主题：【资料】基于神经网络的火焰温度测量方法

一、引言
　　
　　锅炉燃烧的基本要求在于建立和保持稳定的燃烧火焰，其稳定性直接影响到生产的安全，电站锅炉燃烧管理是整个电站安全、经济运行的关键所在。因此，锅炉燃烧诊断具有很重要的现实意义，而温度场的检测是进行燃烧诊断的重要手段。随着计算机技术的应用，利用彩色CCD摄取的图像的每一个像素都是由红(R)，绿(G)，蓝(B)三基色组成，由三基色信号值与单辐射能关系，在对火焰发射率模型和CCD光谱特性的一系列简化和假设下，采用比色测温法可得到每个像素对应的温度，此种测量的结果存在较大的误差。
　　
　　传统的热电偶测量法只局限于个别点的测量，无法得到整个空间温度场值，仅适用于锅炉的关键部位监测，但它能够测出局部的真温值，因此，可结合彩色CCD摄像机在此部位摄取图像，利用计算机图像处理技术得到图像的三基色信号值，根据热辐射学和CCD成像理论，构建BP神经网络，逼近三基色信号与温度的函数关系，从而推广到整个温度场的测量。基于神经网络的火焰温度测量方法，克服了以上测量过程中的一系列简化假设，可较准确地测量出炉膛火焰的温度场。
　　
　　二、测量原理
　　
　　彩色CCD把来自景物的入射光分解为不同比例的R、G、B三基色图案，以形成人眼所能感受到彩色视觉效果，它可以把入射光分解为波长分别为0.7um、0.5461um、0.4358um的红(R)、绿(G)、蓝(B)三色图像，这样我们就可以利用图像处理技术获取数字图像中任意点在不同波长下的信号值。
　　
　　根据热辐射定律，发射连续光谱的物体的热辐射亮度与它的温度间的关系由普朗克辐射公式表达：
　　
　　Eλ(T)=c1λ-5(ec2/λT-1)-1ελ(1)
　　
　　在锅炉燃烧火焰辐射的波长范围0.38um到0.78um及温度3000K以下时，c2/λT＞1，因此可由维恩辐射公式表达：
　　
　　Eλ(T)=c1λ-5exp(-c2/λT)ελ(2)
　　
　　式中，Eλ(T)为燃烧火焰辐射能，ελ为绝对温度为T时的光谱发射率，λ为波长，第一辐射常数c1=3.742×10-16W.m2，第二辐射常数c2=1.4388×10-2m.k。
　　
　　对于具有任意辐射强度E(λ,T)的彩色光下的色系数，可利用分布色系数方程计算：
　　
　　式中r(λ)，g(λ)，b(λ)分别为分布色系数。
　　
　　三基色的亮度信号与对应的单色辐射能成正比，即：
　　
　　从上式中可以看出，由R，G，B可以惟一地确定火焰的温度T，可以表示为：
　　
　　T=T(R，G，B)(5)
　　
　　三、BP神经网络模型及创建
　　
　　最关键的问题是如何处理光谱发射率的值，然而不仅与材料的性质有关，还受状态等诸多方面因素影响，一般很难具体确定。在通常的高温物体温度场测量中，数据的处理仅限于最小二乘法，通常将发射率简化为固定的数值或模型，才能惟一地确定物体的温度。而高温发光火焰是一种烟粒云的辐射，影响烟粒云发射率的因素很多，如吸收系数、火焰的几何厚度、稳定性、波长、温度等，过于固定发射率数值必然导致温度测量结果的不准确。
　　
　　由(5)式可知，三基色信号值与目标真温T存在一种非线性映射关系。神经网络是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理，具有自学习自适应功能，可以从大量的实验数据中直接提取隐含的有用信息。理论上已经证明三层BP模型可以任意精度逼近任意非线性映射，采用它来解决三基色信号值与目标火焰真温的非线性映射问题。
　　
　　这里BP网络采用3层结构，中间包含一层隐层，三输入一输出的BP网络模型。三基色信号值R，G，B作为网络输入节点，单项输出，输出为需要得到的温度值T，隐含层节点数可以先确定几个值，然后通过数据样本训练进行调节。输入层和隐含层激活函数取非对称性Sigmoid函数，输出层输出函数取线性传递函数purelin。
　　
　　数据在输入神经网络之前，要进行归一处理，训练样本的量纲不同，数值差别也很大，因此必须进行归一化处理将训练数据标度到[0,1]之间。进行预测的样本数据在进行仿真前，必须用tramnmx函数进行事先归一化处理，然后才能用于预测，最后仿真结果要用postmnmx进行反归一化，才能得到需要的数据结果。
　　
　　四、仿真实验及结果
　　
　　通过BP神经网络可以训练发射率样本，本文采用如图1所示的A、B、C、D、E五类发射率样本图。
　　
　　由彩色CCD摄像机摄取的图像中得到连续时刻某部位的三色值，热电偶测温得到该部位对应时刻的不同温度。几个温度点分别取五类发射率模型A、B、C、D、E，如图1所示，每类包括5种发射率样本值，有效波长分别为0.7um(R)、0.5461um(G)、0.4358um(B)。在每个温度点上采用五类发射率样本，每类5种，如表1列出部分发射率训练样本。则发射率样本为(5×5=25)种，网络采用三层BP网，输入数据须全部归一化处理，结果反归一化得出。
　　
　　对数据进行归一化处理后，选取5组温度下的三基色信号值作为训练样本。学习目标函数为，其中N为训练样本总数。在网络训练中同时调整动量系数和学习率，以期达到较快的收敛速度。这里动量系数为0.9，学习目标函数误差定为0.01，根据误差值大小最后确定隐含层节点为10。
　　
　　经过60次学习训练，达到目标误差，网络收敛，训练结束。表2列出训练后温度计算结果，表3列出未经训练的温度计算结果。

　　
　　由实验结果得知，对训练过的发射率样本，真实温度的识别误差大部分在30k以内，而对于未训练过的发射率样本，真实温度的识别误差大部分在50k以内。如果用更多的发射率样本和输入输出样本，将更好地解决锅炉温度测量问题。
　　
　　五、结论
　　
　　本文就锅炉温度的传统测量所带来的一些问题和误差上，提出了BP神经网络在炉膛温度测量中数据处理的应用，结合彩色CCD图像提取的三基色信号值作为输入样本和热电偶测出的温度值作为输出样本，创建BP网络模型，对其进行训练。BP神经网络的应用消除了多光谱辐射数据处理时受发射率假设模型的影响，并实现了实时在线测量锅炉温度的目的。研究结果表明，利用神经网络测量锅炉温度，方法简捷，工程上具有较高的应用价值。