论文部分内容阅读
我国是电力产能大国,在我国多数热力发电厂中,炉膛的主要点燃设备为EI-XCL双调风旋流型燃烧器。煤粉与燃油混合的一次风进入炉膛与燃烧器接触后燃烧是否充分,直接决定了整个炉膛工作的稳定性。然而现阶段我国发电厂对于燃烧器的燃烧状态检测仅仅依靠接触式传感器,此类检测方式可检测到的数据有限,且仅可以判断煤粉是否燃烧,不能提供更多的实时数据。目前,基于全炉膛的火焰燃烧状态检测研究较多,但针对EI-XCL燃烧器的燃烧状态鲜有研究,因此,对于EI-XCL燃烧器进行基于图像处理的燃烧状态检测研究,可进一步提高全炉膛运行的安全稳定性。首先,本文讲述了基于图像的火焰检测系统的研究背景与研究意义,简单介绍了本文中EI-XCL燃烧器的工作环境与电厂的现场概况,分析了基于图像的EI-XCL燃烧器燃烧状态检测的可行性与实际意义,并在此基础上提出了如何检测EI-XCL燃烧器火焰燃烧状态的问题,根据问题制定了研究方案。通过火焰电视的工作环境与成像原理,选取灰度空间作为本文的研究基础。使用改进的ABDND开关中值滤波算法作为本文滤波进行编译实现并针对本文研究对象进行调整,对起燃状态与低负荷(397MW)运行状态下的EI-XCL燃烧器火焰图像进行脉冲噪声滤波试验,其滤波效果良好,且在高噪声方差环境下滤波效果出众,可为后续研究提供清晰的火焰图像。其次,本文提出了一种基于灰度值权重与Kirsch算子相结合的边缘检测算法并对其进行编译实现,通过对火焰图像进行边缘检测实验,并将实验结果与传统边缘检测算法的检测结果相比较,结果证明本文提出方法的检测结果更为理想。通过边缘检测算法获得的火焰边缘阈值从而可以求得火焰图像面积高温比值作为特征值,并随后确定了火焰图像平均灰度值、火焰图像灰度值标准差、火焰图像平均前景透明度与火焰图像红蓝分量灰度值比值作为本文中火焰图像样本的五类特征值。最后,通过对本文中火焰图像样本进行特征值提取,获得特征值样本。首先利用Kmeans算法编对特征值样本进行聚类分类,并对样本中每个样本对应的类别作标记处理。随后利用LIBSVM对该样本进行样本训练,并利用所得分类函数进行燃烧状态检测,检测结果较为理想。因此,本文提出的基于图像处理的EI-XCL燃烧器火焰燃烧状态检测的方法可以满足炉膛低负荷运行状态下EI-XCL燃烧器的火焰的燃烧状态检测。