燃烧排放监测对于优化燃烧质量、提高燃烧效率具有重要意义。为了实现燃烧NO_(x)排放的精确预测,本研究提出了一种基于火焰图像的半监督学习模型。在该模型中,火焰图像的深层特征首先由卷积自编码(Convolutional Autoencoder,CAE)提取,...燃烧排放监测对于优化燃烧质量、提高燃烧效率具有重要意义。为了实现燃烧NO_(x)排放的精确预测,本研究提出了一种基于火焰图像的半监督学习模型。在该模型中,火焰图像的深层特征首先由卷积自编码(Convolutional Autoencoder,CAE)提取,然后送至高斯过程回归(Gaussian Process Regression,GPR)进行分析,得到燃烧NO_(x)浓度。在重油燃烧炉膛上开展实验研究,利用不同工况下的火焰图像测试CAE-GPR性能。结果证实,CAE可以自动提取火焰图像的关键信息,GPR能够提供NO_(x)点预测及置信区间。展开更多
文摘燃烧排放监测对于优化燃烧质量、提高燃烧效率具有重要意义。为了实现燃烧NO_(x)排放的精确预测,本研究提出了一种基于火焰图像的半监督学习模型。在该模型中,火焰图像的深层特征首先由卷积自编码(Convolutional Autoencoder,CAE)提取,然后送至高斯过程回归(Gaussian Process Regression,GPR)进行分析,得到燃烧NO_(x)浓度。在重油燃烧炉膛上开展实验研究,利用不同工况下的火焰图像测试CAE-GPR性能。结果证实,CAE可以自动提取火焰图像的关键信息,GPR能够提供NO_(x)点预测及置信区间。
