高博楠,閆志勇

(中國(guó)計(jì)量大學(xué) 計(jì)量測(cè)試工程學(xué)院,浙江 杭州 310018)

在煤粉鍋爐各項(xiàng)熱損失中,機(jī)械不完全燃燒熱損失是較大的一項(xiàng),其主要原因是爐渣和飛灰中含有未燃盡碳所造成的熱損失,灰渣含碳量的大小表明了煤炭利用的完善程度,是反映燃燒水平和鍋爐效率的重要參考指標(biāo)[1]。通常,灰渣中的含碳量是采用工業(yè)分析的方法在實(shí)驗(yàn)室中測(cè)定的,耗時(shí)較長(zhǎng),無(wú)法了解實(shí)時(shí)的燃燒效果[2]。因此,如能獲得灰渣含碳量的實(shí)時(shí)數(shù)據(jù),再配以適當(dāng)?shù)哪Ｐ秃陀?jì)算,就可以了解鍋爐實(shí)時(shí)的運(yùn)行效率,這對(duì)于指導(dǎo)鍋爐運(yùn)行,提高整個(gè)行業(yè)的能源利用水平,都具有相當(dāng)積極的意義。

目前灰渣含碳量的檢測(cè)方式被分為直接檢測(cè)和間接檢測(cè)[3]。其中在線直接檢測(cè)方式目前常用微波測(cè)碳儀,其缺點(diǎn)是測(cè)量精度會(huì)因?qū)嶋H操作過(guò)程中出現(xiàn)能量逸散問(wèn)題,且易受到飛灰密度與運(yùn)動(dòng)速度變化的影響,導(dǎo)致測(cè)量結(jié)果誤差過(guò)大;同時(shí)微波測(cè)碳儀常因飛灰堵塞而無(wú)法正常運(yùn)行,大大增加了運(yùn)行維護(hù)工作量[4]。在線直接檢測(cè)方法還有近紅外測(cè)量法和中子活法測(cè)量法[5]。

近年來(lái),一些復(fù)雜的工業(yè)過(guò)程都開(kāi)始利用各種優(yōu)化算法進(jìn)行工業(yè)控制,而軟測(cè)量技術(shù)的出現(xiàn)為測(cè)量?jī)?yōu)化算法所需要的數(shù)據(jù)提供了更加有效的途徑。

目前我國(guó)采用神經(jīng)網(wǎng)絡(luò)[6]、支持向量機(jī)算法[7]、遺傳算法等深度學(xué)習(xí)技術(shù)[8]在間接檢測(cè)灰渣含碳量領(lǐng)域已有大量的研究,如王春林等[9]利用SVM(支持向量機(jī)算法),合理選取參數(shù)來(lái)建立飛灰含碳量特性模型,取得了較好的測(cè)量結(jié)果。常建平[10]通過(guò)對(duì)鍋爐熱量平衡進(jìn)行分析,選取大量相關(guān)參數(shù)建立飛灰含碳量的軟測(cè)量模型。但是上述研究輸入變量較多,導(dǎo)致測(cè)量結(jié)果誤差較大且不具有普遍性。

本研究將數(shù)字圖像處理技術(shù)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合。通過(guò)圖像采集設(shè)備獲取灰渣圖像,在Windows平臺(tái)上利用OpenCV計(jì)算機(jī)視覺(jué)庫(kù),對(duì)圖像進(jìn)行相應(yīng)的處理,獲取灰渣圖像RGB、YUV、HSI三個(gè)顏色空間最佳顏色特征參數(shù),建立基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)灰渣含碳量測(cè)量模型,實(shí)現(xiàn)對(duì)灰渣含碳量的準(zhǔn)在線測(cè)量,以便計(jì)算鍋爐實(shí)時(shí)熱效率。

1 圖像顏色特征參數(shù)獲取

1.1 灰渣樣品圖像獲取

使用索尼A6000數(shù)碼微單相機(jī)(日本)在半封閉環(huán)境內(nèi)對(duì)取自浙江省某熱電廠煤粉爐的經(jīng)技術(shù)處理過(guò)的灰渣樣品進(jìn)行圖像采集,試驗(yàn)共采集90組圖像。圖像采集設(shè)備參數(shù)如表1。

表1 圖像采集設(shè)備參數(shù)

1.2 顏色特征值選擇

根據(jù)孟賽爾提出的顏色體系理論,隨著灰渣的碳含量逐漸增加,灰渣顏色整體逐漸變黑,亮度因數(shù)Y不斷下降,則灰渣彩色圖像中的R、G、B顏色特征值也隨之降低。研究基于圖像處理技術(shù)的灰渣含碳量與顏色特征值之間的關(guān)系,圖像的分辨率及清晰度越高,更有利于后續(xù)圖像處理及顏色特征參數(shù)的提取。對(duì)于包含豐富圖像色彩信息的彩色圖像來(lái)說(shuō),可以將顏色空間可分為三類(lèi),分別為混合(mixture)型、非線性亮度/色度(luma/chroma)、強(qiáng)度/飽和度/色調(diào)(intensity/saturation/hue)型。從不同的顏色空間中分別選擇RGB、YUV和HSI顏色空間進(jìn)行灰渣圖像顏色特征的表示。其中RGB顏色空間是最常用最基礎(chǔ)的顏色空間模型,R、G、B三種顏色分別代表三個(gè)獨(dú)立通道,而YUV、HSI等顏色特征信息均可由RGB三原色特征值求出,所以本研究首先在RGB空間中進(jìn)行顏色特征值提取。

1.3 數(shù)字圖像處理

獲得灰渣樣品圖像后,需要對(duì)圖像進(jìn)行相應(yīng)的處理,去除噪聲并進(jìn)行閾值分割將背景與目標(biāo)區(qū)域分離,從而提取灰渣圖像的R、G、B特征值。圖像處理流程圖如圖1。

圖1 圖像處理流程Figure 1 Image processing flow

利用OpenCV2計(jì)算機(jī)視覺(jué)庫(kù),對(duì)采集到的灰渣樣本圖像進(jìn)行以下操作。

1) 將灰渣彩色圖像轉(zhuǎn)換為僅包含亮度信息的灰度圖像,計(jì)算公式如式(1):

Y=0.299R+0.587G+0.114B。

(1)

2) 對(duì)圖像進(jìn)行閾值分割,將灰度圖像轉(zhuǎn)換為二值圖像,具體計(jì)算公式如式(2)～式(6):

(2)

(3)

(4)

(5)

(6)

(7)

式(7)中,N為像素點(diǎn)總數(shù),閾值T取值區(qū)間為[0,L-1],灰度值為i的像素點(diǎn)總數(shù)為ni,若灰度值高于T,將其灰度值取為0即為黑色;反之則取為255即為白色。ωA及ωB分別為背景區(qū)域及目標(biāo)區(qū)域像素點(diǎn)占比,uA及uB為其平均灰度值,u為灰度圖像的平均灰度值。

3) 對(duì)灰渣二值圖像進(jìn)行中值濾波處理,消除二值圖像中的黑白噪聲。

4) 將灰渣彩色圖像通道分離并與灰渣二值圖像進(jìn)行邏輯與運(yùn)算,之后將圖像通道合并獲取灰渣RGB檢測(cè)圖像,略過(guò)黑色區(qū)域遍歷目標(biāo)區(qū)域,取所有像素點(diǎn)R、G、B均值為圖像R、G、B值。

1.4 灰渣樣品數(shù)據(jù)

通過(guò)圖像處理方式獲取RGB顏色特征值并通過(guò)傳統(tǒng)工業(yè)方式將灰渣樣品置于溫度為815 ℃以上工業(yè)用馬弗爐內(nèi),進(jìn)行2 h以上的高溫燃燒測(cè)得樣品含碳量,所得數(shù)據(jù)用以建立灰渣含碳量在線檢測(cè)模型。樣本數(shù)據(jù)量較少會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)無(wú)法達(dá)到預(yù)期的訓(xùn)練結(jié)果,所得輸出值誤差過(guò)大;樣本數(shù)量過(guò)多會(huì)導(dǎo)致訓(xùn)練速度慢,大量的訓(xùn)練及迭代使得神經(jīng)網(wǎng)絡(luò)陷入局部最小值,且論文研究所使用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單。本研究選用80組樣本數(shù)據(jù),部分?jǐn)?shù)據(jù)如表2。

表2 檢測(cè)樣本數(shù)據(jù)

2 測(cè)量模型建立與結(jié)果分析

研究灰渣含碳量與多種顏色特征值之間的關(guān)系,通過(guò)分析確定灰渣含碳量檢測(cè)模型的輸入?yún)?shù)。建立基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的灰渣含碳量的測(cè)量模型,并對(duì)其進(jìn)行檢驗(yàn)。

2.1 顏色特征值與灰渣含碳量相關(guān)性分析

根據(jù)神經(jīng)網(wǎng)絡(luò)的輸入特性結(jié)合圖像處理技術(shù)獲取的灰渣圖像顏色特征值,選擇與灰渣含碳量相關(guān)系數(shù)較高的顏色特征參數(shù)作為輸入向量。灰渣圖像R、G、B分量顏色特征值由圖像處理方法得到,HSI顏色分量信息由式(8)至式(11)得:

(8)

θ=

(9)

(10)

(11)

YUV顏色分量信息由式(12)至式(14)得:

Y=0.229R+0.587G+0.114B,

(12)

U=-0.147R-0.289G+0.436B,

(13)

V=0.615R-0.515G-0.100B。

(14)

使用MATLAB 2017b,對(duì)80組灰渣樣本各顏色特征值與灰渣含碳量進(jìn)行相關(guān)性分析,其中圖像顏色特征參數(shù)R、G、I、Y與灰渣含碳量具有良好的線性關(guān)系,其擬合決定系數(shù)R2均大于0.6。相關(guān)擬合圖像如圖2～5。

圖2 R值相關(guān)擬合圖像Figure 2 R-value correlation fitting image

圖3 G值相關(guān)擬合圖像Figure 3 G-value correlation fitting image

圖4 I值相關(guān)擬合圖像Figure 4 I-value correlation fitting image

圖5 Y值相關(guān)擬合圖像Figure 5 Y-value correlation fitting image

2.2 神經(jīng)網(wǎng)絡(luò)測(cè)量模型的建立

采用PSO(粒子群算法)針對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值的初始值進(jìn)行優(yōu)化,以提高全局尋優(yōu)能力,增大測(cè)量模型的精度。

根據(jù)相關(guān)性研究,設(shè)定BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)量為4,分別為紅光值R,綠光值G,亮度值I,灰度值Y,輸出層的神經(jīng)元為灰渣含碳量。隱含層數(shù)目為l,隱含層神經(jīng)元數(shù)目由以下經(jīng)驗(yàn)公式結(jié)合試湊法確定為8。

(15)

式(15)中,l、n、m分別為隱含層、輸入層、輸出層的神經(jīng)元個(gè)數(shù)。

選用雙極性Sigmoidal函數(shù)作為輸入層到隱含層的傳遞函數(shù)。輸出層選用能夠使輸出取任意值的線性函數(shù)作為傳遞函數(shù)。

學(xué)習(xí)效率的大小直接影響訓(xùn)練結(jié)果及所用時(shí)間,訓(xùn)練過(guò)程中根據(jù)總體誤差不斷調(diào)整,選取初始學(xué)習(xí)率為0.15,初始權(quán)值為區(qū)間[-1,1]中的隨機(jī)數(shù),初始閾值為0。

粒子群算法參數(shù)設(shè)置如表3。

表3 粒子群算法的預(yù)設(shè)參數(shù)

2.3 結(jié)果分析

基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)測(cè)量模型所得結(jié)果如表4。

表4 PSO-BP測(cè)量模型結(jié)果

對(duì)基于PSO-BP神經(jīng)網(wǎng)絡(luò)測(cè)量模型獲得灰渣含碳量進(jìn)行誤差檢驗(yàn),相比灼燒失重法計(jì)算所得灰渣含碳量數(shù)值,測(cè)量模型最大相對(duì)誤差為8.10%,平均相對(duì)誤差為5.66%。

測(cè)量模型性能選用windows7(64位,8 G)計(jì)算機(jī)系統(tǒng),使用time函數(shù)測(cè)算測(cè)量模型的運(yùn)行時(shí)間,精度等級(jí)為毫秒(ms)。共測(cè)試10次,取平均值作為最終檢測(cè)結(jié)果,運(yùn)行所需時(shí)間如表5。

表5 檢測(cè)模型運(yùn)行時(shí)間

3 結(jié) 論

與傳統(tǒng)的實(shí)驗(yàn)室工業(yè)檢測(cè)方法相比,本研究建立的基于PSO-BP神經(jīng)網(wǎng)絡(luò)的灰渣含碳量測(cè)量模型,可在極短時(shí)間內(nèi)完成圖像采集、處理及相關(guān)的運(yùn)算過(guò)程,從而可基本實(shí)現(xiàn)灰中未燃盡碳含量的在線測(cè)量,使運(yùn)行人員及時(shí)、準(zhǔn)確地了解鍋爐實(shí)時(shí)的燃燒效率,對(duì)指導(dǎo)鍋爐高效運(yùn)行和節(jié)能降耗具有重大意義。