processing; Sample decision database; Membership function; Rough set; Discretization; T-S fuzzy neural network; Number of divisions; 5-4 model

陳榮保(1960—)，男，博士，副教授，主要從事DSP、圖像建模、檢測技術、智能儀表、過程控制的研究。 E-mail：crbwish@126.com。 曹子沛(通信作者)，女，在讀碩士研究生，主要從事圖像建模和智能儀表的研究。E-mail：caozipei@163.com。

TH183;TP183

A

10.16086/j.cnki.issn1000-0380.201707008

修改稿收到日期:2017-01-12