Developing computer vision-based soft sensor for municipal solid waste burning grate boiler : A practical application for flame front and area detection
Salmi, Jesse (2021)
Salmi, Jesse
2021
Automaatiotekniikan DI-ohjelma - Master's Programme in Automation Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2021-09-24
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202109207163
https://urn.fi/URN:NBN:fi:tuni-202109207163
Tiivistelmä
Waste is incinerated in grate boilers to produce energy that is then converted to electricity and heat. Even though grate boilers can use low-quality waste as fuel, the grate combustion is proven to be harder to control compared to other combustion technologies. Earlier studies have shown that an optimised combustion process is in a key position increasing energy efficiency and lowering environmental impacts and operating costs. Computer vision-based approaches have been applied successfully for combustion diagnostics but there is a limited number of research from waste combustion in grate boilers.
This study aims to develop a practical computer vision application for detecting flame area and position and explore how computer vision-based combustion diagnostics in a grate boiler environment. The thesis is divided into a literature review and empirical research. The literature review explores waste incineration, grate combustion, primary control loops and computer vision applied in combustion processes. In the empirical research part, experimental video, process and survey data were collected from an industrial grate boiler and its specialists. The research method of the study was a single case study.
The study presents a data-driven computer vision-based model that detects flame area and flame front position from the video of the combustion chamber. The proposed system utilises a similar approach model and algorithms as earlier studies which were found in the literature research. The model was evaluated against the available process data with cross-correlation and statistical analysis methods. The study found that the flame front location correlates the most with the process parameters while the flame area predicts the signal changes the earliest. The results indicate that the model provides useful metrics of the combustion that is applicable for monitoring and control purposes.
Qualitative research shows that the most important state variables for the grate boiler are related to modelling chemical and physical combustion dynamics. The most suitable combustion characteristics that camera systems can automatically recognise are flame area, position, intensity, movement, temperature and unburned objects. The results suggest that the highest improvements for power plant operation are possible by modelling the combustion process more accurately. Building accurate models require collecting new data in which computer vision provides additional information on the operation conditions of the grate boiler. Our findings are supported by prior research. Arinakattilat tuottavat sähköä ja lämpöä jätettä polttamalla. Vaikka arinakattilat pystyvät käyttämään heikkolaatuisia jätteitä polttoaineena, arinapolton on todettu olevan vaikeammin säädettävissä verrattuna muihin polttotekniikoihin. Aikaisemmat tutkimukset ovat todistaneet, että polton optimointi on avainasemassa energiatehokkuuden lisäämisessä sekä ympäristövaikutusten ja käyttökustannusten vähentämisessä. Konenäköpohjaisia lähestymistapoja on sovellettu onnistuneesti polton diagnosoinnissa, mutta laajempia tutkimuksia arinakattilaympäristöissä on rajatusti.
Tämän tutkimuksen tavoitteena on kehittää käytännöllinen konenäkömalli liekin alueen ja sijainnin havaitsemiseksi sekä selvittää, kuinka konenäköä voitaisiin hyödyntää kattavammin polton diagnosoinnissa arinakattilaympäristössä. Diplomityö on jaettu kirjallisuuskatsaukseen ja empiiriseen tutkimukseen. Kirjallisuuskatsaus tutkii arinakattilan jätteenpolttoa, arinapolttoa, pääsäätöpiirejä ja konenäköä palamisprosesseissa. Empiirisessä tutkimuksessa kerättiin kokeellista video-, prosessi- ja kyselydataa teollisuusluokan arinakattilasta ja prosessiasiantuntijoilta. Tutkimuksessa käytetty tutkimusmenetelmä on tapaustutkimus.
Tutkimus esittelee konenäköpohjaisen mallin, joka tunnistaa paloalueen ja liekkirintaman sijainnin arinakattilan tulipesästä kuvatusta videokuvasta. Esitetty malli hyödyntää kirjallisuustutkimuksessa löydettyä lähestymistapaa ja algoritmeja, jotka perustuvat aikaisempiin tutkimuksiin. Mallia arvioitiin ristikorrelaatiolla ja tilastollisen analyysin menetelmillä kerättyyn prosessidataan. Löydösten mukaan liekkirintama korreloi eniten prosessimittausten kanssa, kun taas liekin alue ennustaa signaaleiden muutoksia aikaisintaan. Löydökset osoittavat mallin tuottavan tärkeää informaatiota palamisesta, jota voitaisiin käyttää valvonta- ja säätötarkoituksiin.
Kvalitatiivinen tutkimus osoittaa, että arinakattilan tärkeimmät tilamuuttujat liittyvät polttoprosessin mallintamiseen fysikaalisten ja kemikaalisten reaktioiden kautta. Sopivimpia polttoa kuvaavia parametrejä, joita kamerajärjestelmät voisivat automaattisesti tunnistaa, ovat liekin alue, sijainti, intensiteetti, liikehdintä, lämpötila ja palamattomat esineet. Tulokset osoittavat polttoprosessin tarkemmalla mallintamisella olevan eniten vaikutusta voimalaitoksen toimintaan. Prosessin tarkempi mallintaminen vaatii uuden datan keräämistä, jossa konenäkö voi tuottaa lisäinformaatiota arinakattilan käyttöolosuhteista. Aikaisemmat tutkimukset tukevat löydöksiämme.
This study aims to develop a practical computer vision application for detecting flame area and position and explore how computer vision-based combustion diagnostics in a grate boiler environment. The thesis is divided into a literature review and empirical research. The literature review explores waste incineration, grate combustion, primary control loops and computer vision applied in combustion processes. In the empirical research part, experimental video, process and survey data were collected from an industrial grate boiler and its specialists. The research method of the study was a single case study.
The study presents a data-driven computer vision-based model that detects flame area and flame front position from the video of the combustion chamber. The proposed system utilises a similar approach model and algorithms as earlier studies which were found in the literature research. The model was evaluated against the available process data with cross-correlation and statistical analysis methods. The study found that the flame front location correlates the most with the process parameters while the flame area predicts the signal changes the earliest. The results indicate that the model provides useful metrics of the combustion that is applicable for monitoring and control purposes.
Qualitative research shows that the most important state variables for the grate boiler are related to modelling chemical and physical combustion dynamics. The most suitable combustion characteristics that camera systems can automatically recognise are flame area, position, intensity, movement, temperature and unburned objects. The results suggest that the highest improvements for power plant operation are possible by modelling the combustion process more accurately. Building accurate models require collecting new data in which computer vision provides additional information on the operation conditions of the grate boiler. Our findings are supported by prior research.
Tämän tutkimuksen tavoitteena on kehittää käytännöllinen konenäkömalli liekin alueen ja sijainnin havaitsemiseksi sekä selvittää, kuinka konenäköä voitaisiin hyödyntää kattavammin polton diagnosoinnissa arinakattilaympäristössä. Diplomityö on jaettu kirjallisuuskatsaukseen ja empiiriseen tutkimukseen. Kirjallisuuskatsaus tutkii arinakattilan jätteenpolttoa, arinapolttoa, pääsäätöpiirejä ja konenäköä palamisprosesseissa. Empiirisessä tutkimuksessa kerättiin kokeellista video-, prosessi- ja kyselydataa teollisuusluokan arinakattilasta ja prosessiasiantuntijoilta. Tutkimuksessa käytetty tutkimusmenetelmä on tapaustutkimus.
Tutkimus esittelee konenäköpohjaisen mallin, joka tunnistaa paloalueen ja liekkirintaman sijainnin arinakattilan tulipesästä kuvatusta videokuvasta. Esitetty malli hyödyntää kirjallisuustutkimuksessa löydettyä lähestymistapaa ja algoritmeja, jotka perustuvat aikaisempiin tutkimuksiin. Mallia arvioitiin ristikorrelaatiolla ja tilastollisen analyysin menetelmillä kerättyyn prosessidataan. Löydösten mukaan liekkirintama korreloi eniten prosessimittausten kanssa, kun taas liekin alue ennustaa signaaleiden muutoksia aikaisintaan. Löydökset osoittavat mallin tuottavan tärkeää informaatiota palamisesta, jota voitaisiin käyttää valvonta- ja säätötarkoituksiin.
Kvalitatiivinen tutkimus osoittaa, että arinakattilan tärkeimmät tilamuuttujat liittyvät polttoprosessin mallintamiseen fysikaalisten ja kemikaalisten reaktioiden kautta. Sopivimpia polttoa kuvaavia parametrejä, joita kamerajärjestelmät voisivat automaattisesti tunnistaa, ovat liekin alue, sijainti, intensiteetti, liikehdintä, lämpötila ja palamattomat esineet. Tulokset osoittavat polttoprosessin tarkemmalla mallintamisella olevan eniten vaikutusta voimalaitoksen toimintaan. Prosessin tarkempi mallintaminen vaatii uuden datan keräämistä, jossa konenäkö voi tuottaa lisäinformaatiota arinakattilan käyttöolosuhteista. Aikaisemmat tutkimukset tukevat löydöksiämme.