导读:本文包含了火焰燃烧状态论文开题报告文献综述及选题提纲参考文献，主要关键词:火焰图像,燃烧状态,机器学习,EI-XCL燃烧器
火焰燃烧状态论文文献综述
张鲁松[1]（2018）在《基于图像处理的EI-XCL燃烧器火焰燃烧状态检测》一文中研究指出我国是电力产能大国,在我国多数热力发电厂中,炉膛的主要点燃设备为EI-XCL双调风旋流型燃烧器。煤粉与燃油混合的一次风进入炉膛与燃烧器接触后燃烧是否充分,直接决定了整个炉膛工作的稳定性。然而现阶段我国发电厂对于燃烧器的燃烧状态检测仅仅依靠接触式传感器,此类检测方式可检测到的数据有限,且仅可以判断煤粉是否燃烧,不能提供更多的实时数据。目前,基于全炉膛的火焰燃烧状态检测研究较多,但针对EI-XCL燃烧器的燃烧状态鲜有研究,因此,对于EI-XCL燃烧器进行基于图像处理的燃烧状态检测研究,可进一步提高全炉膛运行的安全稳定性。首先,本文讲述了基于图像的火焰检测系统的研究背景与研究意义,简单介绍了本文中EI-XCL燃烧器的工作环境与电厂的现场概况,分析了基于图像的EI-XCL燃烧器燃烧状态检测的可行性与实际意义,并在此基础上提出了如何检测EI-XCL燃烧器火焰燃烧状态的问题,根据问题制定了研究方案。通过火焰电视的工作环境与成像原理,选取灰度空间作为本文的研究基础。使用改进的ABDND开关中值滤波算法作为本文滤波进行编译实现并针对本文研究对象进行调整,对起燃状态与低负荷(397MW)运行状态下的EI-XCL燃烧器火焰图像进行脉冲噪声滤波试验,其滤波效果良好,且在高噪声方差环境下滤波效果出众,可为后续研究提供清晰的火焰图像。其次,本文提出了一种基于灰度值权重与Kirsch算子相结合的边缘检测算法并对其进行编译实现,通过对火焰图像进行边缘检测实验,并将实验结果与传统边缘检测算法的检测结果相比较,结果证明本文提出方法的检测结果更为理想。通过边缘检测算法获得的火焰边缘阈值从而可以求得火焰图像面积高温比值作为特征值,并随后确定了火焰图像平均灰度值、火焰图像灰度值标准差、火焰图像平均前景透明度与火焰图像红蓝分量灰度值比值作为本文中火焰图像样本的五类特征值。最后,通过对本文中火焰图像样本进行特征值提取,获得特征值样本。首先利用Kmeans算法编对特征值样本进行聚类分类,并对样本中每个样本对应的类别作标记处理。随后利用LIBSVM对该样本进行样本训练,并利用所得分类函数进行燃烧状态检测,检测结果较为理想。因此,本文提出的基于图像处理的EI-XCL燃烧器火焰燃烧状态检测的方法可以满足炉膛低负荷运行状态下EI-XCL燃烧器的火焰的燃烧状态检测。(本文来源于《昆明理工大学》期刊2018-03-01）
林彦君[2]（2015）在《基于火焰图像的回转窑烧结过程的燃烧状态识别方法研究》一文中研究指出火焰图像可以有效反应回转窑烧结过程的燃烧状态，例如，亮度信息反映了燃烧过程中的辐射热度和燃烧效果，火焰形状则反映了燃烧反应发生区域的形状。近年来，基于火焰图像的回转窑燃烧状态识别引起了广泛关注。现有的基于火焰图像的识别方法大多以图像分割、特征提取以及模式分类为主要识别模式，这些识别方法大多存在处理时间长的问题。另外，这些方法很难有效处理由外界因素引起的火焰图像非结构失真问题。论文针对基于火焰图像的回转窑燃烧状态识别问题展开了深入研究，利用图像结构相似性指标提出了两种新的识别方法。论文主要学术贡献如下：1）提出一种基于火焰图像空间域结构相似性（SSIM）的回转窑燃烧状态识别方法。该方法依托人眼视觉对结构信息更为敏感的识别机理，从火焰图像的亮度、对比度和结构叁个角度衡量图像间的结构相似度，采用了将火焰图像与标准图库中正常状态火焰图像结构相似度比较的方法，识别火焰图像的燃烧状态。SSIM具有表达形式简单、计算复杂度低的优点，识别过程无需对图像进行训练与学习，因此所提方法能够满足回转窑控制系统在线识别的快速性要求。大量仿真实验证明了该方法的快速性和有效性。2）为了处理采集到的火焰图像微小几何失真的问题，论文给出一种改进的小波域结构相似性（WDSSIM）指标和一种新的小波子带加权算法，提出一种基于火焰图像小波域结构相似性（WDSSIM）的回转窑火焰图像燃烧状态识别方法。该方法依据不同子带的小波系数的相似关系来判别火焰图像间的相似性，可以弥补空间域SSIM识别方法不能有效处理图像几何失真的不足。仿真实验证明了该方法对非结构失真及噪声污染较为严重的火焰图像有较好的识别效果。(本文来源于《武汉科技大学》期刊2015-05-19）
房怀英,杨建红[3]（2015）在《基于火焰过程信息的沥青搅拌站燃烧状态监测》一文中研究指出为了在线监测热再生沥青搅拌站干燥、加热状态,首先通过高温CCD图像探测和火焰检测器搭建了燃烧器燃烧信息检测系统,对所提取的火焰图像和辐射信息进行去噪处理,在线提取加热干燥过程中火焰图像和辐射特征信息;分别改变燃油温度、雾化气压、燃油量等燃烧参数,对燃烧火焰的辐射和图像过程信息进行提取和试验研究,分析不同燃烧阶段火焰辐射状态,通过图像处理算法分别提取火焰图像亮度均值和均值标准差。研究结果表明:风/油比、燃油温度、雾化压力对燃烧过程火焰图像和辐射特征有较大的影响,且影响形式不同;单一的燃烧火焰辐射特征信息无法充分表征燃烧状态,通过多信息融合,燃烧火焰亮度均值和标准差等过程信息能准确表征燃烧器燃烧状态;同时在线提取燃烧火焰辐射和图像信息,能准确判定燃烧器的燃烧状态。(本文来源于《长安大学学报(自然科学版)》期刊2015年01期）
王福刚[4]（2014）在《煤粉锅炉火焰图像特征及燃烧状态监测研究》一文中研究指出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。(本文来源于《齐齐哈尔大学》期刊2014-04-30）
罗凯[5]（2012）在《基于FPGA的火焰燃烧状态检测系统设计与实现》一文中研究指出燃烧是一个复杂的过程,包含剧烈的物理和化学变化。同时,燃烧又是生活中必不可少的工具,它能将物质转换成能量供使用。将燃烧控制在合理范围内,使燃烧发挥最高的效率是燃烧状态检测系统的设计关键点。火焰燃烧状态检测系统经过几代的发展,目前已经有通过获取火焰动态图像来分析火焰燃烧状态的技术出现。火焰图像作为火焰燃烧时直接的表现形式,具有信息量大,采集容易等特点,十分适合分析火焰状态。基于FPGA (Field Programmable Gate Array,现场可编程门阵列)的系统,充分利用硬件上的特性可以满足高速图像处理的需要。配合使用SOPC(System On a Programmable Chip)技术,使设计灵活、软硬件可在线编程及更新。本文设计了一个基于FPGA的火焰燃烧状态检测系统,以Altera公司的DE2开发板为硬件平台,使用CMOS(Complementary Metal Oxide Semiconductor,互补氧化金属半导体)图像传感器采集火焰图像,VGA(Video Graphic Array,显示绘图阵列)显示器对火焰温度场进行显示,并通过LCD (Liquid Crystal Display,液晶显示器)实时显示火焰特征与燃烧状态。火焰燃烧状态检测系统根据CMOS采集到的火焰图像,利用在FPGA上实现的中心点提取、颜色提取、温度计算、面积计算等算法将火焰图像的几个特征量提取出来,一方面显示出来,另一方面作为BP神经网络的输入量,利用训练好的神经网络求出当前火焰的燃烧状态。整套系统的硬件描述部分由Verilog语言在Quartus II下完成,包括设备初始化、数据采集存储、管脚定义等部分；软核的设计在SOPC Builder中实现；软件算法使用C语言在Nios II编程环境下完成。经过模拟燃烧环境的测试。CMOS摄像头在经过设置后,能够获取相对真实的火焰图像,通过对火焰图像的分析,火焰的燃烧中心、火焰面积以及根据颜色得到的温度分布等参数都比较准确,能够真实地表现燃烧特征。神经网络经过各模式超过200次训练之后,也能够根据火焰特征值判断出火焰燃烧状态,准确率较高,并能够进行实时判断和显示。(本文来源于《东北大学》期刊2012-06-01）
冯良,李培华,金芮[6]（2010）在《火焰离子电流法检测全预混燃烧状态的应用和探讨》一文中研究指出文章提出了一种全新的检测全预混燃烧空燃比的方法,并阐述了该方法的原理和操作步骤,分析了这种新方法的应用前景。(本文来源于《上海煤气》期刊2010年06期）
佘星星,黄福珍[7]（2010）在《锅炉火焰图像特征及燃烧状态智能监测综述》一文中研究指出介绍了锅炉炉膛火焰图像处理系统和相关的数字图像处理技术,总结了根据实践经验并得到广泛应用的特征参数以及人工智能算法,最后指出其研究及应用中存在的问题,并展望了其发展前景.(本文来源于《上海电力学院学报》期刊2010年04期）
刘英[8]（2010）在《基于支持向量机的氧乙炔火焰燃烧状态分类研究》一文中研究指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。(本文来源于《河北大学》期刊2010-06-01）
高秀艳[9]（2010）在《基于隐马尔可夫模型的氧乙炔火焰燃烧状态识别研究》一文中研究指出生产过程中的燃烧性能是一个关乎生产效益、安全生产和环境保护的重要因素。燃烧性能指标目前虽然可以通过使用专用测量仪器设备来获取,但是伴随着测量仪器设备种类的增多,投入成本过高,且不容易实现生产自动化。由于氧乙炔火焰在工业生产中的广泛应用,其燃烧状态的自动监测越来越为人们所重视。实现对氧乙炔火焰燃烧状态的计算机识别,可以更好地实现其燃烧过程的自动控制,有利于提高生产力。要实现对燃烧过程的自动化监控,就要实现基于机器的燃烧过程的分类识别。火焰图像是燃烧最直接的反映。对火焰图像进行处理,提取火焰图像中表征燃烧状态的参数,进而实现对燃烧过程的自动识别将会取得更直观的效果。氧乙炔火焰的燃烧过程是一个随机过程,用对随机过程有很好模拟能力的隐马尔可夫模型(HMM)对其进行建模与识别,可以达到更好的效果。本文据此展开研究。本实验以CCD摄像机作为光学传感器,将其采集到的氧乙炔火焰图像及图像序列作为监测值。在图像预处理过程中,分析了传统滤波及分割方法中存在的问题,在此基础上提出了自适应投票快速中值滤波算法(AVMF)和使用RGB颜色通道对图像进行分割的新方法,并在此基础上提取最能反映氧乙炔焰特点的相关特征值。研究中使用人工神经网络方法、单特征量一维HMM方法和二维HMM方法分别对氧乙炔焰的燃烧过程进行建模与识别,分析了各种方法的识别准确率与运算速度,在此基础上提出了使用一维分步HMM技术对氧乙炔焰的燃烧建立基于图像特征值序列的隐马尔可夫模型,对待识别的图像序列,提取特征值后,用viterbi算法计算出表征燃烧过程状态的状态序列,实现对氧乙炔焰燃烧过程的分类与识别。通过MATLAB6.5环境下的仿真实验证明,对于氧乙炔火焰图像,本文提出的一维分步技术,不仅计算简单、处理速度快而且识别准确率高。(本文来源于《河北大学》期刊2010-06-01）
朱曙光,义永光,谭俊杰,刘心志[10]（2008）在《气体火焰燃烧状态在线识别和预测》一文中研究指出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。(本文来源于《南京理工大学学报(自然科学版)》期刊2008年04期）
火焰燃烧状态论文开题报告
（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：
火焰图像可以有效反应回转窑烧结过程的燃烧状态，例如，亮度信息反映了燃烧过程中的辐射热度和燃烧效果，火焰形状则反映了燃烧反应发生区域的形状。近年来，基于火焰图像的回转窑燃烧状态识别引起了广泛关注。现有的基于火焰图像的识别方法大多以图像分割、特征提取以及模式分类为主要识别模式，这些识别方法大多存在处理时间长的问题。另外，这些方法很难有效处理由外界因素引起的火焰图像非结构失真问题。论文针对基于火焰图像的回转窑燃烧状态识别问题展开了深入研究，利用图像结构相似性指标提出了两种新的识别方法。论文主要学术贡献如下：1）提出一种基于火焰图像空间域结构相似性（SSIM）的回转窑燃烧状态识别方法。该方法依托人眼视觉对结构信息更为敏感的识别机理，从火焰图像的亮度、对比度和结构叁个角度衡量图像间的结构相似度，采用了将火焰图像与标准图库中正常状态火焰图像结构相似度比较的方法，识别火焰图像的燃烧状态。SSIM具有表达形式简单、计算复杂度低的优点，识别过程无需对图像进行训练与学习，因此所提方法能够满足回转窑控制系统在线识别的快速性要求。大量仿真实验证明了该方法的快速性和有效性。2）为了处理采集到的火焰图像微小几何失真的问题，论文给出一种改进的小波域结构相似性（WDSSIM）指标和一种新的小波子带加权算法，提出一种基于火焰图像小波域结构相似性（WDSSIM）的回转窑火焰图像燃烧状态识别方法。该方法依据不同子带的小波系数的相似关系来判别火焰图像间的相似性，可以弥补空间域SSIM识别方法不能有效处理图像几何失真的不足。仿真实验证明了该方法对非结构失真及噪声污染较为严重的火焰图像有较好的识别效果。
（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。
火焰燃烧状态论文参考文献
[1].张鲁松.基于图像处理的EI-XCL燃烧器火焰燃烧状态检测[D].昆明理工大学.2018
[2].林彦君.基于火焰图像的回转窑烧结过程的燃烧状态识别方法研究[D].武汉科技大学.2015
[3].房怀英,杨建红.基于火焰过程信息的沥青搅拌站燃烧状态监测[J].长安大学学报(自然科学版).2015
[4].王福刚.煤粉锅炉火焰图像特征及燃烧状态监测研究[D].齐齐哈尔大学.2014
[5].罗凯.基于FPGA的火焰燃烧状态检测系统设计与实现[D].东北大学.2012
[6].冯良,李培华,金芮.火焰离子电流法检测全预混燃烧状态的应用和探讨[J].上海煤气.2010
[7].佘星星,黄福珍.锅炉火焰图像特征及燃烧状态智能监测综述[J].上海电力学院学报.2010
[8].刘英.基于支持向量机的氧乙炔火焰燃烧状态分类研究[D].河北大学.2010
[9].高秀艳.基于隐马尔可夫模型的氧乙炔火焰燃烧状态识别研究[D].河北大学.2010
[10].朱曙光,义永光,谭俊杰,刘心志.气体火焰燃烧状态在线识别和预测[J].南京理工大学学报(自然科学版).2008