一、火焰可视化及燃烧智能诊断研究（论文文献综述）
史景文[1]（2021）在《基于主被动层析的碳烟火焰三维温度及组分浓度重构研究》文中研究说明目前,化石燃料仍然是我国最主要的能源供给方式。燃烧作为将燃料化石能源转换为可利用热能的主要有效途径,对其进行深入的理论和实验研究,有助于分析理解燃烧的本质和规律,为进一步改进燃烧系统和优化设备运行提供参考数据。火焰的温度场测量,可以为燃烧机理研究以及污染物的排放控制提供有效的数据支撑。同时,典型燃烧产物组分的浓度也直接反应了设备燃烧室内的燃烧状态和燃烧效率。因此,提出新型的燃烧诊断测量技术,实现对高温火焰三维温度场、辐射物性场以及燃烧产物组分浓度场等多物理量场的协同重构,对于燃烧领域的科学研究有着非常重大的意义。然而,现有的光学层析燃烧诊断测量方法,无论是主动式还是被动式测量,都无法实现对高温火焰的温度及燃烧产物组分浓度场的三维空间协同重构。因此,本文提出了主被动光学层析融合探测方法,将主动激光层析吸收光谱技术和被动光场辐射成像层析探测技术相结合,建立了火焰三维温度场、辐射物性场、燃烧产物组分浓度场等多物理场协同重建模型与测量方法。碳氢火焰的燃烧产物组分往往包括H2O,CO2、CO等气体组分以及碳烟等固体颗粒物,因此,对火焰的测量必须同时考虑气固两相组分的影响,发展适用于高温碳烟火焰的多物理量协同测量十分有必要。为实现碳烟火焰的三维温度场和组分浓度场的协同重建,本论文首先构建了高温碳烟火焰的主被动光热信息融合获取模型,发展了基于视在光线法和广义源项多流法的吸收性火焰和吸收散射性火焰中弥散介质辐射传输的计算方法,实现了对高温碳烟火焰任意方向出射辐射强度的快速、精确计算。在此基础上,分别阐述了主动层析吸收光谱和被动光场辐射成像的基本理论和原理,为后续碳烟火焰温度场和燃烧产物组分浓度场的重建反问题提供了正问题计算模型。以主动激光吸收光谱理论为支撑,结合计算层析理论,对高温火焰的二维温度及H2O组分浓度的协同测量展开了研究,分别采用了线性和非线性层析吸收光谱测量模型进行数值仿真研究,分别应用代数迭代重构算法和基于自适应协方差矩阵的进化策略算法,对强病态性的重构问题进行了计算求解。在测量模型中加入了基于平滑先验信息的正则化方法,改善了病态问题的多解性,增强了重构结果的抗噪性。同时,将测量模型及算法应用于双峰分布的多模态火焰中,验证了测量模型及方法的适用性。基于主动激光层析探测的方法受到光学窗口以及光路布置的局限性,一般多用于二维火焰的燃烧诊断。实际中火焰多呈现三维非均匀分布,因此开展了基于被动光场辐射成像高温火焰三维温度场的重构研究。以波动光学的菲涅尔衍射定律和弥散介质辐射传输求解方法为理论基础,建立了适用于高温碳烟火焰的光场卷积成像模型。将火焰的二维光场图像为测量信号,对吸收性火焰和吸收散射性火焰及多峰分布的多模态火焰进行了三维温度重构的数值仿真研究,对温度重构质量的影响因素进行了分析,并结合贝叶斯理论模型,对测量方法的不确定度进行了分析。基于被动光场层析探测对火焰三维温度的测量,需要已知火焰内部的辐射物性参数,但在实际中辐射物性参数是未知的。因此,结合主动激光层析吸收光谱和被动光场辐射成像技术,提出了一种基于主被动层析融合的高温碳烟火焰多物理场协同重建方法。结合多谱段激光层析透射测量信号和火焰自发辐射光场测量信号,建立了基于主被动层析的多场协同重构模型,对高温碳烟火焰的辐射物性场、三维温度场以及气固两相燃烧产物组分浓度场的协同重构进行了模拟研究,并对多种测量信号的随机误差进行了误差传递分析。最后,对基于主被动层析融合的测量模型进行了实验验证。对典型高温碳烟火焰—乙烯扩散火焰的辐射物性场、三维温度场及燃烧产物气固两相产物组分浓度场的协同重构进行了实验研究,并与热电偶测量值进行了对比,验证了主被动层析融合测量系统的有效性。温度重构值与热电偶测量值的最大偏差为50 K,证明了温度测量的精度。将重构得到的辐射物性场、碳烟组分浓度场以及H2O组分分布与相关研究中的测量结果进行对比,对应分布趋势及数量级相一致,证明了测量方法的有效性。
张安琪[2]（2021）在《基于RAW图像的碳氢火焰温度与黑度检测研究》文中研究表明温度测量技术在工业、航天、国防、科学实验等多个方面有着至关重要的作用,传统的接触式测温方法容易对测量对象造成干扰,并且不能得到温度场分布。当被测物体的温度过高时,有可能造成仪器的损伤,会影响到温度测量的准确性。针对以上问题,本文根据热辐射理论和CCD成像技术,在基于图像处理的CCD相机火焰温度检测技术的基础上,对碳氢火焰的辐射特性进行了研究,提出了一种碳氢火焰灰体特性判定方法。首先详细介绍了热辐射理论和CCD相机测温原理,为后面的模拟计算以及碳氢火焰实验做了准备工作;然后模拟计算了两组代表性波长对温度计算精度的影响,结果表明CCD光谱响应曲线对应峰值波长比CIE指定波长作为代表性波长计算的温度误差小;在基于比色法测温原理时,三基色值的RG、RB、GB三种不同组合中,RG组合所计算的温度误差最小;最后详细介绍了CCD相机火焰温度检测系统,并对CCD相机进行了黑体炉标定实验,得到了火焰图像的三基色值与单色辐射强度的多项式函数关系式,针对比色法计算碳氢火焰温度时要判定其是否为灰体,提出了一种基于图像处理的辐射特性判定方法,并用蜡烛火焰进行验证,计算蜡烛火焰的温度、三基色值下的辐射率,以及三个辐射率的均方差并进行辐射特性判定,实验结果表明,辐射率的均方差均大于0.024,可判定蜡烛火焰为非灰体,并用Abel逆变换对蜡烛火焰的辐射强度进行修正并计算出蜡烛火焰的温度分布。
覃寰[3]（2021）在《基于火检信号的炉膛火焰稳定性定量分析》文中指出燃煤电站锅炉炉膛火焰稳定性的正确检测与评价对锅炉安全经济运行有着重要的作用。煤粉炉运行过程中,炉膛内煤粉燃烧不稳定可能引发一系列的威胁安全经济运行的问题。特别是近几年来劣质煤、混煤燃烧的趋势增加,导致燃烧的不稳定性加剧。因此,准确、稳定和可靠的检测炉内火焰的燃烧状态,防止运行过程中异常情况的发生,对于锅炉运行来讲显得尤为重要。本文以某电厂660MW机组为例,在ABB火检分析单元的应用基础上,使用采集得到的火检中间值,借助聚类分析,得出了火焰稳定性的定性判断方法。通过对比实际电厂运行中炉膛火焰燃烧中间物理量的聚类结果,结合实际的运行情况,分析了所使用的K-均值聚类（K-Means）、密度聚类（DBSCAN）和利用层次方法的平衡迭代规约和聚类（BIRCH）方法对于实际火检数据进行燃烧状态划分的局限性。最后借助凝聚层次聚类方法（HCA）,分析聚类树状图的状态划分过程,结合给煤量变化情况,重新划分聚类树,得到与实际运行经验相符合的炉膛燃烧状态分类方法。在层次聚类划分燃烧状态的基础上,定义了反映炉膛火焰稳定性的燃烧质量指标。该指标值介于0和100之间,值的大小反映了燃烧状态是否稳定,其值越接近100表示燃烧越趋于稳定状态;越接近于0表示燃烧越趋于灭火状态。最后结合给煤量变化情况分析了燃烧质量指标的合理性。通过层次聚类方法得到燃烧状态分类后,为了进一步探究如何利用火检中间值对炉膛火焰燃烧状态进行其它形式的描述,使用短时傅里叶变换得到火检中间值的时频图,并建立起了火焰稳定性判别的卷积神经网络（CNN）模型,对给定了状态标签的时频图进行学习,最后验证了该网络对测试数据集的识别情况,取得了较高的准确率。
黄帅[4]（2020）在《基于机器视觉的大型生活垃圾焚烧过程诊断方法研究》文中提出我国城市生活垃圾年清运量和焚烧处置率逐年递增,垃圾焚烧发电项目日渐增多,大型化焚烧炉已成发展趋势。但我国垃圾组分复杂多变且随着国民经济发展,垃圾热值逐渐高于焚烧炉设计热值,导致了诸多燃烧问题。比如燃烧恶化导致污染物原始生成浓度剧增、垃圾焚烧不彻底、炉渣热灼减率偏高等。目前炉内燃烧监测诊断主要通过热电偶等测温装置进行,监测系统覆盖范围窄且参数的测量具有滞后性,对焚烧过程中出现的偏烧问题反馈不及时。因此有必要对炉内燃烧过程的诊断方法开展相应研究。本文基于750 t/d的大型生活垃圾焚烧炉排火焰图像开展了燃烧诊断方法研究,通过图像提取的特征参数对燃烧状态进行表征和评价,基于人工神经网络预测未来时刻主蒸汽温度,并实现偏烧问题诊断的快捷化、智能化。论文首先通过图像处理技术获得燃烧图像灰度均值、火焰面积率、火焰高温率、火焰前沿等关键参数,并基于上述参数和因子分析法对燃烧恶化开展综合评价。然后开发了用于偏烧状态识别的K邻近算法模型和卷积神经网络（CNN,Convolutional Neural Networks）模型,对比分析了各自的优缺点。对于CNN模型,通过K-mean聚类改变卷积层特征提取函数,既简化模型结构又提高特征提取效率。最后将燃烧图像和分布式控制系统（DCS,Distributed Control System）运行参数（温度、配风、主蒸汽参数等）结合起来开发用于预测未来时刻主蒸汽温度变化的神经网络,并发现将燃烧图像的特征信息作为神经网络输入能提高预测精度。
刘闽建[5]（2020）在《煤粉燃烧过程定量表征》文中认为炉内燃烧质量的正确评价对锅炉高效运行具有指导意义。火焰可视化和表征技术是深入了解煤粉燃烧的重要研究工具之一,旨在为燃烧调整提供安全保障。本文研究分析了现有火焰监测与燃烧诊断的方法,提出采用深度学习方法对火焰图像进行特征提取,结合人工智能方法实现燃烧状态识别以及燃烧过程监测,准确有效地监测炉膛燃烧状态,保证火电机组运行的安全性和经济性。首先,本文提出了一种新的基于深度学习的方法来识别炉膛燃烧状态——卷积神经网络（Convolution Neural Network,CNN）。通过端到端网络,特征提取和分类被集成到一个框架中。在660 MW的燃锅炉上进行了燃烧调整实验,获得了 3种不同燃烧状态下的3000幅火焰图像,其中训练数据为2400张,测试数据为600张,对该方法的有效性进行了评价,算例分析表明验证了该方法在电厂实际应用中具有很大的潜力。其次,提出了一种基于卷积自编码器（Convolutional Autoencoder,CAE）、主成分分析（Principal Component Analysis,PCA）和隐马尔可夫模型（Hidden Markov Model,HMM）的无监督分类框架,收集炉膛燃烧监控系统中的火焰图像视频实现燃烧状态的诊断。首先利用CAE对火焰图像进行特征提取,得到图像的稀疏表示;然后利用主成分分析法将特征向量投影到正交空间中,增强算法的鲁棒性和计算效率。最后,根据特征序列具有时间行为,建立一个隐马尔可夫模型来计算其相应的最优状态。收集连续时间内的14400张火焰图像作为数据集,对该方法的有效性进行了评价。我们还选取了另外五种集成框架作为对比实验,分别有:CAE+高斯混合模型（Gaussian Mixture Model,GMM）、CAE+k均值聚类（Kmeans）、CAE+模糊 c 均值聚类（Fuzzy c-means,FCM）、CAE+HMM和传统手工特征提取方法（Traditional Handcrafted method,TH）+HMM。结果表明,本文所提出的框架分类精度最高（训练集中精度为95.25%和测试样本精度达到为97.36%）,同时它在识别不稳定状态上也表现出最佳的性能（训练精度85.67%和测试精度77.60%）,表明该框架在燃烧条件发生改变时（如给煤率迅速下降）依然有较高的识别准确率。接着,提出一种基于变分自编码器（Variational Autoencoder,VAE）的煤粉火焰图像燃烧过程定量表征方法,变分自编码器在通过最大化对数似然函数下界,刻画了样本数据的生成特征,在重构原始图像的基础上,获得一个服从某个特定分布（如高斯分布）的隐含变量,使得模型具有生成能力同时提升了模型的表达能力。分别采用自编码模型与变分自编码模型提取火焰图像隐含变量,结果表明通过VAE模型提取的火焰图像特征量能够很好的反映煤粉在炉膛内部的燃烧情况。最后,在VAE提取火焰图像特征变量基础上,提出一种基于滑动窗的燃烧过程稳态检测方法（Steady-State Detection,SSD）。在火焰特征参数服从正态分布的基础上,构造监测指标并结合学生t检验来构建稳态判断准则,实现燃烧过程的稳态检测。为了提高稳态检出率,引入指数加权移动平均值滤波（Exponentially Weighted Moving-Average,E WMA）对监测指标进行修正,同时合理选择滑动窗口宽度等措施,将该算法应用到实际燃烧过程中。实验结果表明,使用基于滑动窗的稳态检测方法在燃烧不稳定时有较好的检出率,进一步验证了方法的有效性。
黄兴[6]（2019）在《基于主被动光学探测的发光火焰多物理量场重建》文中研究说明燃烧火焰普遍存在于日常生活和工业生产应用中,如燃气轮机、发动机燃烧室、电站锅炉等。而火焰的温度分布与燃烧反应的进行过程密切相关,直接体现了燃烧的状态。为了更加深刻地理解燃烧机理,优化燃烧过程并减少污染物的产生,需要研究可有效测量火焰空间温度分布的燃烧诊断技术。然而由于硬件设备及相应重建算法的限制,以及多物理量场同时测量时相互耦合导致的严重病态性问题,准确的火焰温度测量技术仍然是一项亟待解决的难题。基于火焰自身辐射光场成像的被动式探测技术是一项很有前景的测温手段。因此本文将该技术引入到火焰空间温度分布测量中。针对发光火焰温度与光学参数空间分布重建问题,本文首先建立了火焰内辐射传输与光场成像模型,在此基础上,先后研究了基于被动光场探测的火焰温度重建模型以及温度与光学参数同时反演模型,最后将主动式层析探测技术与光场探测技术相结合,构造了温度与吸收系数协同重建模型,并开展了基于被动火焰光场探测的多物理量场测量试验研究对所提模型进行验证。主要开展的工作有:首先阐明了光场相机成像的原理与特点,建立了计算光场相机内辐射线坐标与空间方向的追踪方法;考虑到火焰类型的不同,分别利用视在光线法和广义源项多流法来求解纯吸收火焰和吸收散射性火焰的辐射强度;将火焰辐射传输模型与光场成像模型相结合,构造了适用于发光火焰的辐射光场成像模型,通过正向模拟获得了两种火焰的辐射光场图像。在火焰辐射光场模型基础上,在光学参数已知时单独对温度分布进行重建。分别建立了基于最小二乘QR分解算法、代数重建算法和Landweber算法的火焰温度分布重建模型。模拟结果表明重建模型是准确可靠的,且Landweber算法具有最高的计算效率。分析了光学参数大小及散射相函数对于温度分布重建的影响,结果表明光学参数增大以及各向异性散射都会降低温度的重建精度。进一步考虑光学参数同样未知的情况,研究基于被动式光场探测技术的火焰温度与光学参数分布同时重建模型。将Landweber算法与序列二次规划算法相结合,在单光谱辐射光场信号下反演纯吸收火焰的温度与吸收系数分布;进而利用三个光谱通道下的火焰光场信号,来同时重建吸收散射性火焰的温度、吸收与散射系数分布。结果表明提出的同时重建模型对于两种类型的火焰均是可行的,与光学参数相比,温度分布的重建精度更高。为进一步提高同时重建过程的计算效率,将基于消光法的主动式激光层析探测技术与被动式光场探测技术相结合,建立基于主被动光学联合探测的火焰温度与吸收系数分布协同重建模型。利用激光消光信号来反演火焰的吸收系数分布,并代入前述的温度求解方程组中,实现温度与吸收系数分布的联合重建。模拟结果证明该协同重建模型是可行的,其计算效率要明显优于被动式光场探测技术,且对于不同的吸收系数大小均可取得准确的温度重建结果。最后,对不同类型的火焰开展了基于聚焦型光场相机成像探测的火焰多物理量场测量试验研究。分别采用被动式火焰光场测温平台、飞秒CARS测温系统和热电偶测温装置,对甲烷Hencken火焰的温度进行测量,三者结果偏差不大,平均相差不超过4%;利用拍摄的乙烯扩散火焰图像对其温度和吸收系数分布进行重建,与热电偶的对比结果说明重建的温度具有较好的精度,而吸收系数分布也可以很好地体现出火焰的形状特征;上述试验证明了基于被动式火焰光场探测的三维温度与光学参数分布测量技术和重建模型的可行性。
王福刚[7]（2014）在《煤粉锅炉火焰图像特征及燃烧状态监测研究》文中指出21世纪，随着经济的迅速发展，热力设备向超大容量和高参数的方向发展，并且各个设备越来越复杂，提高了居民供暖生产过程的质量。基于数字图像处理的火焰监测技术对于煤粉锅炉生产过程中的经济性、安全性及燃烧过程中的状态监测扮演重要的角色，火焰图像可以直接反映煤粉锅炉炉膛内部燃烧状态的好坏。综合运用数字图像处理技术和CCD摄像机，实现可视化监测锅炉炉膛内部的燃烧状态，及时诊断、掌握锅炉燃烧过程中较为直接和充分的火焰监测信息。本文主要进行了煤粉锅炉火焰图像特征及燃烧状态监测研究，主要利用基于数字图像处理的火焰监测与燃烧诊断的方法，对火焰可视化与燃烧状态进行智能诊断，主要工作包括：（1）运用数字图像处理方法实现火焰图像预处理；（2）对火焰图像的特征值提取，根据特征参数进行状态分析；（3）利用ARM开发板来完成锅炉火焰图像监测系统。从而更直观、更有效的反映出锅炉炉膛内部燃烧情况。本文叙述了煤粉锅炉火焰燃烧状态监测系统构成的原理及设备搭建，研究用于图像去除噪声、局部增强和图像分割的数字图像处理技术。其中图像的预处理包括对火焰图像的去噪，火焰图像的增强和火焰图像的复原。图像分割是基于马尔科夫随机场模型来完成的算法，为提取特征值做准备。本文以ARM开发板为基础，实现了对火焰图像监测系统平台的建立。能够实时的监测并分析炉膛内火焰燃烧的状态。本文对煤粉锅炉火焰图像的分析，反映出燃烧状态的常用特征参数以及常用的算法。通过Matlab仿真实验表明火焰图像特征值与炉内燃烧状况的关系。此外，通过分析得到的结果反映了火焰图像的状态，一是能判断火焰燃烧的趋势，从中能生成燃烧状态的智能诊断模型，另外也可以结合锅炉运行参数，利用诊断模型实时判断燃烧状态。因此具有较大的工程实用价值。最后，对于锅炉燃烧状态监测系统，采用ARM系列的S3C2440A芯片，通过系统平台的搭建并进行程序设计，来完成对锅炉火焰监测系统的实现。
佘星星[8]（2011）在《基于图像处理的火焰检测技术》文中研究指明由于当前热力发电设备朝大容量和高参数的方向发展,且机组设备越来越复杂,电厂提高了生产过程的控制品质。基于图像处理的火焰检测技术对于火电厂锅炉燃烧状态的监测与诊断,以及保障生产的安全、经济和环保是非常有意义的。数字火焰图像是表征锅炉炉膛内燃烧状态的最直接的反映,在燃烧监测中的地位日益重要,通过CCD摄像机和图像处理技术的应用,实现炉内燃烧工况的可视化监测,从而获得对燃烧诊断更充分、更直接的火焰检测信息。本文主要研究了基于图像处理的火焰检测与燃烧诊断方法,以实现火焰可视化与燃烧状态智能诊断,主要开展了以下三方面的研究工作:①应用图像处理方法实现火焰图像预处理及其特征提取;②利用火焰图像特征参数进行燃烧状态分析;③利用智能算法建立基于火焰图像的燃烧状态识别模型。首先,本文介绍了煤粉锅炉火焰燃烧状态监测系统的构成和火焰图像采集的原理,研究用于图像去除噪声、局部增强和图像分割的图像处理技术,并通过实验测试对图像处理方法进行效果比较。鉴于对火焰图像进行准确的边缘检测的重要性,提出了基于C-V主动轮廓模型分割图像的方法,并结合仿真实验进行验证。实验结果表明,C-V模型初始化简单,初始曲线位置、形状要求较低,抗噪能力强,并最终得到目标的连续边缘。C-V模型较经典边缘检测算子更适于电厂锅炉炉膛火焰的边缘提取,能得到满意的图像分割效果,为后续火焰特征的提取奠定了基础。其次,在分析煤粉锅炉燃烧过程的基础上,定义了锅炉内的燃烧状态和反映火焰燃烧状态的常用特征参数及其计算方法。从多幅火焰图像中提取出火焰图像的特征参数,通过仿真实验表明火焰图像特征参数与炉内燃烧状况的关联关系。此外,这些参数反映了火焰图像状态,一方面可以判断出火焰燃烧的总体趋势,从而可以用来生成燃烧状态的智能诊断模型,另一方面也可以结合运行参数利用诊断模型实时判断燃烧状态,因此具有较大的工程实用价值。最后,对用于炉膛燃烧状态诊断的支持向量机的相关理论进行了深入的理解和研究,并结合四组数据集验证支持向量机参数选择的重要性。针对支持向量机在样本训练时参数难以确定而采用交叉验证来确定的问题,本文提出了采用遗传算法优化支持向量机参数,以得到最优的支持向量机模型。利用优化的支持向量机模型进行燃烧状态诊断,并与LIBSVM实验测试进行比较,实验结果表明本文方法的可行性和优越性。
刘英[9]（2010）在《基于支持向量机的氧乙炔火焰燃烧状态分类研究》文中提出燃烧广泛应用于农业、工业、交通运输、国防等各个领域,是当今社会能量需求的重要来源。燃烧性能的好坏,对人民生活和工业生产的安全性、经济性和环保性有非常重要的意义。燃烧伴随着复杂的物理和化学反应,各种因素又相互影响,更增加了燃烧过程的复杂性,这就导致了燃烧过程难以测量和控制,因此燃烧过程的监测和诊断是非常有研究前景的课题。氧乙炔火焰在工业生产中得到广泛的应用,如何安全、高效的应用氧乙炔火焰越来越为人们所重视。氧乙炔火焰燃烧状态的监测和诊断,将有助于提高燃烧效率、减少污染。火焰是燃烧状况的直接反映,包含丰富的燃烧信息。随着数字图像处理技术和计算机技术的发展,火焰图像为燃烧诊断提供了新的手段。基于统计学习理论的支持向量机（SVM）在解决小样本、非线性、高维数等问题时表现出优良的性能,逐渐成为火焰燃烧诊断领域研究的热点。本课题据此展开研究,对氧乙炔火焰图像进行处理,提取火焰特征,寻找火焰图像与燃烧性能之间的关联关系,应用支持向量机算法实现了火焰燃烧状态的自动分类,为进一步优化实际生产中燃烧状态的智能监测提供了依据。本文在分析传统图像滤波方法的基础上,提出了自适应投票快速中值滤波算法（AVMF）,实验结果表明相比于传统方法,AVMF在速度和精度两方面都具有显着的优越性。针对氧乙炔火焰图像的特点,采用RGB颜色通道分割图像的方法,取得了较好的分割效果。本文对氧乙炔火焰图像的多个特征进行了研究,寻找到能够体现不同类型氧乙炔火焰特点的特征组合,为后续高性能分类器的设计打下了良好的基础。应用支持向量机和人工神经网络实现了氧乙炔火焰图像的分类,一方面表明了本文对氧乙炔火焰图像的特征提取是成功的,另一方面验证了支持向量机理论用于氧乙炔火焰图像分类识别的有效性和优越性。
何海林[10]（2008）在《基于区域诱发的锅炉稳燃图像诊断研究》文中指出随着电站锅炉的各项参数不断提高,机组运行的安全性与经济性越来越多的受到人们的关注。炉内煤粉的燃烧是一个剧烈脉动的复杂物理化学过程,很难直接检测到燃烧的具体发展动态,这使得锅炉的运行在一定程度上存在着盲目性。因而研究合理有效的全炉膛火焰检测、诊断及分析的手段,并提出及时而有效的燃烧调整方案以优化锅炉运行具有非常重要的意义。近年来,基于火焰图像的电站锅炉三维温度场可视化技术不断发展和提高,这为炉膛内燃烧检测提供了一个全新的途径,利用火焰辐射图像进行燃烧状况分析与诊断也成了一个研究的重点。本文通过对已有的监测系统中所拍到的火焰图像以及记录的数据进行分析,从多方面对炉内燃烧状况进行了分析,并和实际燃烧状况进行了对比,认为这些图像信息能够很好的反应炉内的燃烧状况。在利用图像特征进行燃烧监测和诊断的基础上,本文创新性的提出了区域诱发方法对锅炉燃烧进行诊断。在已有装置的基础上,将炉膛假设性的划分为若干区域,得出区域诱发,通过CCD拍摄到的一次灭火事故的火焰图像和数据,综合起来对炉内燃烧进行分析,对该方法加以验证和说明,并在此基础上分析了该方法在实际中的应用情况,在应用中取得了理想的效果。通过这种分析,可以在某一区域燃烧开始出现不稳时更早发现,从而使运行人员及时调整燃烧,在必要的时候也能及早的发出锅炉灭火信号,以进行有效的锅炉灭火保护。同时,区域诱发方法可以帮助我们更好的进行事故后续分析和研究,更准确地找出锅炉燃烧不稳定的诱发区域,更方便地得出燃烧不稳定的原因,并进一步提出改进的方案。
二、火焰可视化及燃烧智能诊断研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、火焰可视化及燃烧智能诊断研究（论文提纲范文）
（1）基于主被动层析的碳烟火焰三维温度及组分浓度重构研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 主动式光学层析探测燃烧诊断方法 |
| 1.2.2 被动式光学层析探测的燃烧诊断方法 |
| 1.2.3 病态辐射反问题研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 高温碳烟火焰的主被动光热信息获取模型 |
| 2.1 引言 |
| 2.2 弥散介质火焰辐射传输求解模型 |
| 2.2.1 纯吸收弥散介质辐射传输模型 |
| 2.2.2 强散射型弥散介质辐射传输模型 |
| 2.3 主被动层析光热探测信息模型 |
| 2.3.1 基于吸收光谱的主动层析探测信息获取模型 |
| 2.3.2 基于光场辐射成像的被动层析探测模型 |
| 2.4 本章小结 |
| 第三章 基于主动光学层析的高温火焰多参数测量 |
| 3.1 引言 |
| 3.2 线性层析吸收光谱的火焰参数测量 |
| 3.2.1 线性层析吸收光谱测量模型 |
| 3.2.2 代数迭代重建算法 |
| 3.2.3 重建结果及讨论 |
| 3.3 非线性层析吸收光谱的火焰参数测量 |
| 3.3.1 非线性层析测量模型 |
| 3.3.2 基于非线性层析吸收光谱的温度及浓度协同重建模型 |
| 3.3.3 自适应协方差矩阵的进化策略算法 |
| 3.3.4 重建结果及讨论 |
| 3.4 本章小结 |
| 第四章 基于被动光学层析高温火焰三维温度测量 |
| 4.1 引言 |
| 4.2 基于光场卷积成像的火焰温度测量模型 |
| 4.2.1 基于波动光学的光场卷积成像 |
| 4.2.2 三维碳烟温度场重构模型 |
| 4.2.3 基于测量模型的反问题分析 |
| 4.3 高温碳烟火焰三维温度重构结果及分析 |
| 4.3.1 多模态火焰碳烟温度重构结果 |
| 4.3.2 碳烟温度重构结果的影响因素 |
| 4.3.3 平滑正则化方法对温度重构质量的影响 |
| 4.4 本章小结 |
| 第五章 基于主被动层析融合高温火焰多参数场测量 |
| 5.1 引言 |
| 5.2 主被动层析融合的火焰多参数场测量模型 |
| 5.2.1 测量基本原理 |
| 5.2.2 高温火焰辐射物性与三维温度场协同重构模型 |
| 5.2.3 高温碳烟火焰气固两相燃烧产物组分浓度场协同重构模型 |
| 5.3 高温碳烟火焰辐射物性与三维温度场协同重构 |
| 5.3.1 均匀分布的辐射物性场与三维温度场的协同重构 |
| 5.3.2 二维非均匀辐射物性场与三维温度场的协同重构 |
| 5.3.3 三维非均匀辐射物性场与三维温度场的协同重构 |
| 5.4 高温碳烟火焰气固两相燃烧产物组分浓度场协同重构 |
| 5.4.1 高温碳烟火焰碳烟颗粒组分浓度场重构 |
| 5.4.2 高温碳烟火焰气相产物 H_2O 组分浓度场重构 |
| 5.4.3 气固两相协同重构的误差传递分析 |
| 5.5 本章小结 |
| 第六章 基于主被动层析融合的乙烯扩散火焰多参数场实验测量 |
| 6.1 引言 |
| 6.2 实验系统及装置 |
| 6.2.1 乙烯共流燃烧器 |
| 6.2.2 热电偶测量系统 |
| 6.2.3 主动层析探测实验系统设备及装置 |
| 6.2.4 被动光场层析探测实验系统设备及装置 |
| 6.3 基于主被动层析融合探测实验系统 |
| 6.3.1 基于主动激光层析探测实验 |
| 6.3.2 基于被动光场层析探测实验 |
| 6.4 实验结果与分析 |
| 6.4.1 不同燃烧实验工况对比分析 |
| 6.4.2 基于主被动层析融合的高温碳烟火焰多物理量场协同重建 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及成果 |
| 致谢 |
| 个人简历 |
（2）基于RAW图像的碳氢火焰温度与黑度检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 温度测量方法 |
| 1.2.1 接触式测温方法 |
| 1.2.2 非接触式测温方法 |
| 1.3 国内外CCD测温技术研究现状 |
| 1.3.1 国外CCD测温技术研究现状 |
| 1.3.2 国内CCD测温技术研究现状 |
| 1.3.3 比色法测温研究现状 |
| 1.4 本文研究内容 |
| 第2章 基于CCD相机的辐射测温原理 |
| 2.1 热辐射理论 |
| 2.2 CCD成像原理 |
| 2.3 比色法测温原理 |
| 2.4 本章小节 |
| 第3章 代表性波长不同对测温精度的影响 |
| 3.1 CCD三基色值的模拟计算 |
| 3.1.1 RGB值的获取 |
| 3.1.2 CCD三基色值与单色辐射强度的函数关系 |
| 3.2 不同代表性波长对温度检测的影响 |
| 3.2.1 灰体时对温度检测的影响 |
| 3.2.2 非灰体时对温度检测的影响 |
| 3.3 本章小结 |
| 第4章 碳氢火焰的灰体特性判定 |
| 4.1 温度检测系统 |
| 4.1.1 温度检测系统简介 |
| 4.1.2 CCD相机的介绍 |
| 4.1.3 黑体炉的介绍 |
| 4.2 灰体判定实验 |
| 4.2.1 灰体假设 |
| 4.2.2 灰体判定方法与步骤 |
| 4.3 黑体炉标定实验 |
| 4.3.1 标定方法和步骤 |
| 4.3.2 标定结果误差分析 |
| 4.3.3 碳氢火焰灰体判定实验 |
| 4.4 蜡烛火焰温度计算 |
| 4.4.1 Abel算法 |
| 4.4.2 蜡烛火焰温度计算 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间发表的论文 |
（3）基于火检信号的炉膛火焰稳定性定量分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光谱分析 |
| 1.2.2 频谱分析 |
| 1.2.3 色度分析 |
| 1.2.4 火焰图像 |
| 1.3 论文内容安排 |
| 第2章 煤粉燃烧调整实验数据采集系统 |
| 2.1 实验采集系统 |
| 2.2 ABB火检分析单元 |
| 2.3 燃烧调整实验 |
| 2.4 本章小结 |
| 第3章 聚类在判断火焰稳定性中的应用 |
| 3.1 聚类方法 |
| 3.1.1 K-Means |
| 3.1.2 DBSCAN |
| 3.1.3 BIRCH |
| 3.1.4 HCA |
| 3.2 聚类性能指标 |
| 3.2.1 轮廓系数 |
| 3.2.2 CH系数 |
| 3.3 不同聚类方法的比较 |
| 3.3.1 K-Means聚类结果及分析 |
| 3.3.2 DBSCAN聚类结果及分析 |
| 3.3.3 BIRCH聚类结果及分析 |
| 3.3.4 HCA聚类结果及分析 |
| 3.3.5 ABB火检分析单元的局限性 |
| 3.3.6 不同的聚类方法的轮廓系数及CH指标 |
| 3.4 基于层次聚类的定量指标 |
| 3.5 本章小节 |
| 第4章 基于时频分析的火检稳定性判别卷积神经网络模型 |
| 4.1 短时傅立叶变换 |
| 4.2 卷积神经网络 |
| 4.2.1 卷积层-提取特征 |
| 4.2.2 池化层-数据降维,避免过拟合 |
| 4.2.3 全连接层-输出结果 |
| 4.3 火检中间值信号的时频分析 |
| 4.4 时频图数据集标签的给定 |
| 4.5 火检稳定性判别CNN模型 |
| 4.6 仿真实验 |
| 4.6.1 训练集及测试集划分 |
| 4.6.2 验证k=3时识别准确率 |
| 4.7 本章小结 |
| 第5章 总结及展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（4）基于机器视觉的大型生活垃圾焚烧过程诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 我国生活垃圾处置现状 |
| 1.2 城市生活垃圾炉排炉焚烧技术 |
| 1.3 生活垃圾燃烧优化研究现状 |
| 1.4 本文主要工作及研究内容 |
| 2 燃烧特征参数提取及燃烧状态诊断 |
| 2.1 引言 |
| 2.2 可视化燃烧监测系统 |
| 2.3 燃烧特征参数提取 |
| 2.4 基于特征参数的燃烧状态诊断 |
| 2.5 本章小结 |
| 3 基于燃烧图像的炉内偏烧状态识别 |
| 3.1 引言 |
| 3.2 偏烧图像的采集和分类 |
| 3.3 基于KNN算法的炉内偏烧状态识别 |
| 3.4 基于卷积神经网络的炉内偏烧状态识别 |
| 3.4.1 卷积神经网络原理 |
| 3.4.2 K-mean聚类算法 |
| 3.4.3 K-mean实现卷积层无监督特征提取 |
| 3.4.4 图像数据预处理 |
| 3.4.5 模型训练及结果分析 |
| 3.5 本章小结 |
| 4 主蒸汽温度的预测 |
| 4.1 引言 |
| 4.2 燃烧图像对于主蒸汽温度预测的影响 |
| 4.2.1 基于图像直方图反向投影的火焰分割提取 |
| 4.2.2 燃烧图像与主蒸汽温度的相关性分析 |
| 4.3 人工神经网络预测主蒸汽温度 |
| 4.3.1 数据采集及预处理 |
| 4.3.2 DCS数据训练预测主蒸汽温度的神经网络 |
| 4.3.3 DCS数据耦合燃烧图像训练预测主蒸汽温度的神经网络 |
| 4.4 本章小结 |
| 5 结论 |
| 5.1 全文总结 |
| 5.2 本文创新点 |
| 5.3 研究展望 |
| 参考文献 |
（5）煤粉燃烧过程定量表征（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于火焰图像特征提取的机器学习 |
| 1.2.2 基于统计学习的过程监控 |
| 1.2.3 深度学习方法 |
| 1.3 论文内容安排 |
| 第2章 煤粉燃烧火焰图像分类 |
| 2.1 CNN基本原理 |
| 2.1.1 卷积操作 |
| 2.1.2 最大下采样Max-pooling |
| 2.1.3 激活层 |
| 2.2 实验分析 |
| 2.2.1 实验设备和测试条件 |
| 2.2.2 采用卷积神经网络对火焰图像进行分类 |
| 2.3 本章小结 |
| 第3章 煤粉燃烧火焰图像特征提取与无监督聚类 |
| 3.1 原理 |
| 3.1.1 CAE基本原理 |
| 3.1.2 PCA基本原理 |
| 3.1.3 HMM原理 |
| 3.1.4 基于卷积自编码和隐马尔可夫模型的无监督聚类框架 |
| 3.2 实验分析 |
| 3.2.1 卷积自编码模型 |
| 3.2.2 实验结果及分析 |
| 3.3 本章小结 |
| 第4章 基于变分自编码器的煤粉火焰图像燃烧过程定量表征 |
| 4.1 VAE基本原理 |
| 4.2 实验分析 |
| 4.3 本章小结 |
| 第5章 基于SSD的燃烧过程稳态检测 |
| 5.1 SSD基本原理 |
| 5.2 实验分析 |
| 5.3 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
（6）基于主被动光学探测的发光火焰多物理量场重建（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究状况 |
| 1.2.1 火焰测温技术研究现状 |
| 1.2.2 光场成像理论研究与应用现状 |
| 1.2.3 温度及光学参数分布重建算法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 发光火焰辐射传输及光场成像模型 |
| 2.1 引言 |
| 2.2 光场成像理论基本原理 |
| 2.3 发光火焰内辐射传输计算模型 |
| 2.3.1 纯吸收火焰辐射传输模型及算法 |
| 2.3.2 吸收散射性火焰辐射传输模型及算法 |
| 2.4 火焰辐射光场成像模型及成像模拟 |
| 2.4.1 火焰辐射光场成像模型 |
| 2.4.2 火焰辐射光场成像模拟 |
| 2.5 本章小结 |
| 第3章 基于被动光场探测的火焰三维温度分布重建 |
| 3.1 引言 |
| 3.2 温度分布重建模型及重建算法 |
| 3.2.1 纯吸收性火焰温度分布重建模型 |
| 3.2.2 吸收散射性火焰温度分布重建模型 |
| 3.2.3 火焰温度分布重建算法 |
| 3.3 纯吸收火焰三维温度分布重建 |
| 3.3.1 三种算法重建结果对比 |
| 3.3.2 非轴对称火焰温度分布重建 |
| 3.4 吸收散射性火焰三维温度分布重建 |
| 3.4.1 基于LSQR算法与Landweber算法的温度分布重建 |
| 3.4.2 光学参数对重建结果的影响 |
| 3.5 本章小结 |
| 第4章 基于被动光场探测的火焰多物理量同时重建 |
| 4.1 引言 |
| 4.2 纯吸收火焰温度与吸收系数同时重建模型及重建算法 |
| 4.2.1 吸收系数重建算法与模拟研究 |
| 4.2.2 温度分布与吸收系数分布同时重建模型与模拟研究 |
| 4.3 吸收散射性火焰温度与光学参数同时重建模型及重建算法 |
| 4.3.1 温度场与光学参数分布同时重建理论 |
| 4.3.2 吸收系数与散射系数重建模拟研究 |
| 4.3.3 吸收散射性火焰温度场及光学参数分布同时重建模拟 |
| 4.4 本章小结 |
| 第5章 基于主被动光学探测的火焰多物理量场协同重建 |
| 5.1 引言 |
| 5.2 基于消光法与光场探测的火焰多物理量场协同重建模型 |
| 5.2.1 消光法基本原理 |
| 5.2.2 温度与吸收系数分布协同重建策略 |
| 5.3 温度与吸收系数分布协同重建模拟研究 |
| 5.3.1 基于消光法的吸收系数分布模拟重建结果与分析 |
| 5.3.2 温度与吸收系数分布协同重建结果与分析 |
| 5.4 本章小结 |
| 第6章 基于光场探测的火焰多物理量测量试验研究 |
| 6.1 引言 |
| 6.2 Hencken火焰光场试验及CARS温度测量 |
| 6.2.1 Hencken火焰光场试验基本原理 |
| 6.2.2 试验系统与设备 |
| 6.2.3 试验结果与分析 |
| 6.3 乙烯扩散火焰光场试验 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及成果 |
| 致谢 |
| 个人简历 |
（7）煤粉锅炉火焰图像特征及燃烧状态监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 传统的锅炉火焰检测技术 |
| 1.3 基于图像处理的火焰监测和燃烧智能诊断 |
| 1.3.1 火焰可视化和燃烧智能诊断的研究现状 |
| 1.3.2 智能算法在燃烧状态监测与诊断中的应用 |
| 1.4 本文的研究内容 |
| 2 锅炉火焰图像采集系统的构成 |
| 2.1 引言 |
| 2.2 火焰图像检测系统的构成 |
| 2.2.1 传像光纤 |
| 2.2.2 CCD 摄像机 |
| 2.2.3 风冷系统的选择 |
| 2.2.4 图像采集卡 |
| 2.3 小结 |
| 3 锅炉火焰图像处理 |
| 3.1 锅炉火焰图像去噪 |
| 3.2 锅炉火焰图像增强 |
| 3.2.1 火焰图像频域增强 |
| 3.2.2 火焰图像空域滤波增强 |
| 3.3 锅炉火焰图像恢复 |
| 3.3.1 火焰图像空域滤波复原 |
| 3.3.2 火焰图像 Lucy_Richardson 滤波复原 |
| 3.4 本章小结 |
| 4 炉内火焰图像特征提取与识别 |
| 4.1 基于马尔可夫随机场理论的图像分割算法 |
| 4.1.1 颜色特征提取 |
| 4.1.2 马尔科夫随机场模型的建立 |
| 4.2 基于马尔可夫随机场的分割算法的参数估计 |
| 4.2.1 最大似然估计 |
| 4.2.2 最大伪似然估计(MPL) |
| 4.2.3 均场近似估计 |
| 4.2.4 期望最大法 |
| 4.2.5 参数估计 |
| 4.2.6 图像分割仿真实验 |
| 4.3 火焰图像识别 |
| 4.3.1 火焰图像特征提取 |
| 4.3.2 图像特征提取仿真实验分析 |
| 4.3.3 火焰图像识别 |
| 4.4 小结 |
| 5 基于 ARM 的火焰图像处理系统的设计 |
| 5.1 总体结构设计 |
| 5.2 系统平台搭建与程序设计 |
| 5.2.1 交叉开发环境的构建 |
| 5.2.2 Bootloader 的配置与移植 |
| 5.2.3 内核的配置与移植 |
| 5.2.4 文件系统的挂载 |
| 5.2.5 GUI 程序的设计 |
| 5.3 系统功能测试 |
| 5.3.1 视频采集功能测试 |
| 5.3.2 抓拍功能的测试 |
| 5.3.3 图像处理功能测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）基于图像处理的火焰检测技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 传统的锅炉火焰检测技术及其存在问题 |
| 1.3 基于图像处理的火焰可视化和燃烧智能诊断 |
| 1.3.1 火焰可视化和燃烧智能诊断的研究现状 |
| 1.3.2 智能算法在燃烧状态监测与诊断中的应用 |
| 1.4 本文的研究内容 |
| 2 锅炉火焰图像处理技术 |
| 2.1 引言 |
| 2.2 数字图像采集系统结构 |
| 2.3 数字图像原理 |
| 2.4 火焰图像预处理 |
| 2.4.1 图像噪声处理 |
| 2.4.2 图像增强技术 |
| 2.4.3 图像分割 |
| 2.5 基于C-V 主动轮廓模型的图像分割 |
| 2.5.1 C-V 主动轮廓模型 |
| 2.5.2 C-V 模型的数值实现 |
| 2.5.3 实验结果及分析 |
| 2.6 本章小结 |
| 3 基于火焰图像特征参数的燃烧状态分析 |
| 3.1 引言 |
| 3.2 燃烧状态种类及定义 |
| 3.3 火焰图像特征参数的提取 |
| 3.4 特征参数提取实例分析 |
| 3.5 本章小结 |
| 4 支持向量机及其参数选择研究 |
| 4.1 引言 |
| 4.2 支持向量机理论 |
| 4.2.1 统计学习理论 |
| 4.2.2 支持向量机原理 |
| 4.3 支持向量机参数的选择对分类精确度的影响 |
| 4.4 LIBSVM |
| 4.4.1 简介 |
| 4.4.2 算法命令 |
| 4.4.3 实验测试 |
| 4.5 本章小结 |
| 5 基于遗传支持向量机的燃烧诊断研究 |
| 5.1 引言 |
| 5.2 遗传算法 |
| 5.2.1 遗传算法的基本原理 |
| 5.2.2 遗传算法的基本操作要素 |
| 5.2.3 遗传算法的特点 |
| 5.3 遗传支持向量机 |
| 5.3.1 支持向量机的设计 |
| 5.3.2 遗传算法优化支持向量机参数 |
| 5.4 仿真实验及结果分析 |
| 5.4.1 算法运行参数的选择 |
| 5.4.2 仿真实验及分析 |
| 5.5 本章小结 |
| 6 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 课题今后的研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（9）基于支持向量机的氧乙炔火焰燃烧状态分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 火焰燃烧监测的研究背景 |
| 1.2 国内外研究状况 |
| 1.3 本论文主要内容及章节安排 |
| 第2章 数字图像处理 |
| 2.1 数字图像处理简介 |
| 2.2 数字图像滤波 |
| 2.2.1 图像噪声分析 |
| 2.2.2 图像噪声处理方法 |
| 2.2.3 自适应投票快速中值滤波 |
| 2.3 数字图像分割 |
| 第3章 氧乙炔火焰图像 |
| 3.1 氧乙炔火焰研究背景 |
| 3.2 氧乙炔火焰分类 |
| 3.3 氧乙炔火焰图像预处理 |
| 3.4 火焰图像特征 |
| 3.5 氧乙炔火焰图像特征提取 |
| 第4章 基于SVM理论的氧乙炔火焰图像分类 |
| 4.1 模式识别概述 |
| 4.2 人工神经网络 |
| 4.3 支持向量机 |
| 4.4 总体设计 |
| 4.5 特征选择优化实验及分析 |
| 4.5.1 单一特征 |
| 4.5.2 组合特征 |
| 4.5.3 实验结论 |
| 4.6 LS-SVM参数设置 |
| 4.7 基于不同算法的分类实验 |
| 4.8 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文的主要工作及创新点 |
| 5.2 未来研究的展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表论文情况 |
（10）基于区域诱发的锅炉稳燃图像诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关领域及其研究现状 |
| 1.3 本文主要工作内容 |
| 2 基于火焰图像处理的燃烧稳定性分析 |
| 2.1 基于图像的火焰检测原理及装置 |
| 2.2 火焰辐射能信号与炉内燃烧工况的关系 |
| 2.3 炉膛燃烧稳定性的图像特征诊断 |
| 2.4 本章小结 |
| 3 基于区域诱发方法的锅炉燃烧诊断 |
| 3.1 炉膛区域的划分 |
| 3.2 典型灭火事故的区域诱发方法分析 |
| 3.3 基于区域诱发方法对锅炉灭火原因的分析 |
| 3.4 本章小结 |
| 4 区域诱发方法在锅炉燃烧稳定性分析中的应用 |
| 4.1 区域诱发方法在200MW 锅炉中的典型应用 |
| 4.2 区域诱发方法在300MW 锅炉上的验证 |
| 4.3 区域诱发方法在100MW 锅炉上的应用 |
| 4.4 本章小结 |
| 5 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 展望与建议 |
| 致谢 |
| 参考文献 |
| 附录 灭火过程各CCD 所拍火焰灰度平均值 |
四、火焰可视化及燃烧智能诊断研究（论文参考文献）
- [1]基于主被动层析的碳烟火焰三维温度及组分浓度重构研究[D]. 史景文. 哈尔滨工业大学, 2021
- [2]基于RAW图像的碳氢火焰温度与黑度检测研究[D]. 张安琪. 武汉科技大学, 2021(01)
- [3]基于火检信号的炉膛火焰稳定性定量分析[D]. 覃寰. 华北电力大学(北京), 2021(01)
- [4]基于机器视觉的大型生活垃圾焚烧过程诊断方法研究[D]. 黄帅. 浙江大学, 2020(07)
- [5]煤粉燃烧过程定量表征[D]. 刘闽建. 华北电力大学(北京), 2020(06)
- [6]基于主被动光学探测的发光火焰多物理量场重建[D]. 黄兴. 哈尔滨工业大学, 2019
- [7]煤粉锅炉火焰图像特征及燃烧状态监测研究[D]. 王福刚. 齐齐哈尔大学, 2014(03)
- [8]基于图像处理的火焰检测技术[D]. 佘星星. 上海电力学院, 2011(04)
- [9]基于支持向量机的氧乙炔火焰燃烧状态分类研究[D]. 刘英. 河北大学, 2010(01)
- [10]基于区域诱发的锅炉稳燃图像诊断研究[D]. 何海林. 华中科技大学, 2008(05)