陳榮保，曹子沛，肖本賢

(合肥工業(yè)大學(xué)電氣與自動(dòng)化工程學(xué)院，安徽 合肥 230009)

“五四模型”的火焰燃燒穩(wěn)定性判定

陳榮保，曹子沛，肖本賢

(合肥工業(yè)大學(xué)電氣與自動(dòng)化工程學(xué)院，安徽 合肥 230009)

燃燒穩(wěn)定性判定問(wèn)題是鍋爐燃燒狀態(tài)自動(dòng)監(jiān)測(cè)中亟待解決的關(guān)鍵問(wèn)題之一。為了實(shí)現(xiàn)自動(dòng)化監(jiān)測(cè)，并對(duì)燃燒的穩(wěn)定程度進(jìn)行量化判定，基于數(shù)字圖像處理技術(shù)，從爐腔火焰圖像中提取燃燒參數(shù)，建立燃燒參數(shù)數(shù)據(jù)庫(kù)?；诙鄬傩耘卸ǚ椒ǎ蓞^(qū)間數(shù)據(jù)樣本決策庫(kù)。在模糊推理中，為獲取隸屬度函數(shù)參數(shù)和模糊推理規(guī)則，提出了基于粗糙集簡(jiǎn)化樣本決策庫(kù)。按照決策屬性離散化決策庫(kù)中的條件屬性，實(shí)現(xiàn)了屬性簡(jiǎn)約和屬性值簡(jiǎn)約，增加了網(wǎng)絡(luò)訓(xùn)練樣本參數(shù)的可靠性。結(jié)合模糊網(wǎng)絡(luò)的邏輯推理性和神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性、并行計(jì)算等優(yōu)點(diǎn)，建立了用于燃燒診斷的T-S模糊神經(jīng)網(wǎng)絡(luò)模型。選擇合適的模糊分割數(shù)，定義“五四模型”，建立基于“五四模型”的火焰燃燒穩(wěn)定性判定模型，并進(jìn)行仿真試驗(yàn)。對(duì)比訓(xùn)練前后的仿真圖參數(shù)表明，該模型是可行的，并具有較好的試驗(yàn)效果。

燃燒穩(wěn)定性； 火焰圖像處理； 樣本決策庫(kù)； 隸屬度函數(shù)； 粗糙集； 離散化； T-S模糊神經(jīng)網(wǎng)絡(luò)； 分割數(shù)； 五四模型

0 引言

火力發(fā)電是我國(guó)電力生產(chǎn)的主要方式。對(duì)于大型燃煤鍋爐而言，燃燒的不穩(wěn)定既不環(huán)保節(jié)能，又不安全可靠[1]。燃燒火焰是燃燒狀態(tài)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(cè)系統(tǒng)還需要人工現(xiàn)場(chǎng)觀察，因此火焰圖像燃燒穩(wěn)定性判定一直都是鍋爐自動(dòng)監(jiān)測(cè)中亟待解決的問(wèn)題之一?？茖W(xué)地解決該問(wèn)題對(duì)實(shí)現(xiàn)鍋爐自動(dòng)監(jiān)測(cè)和安全運(yùn)行具有實(shí)際意義[3]。

燃燒過(guò)程是一個(gè)劇烈變化的過(guò)程，為克服燃燒雜質(zhì)帶來(lái)的噪聲影響[4]，需要建立一個(gè)具有較好的泛化和容錯(cuò)能力的燃燒穩(wěn)定性判定模型。模糊神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的燃燒穩(wěn)定性判定模型，建立“五四模型”，實(shí)現(xiàn)燃燒穩(wěn)定性判定。

1 燃燒特性及樣本參數(shù)選取

1.1 火焰圖像的預(yù)處理

對(duì)燃燒特性進(jìn)行分析是確定火焰圖像監(jiān)測(cè)算法的關(guān)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(xiàn)實(shí)的火焰特性，更是為了得到更加準(zhǔn)確的火焰圖像燃燒參數(shù)，本文需要對(duì)樣本圖像進(jìn)行預(yù)處理。采用的預(yù)處理方法為文獻(xiàn)[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(zhuǎn)化為灰度圖像。根據(jù)RGB顏色空間與YUV顏色空間的對(duì)應(yīng)變換關(guān)系，建立亮度Y與R(紅)、G(綠)、B(藍(lán))顏色分量的對(duì)應(yīng)關(guān)系Y=0.3R+0.59G+0.11B，計(jì)算各個(gè)像素點(diǎn)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?yàn)V除火焰圖像中的隨機(jī)噪聲，并且因其非線性特點(diǎn)，不對(duì)階躍信號(hào)造成影響，從而不會(huì)造成圖像模糊。中值濾波的數(shù)字表達(dá)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(shù)據(jù)矩陣的像素灰度值；S為滑動(dòng)窗口范圍。

1.2 燃燒樣本參數(shù)的選取

采樣攝像頭擺放位置不佳，導(dǎo)致火焰圖像圓形度不夠理想。文獻(xiàn)[7]～ 文獻(xiàn)[11]采用火焰平均灰度、有效區(qū)平均灰度、高溫區(qū)面積、圓形度、火焰質(zhì)心偏移、火焰豐度等樣本燃燒參數(shù)。綜合考慮，本文選取火焰平均灰度、有效區(qū)平均灰度、火焰豐度、高溫區(qū)面積率、質(zhì)心偏移作為燃燒參數(shù)進(jìn)行研究。這五個(gè)參數(shù)均是對(duì)火焰圖像進(jìn)行預(yù)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(qiáng)。在穩(wěn)定燃燒的情況下，火焰脈動(dòng)并不強(qiáng)烈，圖像平均灰度波動(dòng)變化較?。辉诓环€(wěn)定燃燒的情況下，不穩(wěn)定燃燒時(shí)火焰的劇烈脈動(dòng)，圖像平均灰度變化波動(dòng)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(nèi)的環(huán)境因素，會(huì)引起火焰圖像的波動(dòng)，灰度值的變化和火焰有效面積的波動(dòng)是脈動(dòng)特性在圖像上最為明顯的表現(xiàn)。

高溫面積率反映火焰完全燃燒區(qū)占火焰圖像的面積。在火焰完全燃燒區(qū)內(nèi)，煤粉燃燒充分，燃燒脈動(dòng)和火焰面積波動(dòng)劇烈，溫度也是最高的。此高溫區(qū)面積的變化最能反映爐腔內(nèi)火焰燃燒穩(wěn)定性。

質(zhì)心偏移距離指的是火焰高溫區(qū)的切圓質(zhì)心與基準(zhǔn)狀態(tài)的質(zhì)心偏移的距離。隨著爐膛內(nèi)煤粉投入狀況和一、二次風(fēng)量的變化，火焰運(yùn)動(dòng)是必然的，用圖像中的火焰質(zhì)心偏移來(lái)表示火焰的中心位置變化。如果爐膛內(nèi)各燃燒器配風(fēng)不當(dāng)或個(gè)別燃燒器工作不正常，會(huì)造成火焰中心偏移和變形。

由于煤粉火焰脈動(dòng)頻率為10～30 Hz，火焰中心脈動(dòng)頻率為5～10 Hz[9]。為消除火焰脈動(dòng)對(duì)燃燒穩(wěn)定性判定的影響，對(duì)火焰視頻的每5幀圖像的火焰參數(shù)取最大值、最小值以及平均值，得到參數(shù)樣本。這樣每組樣本數(shù)據(jù)至少包含一個(gè)火焰脈動(dòng)，以此得到燃燒參數(shù)數(shù)據(jù)庫(kù)。

2 基于模糊神經(jīng)網(wǎng)絡(luò)燃燒穩(wěn)建模

基于T-S模型的燃燒穩(wěn)定性判定結(jié)構(gòu)圖如圖1所示。

圖1 基于T-S模型的燃燒穩(wěn)定性判定結(jié)構(gòu)圖

圖1中：網(wǎng)絡(luò)結(jié)構(gòu)分為前件網(wǎng)絡(luò)與后件網(wǎng)絡(luò)，匹配模糊規(guī)則的是前件網(wǎng)絡(luò)[12]；后件網(wǎng)絡(luò)則用于產(chǎn)生模糊規(guī)則，確認(rèn)模型最終輸出結(jié)果。

神經(jīng)網(wǎng)絡(luò)輸出的是燃燒穩(wěn)定性，故本文構(gòu)造的是MISO網(wǎng)絡(luò)模型，有5個(gè)輸入和1個(gè)輸出。

前件網(wǎng)絡(luò)組成結(jié)構(gòu)為4層[13]，如圖1所示，第一層是輸入層，它的各個(gè)節(jié)點(diǎn)直接和輸入向量的各個(gè)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(jié)點(diǎn)數(shù)N1取5。

第三層是規(guī)則層，每個(gè)節(jié)點(diǎn)代表對(duì)應(yīng)的模糊規(guī)則，它的作用是匹配模糊規(guī)則的前件，計(jì)算每條規(guī)則的適用度，如式(2)所示。

(2)

第四層是歸一化計(jì)算，如式(3)所示，節(jié)點(diǎn)數(shù)N4=N3=m。

(3)

后件網(wǎng)絡(luò)由γ個(gè)結(jié)構(gòu)相同的并列子網(wǎng)絡(luò)組成，每個(gè)子網(wǎng)絡(luò)有一個(gè)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(gè)節(jié)點(diǎn)，節(jié)點(diǎn)分別代表著相應(yīng)的規(guī)則，該層的作用會(huì)計(jì)算各個(gè)規(guī)則的后件。基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)分一階線性網(wǎng)絡(luò)模型和零階網(wǎng)絡(luò)模型，這里選用零階網(wǎng)絡(luò)模型，對(duì)穩(wěn)定性輸出進(jìn)行定義：yi=k,k為穩(wěn)定度。第三層是對(duì)系統(tǒng)輸出進(jìn)行計(jì)算，如式(4)所示。

(4)

由上式可得，各規(guī)則后件的加權(quán)和是yi，各個(gè)規(guī)則歸一化后的適用度是其加權(quán)系數(shù)，也就是把前件網(wǎng)絡(luò)的輸出用作后件網(wǎng)絡(luò)第三層的連接權(quán)值。

3 T-S模糊隸屬度函數(shù)和規(guī)則獲取

3.1 燃燒決策庫(kù)生成

基于模糊神經(jīng)網(wǎng)絡(luò)燃燒穩(wěn)定性判定燃燒規(guī)則及燃燒訓(xùn)練參數(shù)的選取，對(duì)燃燒穩(wěn)定性判定有著重要的作用。如何選取有效的模糊推理規(guī)則和訓(xùn)練參數(shù)成為模糊神經(jīng)網(wǎng)絡(luò)燃燒穩(wěn)定性判定不可回避的問(wèn)題。本文就此問(wèn)題，提出基于樣本決策表提取規(guī)則庫(kù)和訓(xùn)練樣本。為了得到有效的樣本數(shù)據(jù)庫(kù)，本文選用文獻(xiàn)[10]的基于區(qū)間數(shù)的多屬性判定思想獲取燃燒決策庫(kù)，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(gè)四元組的信息系統(tǒng)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(qū)平均灰度、火焰豐度、高溫區(qū)面積率、質(zhì)心偏移，穩(wěn)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(shù)及燃燒規(guī)則庫(kù)

由3.1節(jié)生成了樣本決策表，但是決策表中樣本燃燒參數(shù)是區(qū)間數(shù)，使得樣本參數(shù)不能被直接處理，需要對(duì)其作離散化處理。離散化是為了實(shí)現(xiàn)規(guī)則提取和模糊初始隸屬度函數(shù)參數(shù)的獲取。本文選取文獻(xiàn)[8]基于粗糙熵的區(qū)間數(shù)離散化算法，按照決策屬性離散化決策表中的條件屬性，沒(méi)有改變決策表的相容性。本文的決策屬性中有4個(gè)區(qū)間，故最終離散化的條件屬性有4個(gè)樣本區(qū)間，這樣利于模糊神經(jīng)網(wǎng)絡(luò)初始的隸屬度函數(shù)提取。基于模糊神經(jīng)網(wǎng)絡(luò)穩(wěn)定性判定初始的隸屬度函數(shù)的選取，對(duì)樣本訓(xùn)練準(zhǔn)確性及訓(xùn)練時(shí)間有很大的影響[15]。由于模糊隸屬度函數(shù)的形狀對(duì)網(wǎng)絡(luò)性能影響不大，本文建立的模糊神經(jīng)網(wǎng)絡(luò)模型的隸屬度函數(shù)是高斯函數(shù)。第i個(gè)條件屬性的第j個(gè)模糊集合的隸屬度函數(shù)如式(5)所示。

(5)

根據(jù)高斯函數(shù)的特性，當(dāng)輸入量x距離中心很近時(shí)，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(shù)，就可以計(jì)算出初始標(biāo)準(zhǔn)差σ，這樣每個(gè)條件屬性有4個(gè)模糊集合。這里將其分別定義為“小”、“偏小”、“適中”、“大”。通過(guò)計(jì)算得到部分樣本燃燒參數(shù)的模糊區(qū)間的隸屬度函數(shù)中心值如表1所示。

表1 隸屬度函數(shù)中心值

火焰平均灰度的隸屬度函數(shù)如圖2所示。

圖2 火焰平均灰度的隸屬度函數(shù)

火焰在不同狀態(tài)下，狀態(tài)變量參數(shù)是不一樣的，例如火焰脈動(dòng)用灰度值即可判定，其余幾個(gè)參數(shù)并沒(méi)有發(fā)揮很大的作用，其他燃燒在不同工況特征參數(shù)反應(yīng)情況不同，故經(jīng)粗糙熵離散化后的樣本決策庫(kù)并不是最簡(jiǎn)決策庫(kù)。為了更顯著地提高系統(tǒng)的訓(xùn)練效果，簡(jiǎn)化樣本決策庫(kù)。這里選用文獻(xiàn)[11]中的基于粗糙集理論的規(guī)則提取方法簡(jiǎn)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(shù)據(jù)，不需要關(guān)于數(shù)據(jù)的任何先驗(yàn)知識(shí)或額外的信息，可實(shí)現(xiàn)屬性簡(jiǎn)約和屬性值簡(jiǎn)約。經(jīng)計(jì)算，最終有36條規(guī)則，則模糊控制規(guī)則可以表示為模糊推理的形式，例如選取一條已經(jīng)提取的規(guī)則，如：

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

4 火焰燃燒穩(wěn)定性判定仿真

4.1 T-S模糊神經(jīng)網(wǎng)絡(luò)建模與訓(xùn)練

本文構(gòu)建的基于T-S模糊神經(jīng)網(wǎng)絡(luò)的燃燒穩(wěn)定性判定模型，一共有5個(gè)輸入變量、1個(gè)輸出變量。輸入變量分別是火焰平均灰度、火焰豐度、有效區(qū)平均灰度、高溫區(qū)面積率和質(zhì)心偏移。每個(gè)輸入變量對(duì)應(yīng)4個(gè)模糊化變量，將該模型定義為“五四模型”，其結(jié)構(gòu)如圖3所示。

圖3 “五四模型”結(jié)構(gòu)圖

由于本文在之前已經(jīng)確定了燃燒狀態(tài)輸入分量的模糊分割數(shù)，因此在訓(xùn)練和學(xué)習(xí)的過(guò)程中，把后件網(wǎng)絡(luò)的連接權(quán)值、前件網(wǎng)絡(luò)第二層節(jié)點(diǎn)隸屬度函數(shù)的中心值以及寬度作為主要參數(shù)。本文建立的模糊神經(jīng)網(wǎng)絡(luò)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(gè)，修改輸入輸出變量信息。

②編輯初始隸屬度函數(shù)，根據(jù)表1所示的隸屬度函數(shù)中心值及聚類中心，設(shè)定初始隸屬度函數(shù)。

③根據(jù)3.2節(jié)獲取的模糊推理規(guī)則，輸入模糊規(guī)則域值，建立初始T-S模糊神經(jīng)網(wǎng)絡(luò)燃燒穩(wěn)定性判定模型(“五四模型”)結(jié)構(gòu)圖。

④導(dǎo)入訓(xùn)練數(shù)據(jù)、訓(xùn)練模型，基于粗糙集得到訓(xùn)練樣本2 000個(gè)和測(cè)試樣本500個(gè)。

⑤訓(xùn)練完成后，將測(cè)試樣本輸入到模型中，并計(jì)算模型的準(zhǔn)確率，用P表示，P=(模型輸出經(jīng)四舍五入與樣本一致的離穩(wěn)度)/(樣本總數(shù))×100%，表示為模型輸出與樣本一致的情況占總樣本的比例。當(dāng)模型準(zhǔn)確率P滿足要求時(shí)，該模型即可用來(lái)進(jìn)行燃燒穩(wěn)定性判定；否則重新訓(xùn)練和測(cè)試該模型，直至滿足要求。

訓(xùn)練步數(shù)被設(shè)置為2 000步，圖4為“五四模型”訓(xùn)練誤差曲線。由圖4可知，在模型訓(xùn)練2 000步左右時(shí)，誤差接近為0。

圖4 “五四模型”訓(xùn)練誤差曲線

4.2 火焰燃燒穩(wěn)定性判定輸出

對(duì)已經(jīng)訓(xùn)練好的判定模型，本文選取500個(gè)測(cè)試樣本參數(shù)，輸入到所建立的神經(jīng)網(wǎng)絡(luò)模型中。燃燒特征參數(shù)訓(xùn)練前后隸屬度函數(shù)對(duì)比如圖5所示。

圖5 隸屬度函數(shù)對(duì)比圖

經(jīng)過(guò)計(jì)算，模型準(zhǔn)確率為95.2%?；鹧尕S度、高溫區(qū)面積率、質(zhì)心偏移距離和有效區(qū)平均灰度的隸屬度函數(shù)的變化情況同火焰平均灰度相似，故沒(méi)有逐一列出。由圖5可知，訓(xùn)練后的模糊隸屬度發(fā)生了變化，相鄰區(qū)間的交集減小，寬度減小，穩(wěn)定性判定更為準(zhǔn)確有效。因此利用基于T-S模糊神經(jīng)網(wǎng)絡(luò)的“五四模型”對(duì)燃燒穩(wěn)定性進(jìn)行判定是可行的，能適應(yīng)工程要求。

5 結(jié)束語(yǔ)

燃燒穩(wěn)定性判定是鍋爐安全運(yùn)營(yíng)急需解決的問(wèn)題，本文提出了基于“五四模型”的火焰燃燒穩(wěn)定性判定模型，用于對(duì)爐腔火焰圖像燃燒穩(wěn)定性進(jìn)行識(shí)別。模糊神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性和自學(xué)習(xí)性，在燃燒穩(wěn)定性判定時(shí)可通過(guò)網(wǎng)絡(luò)學(xué)習(xí)來(lái)調(diào)整判別規(guī)則，以適應(yīng)各種復(fù)雜燃燒狀況。最后將獲取的參數(shù)對(duì)搭建的模型進(jìn)行訓(xùn)練和測(cè)試。通過(guò)樣本測(cè)試數(shù)據(jù)表明，該判別方法是可行的，為鍋爐燃燒穩(wěn)定性判別建立了一個(gè)新的理論模型。

[1] 徐寶昌，張丁元，程亮．基于圖像的火焰穩(wěn)定性判別方法研究[J]．計(jì)算機(jī)工程與應(yīng)用，2012，48(9)：168-171．

[2] 張清宇．火焰燃燒穩(wěn)定性診斷方法研究[D]．杭州：浙江大學(xué)，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(jīng)網(wǎng)絡(luò)的鍋爐燃燒穩(wěn)定性判別[J]．儀器儀表學(xué)報(bào)，2008，29(6)：1280-1284．

[6] 安愛(ài)民，楊國(guó)強(qiáng)，張浩琛，等．基于T-S模糊決策的PMSG風(fēng)電系統(tǒng)廣義預(yù)測(cè)控制[J]．自動(dòng)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(cè)算法研究[J]．后勤工程學(xué)院學(xué)報(bào)，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(qū)間數(shù)和多屬性決策的燃燒穩(wěn)定性研究[J]．儀器儀表學(xué)報(bào)，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(jìn)型T-S模糊神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的研究[J]．自動(dòng)化儀表，2014，35(12)：39-42．

[14]卜明瑋，孫名松，周夢(mèng)熊．基于T-S模型FNN的網(wǎng)絡(luò)入侵檢測(cè)方法研究[J]．自動(dòng)化技術(shù)與應(yīng)用，2007，26(8)：1-3．

[15]劉海，夏明波．T-S模糊神經(jīng)網(wǎng)絡(luò)及其在主動(dòng)式集群中的應(yīng)用[J]．現(xiàn)代計(jì)算機(jī)(專業(yè)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(cè)技術(shù)、智能儀表、過(guò)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