本文關(guān)鍵詞：基于圖像處理和人工智能的垃圾焚燒爐燃燒狀態(tài)診斷研究

  更多相關(guān)文章： 垃圾焚燒爐 燃燒狀態(tài)診斷 圖像處理 最佳特征量組合 粗糙集 人工神經(jīng)網(wǎng)絡(luò)

【摘要】：隨著我國(guó)經(jīng)濟(jì)社會(huì)的發(fā)展和城市化進(jìn)程的推進(jìn),城市生活垃圾的生產(chǎn)量越來(lái)越大,已經(jīng)成為當(dāng)前困擾城市發(fā)展的一個(gè)難題。垃圾焚燒處理能夠真正做到垃圾的減量化、資源化、無(wú)害化處理,是未來(lái)城市生活垃圾處理的主要方式。然而受到垃圾水分高、成分多變、熱值在較大范圍內(nèi)波動(dòng)等因素影響,焚燒爐的運(yùn)行通常很不穩(wěn)定,不僅影響設(shè)備的經(jīng)濟(jì)安全運(yùn)行,還會(huì)造成污染物排放超標(biāo)等問(wèn)題。因此,需要實(shí)時(shí)監(jiān)測(cè)垃圾燃燒狀態(tài),以便及時(shí)地做出調(diào)整以維持穩(wěn)定燃燒。本文運(yùn)用火焰圖像處理技術(shù)和人工智能診斷技術(shù)研究垃圾焚燒爐燃燒狀態(tài)診斷方法。主要研究?jī)?nèi)容及工作成果如下：(1)基于專家經(jīng)驗(yàn)和火焰圖像樣本庫(kù),確定了垃圾焚燒爐的7種典型燃燒狀態(tài)及其相應(yīng)的燃燒調(diào)整策略。(2)提出了垃圾焚燒爐火焰圖像3個(gè)分區(qū)的幾何特征閾值；定義了火焰圖像特征量；建立了三個(gè)分區(qū)對(duì)應(yīng)的12個(gè)火焰圖像特征量的算法模型。(3)基于粗糙集理論,提出了一種基于屬性重要性的前向搜索與后向剪枝相結(jié)合的屬性約簡(jiǎn)算法,該算法可以克服前向搜索約簡(jiǎn)算法不能得到最小約簡(jiǎn)、后向搜索約簡(jiǎn)算法可能刪除重要屬性的缺點(diǎn);利用該算法將12個(gè)特征量約簡(jiǎn)成為7個(gè)主導(dǎo)特征量(Ⅰ區(qū)火焰圖像有效區(qū)平均灰度、特征Ⅰ區(qū)火焰高溫區(qū)面積、特征Ⅰ區(qū)火焰中心水平偏移距離、特征Ⅰ區(qū)火焰圖像有效區(qū)面積、特征Ⅰ區(qū)圖像內(nèi)火焰灰度方差、特征Ⅱ區(qū)著火面積、特征Ⅲ區(qū)灰度方差)；并建立了典型燃燒狀態(tài)特征樣本集。(4)建立了一種基于神經(jīng)網(wǎng)絡(luò)的燃燒狀態(tài)診斷模型,利用典型燃燒狀態(tài)特征樣本集進(jìn)行十折交叉驗(yàn)證實(shí)驗(yàn),實(shí)驗(yàn)中分類正確率為99.05%,方差為2.07。結(jié)果表明該方法的診斷正確率較高且診斷結(jié)果比較穩(wěn)定,說(shuō)明該模型用于城市生活的燃燒狀態(tài)診斷是可行的。(5)提出了一種基于數(shù)字圖像處理技術(shù)和人工智能的垃圾焚燒爐燃燒狀態(tài)診斷方法。算例表明,基于本文診斷方法,可以基于當(dāng)前火焰圖像及其特征量,實(shí)現(xiàn)垃圾焚燒爐燃燒狀態(tài)的診斷,并給出相應(yīng)的操作指導(dǎo)。結(jié)合相關(guān)研究工作,申請(qǐng)國(guó)家發(fā)明專利1件,發(fā)表學(xué)術(shù)論文1篇。
【關(guān)鍵詞】：垃圾焚燒爐 燃燒狀態(tài)診斷 圖像處理 最佳特征量組合 粗糙集 人工神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;TK221
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-14
• 1.1 選題背景及意義8-10
• 1.2 基于圖像處理的燃燒狀態(tài)診斷研究現(xiàn)狀10-12
• 1.3 本文主要研究?jī)?nèi)容12-14
• 第二章 垃圾燃燒狀態(tài)的表征和特征量提取14-31
• 2.1 引言14
• 2.2 垃圾焚燒工藝及設(shè)備介紹14-16
• 2.3 火焰圖像采集16-18
• 2.3.1 圖像采集16-17
• 2.3.2 數(shù)字圖像的矩陣表示17-18
• 2.4 火焰圖像及其特征區(qū)域的劃分18-19
• 2.5 典型垃圾燃燒狀態(tài)及其火焰圖像19-22
• 2.6 垃圾焚燒爐火焰圖像特征量22-28
• 2.6.1 選擇特征量的幾個(gè)原則22-23
• 2.6.2 垃圾焚燒爐火焰圖像特征量23-28
• 2.7 特征量提取與分析28-30
• 2.8 本章小結(jié)30-31
• 第三章 粗糙集理論及其在火焰特征量選擇中的應(yīng)用31-42
• 3.1 引言31
• 3.2 粗糙集理論概說(shuō)31-32
• 3.3 粗糙集理論基本知識(shí)32-37
• 3.3.1 知識(shí)和知識(shí)庫(kù)32
• 3.3.2 不可分辨關(guān)系32
• 3.3.3 信息系統(tǒng)32
• 3.3.4 上近似集與下近似集32-34
• 3.3.5 屬性的核與屬性約簡(jiǎn)34-35
• 3.3.6 數(shù)值型變量的處理35-37
• 3.4 粗糙集屬性約簡(jiǎn)算法實(shí)現(xiàn)37-39
• 3.5 粗糙集理論在火焰特征量選擇中的應(yīng)用39-41
• 3.5.1 應(yīng)用粗糙集進(jìn)行火焰特征量選擇39-40
• 3.5.2 特征量約簡(jiǎn)結(jié)果的比較和分析40-41
• 3.6 本章小結(jié)41-42
• 第四章 基于神經(jīng)網(wǎng)絡(luò)的垃圾燃燒狀態(tài)診斷方法研究42-54
• 4.1 引言42
• 4.2 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及特點(diǎn)42-43
• 4.3 一般神經(jīng)元模型43-46
• 4.4 BP神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法46-49
• 4.5 基于BP算法的垃圾燃燒狀態(tài)診斷模型49-53
• 4.5.1 基于神經(jīng)網(wǎng)絡(luò)的燃燒狀態(tài)診斷原理49-50
• 4.5.2 基于神經(jīng)網(wǎng)絡(luò)的垃圾燃燒狀態(tài)診斷模型的建立50-51
• 4.5.3 網(wǎng)絡(luò)的訓(xùn)練與測(cè)試51-53
• 4.6 本章小結(jié)53-54
• 第五章 燃燒診斷模型的應(yīng)用54-61
• 5.1 引言54
• 5.2 垃圾燃燒狀態(tài)診斷流程54-56
• 5.2.1 離線訓(xùn)練過(guò)程54-55
• 5.2.2 在線應(yīng)用過(guò)程55-56
• 5.3 火焰圖像特征量及其約簡(jiǎn)56-57
• 5.4 典型燃燒狀態(tài)的特征樣本集57
• 5.5 實(shí)際火焰圖像特征量的提取57-59
• 5.6 燃燒狀態(tài)診斷與運(yùn)行指導(dǎo)59-60
• 5.7 本章小結(jié)60-61
• 第六章 總結(jié)61-62
• 6.1 研究工作總結(jié)61
• 6.2 研究工作展望61-62
• 致謝62-63
• 參考文獻(xiàn)63-66
• 作者在攻讀碩士學(xué)位期間研究成果66

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 鄭道昌,王穎,馮志敏,胡海剛;火焰圖像的數(shù)字化探討[J];中國(guó)航海;2001年02期

2 衛(wèi)成業(yè),嚴(yán)建華,商敏兒,馬增益,王飛,王新軍,岑可法;基于爐內(nèi)火焰圖像的燃燒診斷[J];動(dòng)力工程;2003年03期

3 劉禾,崔槐利,黃明發(fā);200MW機(jī)組鍋爐火焰圖像檢測(cè)系統(tǒng)[J];華東電力;2004年02期

4 張紅亮;李R，

本文編號(hào)：550722