Als wichtiger Parameter, der den Verbrennungsprozess widerspiegelt, ist die Temperaturverteilung im Ofen entscheidend für die Sicherheit, Wirtschaftlichkeit und das Emissionsniveau des Verbrennungsprozesses und von großer Bedeutung für die Erforschung der Kesselsteuerung und des Verbrennungsprozesses im Ofen. Aufgrund ihrer hohen zeitlich-räumlichen Auflösung und einfachen praktischen Umsetzung eignet sich die Strahlungsbildgebungsmethode für die Rekonstruktion des Temperaturfeldes im Ofen. Darauf basierend wurde eine Online-Messtechnik für das Temperaturfeld im Ofen auf Basis der optischen Tomographie vorgeschlagen, die einen Rekonstruktionsalgorithmus verwendet, der Deep Learning und Regularisierung kombiniert, um das schlecht gestellte Problem bei der Rekonstruktion des Temperaturfeldes zu lösen. Zunächst wird basierend auf den festgelegten Kesselabmessungen, den Strahlungseigenschaften des Mediums und der Position der CCD-Kamera ein Strahlungsbildgebungsmodell erstellt und durch die Vorwärtsrechnung eine große Menge an Daten gewonnen; anschließend wird mittels eines automatischen Optimierungsalgorithmus ein geeigneter Tikhonov-Regularisierungsparameter gefunden, um den Trainingsdatensatz aufzubauen, wobei gleichzeitig die Genauigkeit und Stabilität der Lösung bewertet wird; schließlich wird ein tiefes neuronales Netzwerkmodell erstellt, um den optimalen Regularisierungsparameter vorherzusagen und somit das Temperaturfeld zu rekonstruieren. Die Ergebnisse zeigen, dass der vorgeschlagene Rekonstruktionsalgorithmus für das Temperaturfeld im Ofen einen Fehler von weniger als 5 % und eine gute Genauigkeit aufweist. Nach Hinzufügung von Messfehlern bleibt der Rekonstruktionsfehler innerhalb von 5 %, was auf die Robustheit der Methode hinweist. Gleichzeitig zeichnet sich die Methode durch hohe Rechenleistung aus und erfüllt die Anforderungen an die Echtzeitüberwachung des Temperaturfeldes.

Kohlekessel;Temperaturfeld;optische Tomographie;Online-Messung;tiefes neuronales Netzwerk