一种循环流化床锅炉断煤检测装置及检测方法

摘要

本发明公开了一种循环流化床锅炉断煤检测装置及检测方法，包括与锅炉中各个电器件电连接的控制器、分别设于锅炉的m个煤仓下煤口处的m个摄像头、存储器、第一报警灯、第二报警灯、第三报警灯、报警喇叭、设于锅炉的煤仓下部内的向下喇叭状张开的接煤板、一端穿过设于煤仓侧壁的条形孔并与接煤板上端铰接的杠杆、用于封闭杠杆和条形孔之间的间隙的弹性密封套、与杠杆另一端连接的竖杆和设于竖杆上的重锤；本发明具有检测准确性高，有效避免误操作；可调性好，适用性好的特点。

主权项

一种循环流化床锅炉断煤检测装置的检测方法，循环流化床锅炉断煤检测装置包括与锅炉中各个电器件电连接的控制器(1)、分别设于锅炉的m个煤仓下煤口处的m个摄像头(30)、存储器(29)、第一报警灯(27)、第二报警灯(28)、第三报警灯(31)、报警喇叭(2)、设于锅炉的煤仓(25)下部内的向下喇叭状张开的接煤板(3)、一端穿过设于煤仓侧壁的条形孔(4)并与接煤板上端铰接的杠杆(5)、用于封闭杠杆和条形孔之间的间隙的弹性密封套(6)、与杠杆另一端连接的竖杆(26)和设于竖杆上的重锤(7)；杠杆通过铰接板(8)与煤仓侧壁相连接，靠近条形孔上边缘的煤仓侧壁上设有与杠杆配合的限位挡板(9)，靠近条形孔下边缘的煤仓侧壁上设有与杠杆配合的限位开关(10)；控制器分别与存储器、报警喇叭、第一报警灯、第二报警灯、第三报警灯、限位开关和各个摄像头电连接；其特征是，包括如下步骤：(1‑1)机械断煤检测：(1‑1‑1)控制器中预先设有安全时间阈值W；控制器得到限位开关检测的电信号，并计算杠杆持续压下限位开关的触头的时间T；当T＞W时，控制器做出当前处于第一预断煤状态的判断；当T≤W时，控制器做出当前为有煤状态的判断；(1‑1‑2)激活状态下进行第一预断煤控制：当控制器做出锅炉由第一预断煤状态转为有煤状态的判断，则检测装置进入激活状态；在激活状态下，当T＞W时，控制器控制第一报警灯闪烁；在激活状态下，当T≤W时，控制器控制第一报警灯停止闪烁；(1‑2)图像断煤检测：(1‑2‑1)m个摄像头分别拍摄下煤口处煤流动的图像，控制器将各个图像存储到存储器中并对图像进行如下处理：控制器利用脉冲响应函数y_ij＝med(x_i+r，j+s(r，s)∈A)对图像信号f(x，y)进行滤波；其中，A为滤波器窗口，其尺寸为N＝(2k+1)×(2k+1)；{x_ij}为图像数集，med为中值函数，(r，s)为坐标，x_i+r，j+s为滤波窗口A中像素点对应的灰度值；(1‑2‑2)设置运动检测区域参数：控制器将A设置为1‑99个矩形检测区域，设定运动检测的帧间隔为B；(1‑2‑3)运动功能检测：控制器设定每个检测区域中的每个宏块内每个象素点为(x，y)，差值阈值为Ta；所述象素点T时刻与T‑n时刻亮度Y的差值为M_x，y(T)＝|Y_x，y(T)‑Y_x，y(T‑n)|；当||Y_x，y(T)‑Y_x，y(T‑n)||≥Ta，则设定L＝0；否则，设定L＝1；控制器利用公式IM_sum＝∑L计算并得到宏块差分系数IM_sum；控制器计算每个检测区域中各个宏块差分系数IM_sum之和，得到每个检测区域的差分系数值，并进一步计算得到滤波器窗口A的差分系数A_sum；(1‑2‑4)控制器每间隔B帧利用步骤(1‑1‑3)对当前图像进行检测；当任一个摄像头的图像的A_sum≤阈值，则控制器控制第二报警灯闪烁；当所有摄像头的图像的A_sum＞阈值，则控制器控制第二报警灯停止闪烁；(1‑3)软件断煤检测：(1‑3‑1)存储器中设有具有11个输入节点X＝[X1，...，X11]、单隐藏层为9个节点Y＝[Y1，...，Y9]、1个输出节点Z的BP神经网络模型，其中，存储器中存储有q条学习样本，网络性能目标误差SSE≤0.00001，训练步数至少为d步；(1‑3‑2)初始化BP神经网络模型：(1‑3‑2‑1)权重与阀值初始化：控制器利用Gauss随机函数产生满足正态分布、均值为0、方差为1并且取值范围在区间[0，1]中的随机数初始化权重W_ij、阀值θ和θ_j，i＝1，…，11；j＝1，..，9；设定网络性能误差为ε；(1‑3‑2‑2)变量归一化：控制器中设有与11个输入节点X1，...，X11中分别对应的11组X_Max和X_Min，控制器利用公式X′＝(X‑X_Min)/(X_Max‑X_Min)分别计算q条学习样本的X1，...，X11的归一化值X′₁，X′₂，...，X′₁₁；控制器中设有与输出接点Z相对应的Z_max和Z_min，控制器利用公式Z′＝(Z‑Z_Min)/(Z_Max‑Z_Min)计算q条学习样本的Z的归一化值Z′；得到经过归一化的s组学习样本；(1‑3‑3)训练BP神经网络模型：(1‑3‑3‑1)控制器向BP神经网络模型中输入第s组学习样本，s初始值为1，设定第s组样本的目标输出值为Z′；利用公式计算隐藏层神经元输出；利用公式计算输出层神经元实际输出Z_r；其中，函数利用公式计算单个样本偏差E_s；(1‑3‑3‑2)从输出层开始逐层反向调整权重和阀值：控制器使输出层的权重W_j增加0.6×δ×Y_j+0.45×ΔW_j，ΔW_j为前次调整增加的权重，ΔW_o＝0；其中，输出层误差δ＝(Z′‑Z_r)×Z_r×(1‑Z_r)，控制器使隐藏层的权重增加0.6×δ_j×X_i+0.45×ΔW_ij；其中，δ_j＝Y_j×(1‑Yj)×(δ_j×W_j)；(1‑3‑3‑3)当s＜q，使s值增加1，返回步骤(1‑3‑3‑1)；否则转入步骤(1‑3‑3‑4)；(1‑3‑3‑4)利用公式计算总误差E_t，其中p为样本序号；当E_t≤ε或学习步数小于d，训练结束，得到训练好的BP神经网络模型；否则转入步骤(1‑3‑3‑1)；(1‑3‑4)控制器实时采集主汽流量、给水流量、给煤量、床温、炉膛负压、一次风压、一次风机电流、二次风压、二次风机电流、引风机电流和排烟温度11个工艺参数，利用步骤(1‑2‑2‑2)对11个工艺参数进行归一化处理，并将各个经过归一化处理的工艺参数送入训练好的BP神经网络模型的11个输入节点中，得到模型输出值Z_r，再利用公式V＝Z_r×(Z_Max‑Z_Min)+Z_Min反归一化得到实时氧含量V，控制器计算其中V₁为存储器中设定的与当前主汽流量相关的目标氧含量；(1‑3‑5)当持续时间超过T₁秒，则控制器控制第三报警灯闪烁；当持续时间超过T₂秒，则控制器控制第三报警灯停止闪烁；(1‑4)当第一、第二、第三报警灯全部闪烁或任意两个闪烁，控制器做出断煤判断，并控制报警喇叭报警。