在工业生产中,工业锅炉是一种常用设备,锅炉内火焰的燃烧状态是影响锅炉系统的启停以及投入燃料量时机的关键因素。由于炉内火焰状态多样、烟尘干扰噪声大,因此,难以对火焰燃烧状态进行检测。本课题将以此为背景,针对火焰燃烧状态特征,研究火焰燃烧状态检测方法,开发火焰燃烧状态检测系统。首先,在实验室内搭建模拟火焰燃烧实验平台,模拟可控的火焰燃烧热源,提取火焰燃烧特征。利用实验室火焰燃烧实验平台进行图像采集,以及利用特征分割、膨胀腐蚀等图像处理方法进行图像预处理,提取火焰强度、面积、变化率以及闪烁频率特征。搭建三层的火焰燃烧状态识别BP神经网络模型,实时采集连续的火焰图像,利用滑动更新识别方法,对一段连续时间内的火焰进行检测并判断该段时间的火焰状态,通过BP神经网络,判断准确率为95%。针对BP神经网络不能进行故障检测的缺陷,利用模糊识别方法,结合火焰强度特征与光强变化率特征,定义模糊隶属度函数以及模糊规则,进行模糊推理判断火焰燃烧状态,同时进行锅炉火焰的故障诊断。将BP神经网络与模糊识别相结合,利用自适应神经模糊推理系统(ANPIS)以当前阶段火焰的隶属概率判断火焰燃烧状态,判断准确率为99.82%,优于BP神经网络的状态检测方法。针对难以完全考虑火焰燃烧过程中的所有特征的问题,考虑直接利用火焰燃烧图像,搭建卷积神经网络模型判断火焰燃烧状态,卷积神经网络对测试集火焰状态识别率达到100%,不需要预提取火焰燃烧状态特征。开发火焰燃烧状态检测系统以及上位机监控界面,并将卷积神经网络火焰检测算法嵌入树莓派平台,在树莓派界面中实现了对火焰燃烧过程的实时监控,对火焰强度、面积、闪烁频率特征的检测以及历史数据的保存。同时实现了对火焰亮度特征的模拟量输出、亮灭的数字量输出。制定通信协议,实现对检测的所有火焰特征利用串口发送。最终形成火焰燃烧状态检测智能仪表。