气体火焰燃烧状态在线识别和预测

建立了一套可以识别和预测不同燃烧状态的实验系统。该系统维持空气流量稳定,通过调节液化石油气流量,得到稳定燃烧、脱火和扩散燃烧等典型的燃烧状态。利用视频采集卡在线采集火焰图像,图像识别程序分析出火焰的位置形状以及强度等特征信息,然后采用附加动量项与可变学习率的误差反向传播训练算法（BP）网络根据这些特征信息进行燃烧状态识别,最后预测程序根据识别结果对下一时刻的燃烧状态进行预测。实验结果表明：该系统可以准确地在线识别火焰燃烧状态,并能预测随后的火焰燃烧状态。     

基于火焰成像和堆栈降噪自编码的燃烧工况识别

提出一种基于深度神经网络的燃烧监测方法.该方法利用具有深层结构的堆栈降噪自编码(SDAE)提取火焰图像特征,并将其输入到高斯过程分类器(GPC)中,从而识别燃烧工况.针对SDAE训练集中未出现的新燃烧工况,使用少量新工况的标签图像对GPC进行重新训练,即可扩大监测模型的识别范围.在重油燃烧试验装置上开展了试验研究,利用获得的火焰图像对SDAE-GPC网络进行模型训练以及性能测试.结果表明,所提出的监测方法对训练集所包含的燃烧工况具有99.3%的识别精度,对新工况具有98.2%的识别精度,且对图像噪声具有良好的鲁棒性,在燃烧工况识别中具有潜在的应用前景.     

甲烷/空气预混气的火焰传播过程

为研究爆炸罐内甲烷/空气预混气中火焰的传播过程,利用高速摄像仪对火焰的传播过程进行了拍摄,用压力测试系统测量了爆炸罐中压力的成长过程,分析了火焰传播特性,计算了层流燃烧速度和不同位置的爆炸特性值.研究结果表明:根据高速摄像仪得到的图片将预混火焰分为火焰稳定成长及剧烈燃烧阶段,用两种方法测得预混气的层流燃烧速度分别为0.344和0.391m/s.爆炸特性值的最大值出现在离点火位置0.75m处,壁面的爆炸特性值偏小.     

合成气纯氧高压预混湍流火焰结构研究

为了理解高压下合成气纯氧预混湍流火焰中火焰与流动的耦合作用,利用OH-PLIF激光测量技术开展了高压条件下合成气纯氧预混湍流火焰结构研究,获得了高压下预混湍流火焰前锋面结构,得到了火焰前锋面尺度信息,包括火焰体积、火焰面密度和火焰前锋面尺度,并分析了预混湍流火焰前锋面与湍流尺度和层流火焰尺度的相互作用关系.研究结果表明:高压预混湍流火焰前锋面为褶皱火焰面结构,火焰面为小尺度的尖峰结构和大尺度的树干状结构互相叠加;合成气火焰前锋面结构比甲烷混合气火焰更加精细,尺度更小;合成气预混湍流火焰体积较小,放热区较小,在预混贫燃燃气轮机燃烧室中容易产生燃烧振荡;合成气和甲烷火焰在湍流燃烧速率上表现出不同的转折规律,这可以通过火焰前锋面尺度和火焰自身不稳定性尺度来解释;湍流流动对火焰前锋面的扰动受到火焰自身不稳定尺度的限制.     

基于IAEPSO-IAWNN的高温低氧燃烧火焰稳定性识别

在对高温低氧燃烧条件下的煤粉火焰图像分析的基础上,提出了利用改进的自适应逃逸微粒群算法训练的改进的自适应小波神经网络对燃烧火焰的稳定性进行实时识别的算法.计算结果与实验数据基本吻合,说明该方法是可行的,可以用它对高温低氧技术下的燃烧稳定性进行识别.     

基于光流法和深度学习的燃气火焰稳定性

结合光流法和深度学习对燃气火焰稳定性进行了研究.采用光流法直接计算出火焰图像的光流矢量,观察火焰在二维图像中的脉动情况,并提出光流脉动评价模型,可以评估火焰的燃烧稳定性.此外,搭建基于VGG-Nets的深度卷积神经网络模型,在ImageNet预训练权重上进行微调,结合火焰静态与动态特征,实现了对五种典型燃烧状态的分类与识别.结果表明:该方法对火焰的不同燃烧状态具有很好的判断能力,对不稳定燃烧的火焰识别率很高.     

预混火焰在狭缝通道中的熄灭机理研究

为了对预混火焰在平板狭缝中熄灭的内在规律进行探讨,给出了火焰在狭缝中熄灭状态的判断依据.通过模拟甲烷/空气预混火焰在平行板狭缝中淬熄的机理及过程,借助实验和计算在特定的狭缝高度下研究预混火焰的熄灭长度与传播速度间的关系,得出了化学反应放热和壁面散热等与预混火焰传播和熄灭状态间内在关系,这为防止预混可燃气体发生爆炸和燃烧提供依据,为设计和应用阻火器提供理论上的支持.     

基于数字图像处理的火警监测系统研究

提出一种基于数字图像处理及传统的火警探测器相结合的火灾报警监测系统。计算机数字图像处理系统对图像中可能存在的火焰进行识别，给出存在火焰的可能性，并与其他传统探测器的探测结果一起输入到模糊神经网络，由模糊神经网络给出最终探测结果。在火焰监测子系统中，分别根据火焰的四个特征（即颜色、扰动、火焰局部形态、颜色分布），提出了快速、实用的图像处理方法。本监测系统可以弥补传统监测系统的缺陷，扩大检测范围、缩短预报时间，大大减少误码报率。实验结果表明，本系统快速有效。     

火焰动力学及其对热声稳定性的影响

火焰动力学特性对燃烧系统热声振荡的准确预测和控制具有重要的意义。该文介绍了作者团队近年来针对不同应用背景下的火焰动力学特性在理论建模和实验验证方面的研究，包括理想非预混射流火焰、钝体预混火焰、值班火焰等组织方式以及多维扰动下的火焰动力学特性。其中：通过Green函数法建立了非预混火焰的分布式火焰传递函数；通过火焰面方程和离散涡模型研究了涡和火焰面的相互作用机理；通过双火焰面模型研究了值班火焰和主火焰之间的相互作用机理；通过非对称火焰模型，研究了火焰对不同方向扰动的响应特征。结果表明，将火焰动力学模型与声学网络模型结合分析，可以得到火焰动力学对燃烧室热声稳定性的影响机制。     

高雷诺数预混湍流火焰的数值模拟与结构表征

高雷诺数湍流预混燃烧是先进发动机高效清洁燃烧中的共性问题.为发展发动机燃烧室工况下的预混燃烧可预测模型,亟需开展高湍流度、宽压力范围内的湍流预混火焰基础研究.本文就近期相关进展进行综述,重点内容包括:(1)主要处于薄反应区预混燃烧模式下的自由传播与射流火焰的直接数值模拟;(2)湍流预混火焰结构演化中的几何与拓扑性质表征方法;(3)预混火焰锋面前后密度与黏度变化对临近流体局部各向异性与小尺度涡结构的影响机理;(4)高雷诺数湍流预混火焰中高拉伸率与差异扩散对燃烧速率和局部熄火的影响;(5)湍流预混燃烧大涡模拟中的亚格子模型.     

基于神经网络的电站锅炉燃烧诊断方法研究

根据电站锅炉燃烧过程的特点,利用图像处理技术提取了表征火焰燃烧特性的特征量,提出了基于BP神经网络的锅炉炉膛火焰燃烧状态的模式识别方法.针对锅炉燃烧诊断实时性强的要求,设计开发了一套PC机加信号处理系统(DSP)的实时图像采集与燃烧诊断系统,在200MW锅炉上进行试验.结果表明,该系统简便实用,可实现锅炉运行过程的燃烧诊断,为电站锅炉的安全、经济运行提供可靠的依据,具有一定的工程应用前景.     

基于DSP的嵌入式炉膛火焰监测系统

针对电站锅炉火焰监视和燃烧诊断系统中火焰图像处理计算能力差、实时性差等问题,提出了一种以数字信号处理为核心的嵌入式火焰监测系统设计方案.系统采用EMP240控制图像的采集与存储,由TMS320VC5416实现温度场测量及燃烧诊断算法,LPC2378作为主控制器负责系统管理、人机界面和网络通信.解决了数字图像海量数据处理和复杂算法采用通用CPU无法实时运行的瓶颈,并且使火焰监控和燃烧诊断的实时性和可靠性得到了保证.     

基于特定深度内部学习网络提高"不理想"图像分辨率

现有基于深度学习的图像分辨率提升方法中需耗费大量时间训练,且受限于特定的训练数据等问题。本文引入“零射击”超分辨率概念,可以重复利用已有照片、噪声图像、生物数据以及获取过程未知或非理想的其他图像的相关内部信息,以提高其分辨率。在测试阶段训练一个小的图像特定卷积神经网络,仅需对从输入图像本身提取的示例进行训练；然后通过单个图像内部信息再现,进一步利用图像内部相关信息,以增强图像分辨率。实验结果表明,本文算法可以加快训练速度且不需要标准训练集,图像分辨率优于现有基于卷积神经网络的超分辨率方法,以及已有的无监督超分辨率方法。     

基于BP神经网络的数据融合技术在分布式养老系统中的应用

根据神经网络在数据融合的应用比较成熟,BP神经网络具有实现简单,以及在一定范围内具有较高识别精度的特点,选用此方法,在分布式养老系统中对老人的体征信息和监控设备两种属性不同的图像信息进行融合处理,实时监测老年人的身体状态.当神经网络的输入信息维数过高时,会导致神经网络训练速度下降.针对此问题,对传统的基于神经网络的融合算法进行改进,利用粗糙集对输入数据进行约简,使神经网络输入数据降维.同时,将约简后的信息进行训练.算法在训练时间和融合结果的准确性上都有提高.     

锅炉炉膛火焰温度预测和报警控制系统

锅炉炉膛火焰的图像由CCD摄像机、传像光纤和图像采集卡采入计算机,经预处理后,由计算机中的BP神经网络控制器对这些图像数据进行在线训练,获得温度与图像灰度值之间的关系,然后通过训练过的神经网络就可预估温度,从而进行锅炉炉膛火焰温度的预测和报警。     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

Application of artificial neural networks in sonic diagnosis of cracking hammer with artificial diamond

On the basis of the characteristic parameters selected from the fault sonic signals of cracking hammer with artificial diamond by means of with time series analysis and time domain statistics, three-layer artificial neural network is trained by an improved BP algorithm. The results state that the fault sonic signals can be identified by trained network system precisely. Foundation item: Supported by the National Natural Science Foundation of China Biography: LI Kai-yang (1963-), male, Associate professor. Current research interest is in image processing.     

基于指标气体的 BP 神经网络煤自燃预测系统

针对煤矿自然发火的预测问题,在指标气体分析法的基础上,构建 BP 神经网络,选取CH4/ CO、O2/ CO2这两组指标气体浓度比作为网络的输入以降低通风条件的影响,经过训练后,判断检测点是否发火并以0或1的形式输出。网络经过43次训练后,误差达到预设的范围（﹤0.0001）。研究表明,利用 BP 神经网络处理从煤层收集到的气体浓度并作出发火预报是可行的且具有相当优势的。     

一种新型的图像型火灾识别算法的研究

图像型火灾探测技术是一种新型的探测技术,可以有效地克服传统火灾探测技术的缺陷.针对背景复杂的火灾图像,首先利用差分技术、RGB颜色分割技术和形态特征分割技术建立3层复合分割模型,排除大部分干扰,得到火焰疑似区域;然后分析火焰疑似区域的相似性测度、面积变化值、致密度、偏心率和质心点偏移距离等特征,这些特征可以较全面地表征火灾信息;最后利用RBF神经网络建立火灾识别模型,将提取出的火焰特征作为输入量,对火灾图像进行分类识别.仿真结果表明,该算法对不同场景的火灾识别具有较高的准确率.     

基于BP神经网络的灰度图像置乱加密方法

针对目前灰度图像加密存在的问题,在列举几种数字图像置乱方法后,提出了一种基于BP神经网络的图像置乱加密方法.利用神经网络所具有的非线性变换能力强等优点,大大提高了图像信息的安全性.同时详细描述了基于BP神经网络的图像置乱加密方法的具体实现过程,并在仿真试验中取得了较好效果.