GÉPI LÁTÁS ÉS MESTERSÉGES INTELLIGENCIA A

MŰ S Z A K I A N YA G T U D O MÁ N YI K A R – E N E R G I A - É S MI N Ő S É G Ü G Y I I N T É Z E T

GÉPI LÁTÁS ÉS MESTERSÉGES INTELLIGENCIA A MEGBÍZHATÓ ÉS KÖRNYEZETBARÁT MEGÚJULÓ ENERGIÁÉRT Diplomamunka

K ÉSZÍTETTE :

CSORDÁS B ERNADETT MSC ANYAGMÉRNÖK HALLGATÓ

K ONZULENSEK : D R . T ÓTH P ÁL

EGYETEMI ADJUNKTUS

GARAMI ATTILA PHD HALLGATÓ

2017

MŰ SZ A K I A N YA G T UD O M ÁN YI K A R – E N ER G I A- É S M INŐ S ÉG ÜG YI I NT ÉZ ET

DIPLOMAMUNKA FELADAT Csordás Bernadett MSc Anyagmérnök hal lgató részére A diplomamunka témája: Gépi látás és mesterséges intelligencia a megbízható és környezetbarát megújuló energiáért Feladatok: 1. Ismertesse a gépi látás és mesterséges intelligencia alapvető célját, fogalmait és releváns eszközeit. Mutassa be a mesterséges neurális hálózatok fő típusait. 2. Mutassa be a dolgozatban vizsgált kazánt, az üzemi mérés és adatgyűjtés menetét, és az adatfeldolgozás lépéseit. 3. Végezzen üzemi méréseket a dolgozatban bemutatott mesterséges neurális hálózat tanításához használt tanító adatbázis felvétele céljából. 4. Értékelje a mesterséges neurális hálózat működését, tegyen javaslatot a kazán hatásfokának javítására az eredmények alapján.

Konzulensek:

Dr. Tóth Pál, egyetemi adjunktus Garami Attila, doktorandusz

A diplomamunka beadásának határideje: 2017. május 5. Miskolc, 2016. február 13. Prof. Dr. Palotás Árpád Bence tanszékvezető, egyetemi tanár 3515 Misk olc -E g yetemváros Telefon (36) 46 565-108, Fax: (36) 46 431-820 [email protected] www.uni-miskolc.hu

Köszönetnyilvánítás Ezúton szeretném megragadni az alkalmat, hogy köszönetemet és tiszteletemet fejezzem ki mindenkinek, aki diplomamunkám elkészítéséhez hozzájárult és egyetemi tanulmányaim során elősegítette tudásom gyarapodását. Köszönetet mondanék témavezetőimnek, Dr. Tóth Pál egyetemi adjunktusnak, aki szakértelmével és hasznos magyarázataival megkönnyítette a téma megértését, és számtalan építő jellegű információt biztosított számomra a konzultációk során. Segítőkészségéről és rugalmasságáról bizonyságot téve ezúton szeretném Garami Attila doktorandusznak is megköszönni segítségét. Köszönet illeti a Miskolci Egyetem Tüzeléstani és Hőenergetikai Intézeti Tanszék minden oktatóját és munkatársát, hiszen önzetlen segítségükre és támogatásukra bármikor számíthattam tanulmányaim során. Hálával tartozom családtagjaimnak, akik tanulmányi éveim teljes ideje alatt türelmet és megértést tanúsítottak irántam.

A diplomamunka elkészülését támogató projekt: „ Az Emberi Erőforrások Minisztériuma ÚNKP-16-2-… kódszámú Új Nemzeti Kiválóság Programjának támogatásával készült”

Összefoglaló

Napjainkban a tüzelőanyagok tulajdonságainak, a fogyasztók igényeinek és a technológiák változásához gyorsan igazodó, gépi látás alapú szabályozási rendszer fejlesztése komoly gazdasági előnyt hozhat. Kazán rendszerekben mérhető tüzeléstechnikai paraméterek és kazán tűzterében érzékelhető lángkép információk változását követve – mesterséges neurális hálózat felhasználásával – a tüzelési folyamat viselkedése előrebecsülhető. A mesterséges neurális hálózatok- más szóval mesterséges intelligencia- megalkotása a biológiai neurális hálózatok által ösztökélt rendszerek, amelyek nem utolsó sorban bonyolult feladatok megoldására alkalmasak. Célom egy rostélytüzelésű biomassza fűtőműi kazán felépítésének és szabályozásának megismerése. A tüzelőberendezés áttekintése után üzemi méréseket végezve, a mesterséges neurális hálózat alapjául szolgáló adathalmazt szükséges előállítani, amely az üzemi mérés adataiból és a lángkép információkból tevődik össze. Az elkészített mesterséges neurális hálózat előrebecslésének sajátosságait értékelem, beleértve a pontosságát, érzékenységét és statisztikai eredményeit is. Annak érdekében, hogy a gépi látás és mesterséges intelligencia kapcsolatát alaposan ismertessem, a dolgozatban a lángkép információkat és a kazán tüzeléstechnikai paramétereit összehasonlítom. A jelenlegi biomassza tüzelésű kazánok hatékonysága javítandó, így megoldást kínálnak a modern diagnosztikai eszközök- mint például a lángkép rögzítő eszközök és elemzők- a berendezések optimálására. A betanított mesterséges neurális hálózat statisztikai értékelése után olyan megállapítások tehetők, amelyek megmutatják e módszer hasznosságát. Ezáltal, a tüzelőberendezés üzemelési hatásfoka és a tüzelés stabilitása növelhető, ezzel együtt a tüzelőberendezés teljesítmény ingadozása, a karbantartást igénylő problémák fellépésének gyakorisága és a károsanyag-kibocsátás csökkenthető.

TARTALOMJEGYZÉK 1

Bevezetés és célkitűzés................................................................................................................... 1

2

Elméleti áttekintés ......................................................................................................................... 3

3

4

2.1

Gépi látás és képalkotás .......................................................................................................... 3

2.2

Mesterséges neurális hálózatok ............................................................................................... 5

2.3

A dolgozat szerkezete .............................................................................................................. 7

A teszt kazán, üzemi mérés és adatgyűjtés .................................................................................. 9 3.1

Teszt kazán .............................................................................................................................. 9

3.2

A mérési rendszer és a képalkotási rendszer ......................................................................... 13

A mérési adatbázis....................................................................................................................... 16 4.1

Kazán mérőrendszeréből kinyert paraméter halmaz ............................................................. 17

4.2

Lángkép többletinformációjából nyert paraméter halmaz ..................................................... 17

4.2.1

A lángképekből kapott információk redukálásához használt számítási módszerek ......................... 18

4.2.2

A szürkekép gradiens információiból kapott paraméter halmaz ..................................................... 20

5

A mesterséges neurális hálózat ................................................................................................... 23

6

Eredmények ................................................................................................................................. 25 6.1

Előrebecslés ........................................................................................................................... 25

6.2

Az előrebecslés hibája ........................................................................................................... 26

6.3

A mesterséges neurális hálózat betanulása ............................................................................ 27

6.4

Érzékenység és adatok fontossága......................................................................................... 28

6.5

A bemenő paraméterek fontossági sorrendje......................................................................... 30

6.6

Lángkép jellemzés ................................................................................................................. 32

6.6.1 A Lángképek és a kazán tüzeléstechnikai paramétereinek összehasonlítása ....................................... 35

7

Összefoglalás ................................................................................................................................ 53

8

Irodalomjegyzék .......................................................................................................................... 56

9

Melléklet ....................................................................................................................................... 59 9.1 melléklet ...................................................................................................................................... 59 9.2 melléklet ...................................................................................................................................... 62 9.3 melléklet ...................................................................................................................................... 63 9.4 melléklet ...................................................................................................................................... 69 9.5 Szószedet ..................................................................................................................................... 73

1 BEVEZETÉS ÉS CÉLKITŰZÉS Közismert tény, hogy napjainkban a világ energiafelhasználása és az energiatermelése is a lakosság számával és igényeivel együtt növekszik. Az energiatermelésben a megújuló energia potenciál emelése elsődleges feladat. Napjainkban a biomassza, mint energiahordozó látszik az egyetlen, rövidtávon is rentábilis megoldásnak az emberiség energia problémájának megoldásában. Az energetikai célú biomassza felhasználás az elmúlt évtizedben számottevően nőt, és tanulmányok szerint éves szinten közel annyi biomassza energiahordozó áll rendelkezésre, mint amennyi szén [1]. Az energetikai célú biomassza 90%-a erdőgazdálkodásból származó tűzifa. Ha csak az erdészeti területeket vesszük figyelembe, akkor éves szinten megközelítőleg 530 milliárd m3 biomassza áll rendelkezésre, ami fedezi a világ energia szükségletének 10%-át [2]. A magyarországi megújuló energia-felhasználás megoszlását tekintve 77,6%-át erdészeti termékek és biomasszák teszik ki, valamint éves szinten megközelítőleg 13 millió tonna energetikai célra felhasználható biomassza áll rendelkezésre [3]. Másrészről, a fosszilis energiahordozók kiváltása megújuló energiahordozókkal kulcsfontosságú a környezet védelme és a globális klímaváltozás káros hatásainak elkerülése érdekében. A növekvő biomassza felhasználással párhuzamosan, a tüzelési technológiák fejlesztése elengedhetetlen ahhoz, hogy a lehető legjobb energetikai hatásfokot legyen képes elérni a hasznosítás. A karbon semleges energiahordozók közé tartozó biomassza, azon belül is a faapríték hasznosítása nagy és közepes teljesítményű kazánokban való tüzeléssel napjainkban mindinkább teret nyer. A biomassza és faapríték energetikai hasznosítását azok stabilabb ára miatt is előnyben részesítik, szemben más megújuló energiahordozókkal. Egyidejűleg hátránnyal is jár a felhasználás, ugyanis a vételezett alapanyag tüzeléstechnikai minősége ingadozó, ami közvetlenül befolyásolja az elérhető energetikai hatásfokot is. Az Európai Unió 27 tagországában 2010-ben a fűtési és hűtési célú megújuló energia felhasználás 3000 PJ volt, és ebből a biomassza részesedés kb. 90% volt. Előrejelzések szerint a tendencia 2020 után sem fog változni, további növekedés várható a biomassza felhasználás arányában [4], többek között azért, mert a biomassza alapú hő-, és villamos energiatermelés elterjedése bővül [5]. A biomassza energetikai célú hasznosítása változatos technológiákkal megvalósítható: legelterjedtebb a rostélyos tüzelés, azonban elsősorban a hatékonyság 1

tekintetében (összehasonlítva például a fluidágyas tüzelési technológiával) jelentős problémák várnak megoldásra. A biomassza kazánok működésének optimalizálása e feladatok között is kiemelkedik [2]. A dolgozat egy Miskolc városi telephelyen működő faapríték tüzelésű kazánt mutat be, kiegészítve a mérhető és érzékelhető tüzelési paraméterek változásához gyorsan igazodó, gépi látás alapú szabályozási rendszer fejlesztésével. A biomassza tüzelés megbízhatóbbá tétele érdekében a tüzelési technológia szabályozásának fejlesztése kulcsfontosságú. Ennek érdekében, a létrehozott szabályozó rendszerrel szemben elvárás, hogy a faapríték tüzelésű kazánok teljesítményének ingadozása csökkenjen, az energetikai hatásfok nőjön, a szabályozás

válaszideje

csökkenjen.

Mindehhez

a

láng

digitális

képében

lévő

többletinformáció felhasználása ad eszközt. A stabilabb működés következtében csökkenhet az

üzemzavarok

száma

és

a

károsanyag-kibocsátás

környezetkímélőbbé és fenntarthatóbbá válhat.

2

is,

ezáltal

a

technológia

2 ELMÉLETI ÁTTEKINTÉS Ahogy a bevezetés is utalt rá, a biomassza hasznosítás kiemelkedően fejlesztendő terület a nagy potenciálja folytán. Mivel a biomasszák energetikai hasznosításának gyakori eszköze a rostélytüzelésű kazán, így ez az eszköz is fejlesztésre szorul, mert a jelenlegi technológia még számos nehézséggel küzd [2]. Olyan módszer kidolgozása és fejlesztése vezethet célhoz, amely gyorsan reagál a különböző típusú tüzelőanyagok tüzeléstechnikai paramétereire. A biomassza tüzelések során a tüzelés lényegi pontja a láng, éppen ezért, korszerű megközelítés a láng vizsgálata. Az 1. fejezetben írtak adnak kellő motivációt arra, hogy az optikai elven működő rendszereket, a gépi látás alapú szabályozási rendszer módszerét megismerjük és alkalmazzuk [6]. A korszerű képalkotó technológiák ipari alkalmazása egyre elterjedtebbek, segítségükkel a

lángok

pontosabban

jellemezhetőek,

mint

más

tüzeléstechnológiai

paraméter

felhasználásával [7]. Esetünkben, az optikai módszer a láng látható fénytartományban történő rögzítéséről van szó [8], amelyet a szintén korszerű és széles körben használt CCD kamerás technológiával dolgozunk fel. Az olyan módszert ahol a kamera által figyelt lángok vizsgálatát a mesterséges neurális hálózattal kapcsolják össze, előrebecslésre is felhasználható [9]. Ilyen jellegű módszerrel a tüzelés során keletkező károsanyag-kibocsátást, kazán tűzterében a reakciózóna nyomon követését vagy az előremenő kazán víz hőmérséklet értékét is meg lehet becsülni [10] [11]. Az elméleti áttekintés után a már említett lángkép vizsgálatokhoz felhasznált gépi látás és képalkotás elméleti hátterét, majd a mesterséges intelligencia- más néven mesterséges neurális hálózat rövid elméleti hátterét mutatom be. Mindezek után a dolgozat további felépítését tekintem át.

2.1 GÉPI LÁTÁS ÉS KÉPALKOTÁS A gépi látás és képalkotás alap eszköze az iparban is gyakran alkalmazott CCD kamera [12]. A CCD jelentése töltés-kapcsolt eszköz (charge-coupled device). A CCD tehát egy olyan érzékelő eszköz, amely az intenzitás érték érzékelése után átalakítja azt elektromos jellé. A CCD szenzor a beeső fénysugarak intenzitás értékét alakítja át elektromos jellé.

3

A CCD szenzor felfogható egy olyan tömbként (mátrixként), melynek minden egyes cellája tartalmaz egy szenzort, amely érzékeli a beérkező fotonok intenzitását. Az analóg kamerákhoz hasonlóan a digitális kamerák esetében is úgy történik a képalkotás, hogy a fény (foton) visszaverődik a leképzendő objektumról és beérkezik a kamera lencséjéhez, majd a szenzorhoz. A CCD szenzor tömb minden egyes érzékelője egy analóg érzékelő. Amikor a fotonok behatolnak a chip felületébe, akkor kis elektromos töltés adódik át az érzékelőnek. Minden egyes szenzor válasza arányos a fényerősségével vagy a szenzor felületén mérhető energiával. A 1. ábrán különböző típusú és elrendezésű CCD szenzorok láthatóak. Legszembetűnőbb a középső objektumokon a fény visszaverődése következtében létrejött RGB színek megjelenése [13].

1. ábra CCD szenzorok [13]

A kamera CCD érzékelője RGB színrendszeren alapul. Az RGB színrendszerű szenzor három, a szenzort érő, különböző színű fényintenzitását képes mérni. Ez a három színkomponens a piros (Red), zöld (Green) és a kék (Blue). Az érzékelt szín a három komponens összegeként képezhető. A szenzor mindhárom komponens intenzitását különálló módon méri. Az intenzitás az adott szín fényerősségével arányos. A szenzor által képzett digitális intenzitás értékek kvantáltak, és egy adott, a szenzor detektálási és telítési határa által meghatározott tartományon értelmezhetők. Az RGB színrendszer érzékeléséhez gyakran használják a CMOS és CCD képszenzort is a digitális kamerákban. A fény szűrését általában Bayer-féle szűrőmátrix segítségével végzik, ami meghatározza a nyers kép pixeleinek színsorrendjét. A nyers képen látható pixelek 4

intenzitásából, felhasználva a szenzor Bayer-mátrixának elrendezésére vonatkozó adatot, az egyes színekre vonatkozó intenzitás értékek meghatározhatók. A beeső sugár intenzitásától függően a lángképek minden egyes pixele a 8 bit-es [0-255] tartományban értelmezhető. Megjegyzésként elmondható, hogy 10 bit-en 1024 érték, 16 biten 65536 érték tárolható, míg a 24 bit-es architektúra több mint 16 millió értéket vehet fel, azaz ennyi szín kódolható a rendszerekben [14][15].

2.2 MESTERSÉGES NEURÁLIS HÁLÓZATOK A biológiai neurális hálózatok közötti információáramlás, és részben a magasabb szintű, nem lineáris funkciós kapcsolatok megléte motiválta a mesterséges neurális hálózat elkészítését [16]. Az emberi agy egy komplex neurális hálózat, mely idegsejtek, neuronok sokaságát tartalmazza (kb. 1012 darabot). A neuron egy elemi információ feldolgozó egység. A szinapszisokkal kapcsolódó dendriteken keresztül beérkező információkat az idegsejt-testen keresztül az axon végződés felé továbbítja. Definíció szerint a mesterséges neurális hálók a biológiai neurális hálók modellezésével létrehozott, erőteljesen elosztott párhuzamos feldolgozást, kollektív számítást megvalósító rendszerek. Jellemzőjük, hogy párhuzamos feldolgozásra alkalmasak, zajos és hibás input kezelésére képesek, nemlineáris számítási elemeket alkalmaznak, és működésük elméleti megértésének hiányosságai ellenére sikeresen alkalmazzák őket a gyakorlatban [17]. A mesterséges neurális hálók működési jellemzője között szerepel a tanuló, általánosító képesség, zajos és hiányos adatok fogadása, gyors működés, szövevényes viszonylatok kezelése, önszervezés, és rugalmasság. A mesterséges neurális hálózatokat két nagy osztályba sorolhatjuk. Első nagy osztály az előrecsatolt mesterséges neurális hálózatokat fedi le, mely osztályba tartozik a lineáris és nemlineáris csoport. A nemlineáris csoport további felügyelt és felügyelet nélküli hálózatra bontható. Néhány példa a felügyelt tanulási módszer megvalósítására: Boltzmann- gép, Perceptron, és Back- propagation; továbbá a felügyelet nélküli csoportra is: Hopfield- háló, Kohonen modell, és Adaptív rezonancia elmélet. A másik nagy osztályba a hátracsatolt hálózatok tartoznak, melyet a konstruált és tanított csoportok alkotnak [18].

5

A mesterséges neurális hálózatok adatok becslésére használhatóak. Az előrejelzendő adat becsléséhez a neurális hálózatok tanítása szükséges. A tanulást nagymennyiségű rendelkezésre álló adat alapján képes elvégezni. Az adatmennyiséggel párhuzamosan nő a tanulás eredményessége is [18]. A 2. ábrán látható lépcsős magyarázat egy visszaforgatásos tanulási technikát alkalmazó mesterséges neurális háló elkészítésének elvét szemlélteti. A forrás 7 lépcsőfokra bontja az elkészítést, melynek a legalján a feladat megfogalmazása található. Egy mesterséges neurális hálózat elkészítésénél kulcsfontosságú az, hogy pontos célt fogalmazzunk meg, amelyet meg fog becsülni. A célkitűzés után az információk összegyűjtése következik, amiből a hálózat tanulni képes. Az információk meglétét követi az adatok összegyűjtése, majd a betanító fájlok létrehozása. Ezen előkészületek után a háló betanítását kell elvégezni, majd azt tesztelni. Ha a teszt sikeres, akkor a hálót futtatni lehet [18] [19].

2. ábra A mesterséges neurális háló elkészítésének folyamata [18]

Ugyanakkor, ahogyan a 2. ábrán is látható, nem megfelelő működés esetén a betanítási fájlok változtatása szükséges az információ kiválasztás módosításával, illetve neurális háló tesztelés változtatása az adatok összegyűjtésének módosításával.

6

A dolgozatban az előrecsatolt mesterséges neurális hálózat közé sorolható Többrétegű Perceptron (idegen nyelven: Multilayer Perceptron, rövidítése: MLP) típusú modell lett felhasználva, amely a bemeneti adatokat egy kimenő adattá alakítja át. E modell a csomópontok több rétegét tartalmazza egy irányított gráfban, és a rétegek kapcsolódnak egymáshoz. A hálózat visszaforgatásos tanulási technikát tartalmaz [18] [20]. A dolgozatban alkalmazott hálózat részletes leírását az 5. fejezet mutatja be. A képalkotás és mesterséges neurális hálózatok alapjainak bemutatása utána a dolgozat szerkezetét ismertetem.

2.3 A DOLGOZAT SZERKEZETE A 3. ábra segítségül szolgál a dolgozat felépítésének áttekintésében. A cél, a biomassza kazán

kilépő

víz

hőmérsékletének

értékét

mesterséges

intelligencia

segítségével

előrebecsüljük, annak érdekében, hogy a kazán energetikai hatásfoka kedvezőbb legyen. Így tehát, az elméleti megfontolások mellett, üzemi mérések során gyűjtött adatokra alapozva megterveztük és elkészítettük az elemzéshez szükséges mesterséges neurális hálózatot. Ahogy fentebb is olvasható, a mesterséges neurális hálózat létrehozásához egy pontos célt kell megfogalmazni. Tekintettel a felhasználási célra, előre jelzett (becsülendő) adatnak a kazán kilépő víz hőmérsékletét választottuk. A célkitűzés után az adatok gyűjtése következik, amely esetünkben a paraméter halmazban található adatok. A paraméter halmaz (feature halmaz), amely a mesterséges neurális hálózat futtatásához és tanításához szükséges, üzemi mérési adathalmazra épül. Ez az üzemi mérési adathalmaz részben a kazánrendszer mérési adatait tartalmazza, és részben a képalkotási rendszer mérési adatait. Az adatgyűjtés után következő lépésként a hálózatot be kell tanítani az általunk kért adat megbecsülésére. A dolgozatban bemutatott mesterséges neurális hálózat megközelítőleg 27 perccel tudja – megfelelő pontossággal – előre jelezni a várható kimenő víz hőmérséklet értéket. Miután a hálózat működik, az előrejelzés jóságának megítéléséhez statisztikailag is értékelem az eredményeket, melynek során bemutatom a mesterséges neurális hálózat hibáját, a funkciós adatok pontosságát és fontosságát is. Az eredmények magyarázatának fejezetében a kazán üzemi paramétereit értékelem annak céljából, hogy megértsük a mesterséges neurális hálózat milyen elvek alapján készítette el az előrebecslést.

7

3. ábra A dolgozatban bemutatott munka felépítése

8

3 A TESZT KAZÁN, ÜZEMI MÉRÉS ÉS ADATGYŰJTÉS Az üzemi mérést megelőzően két rendszert kell ismerni: a teszt kazánt (3.1 fejezet), mint égető berendezést; és az üzemi méréshez tartozó mérési rendszert és a képalkotó rendszert (3.2 fejezet). A következő alfejezetek ezeket mutatják be.

3.1 TESZT KAZÁN A teszt kazán 3 MW névleges teljesítményű, lépcsős leejtésű bolygatott rostély típusú égető berendezés. A kazán egy fűrészüzem területén helyezkedik el, ahol a fatermékek hőkezeléséhez szükséges gőzt állítja elő. A felhasznált tüzelőanyag a fűrészüzem területén keletkező fa alapú vágási melléktermékek, faforgács, fűrészpor és faapríték. A mesterséges neurális hálózat szempontjából is kiemelendő információ, hogy a kimenő vízhőmérséklet átlagosan 115 °C. Az alábbi 4. ábra szemlélteti az fűtőműi kazán felépítését.

4. ábra A kazán felépítését bemutató illusztráció [saját szerkesztés] 9

A kazán három nagyobb részre osztható, amelyeket számozással jelöltem a 4. ábrán. Alulról felfelé haladva található az alépítmény (1), az égéskamra (2) és a hőcserélők (3). Az alépítmény a rostély tartására, a primer levegő befúvatására (4) és egyéb elemek, mint például a hidraulikus mozgató egységek helyéül szolgál. Az alépítmény magába foglalja a hamukihordáshoz szükséges térrészt is (5). Az égéskamra az alépítmény felett helyezkedik el, ahol az égésteret két részre bontja egy boltozat (9). A boltozat alatt elhelyezkedő térrész a primer égéstér és a boltozat felett elhelyezkedő térrész a szekunder égéstér. A kazán legfelső részében a vízszintesen elhelyezett hőcserélők találhatóak, ahol a füstgáz hőcseréje megtörténik (11). Ahogy említettem, a 2. számmal jelzett térrész az égéstér. Ez a térrész a beadagolt tüzelőanyag elégésének a helye, a beadagolás helyét a 8. szám jelzi. Az égéstér falazata samott és a tűztér teteje tűzálló beton. A falazat minden része szigetelt ásvány gyapot lemezekkel a lehető legalacsonyabb külső felszíni hőmérséklet biztosítása végett.

5. ábra Az égéstér alján elhelyezkedő rostély üzemen kívüli állapotban

Az 5. ábra szemlélteti a tüzelőanyag behordó csiga végét a rostély tetejénél, ami a 4. ábrán a 8. számmal jelzett terület. Az égés a ferde-bolygatott toló rostélyokon valósul meg, melyeknek minden második rostély szintje hidraulikus mozgató berendezésekkel üzemeltetett. A rostélyt a 4. ábra 7. száma jelzi, illetve az 5. ábra szemlélteti üzemen kívüli állapotban. A rostély a primer égéstér alapjául szolgál, itt valósul meg az anyagtovábbítás és bolygatás is. A 10

rostély sorok között légrések találhatóak, ahol az égéshez szükséges primer levegőt két részletben fúvatják be. A primer ventilátorok helyét a 4. ábrán a 4. szám jelöli. Az égéskamra felső részében található szekunder térrészben már a gáznemű anyagok elégése történik, amely tökéletes kiégéséhez szükséges levegő mennyiséget a szekunder ventilátorok két oldalról biztosítják (10). A levegő ventilátorok kézi csappantyús vagy frekvenciaváltós szabályzásúak. A jobb tüzelési feltételek biztosítása érdekében a primer levegőt két külön befúvó rendszer juttatja a tűztérbe. Az első primer levegő ventilátor által juttatott levegő beadagolt tüzelőanyaggal érintkezik, itt a legintenzívebb az égés. A rostély végéhez vándorló anyagra fúvatják rá a primer levegő másik részét, hogy az égés tökéletesen megvalósuljon, mire a rostélyon az anyag végigvándorol. A keletkezett hamut a rostély sor végén található hamucsiga szállítja ki a kazánblokkból (4. ábra 5. jelzés). A két huzamban NiCr-Ni anyagú K-típusú hőelem található, ezzel megoldható az égéstér hőmérsékletének folyamatos mérése. A tüzelőanyag primer huzamban való elégését követően a képződő gázok a szekunder huzamba áramlanak, ahova két oldalról szekunder levegő betáplálás történik – 4. ábra 10. jelzés– a gázok tökéletes égésének biztosítása céljából. A szekunder levegő ventilátor a kazánház légteréből szívja az égéslevegőt. A szekunder huzamban történő elégést követően a láng ütközik egy lángfallal a hőcserélőkbe kerülése előtt. Ez az ütköztetés a jobb keveredést kívánja elősegíteni, és a konstrukció miatt a gázok tartózkodási ideje nő a huzamban. A szekunder huzam után a füstgáz a hőcserélőkbe –4. ábra 3. jelzés– áramlik. A kazánban 160 db vízszintes elhelyezkedésű S 235 JRG 2 acéllemezből készült nyomáspróbázott cső helyezkedik el. E térrészben történik a hőcsere a kazánvíz és a füstgáz között. A csöveken az égéstermékek, hamu, korom lerakódhat, ezért rendszeres tisztításra szorul, hiszen a hőcserélőkön lévő lerakódások a kazán teljesítményt rontják. A füstgáz hőhasznosítása két szakaszban valósul meg, ugyanis a füstgáz haladási irányát fordítókamrában megváltoztatják. A következő bekezdésekben a kazán szabályozását szeretném bemutatni annak érdekében, hogy a dolgozat végén található következtetések könnyen értelmezhetővé váljanak. A kazán vezérlését és szabályozását egyetlen PC-ről irányíthatják, és kazán tüzeléstechnikai és rendszer paramétereit folyamatosan mentik, amelyeket táblázatkezelő vagy

egyéb

numerikus

számítások

elvégzésére

használható

program

segítségével

megtekinthetünk, és feldolgozhatunk. Kiválasztva a kazán kapacitás értékének, az égéstér 11

hőmérsékletek értékeinek, a távozó füstgáz hőmérséklet értékeinek, a füstgázban maradt oxigén mennyiség értékének, a primer 1 és 2 levegő ventilátor teljesítmény értékének, és végül a szekunder levegő ventilátor teljesítmény értékének összefüggéseit, megállapítások tehetők a kazán vezérléséről és szabályozásáról. Terjedelmi megkötések végett az értékek feldolgozásához használt diagramok a dolgozat 9.1. fejezet mellékletében tekinthetők meg. Az adathalmazok elemzését követően, összefoglalom a kazán szabályozásának elvét, melyhez a 6. ábra nyújt magyarázó illusztrációt.

6. ábra A szabályozás elvi felépítését szemléltető ábra [saját szerkesztés]

A kazán rendszer az előírt előremenő –kilépő- víz hőmérsékletéhez igazodva szabályoz. E szabályozás bonyolult, részben a kazán tűzterében mérhető hőmérséklethez és részben a füstgáz oxigén tartalmának értékéhez igazodva képes „kontrollálni” az előremenő víz hőmérsékletét a kért hőmérsékleten. A 6. ábra szemlélteti, hogy mi történik a kazán rendszerében, hogyha az előremenő víz hőmérséklete csökken - azaz kisebb, mint az elírt (kért) hőmérséklet-, illetve növekszik. Az előremenő víz hőmérsékletének csökkenésével együtt nő az anyagbeadagolás, a primer ventilátor teljesítménye és a szekunder ventilátor teljesítménye. E paraméterek növekedésével együtt az égéstér hőmérséklete kezdetben csökken, majd hosszútávon megnövekedik. A kezdeti hőmérséklet csökkenés oka, hogy az alacsony hőmérsékleten beadagolt anyag először csak melegedik; a tüzelőanyagból távozik a nedvesség; és endoterm reakciók mennek végbe [21]. A fában lévő gázok a felső tűztér felé 12

áramlanak, és a szekunder levegő ventilátorral beadagolt levegőben lévő oxigénnel a felső tűztérben elég. A felső tűztér hőmérséklete, és a távozó füstgáz hőmérséklete is növekedik. Ezzel ellentétben, ha az előremenő víz hőmérséklete növekedik, a tüzelőanyag beadagolásának gyakorisága csökken, hiszen nincs szükség újabb adag anyagnak az égetésére, és ezzel együtt a primer és a szekunder levegő ventilátorok teljesítménye is csökken. Az alsó tűztér hőmérséklete megemelkedik, mert nem kerül nagy mennyiségű friss tüzelőanyag adag a rostélyra, ami az endoterm reakciók végett elvonnák a hőt, így az alsó tűztérben elégnek a gázok. Ez eredményezi azt, hogy a felső tűztér hőmérséklete is csökken, ezzel együtt a füstgáz hőmérséklete is. A kazán szabályozásának leírásakor a tüzelőanyag beadagolás gyakoriságáról is említést tettem, de ez a dolgozat kifejtésének szempontjából a későbbiekben elhanyagolható.

A

későbbiekben az égéstér hőmérséklet értékét csak az alsó tűztér hőmérséklet értékére vonatkoztatom.

3.2 A MÉRÉSI RENDSZER ÉS A KÉPALKOTÁSI RENDSZER Ebben a fejezetben a tüzelési kísérlethez és a méréshez felhasznált eszközöket mutatom be. A kazán üzemi mérése egy online mérési rendszeren keresztül történt meg. A mérés során az érzékelt lángkép adatok és a kazán rendszere által mért adatok rögzítésének ideje azonos. A kazán (gyárilag konfigurált) rendszere 10 másodpercenként menti az adatokat. A lángkép adatok ettől eltérően gyakrabban készültek, másodpercenként 12 kép. Az eltérés miatt az adatok közös időpontokra történő interpolációja szükséges volt. Az üzemi mérés 10-12 órát vett igénybe.

13

7. ábra A digitális kamera mérési helye

8. ábra A digitális kamera mérés közben

Az 7. és 8. ábra szemlélteti a kazán kémlelő nyílásán bevezetett digitális kamera elhelyezkedését. A kamera helyét a 4. ábrán a 6. szám jelöli. A 4. ábrán a zöld színnel jelzett terület szemlélteti azt a területet, amelyet a digitális kamera képes látni. A méréshez elengedhetetlen hőálló lencse használata és a kamera hűtésének megvalósítása. A lencse Marshall Electronics V-ZPL-HITEMP-B-323 típusú, 1000° C hőmérsékletig hőálló, 14

323 mm hosszú lencsetesttel rendelkező, 3,6 mm fókusztávolsággal és 80° látómezővel rendelkező lencse. Ez az úgynevezett „lyuklencse” rozsdamentes acél burkolattal ellátott, hogy annak segítségével az égéstérbe helyezés megoldható legyen a kazán tűzálló falazatán keresztül. Az eszközök hűtéséről „cső a csőben” típusú hőcserélő gondoskodott, melynek hűtőközege sűrített levegő volt. A sűrített levegő befúvatásának másik funkciója az, hogy megakadályozza a porlerakódást a lencsén. A lángképek rögzítéséhez BaslerAce acA1300-22gc típusú kamerát használtunk, amely CCD szenzorral ellátott. A képkészítési sebesség 12 Hz, míg az expozíciós idő 0,75 ms volt. A kamera által készített képek halszem-torzítását kalibráló módszer segítségével el lett távolítva [22]. A tárolt képek felbontása 488582 pixel, így elmondható, hogy a valós méreteket tekintve a képek átlagos felbontása 3 mm/pixel volt. A 9. ábrán egy rögzített lángkép látható. A digitális képfeldolgozás Matlab szoftver segítségével történt.

9. ábra A digitális kamera által rögzített lángkép felvétele

15

4 A MÉRÉSI ADATBÁZIS Az üzemi mérés során rögzített lángképek további feldolgozása szükséges, mert minden egyes digitális lángkép nagymennyiségű információt tartalmaz. Hogy valósidejű működést tegyünk lehetővé, egy algoritmus használatával redukáltuk a nyers adathalmazt. A 10. ábra a paraméter halmaz elkészítésének módját szemlélteti a könnyebb megértés elősegítése érdekében.

10. ábra A paraméter halmaz elkészítésnek lépései

A kamera által rögzített képi paraméterek száma 20 és emellett a kazán mérőrendszere is naplózta 7 különböző paraméter értékét. A két mérési oldalról kapott információt – összesen 27 paramétert – használtuk fel a mesterséges neurális hálózat bemeneti paramétereiként, így jött létre a 27 adatból álló paraméter halmaz. Először a kazán mérőrendszerében mentett adatokat (4.1. fejezet), majd a lángképek többletinformációiból kapott paramétereket (4.2. fejezet) mutatom be.

16

4.1 KAZÁN MÉRŐRENDSZERÉBŐL KINYERT PARAMÉTER HALMAZ Miként arra korábban utaltam, a paraméter halmaz adatait részben a kazán mérőrendszere által mért adatai adták. A különböző értékeket meghatározott helyeken méri a kazán. A következő felsorolás tartalmazza azoknak az adatoknak a nevét, amelyeket a kazán rendszeréből numerikus számítások elvégzésére használható program segítségével exportálni lehet.  a kazán kapacitása [%]- számított érték, a kazán relatív teljesítményét jelzi  a kimenő víz hőmérséklete [°C]  a visszatérő víz hőmérséklete [°C]  a füstgáz oxigén tartalma [v/v %]  az 1. és 2. primer levegő ventilátor kapacitása [%]  a szekunder levegő ventilátor kapacitása [%] Látható, hogy a mesterséges neurális hálózat bemenő paraméterei között szerepel a kimenő paraméter pillanatnyi (a becslés időpontjában mérhető) értéke is. A neurális hálózat becslése tehát, ha az előrebecslés ideje elhanyagolhatóan rövid időtartam, valójában a bemenő paraméterek között található kimenő vízhőmérséklet paraméter változtatás nélküli értéke. Míg a kimenő paraméter pillanatnyi értékének feltűnése a bemenő paraméterek között nem intuitív, a kimenő vízhőmérséklet jövőbeli értékei értelemszerűen erős függvényei a jelenben mérhető, pillanatnyi értéknek, így annak helye van a bemenő paraméterek között.

4.2 LÁNGKÉP TÖBBLETINFORMÁCIÓJÁBÓL NYERT PARAMÉTER HALMAZ E fejezet elején áttekintem azokat az információkat, melyek ismerete fontos a lángképek többletinformációinak feldolgozása során. A mérésnél a lángképek felbontása 488582 pixel volt, és a kép frissítés frekvenciája 12 Hz. Az ehhez tartozó, fizikai jelentéssel bíró, tömörítetlen adatmennyiség másodpercenként 880 Mbyte. A hagyományos módszerek 1-10 másodpercenként 5-20 lebegőpontot, azaz 2,5 byte/s forgalmat jelentenek. Esetünkben, a kapható információhalmazt a feldolgozás könnyítése érdekében csökkenteni szükséges, azaz adatredukálást kell végrehajtani. A többletinformáció redukálásánál a legfontosabb tényező az, hogy úgy valósuljon meg az adatcsökkentés, hogy az eredeti adatsor lényeges tulajdonságai megmaradjanak, azaz ne vesszen el számunkra fontos információ [23]. 17

4.2.1 A

LÁNGKÉPEKBŐL

KAPOTT

INFORMÁCIÓK

REDUKÁLÁSÁHOZ

HASZNÁLT

SZÁMÍTÁSI MÓDSZEREK

A mesterséges neurális hálózat működéséhez redukált adatsort kell használni, mert a nagy sebességgel keletkező hatalmas adatmennyiség csak rendkívül nagy költségű berendezéssel lenne kezelhető. Az adatredukálás a nyers lángképek további feldolgozását jelenti olyan formában, hogy a lángkép által hordozott, lényeges információ nem vész el és nem torzul. Ahogy már említésre került, a rögzített színes képek felbonthatók R, G és B színekre. A képek nagysága 488582 pixel, ami azt jelenti, hogy 284 016 adatpont található egy kép egyetlen színcsatornájában. A kép mindhárom színcsatornájának intenzitás értéke tekinthetők egy-egy véletlen változó mintának. A véletlen változók jellemezhetők eloszlásfüggvényük paramétereivel. Az 11. ábra egy 488582 pixel nagyságú lángkép eloszlásfüggvényét szemlélteti. A vízszintes tengelyen a pixelek intenzitás értéke látható, amely 0-255 –ig terjed. A függőleges tengelyen a színcsatornákhoz tartozó adott pixel intenzitás értékének darabszáma olvasható le. Értelmezéséhez a kék színcsatornához tartozó kék görbét tekintsük, mely alapján láthatóvá válik, hogy az 50 –es intenzitáshoz tartozó pixelek darabszáma megközelítőleg 2000 db.

11. ábra RGB színcsatornák eloszlásfüggvénye

18

Egy adott színcsatornához tartozó négy jellemző számot definiálunk, ezek a színcsatorna intenzitásához rendelt véletlen változó eloszlásfüggvényének átlaga, szórása, ferdesége és csúcsossága (azaz az eloszlás első négy momentuma). Ez összesen 34=12 paraméter egyetlen képről. A továbbiakban ismertetem a paraméterek jelentését, és számításuk módját. 4.2.1.1 Az átlag Adott egy Y véletlen változó Y1, Y2,…Yn mintája. Az átlagot a következő összefüggéssel számítjuk:

𝑌á𝑡𝑙𝑎𝑔 =

𝑛 𝑖=1 𝑌𝑖

(1)

𝑛

A paraméter tehát itt a CCD szenzorba érkező fényintenzitásból származó jelek átlaga. A színcsatornánként rendelkezésre álló kb. 284,000 adatpont/kép redukálható egyetlen számértékké [24]. 4.2.1.2 A szórás A szórás az egyes értékek számtani átlagától vett eltéréseinek négyzetes átlaga, vagyis megmutatja, hogy az ismert értékek mennyivel térnek el átlagosan az átlagtól. A fenti jelölésrendszert használva:

𝑌𝑠𝑧ó𝑟á𝑠 =

(𝑌1 −𝑌á𝑡𝑙𝑎𝑔 )2 +(𝑌2 −𝑌á𝑡𝑙𝑎𝑔 )2 +⋯+(𝑌𝑛 −𝑌á𝑡𝑙𝑎𝑔 )2 𝑛

(2)

A következő adat tehát színcsatornánként a CCD szenzorba érkező fényintenzitásból származó jelek szórás értéke [25]. 4.2.1.3 A ferdeség A ferdeség utal az adathalmaz eloszlásának szimmetriájára. A fenti jelölésrendszert használva:

𝑌𝑓𝑒𝑟𝑑𝑒𝑠 é𝑔 =

𝑁 𝑖=1

𝑌𝑖 −𝑌á𝑡𝑙𝑎𝑔 𝑌𝑠𝑧 ó𝑟á𝑠

3

3

/𝑛

(3)

Az adatredukció során nyert adat itt a CCD szenzorba érkező fényintenzitásból származó jelek ferdesége, mely színcsatornákhoz tartozó kb. 284,000 adatpont/kép intenzitás értékeinek eloszlásának ferdeségét, azaz az eloszlás szimmetriáját adja meg [26].

19

4.2.1.4 A csúcsosság Az eloszlásgörbe csúcsossága azt a mértéket mutatja meg, hogy az adatok mennyire szigorúan követik a normál eloszlást. A fenti jelölésrendszert használva:

𝑌𝑐𝑠ú𝑐𝑠𝑜𝑠𝑠 á𝑔 =

𝑁 𝑖=1

𝑌𝑖 −𝑌á𝑡𝑙𝑎𝑔 𝑌𝑠𝑧 ó𝑟á𝑠

4

/𝑛

4

(4)

Az adat itt tehát a CCD szenzorba érkező fényintenzitásból származó jelek csúcsosság jellemzője, konkrétabban a színcsatornákhoz tartozó, kb. 284,000 adatpont/kép intenzitás érték eloszlásának eltérése a normál eloszláshoz képest [27]. Az RGB színcsatornákból kapott paraméter halmaz eddig definiált elemei tehát a következők: 

R átlag- A piros színcsatorna intenzitás átlaga



R szórás- A piros színcsatorna intenzitás szórása



R ferdeség- A piros színcsatorna intenzitásának ferdesége



R csúcsosság- A piros színcsatorna intenzitásának csúcsossága



G átlag- A zöld színcsatorna intenzitás átlaga



G szórás- A zöld színcsatorna intenzitás szórása



G ferdeség- A zöld színcsatorna intenzitásának ferdesége



G csúcsosság- A zöld színcsatorna intenzitásának csúcsossága



B átlag- A kék színcsatorna intenzitás átlaga



B szórás- A kék színcsatorna intenzitás szórása



B ferdeség- A kék színcsatorna intenzitásának ferdesége



B csúcsosság- A kék színcsatorna intenzitásának csúcsossága

4.2.2 A SZÜRKEKÉP GRADIENS INFORMÁCIÓIBÓL KAPOTT PARAMÉTER HALMAZ A 7 db kazán mérési paraméter és a 12 db lángkép tulajdonságából származó adat mellett a paraméter halmaz további adatokból tevődik össze, amely a szürkekép skála gradienséhez köthető. A szürkekép –szürkeskála- gradiens bevezetése azért szükséges, mert segítségével következtetni lehet a lángok éleinek nagyságára és irányára, azaz megőrizhető a képekben rejlő alakinformáció egy része. A szürkekép az RGB intenzitás értékek súlyozott átlagával 20

állítható elő [28]. A szürkekép gradiens egy új, virtuális csatornaként értelmezendő. A gradiens megadja egy matematikai mező változásának mértékét egy adott irányban. A szürkekép gradiensének magnitudója megadja a kép egy adott pontján milyen mértékű az intenzitás térbeli (a kép koordinátarendszerében való) változása. A gradiens nagy értéke a lángkép élein található, hiszen a kontraszt a láng képe és a kép háttere között nagy. A gradiens magnitúdó értéke a kép állandó intenzitású területein kicsi. A szürkeskála gradiens orientációja megadja a kép koordinátarendszerében, a kép egy adott területén melyik irányban legnagyobb mértékű az intenzitás változása. Az irány, mivel a kép koordinátarendszer kétdimenziós, megadható egyetlen skalár paraméter, egy szög használatával. Mivel a szögek értéke zárt tartományon értelmezett, ezért az orientáció eloszlás jellemzése ún. körkörös statisztika segítségével végezhető el. A következőkben a szögek eloszlásának paramétereit definiálom. Az orientáció eloszlás jellemzését a körkörös statisztikában eltérően definiálandó más statisztikai módszerektől. Értelemszerűen, nem alkalmazható az a számítási módszer, miszerint a szögek értékének összege osztva az értékek számának összegével, hiszen példaként említve, a 359 ° és 1 ° átlaga ezek alapján nem 180°. Az alábbi egyenletek az átlag kiszámítását teszik lehetővé. Egy vektor hosszúságát és szögeit kiszámolhatjuk a következő egyenletekkel: 𝑟 = 𝑋 2 + 𝑌 2 ; cos 𝑎 =

𝑋 𝑟

𝑌

; sin 𝑎 = 𝑟 ;

(5) (6) (7)

Abban az esetben, amikor több vektor átlagszámítását szükséges elvégezni, a következő egyenleteket kell felhasználni:

𝑌=

𝑛 𝑖=1 𝑠𝑖𝑛 𝑎

𝑛

;𝑋 =

á𝑡𝑙𝑎𝑔 = 𝛩𝑟 = 𝑎𝑟𝑐𝑡𝑎𝑛

𝑛 𝑖=1 𝑐𝑜𝑠 𝑎

𝑛 sin 𝑎 cos 𝑎

;

;

(8) (9) (10)

ahol X és Y az átlagos szög derékszögű koordinátája, az r az átlag vektor [8] [29]. Így, 𝛩𝑟 jelölésével előállítható az egyedi szögek átlag értéke.

21

Így, az R értéke értendő eredő vektornak, ami az ā vektor hosszúságának felel meg. Az 𝑅 ebben a formulában az eredő vektor átlagának felel meg. Ezek felhasználásával a szórás értéke az alábbi képlettel számolható ki. 𝑠𝑧ó𝑟á𝑠 =

−2 ln 𝑅1

(11)

A mintaértékek eloszlásának vizsgálatát a ferdeség és a csúcsosság definiálásával folytatható. 𝑓𝑒𝑟𝑑𝑒𝑠é𝑔 =

𝑅2 𝑠𝑖𝑛 𝛩𝑟 2 −2𝛩𝑟 1 3

(12)

1−𝑅1 2

𝑐𝑠ú𝑐𝑠𝑜𝑠𝑠á𝑔 =

𝑅2 𝑐𝑜𝑠 𝛩𝑟 2 −2𝛩𝑟 1 −𝑅14 1−𝑅1 2

(13)

A szürkekép gradienst, mint virtuális csatornát felhasználva tehát a képből nyerhető paraméter halmaz a következőkkel bővíthető: 

∇ átlag- A szürkeskála gradiens magnitudó érték átlaga



∇szórás- A szürkeskála gradiens magnitudó érték szórása



∇ferdeség- A szürkeskála gradiens magnitudó érték ferdesége



∇csúcsosság- A szürkeskála gradiens magnitudó érték csúcsossága



Θ ∇ átlag- A szürkeskála gradiens orientációjának érték átlaga



Θ ∇szórás- A szürkeskála gradiens orientációjának érték szórása



Θ ∇ferdeség- A szürkeskála gradiens orientációjának érték ferdesége



Θ ∇csúcsosság- A szürkeskála gradiens orientációjának érték csúcsossága

22

5 A MESTERSÉGES NEURÁLIS HÁLÓZAT A 4. fejezet bemutatta a paraméter halmaz elkészítésének lényegi pontjait. Ebben a fejezetben szeretnék rátérni a betanított mesterséges neurális hálózat szerkezetének bemutatására, és elkészítési módjára, amely elvet a 12. ábra szemléltet. A paraméter halmaz adatait a bemeneti adatokként kezeljük, majd az elkészített hálózattal megtanítjuk az előrebecslést, és a kimeneti adatként a becsült kilépő víz hőmérsékletet kapjuk meg.

12. ábra A mesterséges neurális hálózat elkészítésének alapja

A mesterséges neurális hálózatok készítésének kulcsfontosságú lépése a pontos cél megfogalmazása.

Esetünkben

a

cél

a

kilépő

víz

hőmérsékletének

előrejelzése.

Tüzeléstechnikai szempontból számunkra ez az adat a legfontosabb, így a kimenő víz hőmérséklet adata a végső kimenetet jelöli. Minden lángképből kapott többletinformációt fel lehet használni arra, hogy a mesterséges neurális hálózat segítségével a tüzelés minőségét megbecsüljük [30]. A 13. ábra bemutatja a mesterséges neurális hálózat szerkezetét. A legfelső és a legalsó sorban található körök kivételével, a körök a neuronokat szimbolizálják. A legfelső 23

sorban található körök a bemeneti adatokat, a legalsó sorban található körök a kimeneti adatokat jelképezik. A vonalak a neuronok közötti kapcsolatoknak felelnek meg. Ahogy az ábrán is látható, a mesterséges neurális hálózatok bemenetei blokkokhoz kapcsolódnak. Minden blokk több rétegből áll, és minden réteg határozott számú neuront tartalmaz. A bemenet és a kimenet is nevezhető bemeneti-, és kimeneti rétegnek, de ebben az esetben a többrétegű hálózatok rejtett hálózatnak tekinthetők.

13. ábra A mesterséges neurális hálózat szerkezete

A tanított mesterséges neurális hálózat bemeneti rétege megegyezik a 27 adatból készített paraméter halmazzal, ami azt jelenti, hogy a 27 db adat szolgáltatja a bemeneti neuronokat. A hálózat 200 blokkot, blokkonként 5 réteget és minden rétegben 50 neuront tartalmaz. A blokkok száma megegyezik az előrebecsült időpillanatok számával, azaz a hálózat 200 időpillanatra becsül előre. Ha az első időpillanatban rögzített paraméter adatokat használjuk fel az előrebecsléshez, akkor az első időpillanat bemeneteli értékeiből becslést kapunk az első időpillanattól kezdve a következő kétszázadik időpillanatig a kimenő víz hőmérsékletéről. A mesterséges neurális hálózat implementálása Python programnyelvben történt [31].

24

6 EREDMÉNYEK Az előző fejezetben bemutatott mesterséges neurális háló szerkezeti elkészítése után a háló betanítása is megtörtént, így a tanított hálózat előrebecslés adatainak felhasználásával itt a statisztikai eredményeket ismertetem. Kitérek az előrebecslésre, a becslés hibájára, a mesterséges neurális háló tanulására, az adatok fontosságára és az érzékenységre is.

6.1 ELŐREBECSLÉS A 14. ábra a készített neurális háló által végzett becslést mutatja, a kísérleti kampány 20 különböző időpontjából indulva. Az indulási időpontokat a 0 időpont jelzi az ábrák vízszintes tengelyein. A vízszintes tengelyen az eltelt idő [min], a függőleges tengelyen a kazán kimenő vízhőmérséklete [°C] olvasható le. Az előrebecslés teljes, közel 27 perces időtartamára vonatkozó adatok elérhetők voltak a kezdő időpontban.

14. ábra Az előrejelzés eredménye

A képeken látható kék színnel jelzett oszlopok a 27 paraméter állapotát jelöli, melyek információtartalmától – tekintve, hogy az túlmutat e dolgozat célkitűzésein – eltekintek. A képeken látható sötétkék színnel jelzett folytonos vonal mutatja a kazán mérőrendszere által mért kilépő vízhőmérsékletet. A szürke színű satírozott tartomány mutatja az előrebecsült 25

kilépő víz hőmérsékletét. A satírozott tartományon az idő elteltével színátmenet figyelhető meg. Minél sötétebb a szín, annál valószínűbb az előrebecsült érték bekövetkezése. Más szóval, a becsléseket jelző színezett tartományok a becsült értékek valószínűségsűrűségeloszlását mutatják az idő függvényében. Ahogy az előrebecsült hőmérsékletre vonatkozó becslés határozatlansága nő, úgy világosodik a tartomány színe. Az eltelt idő tengelyén látható, hogy az előrebecslés ideje megközelítőleg 26-27 perc. Ez az időérték nincs összefüggésben a bemenő paraméterek számával (27). Minél közelebb található az előrejelzés időtartalma a kezdő időponthoz, annál valószínűbb a nagyobb becslés határozottsága. Ahogy az előrebecslés ideje távolodik a jelen időponttól, értelemszerűen úgy csökken a becslés határozottsága. Más szóval, minél távolabbi időponthoz tartozó kimenő vízhőmérsékletet igyekszünk megbecsülni, annál nehezebb pontos becslést adnunk.

6.2 AZ ELŐREBECSLÉS HIBÁJA Az előző 14. ábrán keresztül láthatóvá vált az előrebecslés valószínűségsűrűségeloszlása. A 15. ábra bemutatja az előrebecslés eltelt idő növekedésével a becsült hőmérsékletek átlagos tévedését. A hiba értéke a becsült és az adott időpontban mért tényleges hőmérsékletek különbségének négyzetátlaga.

15. ábra Az előrebecslés hibája

26

A függőleges tengelyen az előrebecslési hiba értéke [°C], a vízszintes tengelyen az eltelt idő [min] olvasható le.

A szürke oszlopok szemléltetik a hiba értékét az időpillanat

függvényében. A kék vonal az adott időpillanathoz tartozó hiba értékének mozgó átlagát adja meg. A kék vonal szemlélteti azt, hogy az idő elteltével milyen mértékben növekszik a hiba mértéke. Látható, hogy az átlagos hiba a jelen időponthoz közeli időkhöz tartozó elhanyagolható értéktől a megközelítőleg 27 perces előrejelzéshez tartozó, kb. 1 °C hőmérséklet között változik. Ahogy az várható volt, az átlagos tévedés mértéke az előrebecslés idejével nő.

6.3 A MESTERSÉGES NEURÁLIS HÁLÓZAT BETANULÁSA A következő eredmény a mesterséges neurális hálózat tanulását érinti, a 15. ábrán a mesterséges intelligencia alkalmazásához szükséges tanulási folyamat jellemzői láthatók. A függőleges tengelyen a saját hiba értéke- dimenzió nélkül szám-, a bal vízszintes tengelyen az iterálások száma olvasható le. A jobb vízszintes tengelyen az eltelt idő értéke percben látható. Az ábrán látható kék színátmenettel rendelkező oszlopok megegyeznek a blokkok számával. Az idő előrehaladta megegyezik az előrebecslés időtartamával.

16. ábra A mesterséges neurális hálózat tanulása 27

Saját hiba alatt a hálózat által végzett becslések átlagos hibáját értjük, a tanításhoz felhasznált, ismert adatokhoz képest. A hálózat tanításának célja a saját hiba elhanyagolható értékre csökkentése. A hálózat tanítása több módon történhet. E módszerek közül a dolgozat során az ún. sztochasztikus gradiens ereszkedés módszert használtuk [30]. A sztochasztikus gradiens ereszkedés módszere iteratív, más szóval a saját hiba az algoritmus ismételt végrehajtásával csökken. Az algoritmus egyszeri végrehajtását nevezzük egy iterációnak. Az iterálás számának növelésével csökken a saját hiba értéke. Az első iteráció során a saját hiba magas. Ugyanakkor, további iterálással ez a hiba csökken. A 16. ábrán látható, hogy a hálózat saját hibája csökken az iterációk számának növekedésével, de növekszik az előrebecslés idejének növekedésével. Más szóval, ahogyan egyre távolabbi időpontokra igyekszünk becslést végezni, a hálózat annál nehezebben (több iteráció alatt) képes a bemenő paraméterek és kimenő vízhőmérséklet közötti összefüggések kielégítő megtanulására. A levonható következtetés az, hogy minél több az iteráció és ezzel együtt alacsony az előrebecslés időtartalma, annál kisebb a hálózat saját hibája. Célszerű az iterációk számát úgy megválasztani, hogy a hálózat saját hibája az előrebecslés minden időpontján kielégítsen egy előre meghatározott feltételt.

6.4 ÉRZÉKENYSÉG ÉS ADATOK FONTOSSÁGA A fent bemutatott mesterséges neurális hálózat a tanítás után képes a folyamatot leíró, fent részletezett paraméterek alapján becslést adni a kimenő vízhőmérséklet jövőbeli értékét illetően. A mesterséges neurális hálózat tanult, belső összefüggésrendszere, az azt alkotó nagyszámú neuron, és a neuronok összetett, nemlineáris válaszfüggvénye miatt nehezen értelmezhető és vizsgálható. A kapott neurális modell viselkedése azonban szemléletesen jellemezhető ún. érzékenység vizsgálat segítségével [31]. Az érzékenység vizsgálat célja annak feltárása, hogy a hálózat kimenete milyen erős függvénye a bemeneteknek. A 17. ábrán a paraméter halmaz egyes elemeinek fontossága látható a becslési idő függvényében. Egy bemenő paramétert fontosnak nevezünk, ha a hálózat kimenete erős függvénye az adott bemenő paraméternek, azaz az adott bemenő paraméter változására a neurális hálózat kimenete is változással válaszol. A függőleges tengelyen a bemenő paraméter megnevezései láthatóak, a vízszintes tengelyen az előrebecslés időtartama. A paraméterek érzékenységi mutatóját a színek árnyalata jelzi.

28

17. ábra A mesterséges háló érzékenysége a különböző paraméter adatok értékeire

A 17. ábráról látható, hogy a kimenő vízhőmérséklet pillanatnyi értéke nagy fontosságú paraméter akkor, ha az előrebecslés ideje rövid. Ez az eredmény várható volt, hiszen a kimenő vízhőmérséklet értéke a közeli jövőben erős függvénye annak pillanatnyi értékének. Megfigyelhető, hogy megközelítőleg az előrebecslés első 5 percében a kilépő víz hőmérséklete számottevő más adatokhoz képest, majd az 5-9. percig veszít fontosságából, utána ismét mérvadó lesz, majd hosszú távú becslések esetében ismét veszít fontosságából. A képből kinyert információk fontossága kb. 8 percnél hosszabb távú becslések esetében nyer fontosságot. A R csatorna intenzitásának szórása fontos paraméternek mutatkozott minden, 8 percnél előrébb látó becslés esetében. A B csatorna intenzitásának ferdesége nagy fontosságú a 16 és 19 perc közötti előrebecslések esetében. A hosszú távú (20 percnél távolabbi) becslések esetében a láng alakját jellemző, a szürkekép gradiens csatornából nyerhető paraméterek fontosságot nyernek. Összességében elmondható, a becslési időtartam növekedésével a képadatok többségének fontossága növekszik. 29

A 18. ábrán kék színű oszlopok szemléltetik a kazán rendszere által mért adatok fontosságának változását, a szürke színnel jelzett oszlopok a lángkép információiból számolt adatok fontosságának változását az becslési idő függvényében.

18. ábra A különböző paraméter adatok fontossága

Az oszlopok növekvő tendenciát mutatnak, a képekből nyerhető paraméterek fontossága azonban nagyobb mértékben növekszik az előrebecslés idejével, mint a

kazán

mérőrendszeréből nyerhető paramétereké.

6.5 A BEMENŐ PARAMÉTEREK FONTOSSÁGI SORRENDJE A bemenő paraméterek, azok érzékenységi mutatói alapján fontossági sorrendbe állíthatók. A legfontosabb 11 db paramétert az alábbi felsorolás mutatja. A paraméterek közül 4 db a kazán mérőrendszeréből kinyert adat. A fontos paraméterek közül 3 db a lángképek szürkekép gradiens irányultságából kapható, 2 db adat a piros fénycsatorna adatából, és 1-1 db adat a lángkép orientációjából és a kék fénycsatorna adatából. A legfontosabb adat a kilépő és a belépő víz hőmérséklete. A ferdén szedett sorok a kazán mérőrendszeréből kapott adatok.

30

-

kimenő víz hőmérséklete

-

bejövő víz hőmérséklete

-

kazán kapacitása

-

R szórás

-

∇ szórás

-

∇ ferdeség

-

∇ átlag

-

Füstgáz oxigén tartalma

-

Θ ∇ csúcsosság

-

R átlag

-

B ferdeség

A fontossági sorrendben található 4 db kazán mérési adat. A legfontosabb adat a kilépő víz hőmérsékleti értéke, hiszen ezt az értéket kell megbecsülni. Ha a kazánból kilépő vízhőmérséklete csökken, akkor az előrebecslés is csökkenő irányba mutat. A bejövő (visszatérő) víz hőmérséklete a második legfontosabb érték, majd a kazán kapacitása és a füstgáz oxigén tartalmának értéke. A kazán aktuális teljesítménye arra utalhat, hogy a kazán rendszer milyen mértékben dolgozik azon, hogy a kívánt kilépő víz hőmérsékletet elérje. A kazán üzemeltetésénél is a kilépő hőmérséklet érték az, amihez a kazán rendszere hasonlítja az aktuális értéket. Így, ha a kilépő víz hőmérséklete csökken, a kazán bekapcsol, emelkedik a teljesítménye, és ezt a neurális hálózat úgy értelmezi (logikusan), hogy növekedni fog a kilépő víz hőmérséklete. A füstgáz oxigén tartalma is tüzeléstechnikai paraméter, következtetni lehet belőle a tüzelés minőségére. Mindvégig a fontossági rend felső kategóriájában kap helyet. Ha csökken a füstgáz oxigén tartalma, az értelmezhető aktuális hőigénynek is, például tüzelőanyag behordás történt, és ezzel együtt, vagy közvetlenül ez után ventilátor teljesítmény is nőni fog. A neurális hálózat megtanulta, hogy ez azt jelentheti, hogy kilépő víz hőmérséklete növekedni fog. A közepes fontossági kategóriában már csak egy kazán mérési adat szerepel, a többi a lángkép információ adatokból tevődik össze. A fontossági sorrend a következő: G átlag, B szórás, ∇ csúcsosság, G ferdeség, G szórás, Primer 2 levegő ventilátor, R csúcsosság. Látható, hogy ebben a kategóriában a zöld fénycsatorna fontossága kiemelkedő, és többségében az RGB fénycsatornák értékei foglalnak helyet.

31

A nem fontos kategóriába 9 db adat tartozik, sorrendben a következőek: B átlag, R ferdeség, B csúcsosság, Primer 1 levegő ventilátor, G csúcsosság, Θ ∇ szórás, Θ ∇ ferdeség, Szekunder levegő ventilátor, Θ ∇átlag. A 9.2 mellékletben szereplő M4. ábrán megfigyelhető a különböző paraméterek fontossági változása az idő függvényében.

6.6 LÁNGKÉP JELLEMZÉS E fejezetben a neurális hálózat viselkedését igyekszünk kvalitatívan jellemezni. A lángképekben található adatmennyiség a csatornák intenzitásértékeinek eloszlásfüggvényei alapján a fent részletezett módon redukálhatók. A neurális hálózat bemeneteként megjelenő paraméterek mindegyike normalizált, azaz értékeik értelmezési tartománya véges. Mivel az értelmezési tartomány véges, minden paraméter értéket intervallumokba rendezhetünk, ami segít a neurális hálózat működésének kvalitatív leírásában. A 19. ábrán reprezentatív lángképeket láthatunk, azaz az adott normalizált, bemeneti paraméter intervallum kategóriáihoz tartozó, jellemző lángképeket. A 20. ábrán „átlagolt lángképek” láthatóak. Ezen átlag képek úgy nyerhetők, hogy a mérések során rögzített képeket szűrjük az azokhoz rendelt bemeneti paraméterek értéke alapján, majd a szűrés után maradó képek halmazából átlagos intenzitás mátrixokat állítunk elő. Az átlag képeket tekintve elkerülhető a paraméterek jelentésének és hatásának kis mintaméret miatti félreértelmezése. Az ábrák első oszlopa adja meg a paraméter nevét, amelynek változását kívánja szemléltetni hozzátartozó képsor. Az első sorban található számintervallumok a paraméterek normalizált értékét adják meg. A képsorok segítségével a kiemelt paraméter értékének változásának függvényében vizsgálható a láng kinézete, ami segítségül szolgálhat a mesterséges neurális hálózat működésének megértésében. A lángképek elemzésével a tüzelés állapotáról információt kaphatunk, így megkülönböztethetünk és felismerhetünk növekvő (feltámadó), csökkenő (elhaló), fújtatott, nem fújtatott, kigázosodó, parázsló, stb. állapotokat. A következőkben vázlatosan ismertetem a 19. és 20. ábrákból levonható következtetéseket. 

A piros csatorna intenzitás-eloszlásának szórása A szórás értéke kifejezi, hogy mekkora az átlagtól való eltérés. Ha az intenzitás átlaga kicsi, akkor az átlagtól való eltérés is várhatóan kicsi. Emiatt a szórás információt hordoz az intenzitás abszolút értékéről, és az ettől való átlagos eltérésről is. A piros csatorna a lángképek információtartalmának többségét hordozza, mivel a láng 32

színében a piros komponens dominál. Ezek alapján érthető, hogy a neurális hálózat a piros intenzitások szórásához nagy jelentőséget rendelt. 

A kék csatorna intenzitás-eloszlásának ferdesége Ahogy a 17. ábrán látható volt, a kék intenzitások eloszlásának ferdesége fontos paraméterré válik akkor, ha az előrejelzés 16-19 perccel a jelen időpontot követő időpontra vonatkozik. Ennek megértéséhez tekintsük a paraméterhez tartozó reprezentatív lángképeket a 19. és 20. ábrákon. Mivel a kazán üzemelésének periódusideje jellemzően 16 és 20 perc között volt, érthető, hogy ez a paraméter nagy fontosságú akkor, ha a periódusidővel egybeeső előrejelzést kell tennünk a kimenő vízhőmérsékletet illetően. Következtetésként, a paraméter a kazán működő és nem működő állapotára reagál.



A gradiens magnitúdó és orientáció alapján számítható paraméterek A paraméterekben közös, hogy a láng alakjáról több információt tartalmaznak, mint a láng intenzitásáról. A gradiens magnitúdó eloszlásfüggvénye jellemzi a láng intenzitásának eloszlását a képen, illetve a tűztérben. A gradiens orientáció értékeinek eloszlása információt ad a látható lángnyelvek irányáról, ill. a lángnyelvek hosszáról és párhuzamosságáról. A 18. ábrán látható, hogy a hosszú távú becslések végzésekor e paraméterek fontossága nagy. Valószínű, hogy a paraméterek fontosságát az adja, hogy e paraméterek állnak legszorosabb összefüggésben a tüzelés aktuális fázisával. Például, ha a láng feléledőben van (a kazánt épp felfűtik), a láng intenzitása viszonylag homogén módon tölti ki a látóteret, míg primer levegő befúvás nélkül, a lehűlési fázisban a láng intenzitásának térbeli eloszlása inhomogén, „lyukakat”, üres területeket tartalmaz. Ezek alapján sejthető, hogy a neurális hálózat a tüzelés aktuális fázisára következtet a láng aktuális alakjáról, amit hozzárendel a tanult periodicitáshoz és üzemeltetési szokásokhoz. A hosszú távú becsléseket mindezek alapján végzi.

Az előző fejezetben kifejtettem, hogy a piros csatorna szórása, a szürkekép gradiens magnitúdó szórása, ferdesége, átlag értéke, a szürkekép gradiens orientáció csúcsossága és a kék csatorna ferdeségének értéke a fontossági sorrend elején kap helyet. A 19. és 20. ábrákon e funkcióknak a reprezentatív lángképei láthatóak, így érezhető, hogy a felsorolt fontosabb funkciók milyen tüzelési állapotokra reagálnak jól.

33

19. ábra A lángképek reprezentatív módon szemléltetve

20. ábra A reprezentatív lángképek átlagolásából kapott lángképek 34

6.6.1

A

LÁNGKÉPEK

ÉS

A

KAZÁN

TÜZELÉSTECHNIKAI

PARAMÉTEREINEK

ÖSSZEHASONLÍTÁSA

A lángképek kvalitatív jellemzését követően a kazán tüzeléstechnikai paramétereivel vettem össze a kiemelt fontosabb paramétereket. Az 6.5 fejezetben bemutatott bemenő paraméterek fontossági listájából emelném ki a R szórás, B ferdeség, ∇ szórás, ∇ ferdeség, ∇ csúcsosság, Θ∇ csúcsosság paramétert. A választás azért esett ezekre a paraméterekre, mert a fontossági listában található elemek és a hozzájuk rendelhető lángképek szemléletesek. Ezeket a bemenő paramétereket társítom a kazán tüzeléstechnikai paramétereivel, és áttekintem adott időpillanatban rögzített lángkép információtartalma és ugyan abban az időpillanatban rögzített kazán tüzeléstechnikai paramétere közötti összefüggéseket. Segítségül veszem az 6.6 fejezetben található 19. ábrán és 20. ábrán található reprezentatív lángképeket is. Az üzemi mérés során rögzített lángképeket és kazán tüzeléstechnikai paramétereit (amelyek a neurális hálózat szempontjából a neurális hálózat bemenő paraméterei között is szerepelhetnek) ugyan azon mérési időpontban összevetettem. Úgy, ahogy a lángképek többletinformáció tartalmának kinyerése során is, az összes lángkép 20 paraméterének értékét kinyertem a normalizált adatsor felhasználásával. A normalizált adatok egy tizedjegyes tartományba kategorizálható. Ezt a 10 kategóriát elneveztem 1÷ 10 közötti kategóriának. Példaként említve, azok a lángképek, amelyek a 0,5 – 0,6 közötti normalizált értékek között szerepelnek, a 6. kategóriába esnek. A kategorizálás után rátértem a tüzeléstechnikai paraméterek összehasonlítására. Az ismert kategóriájú lángképekhez tartozó ugyan abba a kategóriába eső tüzeléstechnikai paramétereket kigyűjtöttem, és azokat átlagoltam. Az átlagolt értékek segítenek abban, hogy a reprezentatív képekhez rendeljem a tüzeléstechnikai értékeket, így leírható olyan következtetés, amely hozzájárul a lángkép figyelés alapú kazán működés megértéséhez. A jellemzést az R szórás, B ferdeség, ∇ szórás, ∇ ferdeség, ∇ csúcsosság, Θ∇ csúcsosság paraméterekre végzem el. A kazánhoz tartozó tüzeléstechnikai paraméterek közül a kilépő (előremenő) víz hőmérsékletet, a visszatérő víz hőmérsékletet, kazán kapacitást, a kilépő füstgáz hőmérsékletét és annak oxigén tartalmát, égéstér hőmérsékletet, primer 1 és 2 levegő ventilátorok és szekunder levegő ventilátor értékét szemléltetem paramétertől függően. Számos kazán tüzeléstechnikai paramétert terjedelmi okok miatt a megjelölt mellékletbe tüntettem fel. 35

6.6.1.1 R szórás paraméter Mint fentebb olvasható, a mesterséges neurális hálózat a piros intenzitások szórás értékének nagy jelentőséget rendelt, ezért lényeges részletesen jellemezni az R szóráshoz tartozó tüzeléstechnikai paramétereket. A 19. a) ábra az R szóráshoz tartozó reprezentatív lángképeket szemlélteti, a 20. a) ábra az R szóráshoz tartozó átlag reprezentatív képeit mutatja be.

19. a) ábra Az R szóráshoz tartozó lángképek reprezentatív módon szemléltetve

20. a) ábra Az R szóráshoz tartozó reprezentatív lángképek átlagolásából kapott lángképek

A következő 21. ábrától 29. ábráig terjedő diagramok elkészítéséhez felhasznált értékek a 9.3 fejezet melléklet M1-M9. táblázataiban találhatóak. Égéstér hőmérséklete és kazán kapacitás Az égéstér hőmérsékletének változását és a kazán kapacitásának változását érdemes együtt vizsgálni. A 21. ábra az égéstér hőmérsékletének értékeit, a 22. ábra kazán kapacitás értékeit szemlélteti a különböző kategóriák függvényében. Az első és negyedik kategória között található értékek égéstér hőmérsékletének csökkenését, a negyedik kategóriától megközelítőleg a nyolcadik kategóriáig égéstér hőmérséklet növekedését, majd a tizedik kategóriáig újra meredek csökkenését láthatjuk. Összehasonlítva a 21. ábra égéstér hőmérséklet változásának diagramját és a kazán kapacitáshoz tartozó 22. ábrán látható diagramot, fordított arányosság mutatkozik. Figyelemfelkeltő, hiszen úgy tűnik logikusnak, hogy ha a kapacitásnövelés a cél, akkor azt az égéstér hőmérsékletének növelésével érhető el. Ugyanakkor, láthatóvá válik a levegő ventilátor diagramjainak megfigyelése során (27. ábra, 28. ábra és 29. ábra), hogy ha a kazán kapacitása növekedik, akkor mind a három- primer 1. , primer 2 és szekunder levegő ventilátor kapacitás értéke is 36

növekedik. Ennek magyarázata az, hogy több alacsony hőmérsékletű környezeti levegő kerül be az égéstérbe kapacitás emelésekor, és ennek okán csökken az égéstér hőmérséklete. ( A dolgozat nem részletezi a tüzelőanyag beadagolás és mesterséges neurális hálózat témájának összefüggését, de megemlítendő, hogy az égéstér hőmérséklet csökkenésének másodlagos oka az, hogy a kapacitás növeléskor több tüzelőanyag kerül beadagolásra. A nagyobb mennyiségű tüzelőanyag hőt igényel a begyulladáshoz, így ez is csökkenti a kazán égésterének hőmérsékletét.) A negyedik kategória után az égéstér hőmérséklete növekedik, és a kazán kapacitása csökken. Más szóval, a kazán kapacitás a ventilátorok (és tüzelőanyag behordó rendszerek, melyek kifejtésétől ebben a dolgozatban eltekintünk) szabályozásával kapcsolódik össze.

21. ábra Az égéstér hőmérséklet változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

37

22. ábra A kazán kapacitás változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

A visszatérő vízhőmérséklete Az alábbi 23. ábrán a visszatérő víz hőmérséklet értékei láthatóak a kategóriák függvényében. Az ábra vízszintes tengelyén a kategóriák száma látható, a függőleges tengelyen a visszatérő víz hőmérséklet értéke °C- ban. A neurális hálózat érzékenységének vizsgálata során (6.4 fejezet) megjegyeztem, hogy a neurális hálózat működése a visszatérő vízhőmérséklet értékére a legérzékenyebb. Az állítást igazolja a fentebbi 22. ábrán látható kazán kapacitásához tartozó diagrammal való összehasonlítás is. A kazán szabályozása a visszatérő hőmérséklet értékére is alapozható, hiszen a két diagramon látható értékek fordítottan arányosak. Azaz, ha a visszatérő hőmérséklet csökken (és nagyobb hőmérsékletű előremenő víz az igény), akkor a kapacitás nő, hogy előállítsa az előírásnak megfelelő hőmérsékletű vizet.

38

23. ábra A visszatérő víz hőmérséklet változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

Előremenő vízhőmérséklet és a füstgáz hőmérséklete A kazán működésének „ellenőrzésére” a következő 24. és 25. ábrát hívom segítségül. A 24. ábra az előremenő víz hőmérséklet értékeit, a 25. ábra a füstgáz hőmérséklet értékeit szemlélteti a kategóriák függvényében. Mind a két ábra vízszintes tengelyén a kategóriák sorszáma olvasható le. A 24. ábra függőleges tengelyén az előremenő (kilépő) víz hőmérséklet értéke °C- ban, a 25. ábra függőleges tengelyén a füstgáz hőmérséklet értéke látható szintén °C- ban. Az előremenő víz hőmérsékletének változása és ezzel együtt a füstgáz hőmérsékletének változása lineárisan növekvő tendenciát mutat a kategóriák növekedésével- az előremenő víz hőmérsékletének tizedik kategóriáját leszámítva.

39

24. ábra Az előremenő víz hőmérséklet változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

25. ábra A füstgáz hőmérséklet változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

40

Füstgáz oxigén tartalma A 26. ábrán látható a füstgáz oxigén tartalmának átlag érték változása a kategóriák függvényében. Az ábra függőleges tengelyén a füstgáz oxigén tartalmának térfogat % értéke, a vízszintes tengelyen a kategóriák sorszáma látható. Az első kategóriától az ötödik kategóriáig meredeken csökken, majd a következő öt kategóriában csak kis változás látható. A füstgáz oxigén tartalmának változása fordítottan arányos a füstgáz hőmérsékletének változásával. Ha az első és negyedik kategória között a magasabb érték a már említett magasabb levegő ventilátor működéssel magyarázható. Ez többletlevegő beadagolást jelent, hogy az égés megfelelően létrejöjjön és ne lépjen fel oxigén hiány.

26. ábra A füstgáz oxigén tartalmának változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

Ventilátorok (Primer 1-, Primer 2- és Szekunder levegő ventilátor) A kategorizált R szórás lángképekhez tartozó levegő ventilátor jelleggörbékről elmondható jellemzőket a fejezet elején említett tüzeléstechnikai paramétereinek leírásakor összefüggésbe hoztam.

41

A kategóriák függvényében ábrázolt primer 1 levegő ventilátorok értékeit a 27. ábra, a primer 2 levegő ventilátor értékeit a 28. ábra és a szekunder levegő ventilátor értékeit a 29. ábra szemlélteti. Az ábrák vízszintes tengelyén a kategóriák sorszáma, a függőleges tengelyen a ventilátor kapacitás % értéke látható.

27. ábra A primer 1 levegő ventilátor kapacitás változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

28. ábra A primer 2 levegő ventilátor kapacitás változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében 42

29. ábra A szekunder levegő ventilátor kapacitás változása a piros szórás (R szórás) paraméterhez rendelt kategóriák függvényében

Összefoglalóan megállapítható, hogy az R szórás paraméter változása a láng nagyságára reagál, milyen mértékben tölti ki a kamera által látott területet. E paraméter jellemzésével a kazán szabályozási rendszere áttekinthető és értelmezhetővé vált. 6.6.1.2 B ferdeség paraméter A 19. b) ábra az B ferdeséghez tartozó reprezentatív lángképeket szemlélteti, az 20. b) a B ferdeséghez tartozó átlag reprezentatív képeit mutatja be. A B ferdeség paraméterhez tartozó reprezentatív képek első két tartományában, azaz 0-0.2-ig intenzív égésre jellemző lángkép, ezzel szemben a képek többségében a lángkép alig látható. Ennek értelmében a következtetés az, hogy a B ferdeség paraméter érzékeny a láng jelenlétére. A tüzeléstechnikai paramétereket elemezve feltárható, hogy a láng kialvó állapotáról, a kazán működéséről- nem működéséről ad információt.

19. b) ábra Az B ferdeség tartozó lángképek reprezentatív módon szemléltetve 43

20. b) ábra Az B ferdeség tartozó reprezentatív lángképek átlagolásából kapott lángképek

A 30. ábra a füstgáz hőmérséklet értékét, a 31. ábra a füstgáz oxigén tartalmát, a 32. ábra a primer 2 levegő ventilátor értékeit szemlélteti a kategóriák függvényében. Az ábrákhoz tartozó adatok táblázatos formában a 9.3 fejezet mellékletében találhatóak. Mind a három ábra vízszintes tengelyén a kategóriák sorszáma olvasható le. A 30. ábra függőleges tengelyén a füstgáz hőmérséklet értéke °C- ban, a 31. ábra füstgáz oxigén tartalom érték térfogat %- ban, a 32. ábra levegő ventilátor kapacitás értéke %-ban látható. E három paraméter vizsgálatát célszerűnek látom annak kijelentése érdekében, hogy alátámasztható legyen, hogy a B ferdeség paraméter 3 ÷ 10 kategóriája arra enged következtetni, hogy a kazán kialszik. Ha megfigyeljük a 30. ábrát, láthatjuk, hogy a füstgáz hőmérséklete lecsökken, a hőmérséklet ingadozás kicsi, hisz a tartomány 120,21 °C és 117,09 °C között van (a különbség 3,02 °C).

30. ábra A füstgáz hőmérséklet változása a kék ferdeség (B ferdeség) paraméterhez rendelt kategóriák függvényében

44

A kis hőmérséklet ingadozással érdemes összevetni a füstgáz oxigén tartalmát is ugyan azon kategóriában a 31. ábrán. Az érték ingadozása kicsi, pontosabban 18,6 és 17,6 v/v % között mozog. Emellett nincs jelentősebb levegő ventilátor kapacitás változás. A levegő ventilátor kapacitás alacsony értéke azt jelenti, hogy nincs hőigény. Mivel a füstgáz oxigén tartalma magasabb értékeket vesz fel, arra enged következtetni, hogy égés vagy tökéletlen égés nincs.

31. ábra A füstgáz oxigén tartalmának változása a kék ferdeség (B ferdeség) paraméterhez rendelt kategóriák függvényében

32. ábra A primer 2 levegő ventilátor kapacitás változása a kék ferdeség (B ferdeség) paraméterhez rendelt kategóriák függvényében 45

Összegezve, a B ferdeség paraméter a harmadik kategóriától a tizedik kategóriáig a kazán leállását, a tűz kialvó állapotát érzékeli. A B ferdeséghez tartozó további tüzeléstechnikai paraméterek szemléltetése a 9.4 fejezet mellékletében tekinthetőek meg. 6.6.1.3 Szürkekép gradiens magnitúdó szórása A szürkekép gradiens paraméterek a lángok alakjáról adnak többletinformációt. A 19. c) és 20. c) ábrát tekintve a lángok homogenitása széles tartományban változik. A homogenitás változása összhangban van a ventilátorok működésével.

19.c) ábra A szürkekép gradiens magnitúdó szóráshoz tartozó lángképek reprezentatív módon szemléltetve

20. c) ábra A szürkekép gradiens magnitúdó szóráshoz tartozó reprezentatív lángképek átlagolásából kapott lángképek

A 33. ábrán a szürkekép gradiens magnitúdó szórás paraméterhez rendelt primer 1 levegő ventilátor értékek láthatóak. A vízszintes tengelyen a kategóriák sorszáma, a függőleges tengelyen a primer 1 levegő ventilátor kapacitás értékek %-ban olvashatóak le. A szürkekép gradiens magnitúdó alacsony értéke a ventilátorok magasabb kapacitására reagálnak. Minél alacsonyabb a szórás értéke, annál magasabb a primer 1 levegő ventilátor (és ezzel együtt a többi ventilátor) kapacitása, azaz a felfűtési fázisra reagál a gradiens magnitúdó alacsony értéke. A harmadik kategóriától a tizedik kategóriáig már nem figyelhető meg jelentősebb levegő ventilátor működés.

46

33. ábra A primer 1 levegő ventilátor kapacitás változása a szürkekép gradiens magnitúdó szórás paraméterhez rendelt kategóriák függvényében

A 33. ábrán található diagram elkészítéséhez felhasznált adathalmaz a 9.3 fejezet mellékletében található. Továbbá, 9.4 fejezet mellékletében a Primer 2 (M23. táblázat és M11. ábra) és Szekunder levegő ventilátorok adatait ( M24. táblázat és M12. ábra) és diagramját szemléltetem. 6.6.1.4 Szürkekép gradiens magnitúdó ferdesége A szürkekép gradiens magnitúdó ferdeségének változását a 19. d) és 20. d) ábra szemlélteti. A képeken látható, hogy a láng mérete csökken az értékek növekedésével. A paraméter a tűz kialvó állapotára reflektál.

19. d) A szürkekép gradiens magnitúdó ferdeségéhez tartozó lángképek reprezentatív módon szemléltetve

47

20. d) A szürkekép gradiens magnitúdó ferdeségéhez tartozó reprezentatív lángképek átlagolásából kapott lángképek

A 34. ábra diagramban kívánja szemléltetni a füstgáz hőmérséklet csökkenését a szürkekép gradiens magnitúdó ferdeség értékének növekedésének függvényében. A vízszintes tengelyen a kategóriák sorszáma látható, a függőleges tengelyen a füstgáz hőmérséklet értéke olvasható le °C –ban. A diagramhoz tartozó adatok a 9.3 fejezet melléklet M14. táblázatában találhatóak. A diagramról látható, hogy a hőmérséklet értéke folyamatosan csökken a 8. kategóriáig, majd újra megemelkedik.

34. ábra A füstgáz hőmérséklet változása a szürkekép gradiens magnitúdó ferdeség paraméterhez rendelt kategóriák függvényében

48

6.6.1.5 Szürkekép gradiens magnitúdó csúcsossága A szürkekép gradiens magnitúdó csúcsosságának változását a 19.e) és 20. e) ábra szemlélteti. A képeken látható, hogy a láng mérete nő az értékek növekedésével. A paraméter a tűz éledő állapotára reflektál.

19. e) A szürkekép gradiens magnitúdó csúcsosságához tartozó lángképek reprezentatív módon szemléltetve

20. e) A szürkekép gradiens magnitúdó csúcsosságához tartozó reprezentatív lángképek átlagolásából kapott lángképek

A 35. ábra diagramja kívánja szemléltetni a füstgáz hőmérséklet csökkenését a szürkekép magnitúdó csúcsosság értékének növekedésének függvényében. A diagramhoz tartozó adatok a 9.3 fejezet melléklet M15. táblázatában találhatóak. A 35. ábra vízszintes tengelyén a kategóriák sorszáma látható. Az ábra függőleges tengelyén a füstgáz hőmérséklet értéke olvasható le °C –ban. Ahogy említettem, a szürkekép magnitúdó csúcsossága a láng éledő állapotáról ad többletinformációt. A 35. ábrán szemléltetett füstgáz hőmérséklet változásának diagramja alátámasztja ezt, hiszen a kategóriák növekedésével együtt a füstgáz hőmérséklet értéke a harmadik kategóriától lineárisan növekvő tendenciát mutat.

49

35. ábra A füstgáz hőmérséklet változása a szürkekép gradiens magnitúdó csúcsosság paraméterhez rendelt kategóriák függvényében

6.6.1.6 Szürkekép gradiens orientáció csúcsossága A szürkekép gradiens orientáció csúcsosságához tartozó lángképeket a 19. f) és 20. f) ábra szemlélteti. Hasonlóan a szürkekép gradiens magnitúdó ferdeségéhez, a szürkekép gradiens orientáció csúcsosság paraméter is a láng kialvó állapotára utal. A szürkekép gradiens orientáció csúcsosság értékeinek emelkedésével a lángképek intenzitása csökken. Az ábrákat megfigyelve látható, hogy az alacsony értékek esetében a lángkép közel egész látóteret kitölti, ezzel együtt a magasabb értékeknél jelentősen kisebb a láng.

19. f) A szürkekép gradiens orientáció csúcsosságához tartozó lángképek reprezentatív módon szemléltetve

50

20.f) A szürkekép gradiens orientáció csúcsosságához tartozó reprezentatív lángképek átlagolásából kapott lángképek

A 36. ábrán látható diagram kívánja szemléltetni a füstgáz hőmérséklet értékét a szürkekép gradiens orientáció csúcsosság függvényében. Az ábra vízszintes tengelyén a kategória sorszáma, a függőleges tengelyén a füstgáz hőmérséklet értéke olvashat le °C-ban. A diagramhoz tartozó adatok a 9.3 fejezet melléklet M16. táblázatában találhatóak. A füstgáz hőmérséklet érték csökkenése látható a szürkekép gradiens orientáció csúcsossághoz tartozó kategóriák növekedésével.

Az első kategóriától a nyolcadik

kategóriáig a hőmérséklet érték csökkenése lineáris.

36. ábra A füstgáz hőmérséklet változása a szürkeskála gradiens orientáció csúcsosság paraméterhez rendelt kategóriák függvényében

51

Összegezve a reprezentatív lángképek és kazán tüzeléstechnikai paraméterek közötti kapcsolatokat, az alábbi állapítások tehetők. A piros szín csatorna a láng nagyságának változására reagál, a kék csatorna ferdesége a láng kialvó állapotáról ad információt. A szürkekép gradiens irányához tartozó funkciók a lángintenzitásra reagálnak, az átlag növekedésével a tűz növekvő, a ferdeséggel pedig a tűz csökkenő, azaz a tűz kialvó állapotára reflektál. A szürkekép gradiens csúcsosságához rendelt lángkép sor esetében a tűztér fújtatását, azaz primer levegő hozzáadására válaszol. A szürkekép gradiens orientációs értékeinél látható lángkép sor esetében a tűztér nem fújtatott, azaz a láng csökkenésére reagál a rendszer.

52

7 ÖSSZEFOGLALÁS Napjainkban a tüzelőanyagok tulajdonságainak, a fogyasztók igényeinek és a technológiák változásához gyorsan igazodó, gépi látás alapú szabályozási rendszer fejlesztése komoly gazdasági előnyt hozhat. A kazán rendszerében mérhető tüzeléstechnikai paraméterek és kazán tűzterében érzékelhető lángkép információk változását követve – mesterséges neurális hálózat felhasználásával – a tüzelési folyamat viselkedése előrebecsülhető. A kazán üzemi hatásfoka és a tüzelés stabilitása növelhető, ezzel együtt a kazán teljesítmény ingadozása, a karbantartást igénylő problémák fellépésének gyakorisága és a károsanyagkibocsátás csökkenthető. A dolgozat bemutatta egy rostélytüzelésű biomassza fűtőműi kazán felépítését, kitérve a kazán szabályozási rendszerére is. A szerkezet áttekintése után az üzemi mérést részleteztem, és a mesterséges neurális hálózat alapjául szolgáló adathalmazt taglaltam. A fűtőműi kazán üzemelésének ellenőrzésére betanított mesterséges neurális hálózat előrebecslésének pontosságát, illetve ennek statisztikai értékelését ismertettem. Az elkészített mesterséges neurális hálózat betanítása után a statisztikai értékelés eredményeit összefoglalva a következő megállapítások tehetők. -

Az előrejelzés az első 10 percig kis hibával képes előrebecsülni a kimenő víz hőmérsékletét, ezt követően a jósolt hőmérséklethez tartozó becslés határozatlansága nő.

-

Az előrebecslés átlagos hibája a vizsgált 27 perces időtartamban legfeljebb 1 °C.

-

A mesterséges neurális hálózat tanítása finomítható az iterálások számának növelésével. A hálózat annál nehezebben tanulja a bemeneti és kimeneti változók közötti összefüggést, a jelenhez képest minél távolabbi időponthoz tartozó becslést igyekszünk adni.

-

A paraméter halmazban található kazán rendszer tüzeléstechnikai paramétereit és a lángkép többletinformációból kapott adatok jelentőségét tekintve az utóbbi a fontosabb, főképp akkor, ha hosszú távú (legalább 15 perccel a jelen időpontot követő állapothoz tartozó) becslést igyekszünk adni.

-

A mesterséges neurális hálózat bemenő paraméterei és a becsült, kimenő vízhőmérséklet közötti összefüggéseket a paraméterekhez tartozó reprezentatív 53

lángképek alapján vizsgálva kijelenthető, hogy a hálózat intuitív, emberi elme számára is érthető és logikus összefüggéseket tanult meg. o A piros szín intenzitás értéke lényegi információkat tartalmaz a tüzelés minőségéről. E paraméter jellemzésével a kazán szabályozási rendszere áttekinthető és értelmezhetővé vált. o A kék szín intenzitás értékének ferdesége a tűz kialvó állapotáról ad információt. o A

szürkekép

gradiens

paraméterek

a

lángok

alakjáról

adnak

többletinformációt. Nyomon követhető a tűz állapota és a levegő ventilátorok összefüggései az értékek változásával. Számos gyakorlati előnnyel jár az előremenő víz hőmérséklet időbeli becsülése. Ezek az előnyök a kazán üzemi hatásfokát javítják. Az előrebecslés egyik előnye a hőigény változására való gyorsabb reagálás. Jelenleg a kazán rendszere az aktuális hőigényhez igazítja az előremenő víz hőmérsékletét, és így a kapacitást is. Az előrebecsléssel tudható, hogy a következő 27 percben várhatóan milyen hőmérsékletű lesz az előremenő víz hőmérséklete. A hőigény értékét és a becsült előremenő víz hőmérséklet értékét összehasonlítva láthatóvá válik, hogy a kazán rendszerének milyen kazán üzemeltetési paramétereket kell vezérelnie, hogy gyorsabban elérje a hőigény értékét. Ezáltal, a tüzelőberendezés szabályozási rendszere gyorsabban és pontosabban működhet. Második előny - hasonló elv alapján, mint az említett első előny is-, a gyorsabb reagálás az eltérő minőségű tüzelőanyagra. Tüzelőanyag és az égés minősége szoros kapcsolatban áll, hiszen a tüzelőanyag minősége nagyban befolyásolja az égés tulajdonságát. A lángképek többletinformációjából a tüzelőanyag minőségére következtetni lehet, ezzel együtt az előrebecslés megadja, hogy adott tüzelőanyag beadagolásával milyen előremenő víz hőmérséklet értékek érhetőek el. Ha tudjuk, hogy rosszabb minőségű tüzelőanyag beadagolásával nem lehet elérni a kívánt hőigény értékét, akkor a kazán rendszere úgy vezérelhet, hogy a rosszabb minőségű tüzelőanyag felhasználásával is képes legyen elérni a kívánt hőigény értékét. Ezzel szintúgy a kazán üzemelési hatásfoka javul. A becslés felhasználható előnyei közé sorolható a kazán üzemeltetési problémáinak kiküszöbölése is. Jelenleg, a tűztér láthatósága nem megoldott, azaz az égéstérben zajló folyamatokról nincs olyan információ, amire a kazán szabályozási rendszere gyorsan reagál. 54

A gépi látás alapú előrebecslésnek köszönhetően, a kazán tűzterében zajló folyamatokról hamarabb kapható információ. Voltaképpen: ha a kazán szabályozási rendszere nem képes biztosítani a kívánt előremenő víz hőmérsékletet, az utalhat kazánon belüli problémákra is. Ezáltal „láthatóvá” válik a tüzelési folyamat a kazánon belül. Evégett a kazán üzemeltetési problémák kiküszöbölhetőek és/vagy gyorsabban megoldhatóak. Mint ahogy láthatóvá vált az előremenő víz hőmérséklet értékének becslésével a kazán üzemi hatásfoka javítható. Ilyen előrebecslési koncepció alapján a további fejlesztési terület a károsanyag-kibocsátás prediktálása, melynek távlati célja az emisszió csökkentése. Reményeim szerint, a dolgozatban be tudtam mutatni, hogy a gyors reagálású előrejelző rendszer hasznos, és nagy pontossággal képes megbecsülni a kimenő víz hőmérsékletét. Ez az előre jelzési lehetőség felhasználható a kazán üzemeltetői számára, hiszen esetleges kazán hibák

elkerülhetők,

leállások

időtartama

rövidíthető.

Továbbá,

a

nem

kívánt

tüzeléstechnológiai állapotok elkerülésével a környezetterhelés csökkenthető. A kazán üzemi hatásfoka növelhető, ezáltal költség megtakarítást is érhetünk el.

55

8 IRODALOMJEGYZÉK 1

T. G. Bridgeman, J. M. Jones, A. Williams, Overview of Solid Fuels, Characteristics and Origin, Wiley-VCHVerlag GmbH & Co. KGaA, 2010. doi:10.1002/9783527628148.hoc055

2 L. Rosendahl, Biomass combustion science, technology and engineering, Elsevier, 2013 3 Magda Róbert, Megújuló energiaforrások az agrárgazdaságban. Gazdálkodás, 55. évfolyam, 6. szám, 2011 4 M. Banja, F. Monforti-Ferrario, N. Scarlat, Review of technical assessment of national renewable energy action plans, JRC, EUR 25757 5 J. Koppejan, S. Van Loo, The handbook of biomass combustion and cofiring, Routledge, 2012 6 M. G. Allen, C. Butler, S. Johnson, E. Lo, F. Russo, An imaging neural network combustion control system for utility boiler applications, Combustion and Flame 94 (1) (1993) 205–214. 7 Y.Yan, G.Lu, M.Colechin. Farias, Monitoring and characterization of pulverised coal flames using digital imaging techniques, Elsevier, Fuel 81 (2002) 647-656. 8 R. Hernández, J. Ballester, Flameimagingas a diagnostic tool for industrial combustion, Science Direct Combustion and Flame 155 (2008) 509-528. 9 Russell, Stuart, Peter Norvig, and Artificial Intelligence. "A modern approach." Artificial Intelligence. Prentice-Hall, Egnlewood Cliffs 25 (1995): 27. 10 G. Lu, Y. Yan, Y. Huang, A. Reed, An intelligent vision system for monitoring and control of combustion flames, Measurement and control 32 (6) (1999) 164–168. 11 J. Krabicka, G. Lu, Y. Yan, Profiling and characterization of flame radicals by combining spectroscopic imaging and neural network techniques, IEEE Transactions on Instrumentation and Measurement 60 (5) (2011) 1854–1860. 12 A. González-Cencerrado, B.Pena, A.Gil., Coal flame characterization by means of digital image processing in a semi-industrial scale PF swirl burner, Applied Energy 94 (2012) 375384 Elsevir. 2012 13 Rafał Walczak, Wojciech Kubicki, Jan Dziuban, Low cost fluorescence detectionusing a CCD array and image processing foron-chip gel electrophoresis, Sensors and Actuators B: Chemical, Volume 240, March 2017, Pages 46-54, ISSN 0925-4005. 14 Charles A. Poynton, Digital Video and HDTV. Algorithms and Interfaces. Morgan Kafmann ISBN 1-55860-792-7, 2003. 15 Jumpup Nicholas Boughen, Lightwave 3D 7,5 Lighting Wordware Publishing, Inc ISBN 155622-354-4, 2003. 16 C.H.Dagli, Artifical Neural Networks for Intelligent Manufactoring, Springer Science and 56

Media, 2012. dec. 6- 469 oldal 17 LiDeng and Dong Yu, Deep Learning Methods and Applications, Foundations and Trends® in Signal Processing Volume 7 Issues 3-4, ISSN: 1932-8346. 18 Dr. Dudás László: Mesterséges intelligencia alapjai. Egyetemi jegyzet. Online letöltés: http://ait.iit.uni-miskolc.hu/~dudas/MIEAok/MIea10.PDF 19 H. Cheng, P.-N. Tan, J. Gao, J. Scripps, Multistep-Ahead Time Series Prediction, Springer Berlin Heidelberg, Berlin, Heidelberg, 2006, pp. 765–774. 20 David E. Rumelhart, James L. McClelland, and CORPORATE PDP Research Group (Eds.). 1986. Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1: Foundations. MIT Press, Cambridge, MA, USA. 21 Dr. Zsebik Albin: Vezetékes energiaellátás 1. Tüzelőanyagok égése. Oktatási segédanyag; Budapest, 2003 22 Z. Zhang, Flexible camera calibration by viewing a plane from unknown orientations, Computer Vision, 1999. The Proceedings of theSeventh IEEE International Conferenceon, Vol. 1, Ieee, 1999, pp. 666–673. 23 Muhammad Habibur Rehman, Victor Chang, Aisha Batool, Teh Ying Wah, Big data reduction frame work for value creation in sustainable enterprises, International Journal of Information Management, Volume 36, Issue 6, Part A, December 2016, Pages 917-928, ISSN 0268-4012. 24 I.A. Protsykevich, Means pherical approximation for an arbitrary mixture of ions with surface adhesion in a neutralizing back ground, Chemical Physics Letters, Volume 232, Issue 4, 1995, Pages 387-394, ISSN 0009-2614. 25 Alireza Khani, Stephen D. Boyles, An exact algorithm for the mean–standard deviation shortest path problem, Transportation Research Part B: Methodological, Volume 81, Part 1, November 2015, Pages 252-266, ISSN 0191-2615. 26 Gonzalez, Rafael C., and E. Richard. "Woods, digital image processing." ed: Prentice Hall Press, ISBN 0-201-18075-8 (2002) E-Handbook of 27 NIST/SEMATECH http://www.itl.nist.gov/div898/handbook/,05.november.2016

Statistical

Methods,

28 Chris Brunsdon, JonCorcoran, Using circular statistics to analyse time pattern sincrimeincidence, Computers, Environment and Urban Systems, Volume 30, Issue 3, May 2006, Pages 300-319, ISSN 0198-9715. 29 NCSS Statistical Software, Circular Data Analysis, Chapter 230. Online letöltés. https://ncsswpengine.netdna-ssl.com/wpcontent/themes/ncss/pdf/Procedures/NCSS/Circular_Data_Analysis.pdf 30 Sergios Theodoridis, Chapter 5 – Stochastic Gradient Descent: The LMS Algorithm and its Family, In Machine Learning, Academic Press, Oxford, 2015, Pages 161-231, ISBN 57

9780128015223. 31 ShuangLi, Bin Yang, FeiQi, Accelerate global sensitivity analysis using artificial neural network algorithm: Case studies for combustion kinetic model, Combustion and Flame, Volume 168, June 2016, Pages 53-64, ISSN 0010-2180. 32 Online letöltés: http://www.kfki.hu/~cheminfo/hun/eloado/neuro/glossary.html

58

9 MELLÉKLET 9.1 MELLÉKLET Az M1. ábrán szereplő diagram a primer huzam levegő ventilátor teljesítményeinek és a szekunder huzam levegő ventilátor teljesítményének összefüggéseit mutatja. A görbéken látható, hogy a primer 2. levegő ventilátor nagyobb teljesítménnyel üzemel, mint a primer 1. levegő ventilátor. A primer 2. levegő ventilátor táplálja közvetlenül a tüzelőanyag beadagolás alá az égéslevegőt, míg a primer 1. levegő ventilátor a rostély második feléhez vezeti az égéstápláló levegő mennyiségét. A szekunder levegő ventilátorok kapacitásának és a primer levegő ventilátorok kapacitásának érték görbéi együtt változó görbéket rajzolnak. Ha a primer huzamban a levegő mennyiség növekszik, úgy növekszik a szekunder huzamban is a levegő mennyiség. A ventilátorok működéséről elmondható, hogy a szabályozási rendszert tekintve összehangolva, együtt működnek.

M1. ábra A primer ventilátorok és a szekunder ventilátor közötti összefüggést ábrázoló diagram [saját szerkesztés]

59

Az M2. ábrán feltüntetett görbék a füstgáz hőmérsékletének görbéjét (szürke szaggatott), az égéstér hőmérsékletének görbéjét (bordó) és ezekkel együtt összefüggésben a szekunder levegő ventilátor teljesítményének görbéjét (zöld) kívánja mutatni. Ha az égéstér hőmérséklete emelkedik, akkor a távozó füstgáz hőmérséklete is nőni fog. Ez a két paraméter egymással arányosan változik, de a szekunder levegő ventilátor kapacitása fordítottan arányos. Megfigyelhető a görbéken, hogy ha az égéstér hőmérséklete a görbéje maximális pontjai felé közeledik, akkor a szekunder levegő ventilátorok kapacitása csökken. Ha a szekunder ventilátor teljesítménye növekszik, akkor az égéstér hőmérséklete és a távozó füstgáz hőmérséklete is növekszik.

M2. ábra A felső tűztér hőmérséklete, a távozó füstgáz hőmérséklete és a szekunder ventilátor teljesítményének összefüggéseit szemléltető diagram [saját szerkesztés]

Az M3. ábra a kazán kapacitásának és az égéstér hőmérsékletének görbéit szemlélteti. A diagram görbéi szemléletesen mutatják be a kapacitás és égéstér hőmérséklet kapcsolatát. Láthatóvá válik, hogy ha az égéstér hőmérséklete eléri a kért hőmérsékletet, a kapacitás 0 % ra esik, hiszen nincs szükség hőre. A kazán leállást követően, ha az égéstér hőmérséklete lecsökkent, akkor a kazán kapacitása ismét emelkedik szintúgy addig, ameddig a kért hőmérsékletet eléri.

60

M3. ábra A kazán kapacitásának és az égéstér hőmérsékletének összefüggése [saját szerkesztés]

61

9.2 MELLÉKLET

M4. ábra A paraméter adatok fontosságának változása- Excel táblázat az adatok változásának megfigyelésére

62

9.3 MELLÉKLET M1. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó égéstér hőmérséklet átlag értékek kategória száma 1 2 3 4 5 6 7 8 9 10

égéstér hőmérséklet [°C] 567,20 564,98 561,61 559,71 561,02 565,48 569,34 569,56 566,33 553,78

M2. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó kapacitás átlag értékek kategória száma 1 2 3 4 5 6 7 8 9 10

kapacitás [%] 23,7797 22,0536 27,3759 31,1945 28,1472 19,3640 8,9373 5,4835 6,1073 16,0615

M3. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó hőmérséklet átlag értékek kategória száma 1 2 3 4 5 6 7 8 9 10

hőmérséklet [°C] 104,84 105,21 104,89 104,51 104,82 105,49 106,34 106,71 106,35 106,24

63

M4. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó hőmérséklet átlag értékek kategória száma 1 2 3 4 5 6 7 8 9 10

előremenő víz hőmérséklet [°C] 115,61 115,89 115,93 116,03 116,86 117,96 119,10 119,65 119,94 119,54

M5. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó füstgáz hőmérséklet átlag értékek kategória száma 1 2 3 4 5 6 7 8 9 10

füstgáz hőmérséklet [°C] 117,62 119,00 120,92 122,03 123,47 125,07 127,12 128,17 129,99 133,71

M6. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó füstgáz oxigén tartalmának átlag értékek kategória száma 1 2 3 4 5 6 7 8 9 10

füstgáz oxigén tartalma [%] 17,01 15,77 14,20 13,15 12,85 13,15 16,55 13,30 13,07 12,56

64

M7. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó primer 1 ventilátor kapacitás átlag értékei kategória száma 1 2 3 4 5 6 7 8 9 10

primer 1 ventilátor kapacitás [%] 32,98 36,07 38,38 39,06 38,57 37,35 36,06 35,73 36,00 37,79

M8. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó primer 2 ventilátor kapacitás átlag értékei kategória száma 1 2 3 4 5 6 7 8 9 10

primer 2 ventilátor kapacitás [%] 43,66 48,08 51,89 53,23 52,21 49,72 47,13 46,48 47,04 50,67

M9. táblázat Az R szórás paraméterhez kategorizált lángképekhez tartozó szekunder ventilátor kapacitás átlag értékei kategória száma 1 2 3 4 5 6 7 8 9 10

szekunder ventilátor kapacitás [%] 35,00 38,51 40,53 40,90 40,42 39,64 38,80 38,60 38,69 39,35

65

M10. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó füstgáz hőmérséklet átlag értékek kategória 1 2 3 4 5 6 7 8 9 10

füstgáz hőmérséklet [°C] 125,59 120,73 117,56 117,44 117,09 118,96 119,18 120,21 119,58 119,50

M11. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó füstgáz oxigén tartalmának átlag értékek kategória 1 2 3 4 5 6 7 8 9 10

füstgáz oxigén tartalma [%] 12,47 14,09 17,64 18,15 18,16 17,96 18,31 17,60 18,60 18,49

M12. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó primer 2 ventilátor kapacitás átlag értékei kategória 1 2 3 4 5 6 7 8 9 10

primer 2 ventilátor kapacitás [%] 51,92 51,16 45,31 41,01 39,29 36,27 32,49 37,06 40,86 35,70

66

M13. táblázat A szürkekép gradiens magnitúdó szórás paraméterhez kategorizált lángképekhez tartozó primer 1 ventilátor kapacitás átlag értékei kategória 1 2 3 4 5 6 7 8 9 10

primer 1 ventilátor kapacitás [%] 43,00 41,28 38,08 37,09 37,77 37,88 37,12 36,66 36,81 37,60

M14. táblázat A szürkekép gradiens magnitúdó ferdeség paraméterhez kategorizált lángképekhez tartozó füstgáz hőmérséklet átlag értékek kategória 1 2 3 4 5 6 7 8 9 10

füstgáz hőmérséklet [°C] 133,75 132,38 131,27 129,15 126,78 124,62 122,49 117,96 118,47 121,50

M15. táblázat A szürkekép gradiens magnitúdó csúcsosság paraméterhez kategorizált lángképekhez tartozó füstgáz hőmérséklet átlag értékek kategória 1 2 3 4 5 6 7 8 9 10

füstgáz hőmérséklet [°C] 120,02 119,89 120,89 123,50 126,63 128,27 129,77 131,57 132,37 133,79

67

M16. táblázat A szürkekép gradiens orientáció csúcsossághoz kategorizált lángképekhez tartozó füstgáz hőmérséklet átlag értékei kategória 1 2 3 4 5 6 7 8 9 10

füstgáz hőmérséklet [°C] 133,75 132,38 131,27 129,15 126,78 124,62 122,49 117,96 118,47 121,50

68

9.4 MELLÉKLET M17. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó égéstér hőmérséklet átlag értékek

1

égéstér hőmérséklet [°C] 561,86

2

562,21

3

569,42

4

570,97

5

569,79

6

566,32

7

567,68

8

561,41

9

564,60

10

568,17

kategória

M5 ábra Az égéstér hőmérséklet változása a B ferdeség paraméterhez rendelt kategóriák függvényében

M18. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó kazán kapacitás átlag értékek

1

kazán kapacitás [%] 24,71

2

26,02

3

14,03

4

15,30

5

19,89

6

22,13

7

21,20

8

22,69

9

20,89

10

20,76

kategória

M6. ábra A kazán kapacitás változása a B ferdeség paraméterhez rendelt kategóriák függvényében

69

M19. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó visszatérő víz hőmérséklet átlag értékek

1

visszatérő víz hőmérséklet [°C] 105,25

2

104,70

3

105,76

4

105,62

5

105,62

6

103,70

7

103,12

8

102,06

9

101,09

10

101,92

kategória

M7. ábra A visszatérő víz hőmérséklet változása a B ferdeség paraméterhez rendelt kategóriák függvényében M20. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó előremenő vízhőmérséklet átlag értékek

1

előremenő víz hőmérséklet [°C] 117,58

2

115,98

3

116,15

4

116,22

5

115,78

6

115,88

7

116,05

8

115,97

9

115,88

10

115,91

kategória

M8. ábra Az előremenő víz hőmérséklet változása a B ferdeség paraméterhez rendelt kategóriák függvényében

70

M21. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó primer 1 ventilátor kapacitás átlag értékei

1 2 3 4 5 6 7 8 9

primer 1 ventilátor kapacitás [%] 38,42 38,04 34,79 31,56 30,13 27,52 24,76 27,91 31,09

10

26,76

kategória

M9. ábra A primer 1 ventilátor kapacitás változása a B ferdeség paraméterhez rendelt kategóriák függvényében

M22. táblázat A B ferdeség paraméterhez kategorizált lángképekhez tartozó szekunder ventilátor kapacitás átlag értékei

1

szekunder ventilátor kapacitás [%] 40,76

2

39,79

3

37,26

4

33,88

5

32,21

6

29,77

7

26,93

8

30,49

9

33,76

10

29,06

kategória

M10. ábra A szekunder ventilátor kapacitás változása a B ferdeség paraméterhez rendelt kategóriák függvényében

71

M23. táblázat A szürkekép gradiens magnitúdó szórás paraméterhez kategorizált lángképekhez tartozó primer 2 ventilátor kapacitás átlag értékei

1

primer 2 ventilátor kapacitás [%] 61,41

2

57,87

3

51,23

4

49,22

5

50,67

6

51,01

7

49,69

8

48,44

9

48,62

10

50,20

kategória

M11. ábra A primer 2 ventilátor kapacitás változása a szürkekép gradiens magnitúdó paraméterhez rendelt kategóriák függvényében M24. táblázat A szürkekép gradiens magnitúdó szórás paraméterhez kategorizált lángképekhez tartozó szekunder ventilátor kapacitás átlag értékei

1

szekunder ventilátor kapacitás [%] 41,72

2

40,97

3

39,58

4

39,74

5

40,36

6

39,94

7

38,96

8

38,89

9

39,05

10

39,23

kategória

M12. ábra A szekunder ventilátor kapacitás változása a szürkekép gradiens magnitúdó paraméterhez rendelt kategóriák függvényében

72

9.5 SZÓSZEDET A szószedet a megjelölt online forrástól átvett [32]. Akciós

potenciál: A membránpotenciál inger

hatására

bekövetkező

ugrásszerű

megnövekedése, majd lecsengése. Az akciós potenciál küszöbjelenség, vagyis nagysága és alakja független az inger nagyságától, "minden vagy semmi" módon jön létre. Az éppen akciós potenciált generáló sejtre mondjuk, hogy tüzel. Axon: Az idegsejt kitüntetett nyúlványa, amely akciós potenciál generálására, gyengítetlen továbbítására, és - speciális végződései segítségével - átadására képes. Back propagation: Mesterséges neuronhálózati tanulóalgoritmus. Lényege, hogy a hiba visszafelé terjedésével minden sejtréteg optimalizálni tudja kapcsolatainak erősségét. Boltzmann-gép: Mesterséges

neuron

hálózati tanuló

algoritmus.

Statisztikus

fizikai

módszerrel mindig megtalálja az optimális kapcsolat erősségeket. Hátránya a lassúság. Computational neuroscience: Az a diszciplína, amely az idegrendszer valós szerkezetét és működési elveit figyelembe vevő, kísérleti alapokon nyugvó matematikai modellek készítését, és ezáltal e folyamatok jobb megértését tűzte ki céljául. (vö. mesterséges neuronhálózat) Dinamikus rendszer: Olyan matematikai konstrukció, amely adott kezdeti állapothoz és (későbbi) időponthoz egy új állapotot rendel, annak figyelembe vételével, hogy bármely időponthoz tartozó állapot egyben kezdeti állapot is lehet. Az időpontok és állapotok közötti összefüggést általában közönséges differenciálegyenlet-rendszer adja meg. A dinamikus rendszerek elmélete e matematikai objektum tulajdonságait vizsgálja. Fixpont: A dinamikus rendszer olyan állapota (az állapottér olyan pontja), amelyben a rendszer egyensúlyban marad, onnan a dinamika nem mozdítja ki. A rendszernek a fixpont környezetében való viselkedésétől függően a fixpont lehet stabilis, instabilis, vagy nyeregpont. Gráf: Matematikai struktúra, amely pontokból (csúcsok) és az őket összekötő vonalakból (élek) áll. A gráfot csak az határozza meg, hogy mely csúcsok vannak egymással összekötve, a térbeli elhelyezkedésük nem releváns.

73

Hopfield-hálózat: Fizikai

indíttatású mesterséges

rendszer fixpontjait memóriaállapotoknak

tekinti.

neuronhálózat, Statisztikus

fizikai

amely

a

módszerekkel

analitikusan is tanulmányozható. Kohonen-háló: Olyan mesterséges neuronhálózat, amely rendezetlen bemeneteket külső irányítás nélkül, önszervező módon képes rendezni. Membrán (sejthártya): A sejtet határoló lipid kettősréteg, amely elválasztja a sejt anyagát a külső tértől. A különféle molekulák és ionok speciális transzportfolyamatok segítségével (pl. ioncsatornák és ionpumpák) közlekedhetnek a membrán két oldala között. Mentális: Az elmével, a gondolkodással kapcsolatos. Mesterséges intelligencia: Artificial intelligence (AI). A számítástudomány és a logika egyik ágaként létrejött tudományág, amely általában emberi intelligenciát igénylőnek tekintett feladatok megoldására próbál algoritmusokat készíteni. Mesterséges neuronhálózat: Artificial neural network (ANN). Az idegrendszer felépítésével való

felszínes

analógia

alapján

nagy

számú,

egyszerű

elemből

felépített

hálózat. Mentális szintű, elsősorban tanulási és memóriafeladatok hatékony megoldására képes, de nem célja, hogy az agy fiziológiai mechanizmusaival azonos módon működjön (vö. computational neuroscience). Neuroszámítógép: Az

idegrendszer

felépítésével

való

felszínes

analógia

alapján,

a mesterséges neuronhálózatok elvén működő algoritmus, illetve az ilyen algoritmust megvalósító számítógép. Posztszinaptikus: A szinaptikus

kapcsolatban az

információáramlás

iránya

szerint

a

szinapszis után álló sejt vagy sejtalkotórész. Preszinaptikus: A szinaptikus kapcsolatban az információáramlás iránya szerint a szinapszis előtt álló sejt vagy sejtalkotórész. Szinapszis: Az

idegsejtek

közötti

specializált

funkcionális

kapcsolat.

A pre-

és posztszinaptikus sejt membránja nem ér egészen össze, hanem keskeny szinaptikus rést formál, amely elektronmikroszkóppal jól látható. A központi idegrendszerben legelterjedtebb kémiai szinapszison kívül az idegrendszerben elektromos szinapszis és más típusú sejtkapcsolatok is találhatók. 74