一种基于Parzen窗估计烧结温度鲁棒ELM检测方法.docVIP

一种基于Parzen窗估计的鲁棒ELM烧结温度检测方法 摘要 在回转窑燃煤火焰视频模糊且干扰较大的情况下,基于火焰辐射能量和燃烧稳定程度,提取多帧煤粉燃烧图像的统计特征进行烧结温度判断.为克服工业现场特征数据中的粗差干扰,将ELM与稳健估计理论相结合,用训练误差分布的Parzen窗非参数估计构造ELM权矩阵,对其输出层权值进行稳健最小二乘估计.基于上述火焰视频的统计特征,用该改进的鲁棒极限学习机（Robust-ELM）检测烧结带温度.实验结果表明,在视频图像模糊,不能用常规静态图像处理方法软测量烧结带温度时,本文方法可快速有效地检测窑内烧结温度,且检测系统不易受现场干扰,稳定性强. 关键词 煤粉燃烧,火焰图像,鲁棒极限学习机,烧结温度,Parzen窗估计 A Robust-ELM Approach Based on Parzen Windiow’s Estimation for Kiln Sintering Temperature Detection Abstract A new kiln sintering temperature detection method based on flame’s image statistical characters and Robust-ELM was developed in this paper. The flame’s oscillatory characteristics and quantity of radiant energy were computed from a period of fuzzy flame video as statistical features for kiln’s temperature measuring classifier. A new robust-ELM was employed in this paper to realize the sintering temperature’s measurement based on above flame’s features. The distribution of ELM’s training error was estimated by Parzen windows to make up the ELM’s weighted matrix to reduce the field data’s disturbance. Finally a series of tests was undertaken on an industrial-scale flame videos, which showed the methods in this paper could measure sintering temperature more accurately,?quickly and robustly. Key Words Pulverized coal combustion,flame image,robust-ELM,sintering temperature, parzen windows estimation 燃煤窑炉广泛应用于发电,冶金,水泥等工业生产的各个领域.该类窑炉生产的关键环节是煤粉燃烧过程的检测与控制,可直接影响产品质量,生产能耗和空气污染物的排放.随着工业现场火焰视频监控的广泛应用,基于窑炉内火焰图像的燃烧过程检测逐渐成为近年来国内外工业煤粉燃烧过程研究的热点,在火焰温度测量及多维温度场构建[1,2],锅炉燃烧工况的识别[3,4],燃烧废气中碳和NOx排放检测[5,6]等领域都取得了较好进展. 回转窑是一类典型的复杂工业燃煤窑炉.煤粉在缓慢转动的空腔窑体内燃烧,对生料(石灰、氧化铝、碳素等)进行烧结.与煤粉燃烧研究应用较多的电厂锅炉相比,回转窑内的煤粉与不同成分原料间的热物理和化学反应使其燃烧机理更复杂,且其生产过程粗放,因此烧结温度的检测一直是回转窑生产控制的关键和难点[7].首先由于受到旋转窑体结构的限制,回转窑火焰监控摄像机只能安装在窑头,因此无法像电厂锅炉一样进行多路监控,构建窑内多维温度场[2].另外,不同于电厂锅炉内的稳定火焰,回转窑内的火焰区距窑头的位置在不同工况下位置变动较大（一般在3m-15m之间变化）,从窑头摄取的火焰图像受到火焰位置的影响,检测温度会产生较大偏差[8].因此采用类似电厂锅炉基于火焰辐射原理[1-4]对窑内烧结带温度进行直接精确测量困难很大. 近年来利用回转窑烧结带图像的区域特征对窑内燃烧过程进行软测量的研究逐渐受到国内外学者的重视[9-15].文献[9]利用回转窑火焰区HIS数据计算其1到4阶的统计量作为图像特征,结合热工数据