燃煤窑炉工况识别中的关键技术及其并行实现方法研究

冶金，水泥，发电等工业生产中的各类窑炉每年消耗了大量煤炭资源。煤粉燃烧过程的检测与优化控制对于炉窑高效生产、减少废气排放，提升空气质量具有重要促进意义。 课题组经过4年研究实践，以粉煤灰提取氧化铝回转窑为具体应用对象，针对其生产过程工况识别与控制中的关键技术问题展开研究，就燃烧工况匹配识别中的火焰图像增强去噪，燃煤视频特征特征提取、基于图像与数据融合的稳健工况识别算法等关键问题上取得了诸多理论成果，并将理论成果成功应用到中国大唐内蒙古再生资源分公司的粉煤灰提取氧化铝回转窑生产现场。首先、为解决燃煤图像受现场粉尘干扰严重问题，基于大气散射物理模型和暗原色先验原理，提出结合双区域滤波，联合LLSURE滤波器与图像融合的单幅图像高效去雾算法，应用于火焰图像去粉尘增强，同时构造了低相干性学习字典进行稀疏表示图像去噪，为工业现场火焰视频实时并行去雾增强奠定了基础。其次、煤粉区（燃烧前端煤粉和空气的混合区域）长度和形状变化中具有丰富的工况感知信息，据此提出基于自适应光照补偿和模糊增强的煤粉区分割方法，有效克服了窑内火焰图像的光照不均和图像模糊问题，可快速完整分割模糊图像中的黑把子区域，具有较强的鲁棒性，为燃烧工况景象匹配提供了可靠方法。 第三、针对工况识别中普遍存在的火焰视频模糊，稳健性不强问题，利用多帧火焰信息统计进行工况特征提取，提出烧结带火焰的燃烧稳定程度概念，发现火焰波动与烧结工况变化间的关联关系，构造了平均丰度，短时能量和样本熵等多个衡量稳定程度的动态特征，结合窑前热工数据进行工况识别，取得较好的现场应用效果。第四、为提高工况检测系统的鲁棒性，提出基于鲁棒极限学习机的稳健工况分类方法。分别利用训练误差分布的Parzen窗非参数估计构造ELM权矩阵和基于M估计的加权最小二乘训练方法，有效提高了工况识别系统的整体稳健性。最后，分别建立了基于CUDA平台和Zynq-7000嵌入式系统的燃煤火焰视频并行处理实验平台，将部分研究成果进行了硬件固化。开发了一套能够实时辨识燃煤窑炉过程工况的融合检测与专家控制系统，在大唐内蒙古再生资源开发有限公司氧化铝厂烧成车间的回转窑生产现场进行了投行实验，该系统大幅增强了窑运行稳定性、提升了熟料产量和熟料质量，表明课题研究为实现稳定高效的窑炉过程控制具有重要理论价值和社会经济效益。

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,实现该类复杂系统的优化控制首先需解决生产中各类复杂工况的识别问题。课题以工业氧化铝回转窑为具体对象，就其工况识别过程中的关键技术和并行实现问题展开研究。以窑前火焰纹理特征和熟料粒度特征提取为基础，提出一种基于CUDA环境下的燃烧工况景象匹配识别方法。利用窑前热工数据的动态趋势特征构造观测序列，研究建立一套多层HMM工况识别模型，将多工况分类建立在一个多层HMM模型中进行学习，并基于有向图理论简化模型结构，实现MPI环境下的并行优化计算，从而建立一套能够实时辨识燃煤窑炉过程工况的融合检测系统。该工况识别系统的研究对于优化窑前控制参数、提高煤粉燃烧检测和控制的实时性和鲁棒性，实现稳定高效的窑炉过程控制具有重要意义,同时也可为其它类似复杂工业过程的检测和控制提供宝贵的借鉴。

《产品设计中的成本工程及其关键技术研究》是2003年赵亮编写的论文，由潘双夏、冯培恩指导。

副题名

外文题名

Research on key technical problems of cost engineering faced on product design

论文作者

赵亮著

导师

潘双夏,冯培恩指导

学科专业

机械设计与理论

学位级别

d 2003n

学位授予单位

浙江大学

学位授予时间

2003

关键词

产品设计 机械设计 产品成本设计 成本工程

馆藏号

TH122

唯一标识符

108.ndlc.2.1100009031010001/T3F24.002635891

馆藏目录

2004\TH122\26 2100433B

本项目研究面向并行工程的产品建模方法，包括研究集成的产品多领域模型，能够同时支持特征设计和特征识别的库特征表示，能够并行建立产品多领域模型的混合特征建模方法，产品多领域模型的有效性和一致性维护方法等。本项研究对显著提高现有产品建模技术的功能使其能够有效地支持并行工程具有重要意义，对在我国顺利实施并行工程将起到积极作用。 2100433B

随着人类社会的视频数据量爆炸性增长, 目前针对海量视频数据的人脸识别存在效率低和准确率低等问题, 并行计算是海量视频数据中高效进行人脸识别处理的可选途径之一. 本项目面向海量视频数据中人脸分析与识别全过程的并行化实现, 研究人脸目标检测和跟踪、基于稀疏表示的人脸特征提取与识别算法, 以显著提高海量视频数据中的人脸识别效率. 研究内容为面向海量视频数据的: (1)基于小容量字典学习的人脸分类算法及其并行计算; (2)基于流形的视频人脸描述模型建立; (3)人脸目标检测的并行AdaBoost算法; (4)基于MeanShift算法和Kalman滤波器的人脸目标跟踪算法; (5)基于异构体系架构下的并行分块PCA人脸特征提取算法. 本项目的研究将不仅为人脸识别算法的设计提供新的思路, 而且为人脸识别并行应用效率的提高和为大规模人群背景下的人脸分析与识别的实际应用奠定基础.