一、引言
　　
　　鍋爐燃燒的基本要求在于建立和保持穩定的燃燒火焰，其穩定性直接影響到生產的安全，電站鍋爐燃燒管理是整個電站安全、經濟運行的關鍵所在。因此，鍋爐燃燒診斷具有很重要的現實意義，而溫度場的檢測是進行燃燒診斷的重要手段。隨著計算機技術的應用，利用彩色CCD攝取的圖像的每一個像素都是由紅（R），綠（G），藍（B）三基色組成，由三基色信號值與單輻射能關系，在對火焰發射率模型和CCD光譜特性的一系列簡化和假設下，采用比色測溫法可得到每個像素對應的溫度，此種測量的結果存在較大的誤差。
　　
　　傳統的熱電偶測量法只局限于個別點的測量，無法得到整個空間溫度場值，僅適用于鍋爐的關鍵部位監測，但它能夠測出局部的真溫值，因此，可結合彩色CCD攝像機在此部位攝取圖像，利用計算機圖像處理技術得到圖像的三基色信號值，根據熱輻射學和CCD成像理論，構建BP神經網絡，逼近三基色信號與溫度的函數關系，從而推廣到整個溫度場的測量。基于神經網絡的火焰溫度測量方法，克服了以上測量過程中的一系列簡化假設，可較準確地測量出爐膛火焰的溫度場。
　　
　　二、測量原理
　　
　　彩色CCD把來自景物的入射光分解為不同比例的R、G、B三基色圖案，以形成人眼所能感受到彩色視覺效果，它可以把入射光分解為波長分別為0.7um、0.5461um、0.4358um的紅（R）、綠（G）、藍（B）三色圖像，這樣我們就可以利用圖像處理技術獲取數字圖像中任意點在不同波長下的信號值。
　　
　　根據熱輻射定律，發射連續光譜的物體的熱輻射亮度與它的溫度間的關系由普朗克輻射公式表達：
　　
　　Eλ（T）=c1λ-5（ec2/λT-1）-1ελ（1）
　　
　　在鍋爐燃燒火焰輻射的波長范圍0.38um到0.78um及溫度3000K以下時，c2/λT＞1，因此可由維恩輻射公式表達：
　　
　　Eλ（T）=c1λ-5exp（-c2/λT）ελ（2）
　　
　　式中，Eλ（T）為燃燒火焰輻射能，ελ為溫度為T時的光譜發射率，λ為波長，*輻射常數c1=3.742×10-16W.m2，第二輻射常數c2=1.4388×10-2m.k。
　　
　　對于具有任意輻射強度E（λ,T）的彩色光下的色系數，可利用分布色系數方程計算：　　
　　式中r（λ），g（λ），b（λ）分別為分布色系數。
　　
　　三基色的亮度信號與對應的單色輻射能成正比，即：　　
　　從上式中可以看出，由R，G，B可以惟一地確定火焰的溫度T，可以表示為：
　　
　　T=T（R，G，B）（5）
　　
　　三、BP神經網絡模型及創建
　　
　　zui關鍵的問題是如何處理光譜發射率的值，然而不僅與材料的性質有關，還受狀態等諸多方面因素影響，一般很難具體確定。在通常的高溫物體溫度場測量中，數據的處理于zui小二乘法，通常將發射率簡化為固定的數值或模型，才能惟一地確定物體的溫度。而高溫發光火焰是一種煙粒云的輻射，影響煙粒云發射率的因素很多，如吸收系數、火焰的幾何厚度、穩定性、波長、溫度等，過于固定發射率數值必然導致溫度測量結果的不準確。
　　
　　由（5）式可知，三基色信號值與目標真溫T存在一種非線性映射關系。神經網絡是一個非線性動力學系統，其特色在于信息的分布式存儲和并行協同處理，具有自學習自適應功能，可以從大量的實驗數據中直接提取隱含的有用信息。理論上已經證明三層BP模型可以任意精度逼近任意非線性映射，采用它來解決三基色信號值與目標火焰真溫的非線性映射問題。
　　
　　這里BP網絡采用3層結構，中間包含一層隱層，三輸入一輸出的BP網絡模型。三基色信號值R，G，B作為網絡輸入節點，單項輸出，輸出為需要得到的溫度值T，隱含層節點數可以先確定幾個值，然后通過數據樣本訓練進行調節。輸入層和隱含層激活函數取非對稱性Sigmoid函數，輸出層輸出函數取線性傳遞函數purelin。
　　
　　數據在輸入神經網絡之前，要進行歸一處理，訓練樣本的量綱不同，數值差別也很大，因此必須進行歸一化處理將訓練數據標度到[0,1]之間。進行預測的樣本數據在進行仿真前，必須用tramnmx函數進行事先歸一化處理，然后才能用于預測，zui后仿真結果要用postmnmx進行反歸一化，才能得到需要的數據結果。
　　
　　四、仿真實驗及結果
　　
　　通過BP神經網絡可以訓練發射率樣本，本文采用如圖1所示的A、B、C、D、E五類發射率樣本圖。　　
　　由彩色CCD攝像機攝取的圖像中得到連續時刻某部位的三色值，熱電偶測溫得到該部位對應時刻的不同溫度。幾個溫度點分別取五類發射率模型A、B、C、D、E，如圖1所示，每類包括5種發射率樣本值，有效波長分別為0.7um（R）、0.5461um（G）、0.4358um（B）。在每個溫度點上采用五類發射率樣本，每類5種，如表1列出部分發射率訓練樣本。則發射率樣本為（5×5=25）種，網絡采用三層BP網，輸入數據須全部歸一化處理，結果反歸一化得出。　　
　　對數據進行歸一化處理后，選取5組溫度下的三基色信號值作為訓練樣本。學習目標函數為，其中N為訓練樣本總數。在網絡訓練中同時調整動量系數和學習率，以期達到較快的收斂速度。這里動量系數為0.9，學習目標函數誤差定為0.01，根據誤差值大小zui后確定隱含層節點為10。
　　
　　經過60次學習訓練，達到目標誤差，網絡收斂，訓練結束。表2列出訓練后溫度計算結果，表3列出未經訓練的溫度計算結果。　　
　　由實驗結果得知，對訓練過的發射率樣本，真實溫度的識別誤差大部分在30k以內，而對于未訓練過的發射率樣本，真實溫度的識別誤差大部分在50k以內。如果用更多的發射率樣本和輸入輸出樣本，將更好地解決鍋爐溫度測量問題。
　　
　　五、結論
　　
　　本文就鍋爐溫度的傳統測量所帶來的一些問題和誤差上，提出了BP神經網絡在爐膛溫度測量中數據處理的應用，結合彩色CCD圖像提取的三基色信號值作為輸入樣本和熱電偶測出的溫度值作為輸出樣本，創建BP網絡模型，對其進行訓練。BP神經網絡的應用消除了多光譜輻射數據處理時受發射率假設模型的影響，并實現了實時在線測量鍋爐溫度的目的。研究結果表明，利用神經網絡測量鍋爐溫度，方法簡捷，工程上具有較高的應用價值。