基于獨立成分分析與FFT的火焰檢測算法

馬祥　楊慶峰　肖先勇

摘 要 針對鍋爐爐膛火焰檢測產品普遍存在的偷看現象，采用獨立成分分析（ICA）和FFT相結合的算法，對燃燒火焰進行盲源分離和功率譜分析。結果表明：FastICA+FFT算法能夠正確分離出本體火焰信號、旁路火焰信號和爐膛背景火焰信號，判斷出鍋爐燃燒狀態，提高了系統檢火的可靠性，降低了偷看漏看概率。

關鍵詞 火焰檢測算法 盲源分離 獨立成分分析 FFT算法 火檢

中圖分類號 TP391.41? ?文獻標識碼 A? ?文章編號 1000-3932（2023）04-0538-07

電廠鍋爐爐膛內煤粉的燃燒情況十分復雜，受外界因素的影響，極易引起爐膛滅火和爆燃事故，對生命財產造成巨大的損失，因此爐膛必須具有安全可靠的燃燒安全監測系統。火焰檢測系統能夠及時、靈敏、可靠地實時檢測鍋爐爐膛內火焰的燃燒情況，在點火、低負荷等燃燒不穩定工況下能夠及時調整燃料與風的比例，防止發生爐膛爆燃事故［1］。目前，鍋爐火焰檢測方法主要有兩種：一種是基于火焰閃爍特性的方法［2］，另一種是基于圖像處理的方法［3］。然而由于基于圖像處理的方法設備較復雜、價格昂貴，所以目前電廠大多采用基于火焰閃爍特性的方法。火焰閃爍特性法的原理是：火焰檢測器（以下簡稱火檢）檢測火焰信號后，對信號進行FFT濾波處理，得到閃爍頻率及其對應的功率譜強度，然后進行邏輯運算來檢測燃燒火焰的存在。該方法雖然可以比較準確地檢測出燃燒器火焰的亮滅，但是仍普遍存在偷看相鄰或對面燃燒器火焰狀態的情況。

筆者針對火焰閃爍特性法火檢算法的不足，采用獨立成分分析［4～7］與FFT［8］相結合的算法，首先對燃燒器火焰進行盲源分離，然后對分離后的互不相關信號進行FFT變換，最后對分離后的火檢閃爍頻率和其對應能量功率譜進行分析，從而降低火檢偷看旁路火焰的概率。

1 火焰閃爍特性法檢測原理

現代燃燒論認為，爐膛火焰的燃燒過程實際上是由數量龐大的小型受限空間內的爆燃所組合而成；大量同時發生的微觀小型受限空間內的爆燃在宏觀上表現為火焰具有脈動特征，稱為火焰閃爍。油或煤粉通過不同結構的燃燒器進行燃燒時，都會有特定的火焰閃爍頻率帶寬。油或煤粉在燃燒過程中會釋放出大量紅外、紫外能量，這些具有特定頻率特征的紅外、紫外能量形式可以作為檢測煤粉火焰是否存在的物理基礎。火焰閃爍特性法對火焰的檢測原理如圖1所示，通過光敏器件將煤粉、油等燃料燃燒時產生的光信號轉換成電壓信號，經過放大、濾波等處理以及信號AD采樣后，對數字信號進行算法分析處理，提取其強度、頻譜特征信號，結合煤粉和油的燃燒特性進行比較從而判斷有火、無火信號并輸出表征火焰質量的4～20 mA電流信號以及開關量火焰信號。

2 火焰信號盲源分離

2.1 獨立成分分析原理

2.2 FastICA算法流程

2.3 火焰信號盲源分離

為實現火焰信號盲源分離，以某發電廠300? MW單元機組為例，鍋爐為W爐膛燃燒方式，其上安裝的28只火檢均存在不同程度的火焰偷看情況，火檢采用火焰閃爍特性法檢測火焰，算法為FFT。選擇偷看較嚴重的B2火檢（油火檢）對鍋爐燃燒火焰進行數據采集。B2火檢的采樣頻率為10 kHz（采樣點數為1 024），火檢收到采集命令后，將采集的火焰原始數據通過RS485傳輸給計算機，每個工況采集50組數據，每組實驗互不影響。

第1個工況為爐膛暖爐啟爐時點燃B2油槍，此時其他油槍均沒有啟動點燃，爐膛火焰為B2油槍產生，此時B2火檢采樣到的數據即為B2油槍的特征火焰信號，無其他油槍火焰和爐膛火焰混合，得到B2火檢本體信號源時域圖如圖2所示。

第2個工況為B2火檢采集數據完畢后關閉B2油槍，點燃相鄰的B3油槍，火焰穩定后，在B2火檢能檢測到B3油槍火焰燃燒的情況下，對B2火檢進行火焰數據采集，得到B2火檢旁路信號源時域圖如圖3所示。此時爐膛內只有B3油槍點燃，所以B2火檢檢測到該工況的火焰數據為B3油槍的特征火焰數據，無背景爐膛火焰和其他相鄰油槍火焰混合。

第3個工況為爐膛所有燃燒器的煤和油均點燃后，關閉B2油槍和相鄰的B3油槍，燃燒穩定后，對B2火檢進行數據采集，此時采樣到的火焰數據為爐膛背景火焰信號，B2火檢爐膛背景信號源時域圖如圖4所示。

第4個工況為爐膛所有的煤和油燃燒器都點燃后爐膛內燃燒狀況趨于穩定，對B2火檢進行火焰數據采集。B2火檢采樣到的火焰數據為爐膛背景火焰、相鄰油槍旁路火焰和B2本身油槍本體火焰的混合火焰數據，其信號源時域圖如圖5所示，此時火檢信號為混合信號。

對圖5所示的5組B2火焰混合信號進行盲源分離。首先對數據進行統計分析，分別由式（4）計算各組信號的累計貢獻率：

第1組 0.926

第2組 0.945

第3組 0.972

第4組 0.996

第5組 1.000

由以上數據可以確定5組信號源中的主要成分數，以此判斷出獨立火焰成分數目，為采用Fast-ICA算法對信號源進行分離做準備。

當特征值的累計貢獻率Ci>0.960時，表明前i個主要成分能夠包含96%的混合火焰信號，但也包含了i個不相關的火焰信號主要成分。前3組數據包含了火焰信號的主要成分，能夠代表混合火焰信號的3個主要特征，即所采樣的混合火焰信號由3種互不相關的火焰信號構成（本體火焰信號、旁路火焰信號和爐膛背景火焰信號），這與實際測量結果基本一致。

將采樣的5組混合火焰信號數據進行FastICA運算得到3組火焰信號，其時域圖如圖6所示。可以看出，將圖5中的5組數據進行盲源分離后能夠得到3組分離信號，其中分離信號1的波形與火檢旁路信號波形基本相同，分離信號2的波形與火檢爐膛背景信號波形基本相同，分離信號3的波形與火檢本體源信號波形基本相同。也就是說，采用FastICA算法能夠將火焰的混合信號進行有效分離。

3 火焰信號功率譜分析

B2火檢的采樣時域信號經過ICA的有效分離后，得到了3種成分的時域火焰信號，該時域波形不夠直觀，不利于燃燒器燃燒狀態的判定。火焰燃燒會產生閃爍頻率，所以對分離后的數據進行快速傅里葉變換（FFT），使其信號特征在頻域完全展現，從而實現火焰狀態的準確判定。經過FFT變換后的信號頻域波形圖如圖7所示。

實際上鍋爐火焰燃燒時油火檢的能量主要集中在20～40 Hz之間。圖7所示的分離信號頻域波形圖中，在20～40 Hz范圍內，旁路火焰功率能量幅值最大值小于0.8，爐膛背景火檢功率能量幅值接近零，主火焰功率能量幅值基本大于0.8，即在20～40 Hz范圍內主火焰相對于旁路火焰和背景火焰都有著明顯的火焰辨識度。

采用FFT算法和FastICA+FFT算法分別對混合火焰數據進行處理，得到頻域波形圖如圖8所示。可以看出，在20～40 Hz范圍內大多數頻率點的功率能量值，FastICA+FFT算法的要高于FFT算法的。FastICA+FFT算法能夠使功率能量值大幅提高，這有助于更加穩定地檢測到有火狀態，即在相同的有火閥值的情況下，能夠降低漏看主火焰的概率；隨著功率能量值的提高，在保證著火的情況下，可以適當增加有火閥值，可使偷看旁路火焰的概率大幅降低。

在爐膛油槍全部點燃的情況下，關閉B2油槍，對B2火檢進行采樣，然后用FFT算法和Fast-

ICA+FFT算法分別對火焰信號進行處理，得到頻域波形圖如圖9所示。可以看出，在20～40 Hz范圍內采用FastICA+FFT算法對火焰信號進行處理后，其能量峰值低于FFT算法的，即當設置的檢火頻率點為這些能量峰值處時，B2火檢不容易看到旁路火焰，達到了降低火檢偷看概率的目的。

為進一步驗證算法的有效性，對該電廠偷看最嚴重的8只火檢進行算法優化改進升級，將處理算法由原來的FFT優化成FastICA+FFT，經過1個月的運行測試，8只火檢工作穩定，偷看旁路火焰的概率大幅降低。

4 結束語

筆者采用獨立成分分析中的FastICA算法，從混合火焰中有效分離出本體火焰信號；通過對火焰信號進行FFT算法和FastICA+FFT算法的對比分析，發現FastICA+FFT算法能夠有效增強檢火靈敏度，降低火檢偷看的概率，對火焰檢測具有重大現實意義。

參 考 文 獻

［1］ 常太華，李國光，田沛，等.煤粉鍋爐火焰檢測及燃燒診斷［J］.華北電力大學學報，1999，26（1）：57-62.

［2］ 高武.鍋爐火焰檢測算法研究［D］.南昌：南昌大學，2008.

［3］ 萬游磊.基于DSP的嵌入式爐膛火焰檢測系統［D］.南昌：南昌大學，2007.

［4］ 楊竹青，李勇，胡德文.獨立成分分析方法綜述［J］.自動化學報，2002，28（5）：762-772.

［5］ 張安社，陳岳坪，楊翊，等.基于獨立成分分析的復雜曲面加工誤差分離［J］.廣西科技大學學報，2018，29（1）：55-60；68.

［6］ 栗芝.基于獨立成分分析的X射線焊縫缺陷識別算法研究［D］.西安：西安石油大學，2019.

［7］ 劉百云.基于頻域獨立成分分析的快速盲源分離算法研究［D］.濟南：山東大學，2020.

［8］ 毛朝陽.基于短時傅里葉變換的相位恢復算法研究［D］.西安：西安石油大學，2021.

［9］ 史振威.獨立成分分析的若干算法及其應用研究［D］.大連：大連理工大學，2005.

［10］ 黃煜，王浩，盧鋒，等.一種基于FastICA的盲源分離方法［J］.中國科技信息，2021（15）：86-88.

［11］ 郭晨茹.基于ICA的工業流程過程監控研究［D］.銀川：寧夏大學，2020.

（收稿日期：2022-11-15，修回日期：2023-06-13）

Research on Fire Detection Algorithm Based on Independent

Component Analysis and FFT

MA Xiang， YANG Qing-feng， XIAO Xian-yong

（Shenzhen Eastern Boiler Control Co.， Ltd.）

Abstract? Aiming at the commonly-existed misjudging in boiler furnace flame detectors， the algorithm of combining independent component analysis （ICA） and FFT was employed to analyze both blind source separation and power spectrum analysis of combustion flame. The results show that， FastICA+FFT algorithm can correctly separate the body flame signal， bypass flame signal and furnace background flame signal， and can effectively judge the boiler combustion state to improve the reliability of the system fire detection， and reduce the probability of misjudging.

Key words? ? flame detection algorithm， blind source separation， ICA， FFT algorithm， flame detection