基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型

刘仲博

(宁夏职业技术学院，宁夏 银川 750022)

0 引 言

受到我国能源结构的影响以及火力发电技术的发展，煤炭广泛应用于火力发电中。煤炭在使用过程中由于燃烧不充分会产生粉体污染物，该污染物排放在一定时期内存在监管不到位的现象，产生了严重的环境问题[1]。同时，由于粉煤灰具有特殊的物理化学性质，可以广泛应用于工业和农业生产中，因此开展粉煤灰的回收再利用具有一定的环境意义和经济价值。粉煤灰中未燃烧完全的有机物影响粉煤灰的物理化学性能，如含量过高就会导致具有较强的吸水性，强度不够大，烧失量衡量粉煤灰中未进行充分燃烧的有机物含量，用来表征煤炭的燃烧效率，在进行粉煤灰重复利用之前需要对烧失量进行检测。检测的步骤一般包括人工取样、灼烧和称重几个部分，受到现场工期以及检测成本的限制，检测的样本数量常常不能满足现场要求。利用图像识别开展粉煤灰烧失量研究，能够缩短检测周期，降低检测成本，对粉煤灰烧失量的预测具有重要意义。近年来机器学习技术不断发展，广泛应用于工程与科学研究方面[2]。周波等[3]在实验基础上建立了遗传算法优化的BP神经网络抗压强度预测模型，预测了高强高掺粉煤灰实现高强度目标的实验条件。李章建等[4]建立了BP神经元网络预测模型对偏高岭土高性能混凝土的抗压强度进行了预测，并与多元线性回归模型预测结果进行了对比，研究认为BP神经网络的预测精度高，结果可靠。……