一、炉膛火焰图像处理技术（论文文献综述）
张丽霞[1]（2021）在《垃圾焚烧机组燃烧状态监测与建模》文中研究指明垃圾焚烧发电技术具有垃圾处理合理利用化、减容减量化和无毒无害化的独特优势,具有经济、环保等特点,是目前国内外处理生活垃圾的最佳方式。但由于垃圾组成成分复杂,垃圾热值随机波动性较大,且燃烧系统具有大惯性、强耦合、多变量和非线性等特性,难以实现对垃圾焚烧炉的自动燃烧控制。本文以垃圾焚烧炉作为研究对象,通过对燃烧机理的研究,构建垃圾焚烧炉非线性动态模型,实现对关键状态信号监测;并根据焚烧炉各变量之间的相互作用机理和耦合特性,提出炉膛燃烧优化控制策略,解决多随机性、多耦合、非线性对象的控制难题。本文首先以垃圾焚烧炉排炉为研究对象,在深入分析其工作原理的基础上,针对垃圾焚烧锅炉燃烧多耦合的问题,提出了垃圾分块和燃烧过程分阶段的建模思想,建立炉内燃烧过程动态数学模型。其次,研究了垃圾焚烧炉燃烧状态稳定性监测方法,包括基于软测量模型的料层厚度监测、基于火焰图像分析处理的燃烧火线监测以及基于能量平衡的垃圾热值监测。最后,结合燃烧状态监测结果,对垃圾焚烧过程进行优化控制研究,通过给料炉排控制,保证每次进入炉内的垃圾料层厚度相同;通过炉排速度和一次风量控制,实现对火线位置的均衡控制;通过炉排翻动次数控制,实现对燃烧释放热量的校正。
覃寰[2]（2021）在《基于火检信号的炉膛火焰稳定性定量分析》文中研究表明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。
马明荣[3]（2021）在《基于图像处理的炉膛火焰监测系统研究和设计》文中认为煤粉锅炉炉膛火焰监测系统是煤粉锅炉中不可或缺的安全保护系统,是保证锅炉安全、稳定、环保和高效运行的重要配套设施。煤粉锅炉炉膛火焰监测系统有助于提高锅炉和燃料的利用率,减少有害物的产生,降低对环境的污染;同时能够提高锅炉的安全性能,实时调节炉膛内的火焰燃烧状态,防止燃烧系统不稳定导致锅炉炉膛爆炸事故和炉膛灭火故障,保障居民人身安全,减少财产损失。本文结合某热力公司供暖控制系统设计工程项目,设计一套基于图像处理的炉膛火焰监测系统,实时监测并调节炉膛内的燃烧状态,保证锅炉安全、稳定、高效和环保的运行。首先,分析火焰监测系统的发展现状和研究趋势,结合工业现场实际工艺流程和设备状况,综合考虑各种现场因素的影响,对炉膛火焰监测系统作总体结构规划。然后,根据炉膛内火焰的燃烧特性,结合机电一体化的思想,设计可在高温、粉尘的复杂炉膛环境内可持续、稳定、高质量工作的图像采集监控系统,包括采集系统总体结构设计、冷却子系统设计、进给子系统、设备选型和图像采集控制系统设计。其次,研究火焰视频图像,确定火焰图像在成像过程中遭受的污染源,设计自适应预处理滤波算法,对火焰图像中的突变噪声点进行滤波处理,并对自适应预处理进行验证,确定自适应预处理结合自适应滤波算法对火焰噪声图像进行复原处理。随后,识别并提取火焰特征区域。首先采用Sobel算子边缘检测法火焰特征区域边缘进行检测,然后采用Otsu阈值分割法对特征区域进行分割,将火焰特征区域进行识别和提取,并对火焰特征区域进行拉普拉斯锐化,增强其纹理结构信息。最后,研究分析火焰图像的特征量,识别并提取能够表征火焰燃烧状态的特征量,根据火焰在不同燃烧阶段和燃烧状态下,特征量的变化特性对燃烧状态进行判定;通过OPC和Modbus建立图像采集系统、MATLAB、可编程控制器PLC和变频器间的通讯,实现数据实时传输和控制;设计控制系统,编制控制程序,最终实现对锅炉燃烧状态的监控和调节,满足其安全、稳定、高效和环保运行的工业生产需求。
葛红[4]（2020）在《基于火焰光谱分析及图像处理的生物质燃烧监测研究》文中研究说明近年来,随着生物质发电持续稳定发展,生物质锅炉燃烧状态监测与控制问题日益受到关注。我国可用生物质燃料品种多样,燃料偏离锅炉设计种类容易造成结焦和严重积灰等问题,直接影响生产安全和经济效益。本文基于火焰光谱分析算法和图像处理技术,研究生物质燃料种类识别及燃烧状态的监测方法。在单生物质燃烧特性的基础上,重点研究混合生物质的燃料识别和燃烧稳定性分析问题,为生物质锅炉适应燃料的多样性和机组的稳定经济运行提供依据。主要内容如下:1)针对生物质混燃问题,构造了基于火焰光谱6维特征与集成学习的生物质燃料识别方法。通过花生壳、柳木、麦秸、玉米芯四种单生物质及其等质量均匀混合的六种混合生物质进行燃烧实验;同时基于生物质燃烧火焰光谱的时域特性和频域特性的深入分析,构造了基于火焰光谱6维特征（由OH*、CN*、CH*、C2*-1和C2*-2等5类自由基辐射强度和火焰辐射强度信号组成）与集成学习的生物质燃料识别方法,并将识别结果与SVM和决策树两种常用算法进行了对比,结果表明,基于6维火焰光谱强度信号与集成学习的生物质燃料识别方法具有较高的识别率,单生物质高于99.32%,混合生物质均达到100%。该方法简化了特征提取过程,集成了支持向量机（Support Vector Machines,SVM）与决策树两种单分类器的优势,具有较好的泛化能力。2)构造了基于火焰图像与卷积神经网络的燃料识别方法。为克服传统基于图像的燃料识别方法对特征提取的依赖性,在分析生物质燃烧火焰图像的几何特征、光学特征和热力学特征的基础上,构造了基于火焰图像与深度卷积神经网络ResNet50的燃料识别方法,并分别对单生物质和混合生物质进行了燃料识别实验,结果表明基于火焰图像与ResNet50的燃料识别准确率高达97.41%,而其它机器学习算法最高仅达85.83%,可见该方法识别效果优于四种传统机器学习方法。3)定义了基于火焰图像和数据融合的燃烧稳定性指数。在提取火焰图像高度、平均灰度、平均温度和最高温度等特征参数的基础上,定义了基于火焰图像和数据融合的稳定性指数,并用来定量表征生物质火焰燃烧稳定性状态,并结合火焰闪烁频率对单生物质和混合生物质燃料稳定性进行了分析,分析结果表明所提方法能够有效表征生物质火焰燃烧稳定性状态。4)构建了一种生物质燃烧监测及稳定性判别的优化方案。基于混淆矩阵,对光谱分析与图像处理在生物质燃料识别与燃烧稳定性分析效果进行了对比分析,提出了以火焰光谱6维特征与集成学习进行生物质燃料识别、基于火焰图像和稳定性指数进行生物质燃烧稳定性分析的生物质燃烧监测优化方案。借鉴多元统计指标T2和SPE实现了不同生物质燃烧稳定与不稳定的分类,并根据分类结果确定了稳定性指数阈值,最终实现了燃料和稳定性的实时判定。
陈文秋[5]（2020）在《基于层级火焰图像的燃烧稳定性研究》文中研究说明电站锅炉的燃烧状态直接影响锅炉热效率和设备寿命,因此需要对锅炉燃烧的稳定性进行准确有效地实时监测,保证锅炉的安全经济运行。炉膛火焰图像是锅炉燃烧稳定性的最直接表征,传统的稳定性判别方法通过使用分类器对人工提取的火焰图像特征进行学习,进而对燃烧稳定性进行判定。这类方法普遍存在操作复杂、抗干扰能力差、识别准确率较低、泛化性能不高等问题。近年来,深度学习、迁移学习等方法在图像识别领域取得了巨大成功。其中,迁移学习可以将某一领域学习到的知识迁移到其他领域,对识别效果的提升很大,且通常优于深度学习的效果。目前利用火焰图像的深度学习和迁移学习判稳方法较少,尤其是基于迁移学习的燃烧稳定性研究基本处于空白。因此,结合迁移学习实现炉膛燃烧判稳具有巨大前景。本文根据660MW超超临界燃煤机组的运行特性,采集并建立了精细的全新层级火焰图像数据集,包含机组锅炉在不同时段及不同工况下的各层燃烧器火焰图像,涵盖了稳定燃烧、不稳定燃烧、启停炉、灭火和临界灭火等全状态。并选取三种经典深度卷积神经网络,引入截断奇异值矩阵分解算法（Truncated Singular Value Decomposition,TSVD）对网络卷积层进行优化。训练迁移学习的特征提取器和分类器以构造迁移神经网络,最终实现了基于模型参数迁移学习方法的燃烧稳定性判别。此外,还研究分析了迁移学习性能与神经网络层数的关系,以及各层燃烧器的具体稳定性判别结果。实验表明,基于TSVD算法的网络卷积层改进有效,而基于迁移学习在燃烧稳定性判别方面达到了理想的结果,训练时间大幅减少,并在Res101、Dense201上均实现了超过90%的总体准确率,其中Dense201模型的预测准确率高达94.3%,优于采用深度学习方式的燃烧稳定性判别结果。
刘闽建[6]（2020）在《煤粉燃烧过程定量表征》文中提出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。
黄帅[7]（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》文中研究指明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。
艾徐华[8]（2019）在《基于炉膛火焰图像的锅炉燃烧稳定性判别》文中研究说明论文主要通过对锅炉中煤粉燃烧过程产生的火焰图像进行分析,从而提取能够反映锅炉燃烧状态的特征,并对锅炉燃烧稳定性进行判别。主要研究了黑龙长度、偏心距离、分形维数和燃烧面积等特征参数的提取方法,并以黑龙长度、偏心距离、分形维数和燃烧面积参数等特征作为进行锅炉燃烧稳定性判别的特征指标。火焰图像中未燃区的黑龙长度反映了煤粉从喷嘴到开始燃烧过程中在炉膛内部运动的情况,且能够反映锅炉燃烧的稳定状态。根据煤粉气流入射的方向确定黑龙长度检测的区域和方向,应用差分算法搜索检测区域上最大灰度梯度变化像素点,即黑龙边缘点,通过边缘点坐标确定火焰图像上的黑龙长度。煤粉在炉膛内燃烧产生的火焰是一种没有规则形态变化的随机自然现象,且其具有一定的自相似性,传统的几何学方法无法准确描述这种燃烧特性。分形理论用来描述那些没有特定长度,但具有精细结构的现象,正好能够对炉膛火焰进行解释。论文采用基于火焰图像分形特征的分割方法,将火焰图像中的燃烧区从其背景中分割出来,并提取了分割图像的燃烧面积和原火焰图像的分形维数作为判别火焰燃烧稳定性的特征参数。一次风与煤粉混合气流在炉膛内燃烧的波动会直接影响到火焰,而火焰波动程度能够反映炉内燃烧的稳定性。偏心距离大小是火焰波动程度的一种体现,传统偏心距离的测量对基准点要求严格,随着机组运行,基准点偏移会带来误差。论文提取完全燃烧区质心和燃烧区质心之间的距离作为偏心距离,这样避免了基准点选择的困难,并将偏心距离作为判别火焰燃烧稳定性的特征参数。鉴于炉膛内部燃烧状况的复杂性,论文采用基于极限学习机的方法对锅炉进行燃烧稳定性判别。本文选取由火焰图像提取到的黑龙长度、燃烧面积、分形维数以及偏心距离作为特征指标,并提取这四个特征量在特定时间段内的均值、极大-小值和方差作为判别模型的输入向量。为了提高模型的识别率,采用布谷鸟算法对模型进行优化。通过实验验证,该方法对锅炉燃烧稳定性的判别具有较好的效果。
郭琦[9]（2019）在《基于视频信号的燃烧器入炉煤量实时测量》文中研究表明电站锅炉实时入炉煤量的测量一直是锅炉建模过程中最为关键的信息之一,然而现场实际的煤量信号测点一般位于磨煤机之前,磨煤机制粉时间的不确定性给实时入炉煤量的确定带来了困难。本文基于燃烧器喷口处拍摄的煤粉燃烧图像,利用深度学习相关技术提取了图像中的煤量特征区域,并在煤量特征区域与煤量信号之间建立联系,将煤量测点推迟到燃烧器喷口处,从而实现了基于视频信号的燃烧器入炉煤量实时测量。从现场获得的火焰图像较为复杂,图像中除了煤量特征区域和燃烧区域外,还有可能出现结焦、遮挡等情况,传统图像处理方法不能够有效解决此类问题。本文提出了一种基于卷积神经网络的火焰图像分割模型,该模型可以将火焰图像分成不同的部分,从而获得煤量特征区域。煤量特征区域包含两个最直观的特征:区域面积和煤粉浓度。本文首先给出基于边界跟踪法的区域面积度量方法,以及基于像素灰度值的煤粉浓度度量方法。在得到煤量特征区域的两个特征后,分析了影响煤量特征区域特征的两个主要因素:煤量和炉膛负压。通过理论分析和仿真结果可以发现:煤量特征区域面积随煤量信号的增加而增大,煤粉浓度随煤量信号的增加而增大;煤量特征区域面积随炉膛负压的增大而增大,煤粉浓度随炉膛负压增大而减小。因此,本文对煤量特征区域面积特征与浓度特征进行融合,从而得到了一个仅与煤量信号之间存在强相关关系,而与炉膛负压信号相关性较为微弱的特征参数。通过在不同工况下的检验,该参数在误差范围内能够较好的表征煤量信息,从而实现了基于视频信号的燃烧器入炉煤量实时测量。
田正林[10]（2019）在《基于图像处理的燃气火焰检测监测技术研究》文中进行了进一步梳理经济社会发展促使我国能源结构正在调整,燃气设备数量快速增加,对燃气设备的安全性检测提出了更高要求。传统的安全性检测主要使用红外或紫外探测器进行火焰检测,本文基于拍摄的火焰图像开发了一套适用于燃气火焰稳定性检测和温度测量的技术及设备。本文设计搭建了燃气火焰试验台及一套火检硬件系统,包括:燃烧器、燃烧室、视窗、光纤传像束、工业CCD相机和微型计算机。模拟不同燃烧工况下的火焰并拍摄火焰图像,进行稳定性分析和温度测量。对获取的图像选择了合适的图像处理算法进行处理并基于MATLAB编写了图像处理程序,包括色彩重建、平滑滤波和阈值分割等处理过程,最终得到了准确的目标火焰。此后对目标火焰定义并提取了火焰面积、火焰高度、边缘长度、火焰形心、亮度质心和平均灰度等六个特征量以表征火焰在形状、位置和亮度方面的状态,并分析了火焰各特征量随工况的变化关系。在提取的特征量的基础上,以支持向量机（SVM）的方法利用多种稳定类型的火焰特征量对分类器进行训练,并设计了用户图像界面。试验证明检测系统对测试火焰燃烧状态的分类正确率达99%以上。为使图像火焰检测监测系统能朝着市场应用方向发展,本文还基于MFC开发了燃气火焰检测软件。为能在优化燃烧等方面提供指导,本文对火焰进行了基于图像的温度场重建工作。依据辐射定律和黑体标定原理,重建了火焰二维温度场,通过比较,证明温度的测量具有相当的准确性。
二、炉膛火焰图像处理技术（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、炉膛火焰图像处理技术（论文提纲范文）
（1）垃圾焚烧机组燃烧状态监测与建模（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 第2章 垃圾焚烧机组工作原理 |
| 2.1 垃圾焚烧发电厂工作流程 |
| 2.2 焚烧炉排炉工作原理介绍 |
| 2.2.1 垃圾焚烧炉组成 |
| 2.2.2 垃圾焚烧过程 |
| 2.3 本章小结 |
| 第3章 垃圾焚烧过程机理建模 |
| 3.1 垃圾模块的组分变化 |
| 3.2 垃圾焚烧机理模型 |
| 3.2.1 垃圾模块的基本假设 |
| 3.2.2 垃圾模块一次风量计算 |
| 3.2.3 水分蒸发模型 |
| 3.2.4 挥发分析出与燃烧模型 |
| 3.2.5 碳燃烧模型 |
| 3.2.6 垃圾模块厚度模型 |
| 3.3 仿真分析 |
| 3.3.1 一次风扰动仿真实验 |
| 3.3.2 炉排速度扰动仿真实验 |
| 3.3.3 垃圾焚烧起燃界面仿真 |
| 3.4 本章小结 |
| 第4章 垃圾焚烧过程状态监测 |
| 4.1 垃圾焚烧火线位置监测 |
| 4.1.1 图像处理理论基础 |
| 4.1.2 火焰图像采集 |
| 4.1.3 基于火焰图像的燃烧火线的提取 |
| 4.1.4 典型垃圾燃烧状态及其火焰图像 |
| 4.2 垃圾料层厚度监测 |
| 4.3 垃圾热值监测 |
| 4.4 本章小结 |
| 第5章 垃圾焚烧过程优化控制 |
| 5.1 干燥Ⅰ段料层厚度调整 |
| 5.2 火线位置调整 |
| 5.2.1 燃烧Ⅰ段一次风量控制 |
| 5.2.2 焚烧炉排控制 |
| 5.3 垃圾燃烧热值校正 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）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 |
（3）基于图像处理的炉膛火焰监测系统研究和设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 火焰监测系统的研究现状与发展趋势 |
| 1.2.1 传统传感器火焰检测技术 |
| 1.2.2 数字图像火焰监测技术 |
| 1.3 研究设计理念 |
| 1.4 论文主要研究内容及章节安排 |
| 1.5 本章小结 |
| 第2章 图像采集监控系统总体设计 |
| 2.1 锅炉炉膛环境分析 |
| 2.1.1 炉膛火焰分析 |
| 2.1.2 图像采集监控系统必要性分析 |
| 2.2 图像采集监控系统设计 |
| 2.2.1 图像采集监控系统总体结构设计 |
| 2.2.2 图像采集监控系统中冷却子系统设计 |
| 2.2.3 图像采集监控系统中进给子系统设计 |
| 2.2.4 图像采集设备选型 |
| 2.3 图像采集控制系统 |
| 2.3.1 图像采集控制系统总体设计 |
| 2.3.2 图像采集控制系统控制流程和点数设计 |
| 2.3.3 图像采集系统安装设计 |
| 2.3.4 图像采集控制系统设备选型 |
| 2.3.5 主控制系统与图像采集系统通讯配置 |
| 2.4 本章小结 |
| 第3章 火焰图像复原处理 |
| 3.1 火焰视频图像分析 |
| 3.1.1 图像色彩空间分析 |
| 3.1.2 图像噪声源和噪声种类分析 |
| 3.1.3 图像质量评价标准 |
| 3.2 自适应预处理 |
| 3.2.1 火焰噪声图像分析 |
| 3.2.2 预处理必要性分析 |
| 3.2.3 自适应预处理方法综述 |
| 3.2.4 噪声图像自适应预处理 |
| 3.3 火焰图像滤波处理 |
| 3.3.1 滤波处理必要性分析 |
| 3.3.2 经典空域滤波算法 |
| 3.3.3 偏微分方程去噪 |
| 3.3.4 图像滤波处理总结 |
| 3.4 本章小结 |
| 第4章 火焰特征区域识别 |
| 4.1 火焰图像边缘检测 |
| 4.1.1 线段检测法 |
| 4.1.2 Roberts算子边缘检测法 |
| 4.1.3 Prewitt算子边缘检测法 |
| 4.1.4 Sobel算子边缘检测法 |
| 4.1.5 LOG算子边缘检测法 |
| 4.1.6 边缘检测函数检测法 |
| 4.2 图像特征区域分割 |
| 4.2.1 全局阈值分割 |
| 4.2.2 Otsu阈值分割 |
| 4.2.3 迭代阈值分割 |
| 4.2.4 边缘检测阈值分割法 |
| 4.3 图像特征区域锐化 |
| 4.4 本章小结 |
| 第5章 火焰燃烧状态判定与调节 |
| 5.1 火焰燃烧状态判定 |
| 5.1.1 火焰燃烧状态分类 |
| 5.1.2 火焰图像特征提取 |
| 5.1.3 特征量和火焰状态分析 |
| 5.1.4 特征量的确定 |
| 5.1.5 火焰燃烧状态的判定 |
| 5.2 火焰燃烧状态调节 |
| 5.2.1 组态通讯 |
| 5.2.2 控制系统设计 |
| 5.3 本章小结 |
| 结论与展望 |
| 主要研究成果与结论 |
| 课题展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文 |
（4）基于火焰光谱分析及图像处理的生物质燃烧监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 火焰燃烧检测技术 |
| 1.2.2 燃料识别技术 |
| 1.2.3 火焰稳定性分析 |
| 1.2.4 生物质燃烧状态监测 |
| 1.3 本文研究内容及方法 |
| 1.4 本文的章节结构 |
| 第2章 燃烧装置与实验方法 |
| 2.1 生物质燃料特性 |
| 2.1.1 生物质燃料分析 |
| 2.1.2 生物质燃烧方式 |
| 2.2 燃烧实验装置 |
| 2.3 燃烧实验方法 |
| 2.3.1 燃料准备 |
| 2.3.2 燃烧工况设计 |
| 2.3.3 燃烧数据采集 |
| 2.4 本章小结 |
| 第3章 基于光谱分析的生物质燃料识别与燃烧稳定性分析 |
| 3.1 生物质火焰的光谱特性分析 |
| 3.1.1 生物质火焰光谱的时域特性 |
| 3.1.2 生物质火焰光谱的频域特性 |
| 3.2 基于集成学习的生物质燃料识别 |
| 3.2.1 集成学习相关理论 |
| 3.2.2 SVM理论基础 |
| 3.2.3 决策树理论基础 |
| 3.2.4 基于集成学习的生物质燃料识别 |
| 3.3 基于光谱分析的生物质燃烧稳定性分析 |
| 3.3.1 单生物质燃烧稳定性分析 |
| 3.3.2 混合生物质燃烧稳定性分析 |
| 3.4 本章小结 |
| 第4章 基于火焰图像的燃料识别与稳定性监测 |
| 4.1 生物质燃烧火焰图像特性分析 |
| 4.1.1 生物质燃烧火焰特征参数 |
| 4.1.2 生物质燃烧火焰图像特性分析 |
| 4.2 基于深度卷积网络与火焰图像的生物质燃料识别 |
| 4.2.1 深度学习理论基础 |
| 4.2.2 基于深度卷积网络的生物质燃料识别 |
| 4.3 基于火焰图像的生物质燃烧稳定性分析 |
| 4.3.1 火焰稳定性指数 |
| 4.3.2 单生物质燃烧火焰稳定性监测 |
| 4.3.3 混合生物质燃烧火焰稳定性监测 |
| 4.4 本章小结 |
| 第5章 基于光谱分析与图像处理的生物质燃烧监测效果评价与策略优化 |
| 5.1 基于光谱分析与图像处理的生物质燃烧监测效果评价 |
| 5.1.1 基于光谱分析与图像处理的燃料识别效果评价 |
| 5.1.2 基于光谱分析与图像处理的稳定性监测评价 |
| 5.2 基于燃料识别与稳定性分析的生物质燃烧监测优化 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 攻读博士期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）基于层级火焰图像的燃烧稳定性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状况 |
| 1.2.1 炉膛燃烧监测及稳定性判别的研究现状 |
| 1.2.2 深度学习研究现状 |
| 1.2.3 迁移学习研究现状 |
| 1.3 论文主要研究内容和结构 |
| 1.4 本章小结 |
| 第2章 炉膛燃烧及迁移学习相关知识 |
| 2.1 锅炉相关知识介绍 |
| 2.1.1 锅炉结构与性能 |
| 2.1.2 煤粉气流着火过程 |
| 2.1.3 炉膛燃烧的可视化 |
| 2.2 深度学习与卷积神经网络 |
| 2.2.1 深度学习 |
| 2.2.2 卷积神经网络 |
| 2.2.3 CNN网络结构 |
| 2.2.4 CNN的分布式表示与特征的层次性 |
| 2.3 三种经典深度卷积神经网络模型 |
| 2.3.1 VGGNet |
| 2.3.2 ResNet |
| 2.3.3 DenseNet |
| 2.4 迁移学习理论介绍 |
| 2.4.1 迁移学习的定义 |
| 2.4.2 迁移学习的分类 |
| 2.4.3 迁移学习的优势 |
| 2.5 本章小结 |
| 第3章 基于迁移神经网络的燃烧稳定性判别建模 |
| 3.1 层级燃烧图像集的建立 |
| 3.1.1 层级燃烧的结构和特性 |
| 3.1.2 图像数据的收集 |
| 3.1.3 数据集的划分 |
| 3.2 数据预处理 |
| 3.2.1 图像灰度化 |
| 3.2.2 滤波 |
| 3.2.3 图像尺寸归一化 |
| 3.3 基于TSVD算法的深度卷积神经网络结构改进 |
| 3.3.1 截断奇异值分解算法 |
| 3.3.2 基于TSVD的卷积层结构改进 |
| 3.4 迁移神经网络的实现 |
| 3.4.1 目标域容量与迁移知识的相关度 |
| 3.4.2 迁移神经网络的特征学习 |
| 3.4.3 对目标域的分类识别 |
| 3.4.4 迁移学习过程 |
| 3.5 本章小结 |
| 第4章 迁移学习的燃烧稳定性判别实验分析 |
| 4.1 基于TSVD算法改进的深度学习燃烧稳定性判别实验 |
| 4.1.1 超参数的设置 |
| 4.1.2 三种模型的深度学习燃烧稳定性判别测试结果 |
| 4.1.3 三种TSVD改进模型的燃烧稳定性判别测试结果 |
| 4.2 基于TSVD算法改进的迁移学习燃烧稳定性判别实验 |
| 4.2.1 源域的选取 |
| 4.2.2 超参数的设置 |
| 4.2.3 基于TSVD改进模型的迁移神经网络识别结果 |
| 4.3 网络深度与迁移学习性能的关系分析实验 |
| 4.4 各层燃烧器的稳定性判断结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作的总结 |
| 5.2 未来的展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（6）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 |
（7）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 |
（8）基于炉膛火焰图像的锅炉燃烧稳定性判别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 第2章 锅炉火焰图像处理 |
| 2.1 煤粉燃烧过程 |
| 2.1.1 煤粉气流着火过程 |
| 2.1.2 煤粉与炉膛热流混合过程 |
| 2.2 数字图像处理技术 |
| 2.3 图像预处理 |
| 2.3.1 图像灰度化处理 |
| 2.3.2 图像滤波 |
| 2.3.3 对比度增强 |
| 2.4 本章小结 |
| 第3章 特征状态参数的选择与提取 |
| 3.1 火焰图像分析 |
| 3.2 黑龙状态检测 |
| 3.2.1 干扰区域剔除 |
| 3.2.2 黑龙特性分析 |
| 3.2.3 黑龙长度计算 |
| 3.3 燃烧区状态检测 |
| 3.3.1 燃烧区分形特征分析 |
| 3.3.2 燃烧区分形维数计算 |
| 3.4 偏心距离度量 |
| 3.5 本章小结 |
| 第4章 锅炉燃烧稳定性判别 |
| 4.1 极限学习机 |
| 4.2 ELM燃烧判别模型 |
| 4.2.1 输入向量提取 |
| 4.2.2 判别模型计算 |
| 4.3 CS-ELM燃烧判别模型 |
| 4.3.1 布谷鸟算法 |
| 4.3.2 布谷鸟优化ELM |
| 4.3.3 识别结果对比 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）基于视频信号的燃烧器入炉煤量实时测量（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 入炉煤量测量技术研究现状 |
| 1.2.1 基于对煤粉-空气混合物测量的入炉煤量监测技术 |
| 1.2.2 基于软测量的入炉煤量监测技术 |
| 1.3 主要工作内容 |
| 第2章 锅炉火焰燃烧图像特征区域选择 |
| 2.1 炉膛火焰图像特点分析 |
| 2.1.1 煤粉进入炉膛燃烧过程 |
| 2.1.2 煤粉燃烧图像特点 |
| 2.2 传统图像分割方法介绍 |
| 2.2.1 基于阈值的图像分割方法 |
| 2.2.2 基于区域的图像分割方法 |
| 2.2.3 基于边缘检测的图像分割方法 |
| 2.3 基于深度学习的图像分割方法介绍 |
| 2.3.1 卷积神经网络基础知识简介 |
| 2.3.2 图像金字塔模型 |
| 2.3.3 特征金字塔模型 |
| 2.3.4 空洞卷积模型 |
| 2.4 图像分割模型及数据集制作 |
| 2.4.1 图像分割模型 |
| 2.4.2 数据集制作 |
| 2.5 本章小结 |
| 第3章 煤量特征参数的选择及提取 |
| 3.1 影响燃烧图像煤量特征区域的因素分析 |
| 3.1.1 煤粉量对煤量特征区域的影响 |
| 3.1.2 炉膛负压对煤量特征区域的影响 |
| 3.1.3 炉膛温度对煤量特征区域的影响 |
| 3.2 煤量特征区域面积计算方法 |
| 3.3 煤量特征区域浓度计算方法 |
| 3.4 煤量特征区域面积因素与浓度因素的融合 |
| 3.5 本章小结 |
| 第4章 煤量特征参数有效性分析 |
| 4.1 现场工况选取 |
| 4.2 数据预处理 |
| 4.2.1 采样数据线性插值 |
| 4.2.2 火焰图像预处理 |
| 4.2.3 防脉冲滤波 |
| 4.2.4 特征参数多帧平均 |
| 4.3 相关性分析 |
| 4.3.1 特征参数与煤量信号相关性分析 |
| 4.3.2 特征参数与炉膛负压相关性分析 |
| 4.4 线性回归与误差分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（10）基于图像处理的燃气火焰检测监测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 火焰检测方法综述 |
| 1.3 火焰温度测量综述 |
| 1.3.1 接触式测温法 |
| 1.3.2 非接触式测温法 |
| 1.4 图像火检与测温研究现状 |
| 1.5 本文研究内容 |
| 第二章 试验系统及试验方法 |
| 2.1 试验系统设备 |
| 2.2 火焰检测试验方法 |
| 2.3 本章小结 |
| 第三章 燃气火焰图像处理算法研究 |
| 3.1 单通道火焰图像色彩重建算法研究 |
| 3.1.1 2 ×2 邻域内复制插值法 |
| 3.1.2 3 ×3 邻域内线性插值法 |
| 3.1.3 5 ×5 邻域内梯度插值法 |
| 3.1.4 色彩重建效果分析 |
| 3.2 火焰图像滤波算法研究 |
| 3.2.1 均值滤波法 |
| 3.2.2 中值滤波法 |
| 3.2.3 高斯滤波法 |
| 3.2.4 滤波效果分析 |
| 3.3 火焰图像分割算法研究 |
| 3.3.1 最大类间方差法 |
| 3.3.2 最大熵法 |
| 3.3.3 聚类分析法 |
| 3.3.4 图像分割效果分析 |
| 3.4 火焰特征量提取算法研究 |
| 3.4.1 火焰特征量定义 |
| 3.4.2 边缘检测算子 |
| 3.4.3 边缘检测效果分析 |
| 3.5 多类型火焰特征量分析研究 |
| 3.5.1 扩散火焰特征量分析 |
| 3.5.2 预混火焰特征量分析 |
| 3.6 本章小结 |
| 第四章 基于图像的火焰稳定性检测及软件系统开发 |
| 4.1 基于MATLAB平台的火焰稳定性检测程序设计 |
| 4.1.1 基于支持向量机(SVM)的火焰稳定性判断方法 |
| 4.1.2 MATLAB平台下SVM火焰稳定性判断的实现 |
| 4.2 基于MFC的火焰检测软件系统开发 |
| 4.2.1 软件开发背景 |
| 4.2.2 软件需求分析 |
| 4.2.3 软件功能结构 |
| 4.3 本章小结 |
| 第五章 基于图像的火焰温度测量研究 |
| 5.1 图像测温原理 |
| 5.1.1 相关热辐射理论 |
| 5.1.2 彩色CCD相机测温原理 |
| 5.1.3 单色法测温原理 |
| 5.1.4 比色法测温原理 |
| 5.1.5 修正比色法测温原理 |
| 5.2图像测温系统标定实验 |
| 5.2.1 温度标定实验步骤 |
| 5.2.2 温度标定拟合曲线 |
| 5.3 测温试验与结果分析 |
| 5.3.1 测温实验步骤 |
| 5.3.2 测温结果界面显示 |
| 5.3.3 测温误差分析 |
| 5.4 本章小结 |
| 第六章 全文总结及展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的学术成果 |
| 基金项目 |
四、炉膛火焰图像处理技术（论文参考文献）
- [1]垃圾焚烧机组燃烧状态监测与建模[D]. 张丽霞. 华北电力大学(北京), 2021(01)
- [2]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)
- [3]基于图像处理的炉膛火焰监测系统研究和设计[D]. 马明荣. 兰州理工大学, 2021(01)
- [4]基于火焰光谱分析及图像处理的生物质燃烧监测研究[D]. 葛红. 华北电力大学(北京), 2020(06)
- [5]基于层级火焰图像的燃烧稳定性研究[D]. 陈文秋. 华北电力大学(北京), 2020(06)
- [6]煤粉燃烧过程定量表征[D]. 刘闽建. 华北电力大学(北京), 2020(06)
- [7]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)
- [8]基于炉膛火焰图像的锅炉燃烧稳定性判别[D]. 艾徐华. 华北电力大学(北京), 2019(01)
- [9]基于视频信号的燃烧器入炉煤量实时测量[D]. 郭琦. 华北电力大学(北京), 2019(01)
- [10]基于图像处理的燃气火焰检测监测技术研究[D]. 田正林. 上海交通大学, 2019(06)