| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第17-26页 |
| 1.1 选题背景及意义 | 第17-18页 |
| 1.1.1 课题研究背景 | 第17页 |
| 1.1.2 燃煤烧结工况检测的工艺背景 | 第17-18页 |
| 1.2 炉窑燃煤过程工况图像检测的研究进展 | 第18-22页 |
| 1.2.1 工业锅炉燃煤图像检测研究 | 第19-20页 |
| 1.2.2 回转窑燃煤工况图像检测方法 | 第20-21页 |
| 1.2.3 回转窑工况检测的其他方法 | 第21-22页 |
| 1.3 现有研究工作的问题与挑战 | 第22-23页 |
| 1.4 本文的研究内容与结构安排 | 第23-26页 |
| 第2章 窑内燃煤火焰分析与工况视觉识别基础 | 第26-48页 |
| 2.1 回转窑烧结工艺概述 | 第26-28页 |
| 2.2 窑内燃煤火焰形成与视觉特点 | 第28-31页 |
| 2.2.1 窑内燃煤火焰形成 | 第28-29页 |
| 2.2.2 窑内火焰视觉特点分析 | 第29-30页 |
| 2.2.3 窑内物料烧结运动与视觉特点分析 | 第30-31页 |
| 2.3 现场火焰图像的理解 | 第31-33页 |
| 2.3.1 火焰图像各区域组成 | 第31-32页 |
| 2.3.2 燃煤火焰图像各区域与工况的关系 | 第32页 |
| 2.3.3 模糊与受干扰火焰图像 | 第32-33页 |
| 2.4 回转窑工况视觉检测流程 | 第33-34页 |
| 2.5 燃煤火焰图像处理方法 | 第34-40页 |
| 2.5.1 预处理 | 第34-36页 |
| 2.5.2 分割 | 第36-40页 |
| 2.5.3 后处理 | 第40页 |
| 2.6 视觉特征提取 | 第40-43页 |
| 2.6.1 颜色(灰度)统计特征 | 第41页 |
| 2.6.2 形状特征 | 第41-42页 |
| 2.6.3 纹理特征 | 第42-43页 |
| 2.7 回转窑工况识别方法 | 第43-47页 |
| 2.7.1 决策树算法 | 第43-44页 |
| 2.7.2 支持向量机 | 第44页 |
| 2.7.3 神经网络 | 第44-45页 |
| 2.7.4 极限学习机 | 第45-47页 |
| 2.8 本章小结 | 第47-48页 |
| 第3章 燃煤混合区分割及温度工况判定 | 第48-62页 |
| 3.1 引言 | 第48-49页 |
| 3.2 图像亮度补偿 | 第49-53页 |
| 3.2.1 基于同态滤波的亮度补偿 | 第50-51页 |
| 3.2.2 基于Retinex算法的亮度补偿 | 第51-53页 |
| 3.3 一种基于局部灰度均值的火焰图像亮度补偿 | 第53-54页 |
| 3.4 自适应模糊增强 | 第54-58页 |
| 3.4.1 模糊增强 | 第55-56页 |
| 3.4.2 基于水平补偿的自适应阈值选取 | 第56-58页 |
| 3.5 煤粉区分割 | 第58-60页 |
| 3.6 形态特征提取 | 第60-61页 |
| 3.7 基于煤粉区形态特征的温度工况判定 | 第61页 |
| 3.8 本章小结 | 第61-62页 |
| 第4章 基于火焰区动态特征的温度工况判定 | 第62-74页 |
| 4.1 引言 | 第62-63页 |
| 4.2 火焰区预处理、分割和静态特征提取 | 第63-65页 |
| 4.3 基于燃烧稳定程度的动态特征判据 | 第65-73页 |
| 4.3.1 短时能量 | 第66-68页 |
| 4.3.2 时间序列的熵 | 第68-73页 |
| 4.4 基于燃煤火焰动态特征的燃烧温度工况判定 | 第73页 |
| 4.5 本章小结 | 第73-74页 |
| 第5章 基于物料区运动特征的烧结状态识别 | 第74-85页 |
| 5.1 引言 | 第74页 |
| 5.2 物料区的运动特点 | 第74-76页 |
| 5.3 物料区预处理与分割 | 第76-79页 |
| 5.3.1 图像预处理 | 第76-78页 |
| 5.3.2 物料区分割和后处理 | 第78-79页 |
| 5.4 物料区形态特征的提取 | 第79-80页 |
| 5.5 物料区动态形态特征分析 | 第80-82页 |
| 5.6 基于物料区运动特征的熟料烧结工况判定 | 第82-84页 |
| 5.6.1 物料区动态特征的短时能量 | 第82-83页 |
| 5.6.2 物料区动态特征的样本熵 | 第83-84页 |
| 5.7 本章小结 | 第84-85页 |
| 第6章 基于鲁棒极限学习机的回转窑工况识别 | 第85-99页 |
| 6.1 引言 | 第85-86页 |
| 6.2 稳健最小二乘估计理论 | 第86-90页 |
| 6.2.1 基本最小二乘估计的稳健性讨论 | 第86页 |
| 6.2.2 复共线性条件下的稳健LS估计 | 第86-87页 |
| 6.2.3 粗差条件下的稳健LS估计 | 第87-90页 |
| 6.3 极限学习机中的鲁棒性讨论 | 第90-92页 |
| 6.3.1 极限学习机 | 第90页 |
| 6.3.2 极限学习机的稳健性讨论 | 第90-92页 |
| 6.4 基于Parzen窗的鲁棒极限学习机 | 第92-95页 |
| 6.4.1 输出层权值的鲁棒辨识 | 第92页 |
| 6.4.2 残差分布的Parzen窗估计 | 第92-93页 |
| 6.4.3 基于Parzen窗的鲁棒极限学习机构造 | 第93-94页 |
| 6.4.4 仿真实验分析 | 第94-95页 |
| 6.5 基于鲁棒极限学习机的回转窑温度工况识别 | 第95-98页 |
| 6.5.1 温度工况识别实验结果 | 第95-97页 |
| 6.5.2 Parzen-ELM的参数选择 | 第97-98页 |
| 6.6 本章小结 | 第98-99页 |
| 第7章 基于燃煤火焰图像的窑内工况稳健检测方法 | 第99-108页 |
| 7.0 引言 | 第99页 |
| 7.1 基于火焰图像的工况分层感知框架 | 第99-101页 |
| 7.1.1 人工看火的视觉感知过程 | 第99-100页 |
| 7.1.2 工况分层感知框架描述 | 第100-101页 |
| 7.2 底层火焰图像采集系统 | 第101-102页 |
| 7.3 火焰图像的特征提取 | 第102页 |
| 7.4 基于鲁棒ELM的初级工况识别实验 | 第102-103页 |
| 7.5 基于最小风险贝叶斯的工况融合终级决策 | 第103-105页 |
| 7.5.1 工况识别中的风险问题 | 第103页 |
| 7.5.2 最小风险贝叶斯决策 | 第103-105页 |
| 7.6 本文工况检测方法在窑前专家控制中的应用 | 第105-107页 |
| 7.6.1 回转窑专家控制系统 | 第105-106页 |
| 7.6.2 工业现场应用效果 | 第106-107页 |
| 7.7 本章小结 | 第107-108页 |
| 结论 | 第108-110页 |
| 参考文献 | 第110-120页 |
| 致谢 | 第120-121页 |
| 附录A 攻读学位期间发表的学术论文目录 | 第121-122页 |
| 附录B 攻读学位期间主持或参研的项目目录 | 第122-123页 |
| 附录C 专利和软件著作权 | 第123页 |