[发明专利]一种基于卷积神经网络的燃烧系统氧含量预测方法

说明书

本发明涉及深度学习的软传感器系统，以用来在线预测出口氧含量，具体是一种基于卷积神经网络的燃烧系统氧含量预测方法。利用电荷耦合器件（charge‑coupled device，CCD）获得彩色火焰图像，用来在线预测出口氧含量。与仅提取线性特征的传统主成分分析不同，CNN旨在提取非线性特征，以更好地描述燃烧过程中的火焰的变化趋势，利用基于CNN的CCD火焰图像的多级表示，可以表征关于火焰物理性质的更多有用信息。接下来简单地构造CNN的回归模型以获得非线性火焰图像与出口氧含量之间的关系。本发明在燃烧过程的图像分析和质量预测方面准确可靠，具有较高的实际工程应用价值。

技术领域

本发明涉及燃烧系统中氧含量的预测方法，具体是一种基于卷积神经网络的燃烧系统氧含量预测方法。

背景技术

在许多工业过程中，火炉是必不可少的燃料燃烧设备，通过燃烧将化学能转化为热能。燃烧通常需要燃料和空气的混合，然而，当炉内的空气含量不是最佳状态时，它会导致燃料效率低下或污染问题。此外，使用燃料混合物和低质量燃料可能会加剧污染排放的严重性和火焰不稳定性。近年来关于这些存在的问题已经进行了广泛的动力学和实验研究，然而，燃烧中的关键质量变量(例如出口氧含量)难以在线测量。虽然硬件分析仪经常用于工业过程，但它们存在一些缺陷，例如，萃取氧气分析仪的购买和维护成本都相对较高；而且维护这些分析仪的正确时间尚不清楚；此外，测量延迟不利于在线监测和控制燃烧过程。为了在燃烧器中实现更好的性能，重要的是构建精确的模型，其具有在燃烧中提供可靠的质量预测的能力。

如今，随着大数据时代的到来，各种各样的图像数据越来越多，各种工艺应用图像分析研究越来越重要，分析和研究图像的方法也越来越多，通过图像研究也能得到更多有用的信息。在日常生活中火焰是很常见的，火焰的各种特征为其燃烧性能的测量提供了重要信息，不同燃烧条件下的火焰可以用颜色来表征。由于成本低且简单，因此使用更多基于电荷耦合器件(charge-coupled device，CCD)的方法而不是基于激光的方法来描述火焰温度分布。作为一种经典的深度学习方法，卷积神经网络(Convolution Neural Network,CNN)被用来提取火焰图像中的特征并用于预测训练，在此之前主成分分析法(PCA)等方法曾被用于图像特征提取，但是PCA和大多数图像分析方法只能以原始形式处理多变量过程数据，为了更好的分析图像则需要更抽象的表示。本发明尝试开发基于深度学习的软测量系统，用于燃烧过程的在线质量预测，与仅提取线性特征的传统PCA不同，可以通过CNN来提取非线性特征。

发明内容

本发明针对燃烧系统可能会造成环境污染或燃烧效率低下的问题，提供了一种基于卷积神经网络的燃烧系统氧含量预测方法。

本发明是采用如下的技术方案实现的：一种基于卷积神经网络的燃烧系统氧含量预测方法，其模型结构如图1所示，包括网络训练阶段和建立回归模型阶段，其中网络训练阶段步骤如下：

步骤一：采集彩色火焰图像。

步骤二：将火焰图像作为卷积神经网络的输入X，通过卷积层和池化层对其进行非线性特征提取和降维处理，提取特征和降维过程如下所示。

1)卷积核进行卷积运算即提取特征的计算公式如下式所示：

其中是l层结点的偏置，是一个标量，是可学习的卷积核矩阵，矩阵中的元素就是权值，和分别为第l层和第l-1层的特征图，I是元素全是1的矩阵，“*”是卷积运算符。

2)降维过程如下公式所示，设池化层第n个输出特征面第l个卷积核的输出值为则有：

表示采样层的第n个输入特征面第q个卷积核的输出值，f_sub(.)可为取最大值函数、取均值函数等。