基于图像和自编码生成网络的锅炉高温氧浓度预测方法

技术领域

本发明属于工业过程中锅炉高温氧浓度预测技术领域，具体涉及基于图像和自编码生成网络的锅炉高温氧浓度预测方法。

背景技术

在锅炉燃烧系统中，一般通过测量燃料的对热转换效率来确定燃烧效率。为了降低运行成本，满足环境法规的要求，应将燃烧效率和排放量控制在适当的水平。通常可以通过气体分析仪来测量氧气和各种氮氧化物的含量，但是存在时间滞后性。实际生产过程中，部分变量无法通过传感器进行测量。对于复杂的化工生产过程，使用机理建模是十分困难的。

目前数据驱动的建模方法因实现简单、准确率高等特点在化工生产过程中被广泛应用并取得了不错的效果。通过历史的输入和输出提取数据中辅助变量和关键变量之间的关系，实现了模型的预测准确率较大提升。在锅炉高温氧浓度预测领域，在线测量的锅炉高温氧浓度火焰图像可以及时的反应燃料的燃烧状态。基于图像和深度学习的锅炉高温氧浓度预测方法可以作为纯仪器测量的有效替代方案。

锅炉燃烧过程变量可能存在数据采集传感器类型多、数据冗余严重的问题，高维的图像包含丰富的信息，不仅对人工观察更加直观，而且能够减少数据采集传感的类型。随着摄像机硬件的提升，图像的特征维度通常能达到百万以上。例如一张像素1000×1000的图像的特征维度为106，普通的神经网络对于如此高维度的特征存在特征提取困难和计算量大等问题。在采集数字图像的过程中难免会发生震动和平移，导致数字图像发生扭曲、缩放、平移等现象，影响模型的预测结果。同时，因图像数据采集成本高、周期长等原因，不能采集到足够数据量的锅炉高温氧浓度火焰图像，数据量的限制会进一步影响预测的结果。

因此，结合锅炉燃烧图像，提出了一种条件变分自编码器生成对抗网络的数据驱动模型，在原始锅炉高温氧浓度图像较少的情况下，通过图像增强和分析提升模型的预测准确度。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种条件变分自编码器生成对抗网络的数据驱动模型，充分利用变分自编码器和生成对抗网络的优势，实现了模型的高效预测，在原始锅炉高温氧浓度图像较少的情况下，通过图像增强和分析提升模型的预测准确度。

本发明提供如下技术方案：基于图像和自编码生成网络的锅炉高温氧浓度预测方法，其特征在于：包括以下步骤:

步骤1、获取熔炉火焰图像数据集；

步骤2、熔炉火焰图像预处理及数据集划分,包括以下步骤:

步骤2.1、为了加快模型的训练速度，对图像数据进行最大最小归一化处理；

步骤2.2、将归一化后得到的数据集分为训练集和测试集，并将未分离部分数据作为验证集，使得训练集的数据更加充分；

步骤3、建立生成对抗网络模型并训练：建立条件变分自编码器生成对抗网络，将熔炉火焰图像作为训练数据对生成对抗网络进行训练；

步骤4、构建新训练集并建立软测量模型：将生成数据与原始训练数据组成新的训练集，与卷积神经网络建立有监督学习模型进行预测评估，验证条件自编码器生成对抗网络的预测性能。

所述的基于图像和自编码生成网络的锅炉高温氧浓度预测方法，其特征在于所述步骤1中，使用电荷耦合元件摄像机从熔炉中采集火焰图像，为保持火焰图像的质量，摄像机带有冷却设备，防止温度过高；且摄像机的正面设有一组光学滤镜，保障火焰图像的色彩饱和度。

所述的基于图像和自编码生成网络的锅炉高温氧浓度预测方法，其特征在于所述步骤2.1中，归一化处理的具体公式如下所示:

其中：x'表示归一化后得到的图像样本数据；

x表示通过摄像机采集到的原始图像，

x

x

所述的基于图像和自编码生成网络的锅炉高温氧浓度预测方法，其特征在于所述步骤3中，引入条件变量，将条件变分自编码器和生成对抗网络结合，使用条件变分自编码器中的编码器将真实数据编码为潜在向量，此时生成对抗网络中的生成器将生成图像并使原始图像的特征与给定的潜在向量匹配。

所述的基于图像和自编码生成网络的锅炉高温氧浓度预测方法，其特征在于所述条件变分自编码器生成对抗网络的损失函数为三个部分，定义如下：

L(Con-GAN)＝log(D(x|y))+log(1-D(G(z|y)))+log(1-D(G(E(x|y))))

其中：y表示条件变量；

KL(q(z

L(Con-GAN)表示生成对抗网络目标函数的条件化改进。

所述的基于图像和自编码生成网络的锅炉高温氧浓度预测方法，其特征在于所述步骤4中，采用错误率和相对提高率作为评价指标进行预测评估。

通过采用上述技术，与现有技术相比，本发明的有益效果如下：

本发明利用条件自编码器生成对抗网络生成图像数据，组合了生成对抗网络作为高质量生成模型的优势和变分自编码器作为产生潜在空间的数据编码器的优势。加入条件变量不仅引导模型的训练方向而且提高多类别问题下的生成效率。在原始训练图像较少的情况下生成与原始图像分布相同的数据。通过将原始图像与生成图像组成新的训练数据，来提升锅炉高温氧浓度的预测性能。

附图说明

图1为本发明预测方法的流程示意图；

图2为原始图像与本发明预测方法生成图像的对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

请参阅图1-2，基于图像和自编码生成网络的锅炉高温氧浓度预测方法，包括以下步骤：

其中，训练集为3300张图片，测试集为2500张图片。3300张图片相对于高维度的图片数据来说，属于少量标签数据。由于模型预测时，超参数为固定值，故未分离部分数据作为验证集，使得训练集的数据更加充分。

步骤1、获取熔炉火焰图像数据集：

使用电荷耦合元件摄像机从熔炉中采集火焰图像，每个火焰图像的像素为658×492。为了保持火焰图像的质量，摄像机带有冷却设备，防止温度过高，并且相机的正面有一组光学滤镜，保障火焰图像的色彩饱和度。

步骤2、熔炉火焰图像预处理及数据集划分：

步骤2.1：为了加快模型的训练速度，对图像数据进行最大最小归一化处理，具体公式如下所示:

其中：x'表示归一化后得到的图像样本数据；

x表示通过摄像机采集到的原始图像，

x

x

步骤2.2：将归一化后得到的数据集分为训练集和测试集，并将未分离部分数据作为验证集，使得训练集的数据更加充分。

步骤3、建立条件变分自编码器生成对抗网络：

变分自编码器(VAE)主要包括两部分，一部分为编码器，另一部分为解码器。编码器的主要作用是将图像数据映射为潜在向量，解码器的主要作用是将潜在向量重新构成图像数据。变分自编码器生成对抗网络不仅包括变分自编码器还包括一个生成对抗网络。其中生成对抗网络又由两部分组成，一部分为生成器，另一部分为判别器。生成器的主要作用是将高斯噪声分布映射为图像数据，也是生成对抗网络生成虚拟数据的部分。判别器的主要作用是区分虚拟数据和真实数据。生成器与判别器的相互对抗，使得模型的学习能力越来越强。

原始的生成对抗网络通过将高斯分布噪声映射为生成数据，但是高斯噪声分布单一将导致原始样本数据中多样性的特征难以表达，引发模型训练困难和生成器生成图像特征单一等问题。变分自编码器具有将原始数据映射到潜在向量，并将潜在向量解码到原始分布的能力。为了充分利用变分自编码器和生成对抗网络的优势，将变分自编码器和生成对抗网络结合，使用变分自编码器中的编码器将真实数据编码为潜在向量，此时生成对抗网络中的生成器将生成图像并使原始图像的特征与给定的潜在向量匹配。通过这种方式，明确地建立了潜在空间和真实图像空间之间的关系，它结合了生成对抗网络作为高质量生成模型的优势和变分自编码器作为产生潜在空间的数据编码器的方法，组合模型能够更好地刻画样本的多样性特征。

变分自编码器通过重建误差直接计算图片之间的差距是一种较差的方法，重建误差只考虑了图片间像素的差异，而像素的差异无法代表视觉的差异。采用生成对抗网络中的判别器表达的重构误差来代替变分自编码器的重建误差项。以D

式中：x表示真实数据；

z

E表示期望；

p()表示解码器的函数表达；

q()表示编码器的函数表达。

变分自编码器生成对抗网络的损失函数分为三个部分，公式表达如下：

L(GAN)＝log(D(x))+log(1-D(G(z)))+log(1-D(G(E(x))))

式中：KL()表示KL散度，衡量两分布之间的差距，计算重构时丢失的信息量；

D

E()表示编码器的函数表达；

G()表示生成器的函数表达；

D()表示判别器的函数表达；

KL(q(z

L(GAN)为生成对抗网络的目标函数。

变分编码器生成对抗网络是采用无监督的方式训练模型，此时无法生成指定类别的数据，但在化工过程场景中，常常需要生成指定类别下的数据。如果仅使用变分自编码器生成对抗网络将只能随机生成无标签样本数据，无法用于有监督的软测量模型中。因此需要对变分自编码器生成对抗网络进行条件化改进，结合条件生成对抗网络，提出条件变分自编码器生成对抗网络(Con-VAEGAN)。解决了无监督训练形式的生成对抗网络需逐类别进行训练学习的问题，并提高生成相对应类别数据的效率，避免逐类进行训练学习。

条件变分自编码器生成对抗网络的损失函数与变分自编码器生成对抗网络相同，都为三个部分，定义如下：

L(Con-GAN)＝log(D(x|y))+log(1-D(G(z|y)))+log(1-D(G(E(x|y))))

其中：y表示条件变量；

KL(q(z

L(Con-GAN)表示生成对抗网络目标函数的条件化改进。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

步骤4、构建新训练集并建立软测量模型：

将生成数据与原始训练数据组成新的训练集，与卷积神经网络建立有监督学习模型进行预测评估，采用错误率和相对提高率作为评价指标，验证条件自编码器生成对抗网络的预测性能。

化工过程图像预测结果：

分别在生成数据量在0、1100、2200、3300等四种情况下进行实验，预测11种类别的氧浓度。在生成数据量为0时表明实验未采用本方法，其它三种情况表明实验采用本方法。预测结果如表1所示，在加入生成数据为2200时，错误率为6.28％，相对提高率达到了19.49％，对于氧浓度的预测结果更准确，说明了本方法可以提升卷积神经网络的预测性能。

原始图像和条件变分自编码器生成对抗网络的生成图像展示在图2中，从图中可以看出生成图像包含了大量原始图像的特征，说明了条件变分自编码器生成对抗网络可以很好的捕捉原始图像的分布，并生成多样性的图像。可以一次性生成相对应类别的数据，避免了多分类问题多次训练模型的问题，提高了生成数据的效率。

本发明方法利用条件自编码器生成对抗网络生成高质量的生成数据，能够在多种生成数据下提高软测量模型的预测性能。

表1

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。