一种电力生产飞灰监测系统、方法及存储介质与流程

测量装置的制造及其应用技术1.本说明书涉及粉体流动测量技术领域，特别涉及一种电力生产飞灰监测系统、方法及存储介质。背景技术：2.用于电力生产的煤粉燃烧后会产生大量不可燃的飞灰颗粒物混杂在高温烟气中。将含有大量飞灰颗粒物的烟气排入大气之前，需要分离并收集烟气中的飞灰颗粒物。当前大中型电厂常采用静电除尘器收集飞灰颗粒物，该装置需要根据输入的含飞灰颗粒物烟气的数据参量调节自身的运行参数。另外，燃烧炉也需要根据原料的燃烧程度调节燃烧炉的工作参数和进料参数。3.因此，有必要提供一种电力生产飞灰监测系统、方法及存储介质，用于智能化检测含飞灰颗粒物烟气的数据参量，进而更精准的调节确定飞灰收集装置以及燃烧炉的工作参数，进而在提高原料的利用率的同时，提高飞灰收集的效率与质量。技术实现要素：4.本说明书实施例之一提供一种电力生产飞灰监测系统。所述系统包括：烟气流速检测模块，用于检测烟气的流速，所述烟气包含飞灰颗粒物；飞灰浓度检测模块，用于检测所述飞灰颗粒物浓度；烟气温度检测模块，用于检测所述烟气的温度；原料燃烧度识别模块，用于确定原料的燃烧程度；控制模块，用于：基于所述烟气的流速、所述飞灰颗粒物浓度、所述烟气的温度以及所述原料的燃烧程度，确定飞灰收集装置以及燃烧炉的工作参数，所述飞灰收集装置与所述燃烧炉通过烟气流通管道连接。5.本说明书实施例之一提供一种电力生产飞灰监测方法，所述方法应用于权利要求1-5所述的电力生产飞灰监测系统，所述方法包括：控制所述烟气流速检测模块检测烟气的流速，所述烟气包含飞灰颗粒物；控制所述飞灰浓度检测模块检测所述飞灰颗粒物浓度；控制所述烟气温度检测模块检测所述烟气的温度；控制所述原料燃烧度识别模块确定原料的燃烧程度；基于所述烟气的流速、所述飞灰颗粒物浓度、所述烟气的温度以及所述原料的燃烧程度，确定飞灰收集装置以及燃烧炉的工作参数，所述飞灰收集装置与所述燃烧炉通过烟气流通管道连接。6.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行电力生产飞灰监测方法。附图说明7.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：8.图1是根据本说明书一些实施例所示的电力生产飞灰监测系统的示意图；9.图2是根据本说明书一些实施例所示的电力生产飞灰监测的示例性流程图；10.图3是根据本说明书一些实施例所示的确定烟气的流速的示例性流程图；11.图4是根据本说明书一些实施例所示的飞灰颗粒物浓度预测模型结构的示意图；12.图5是根据本说明书一些实施例所示的燃烧度识别模型结构的示意图。具体实施方式13.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。14.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。15.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。16.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。17.图1是根据本说明书一些实施例所示的电力生产飞灰监测系统的示意图。18.在一些实施例中，电力生产飞灰监测系统100可以包括烟气流速检测模块110、飞灰浓度检测模块120、烟气温度检测模块130、原料燃烧度识别模块140和控制模块150。19.在一些实施例中，电力生产飞灰监测系统可以通过实施本说明书中披露的方法和/或过程来进行飞灰监测。20.烟气流速检测模块110可以用于检测烟气的流速，其中，烟气包含飞灰颗粒物。在一些实施例中，烟气流速检测模块110可以包括流速检测设备和压强检测设备，其中，流速检测设备用于检测烟气从烟气流通管道尾端流出时的第一速度，压强检测设备用于检测烟气从烟气流通管道尾端流出时的压强。在一些实施例中，流速检测设备还用于检测烟气在烟气流通管道中的多个位置流通的速度，压强检测设备还用于检测烟气在烟气流通管道中的多个位置流通的压强。21.飞灰浓度检测模块120可以用于检测飞灰颗粒物浓度。在一些实施例中，飞灰浓度检测模块120可以包括飞灰浓度预测单元，用于基于原料参数和燃烧炉工作参数，确定飞灰颗粒物浓度。在一些实施例中，飞灰浓度预测单元可以基于原料参数和燃烧炉工作参数，通过飞灰颗粒物浓度预测模型确定飞灰颗粒物浓度。关于飞灰颗粒物浓度预测模型的具体细节参见图4及其相关描述。22.烟气温度检测模块130可以用于检测烟气的温度。在一些实施例中，烟气温度检测等)的模块。在一些实施例中，飞灰浓度检测模块可以包括飞灰浓度预测单元，用于基于原料参数和燃烧炉工作参数，确定飞灰颗粒物浓度。34.在一些实施例中，控制模块(例如，控制模块150)可以控制飞灰浓度检测模块检测烟气的流速。在一些实施例中，控制模块(例如，控制模块150)可以控制飞灰浓度检测模块基于原料参数和燃烧炉工作参数，通过飞灰颗粒物浓度预测模型确定飞灰颗粒物浓度。关于飞灰颗粒物浓度预测模型的具体细节参见图4及其相关描述。35.步骤230，控制烟气温度检测模块检测烟气的温度。36.烟气温度检测模块是指检测烟气的温度(例如，120℃、125℃、130℃等)的模块。在一些实施例中，烟气温度检测模块可以包括温度检测设备，用于检测烟气的温度。在一些实施例中，温度检测设备可以设置于烟气流通管道尾端。37.在一些实施例中，控制模块(例如，控制模块150)可以控制烟气温度检测模块检测烟气的温度。38.在一些实施例中，控制模块(例如，控制模块150)可以控制温度检测设备检测烟气的温度；当烟气的温度高于温度阈值(例如，130℃等)时，采取降温措施对烟气进行降温后再进入飞灰收集装置。由于如果从烟气流通管道尾端流出时烟气的温度过高，飞灰收集装置需要设置降温装置，飞灰收集装置的参数设计相对复杂，因此采取降温措施对烟气进行降温后再进入飞灰收集装置。39.在一些实施例中，降温措施可以包括风冷设施，用于对烟气进行降温。在一些实施例中，控制模块(例如，控制模块150)可以基于烟气的流速、飞灰颗粒物浓度以及烟气的温度，对风冷设施的工作参数进行调节。其中，风冷设施的工作参数可以包括吹风风速、吹风温度等。例如，烟气的温度越高、烟气的流速越快、飞灰颗粒物浓度越高，则需要吹风风速越高，吹风温度越低。40.在一些实施例中，降温措施还可以包括降温设施，用于对管道壁进行降温，从而间接地对烟气进行降温。例如，可以在连接飞灰收集装置与燃烧炉的烟气流通管道中嵌入水冷系统，对管道壁进行降温，从而间接地对烟气进行降温。在一些实施例中，控制模块(例如，控制模块150)可以基于烟气的流速以及烟气的温度，对降温设施的工作参数进行调节。其中，降温设施的工作参数可以包括水流速度、水流温度等。例如，烟气的温度越高、烟气的流速越快，则需要水流速度越高，水流温度越低。41.步骤240，控制原料燃烧度识别模块确定原料的燃烧程度。42.原料燃烧度识别模块是指识别原料的燃烧程度的模块。在一些实施例中，原料燃烧度识别模块可以包括图像获取单元和图像识别单元，其中，图像获取单元用于获取飞灰颗粒物的图像，图像识别单元用于基于飞灰颗粒物的图像，通过燃烧度识别模型确定原料的燃烧程度。43.原料的燃烧程度是指燃烧了的可燃物质量占可燃物总质量的比例。例如，原料的燃烧程度可以为85％、90％、95％等。44.在一些实施例中，控制模块(例如，控制模块150)可以控制图像获取单元获取飞灰颗粒物的图像。在一些实施例中，图像获取单元可以是摄像头。例如，摄像头可以通过拍摄飞灰颗粒物的照片，获取飞灰颗粒物的图像。又例如，摄像头可以通过对飞灰颗粒物拍摄一段短视频，并截取其中的一帧作为飞灰颗粒物的图像。45.在一些实施例中，控制模块(例如，控制模块150)可以控制原料燃烧度识别模块基于飞灰颗粒物的图像，通过燃烧度识别模型确定原料的燃烧程度。关于燃烧度识别模型的具体细节参见图5及其相关描述。46.步骤250，基于烟气的流速、飞灰颗粒物浓度、烟气的温度以及原料的燃烧程度，确定飞灰收集装置以及燃烧炉的工作参数，飞灰收集装置与燃烧炉通过烟气流通管道连接。47.飞灰收集装置是指收集飞灰的装置。在一些实施例中，飞灰收集装置可以包括静电除尘器等。在一些实施例中，飞灰收集装置与燃烧炉通过烟气流通管道连接。在一些实施例中，飞灰收集装置的工作参数可以包括集尘极面积、电场断面面积、集尘室通道数、电场长度、工作电压以及工作电流等。48.燃烧炉是指原料燃烧的装置。在一些实施例中，燃烧炉的工作参数可以包括温度、空气进气量以及燃烧时间等。49.在一些实施例中，控制模块(例如，控制模块150)可以根据原料的燃烧程度确定燃烧炉的工作参数。在一些实施例中，控制模块(例如，控制模块150)可以根据烟气的流速、飞灰颗粒物浓度计算单位时间飞灰颗粒物的质量，进而确定飞灰收集装置的工作参数。50.通过智能化的检测烟气的流速、飞灰颗粒物浓度、烟气的温度以及原料的燃烧程度，可以更精准的调节确定飞灰收集装置以及燃烧炉的工作参数，进而在提高原料的利用率的同时，提高飞灰收集的效率与质量。51.图3是根据本说明书一些实施例所示的确定烟气的流速的示例性流程图。在一些实施例中，流程300可以由控制模块150执行。如图3所示，流程300包括下述步骤：52.步骤310，控制流速检测设备检测烟气从烟气流通管道尾端流出时的第一速度。53.流速检测设备是检测流速的设备。在一些实施例中，流速检测设备可以包括气体流量检测仪。在一些实施例中，流速检测设备可以设置于烟气流通管道尾端。54.在一些实施例中，控制模块(例如，控制模块150)可以控制流速检测设备检测烟气从烟气流通管道尾端流出时的第一速度。55.步骤320，控制压强检测设备检测烟气从烟气流通管道尾端流出时的压强，并根据烟气从烟气流通管道尾端流出时的压强计算烟气从烟气流通管道尾端流出时的第二速度。56.压强检测设备是检测压强的设备。在一些实施例中，压强检测设备可以包括气体压强检测仪。在一些实施例中，压强检测设备可以设置于烟气流通管道尾端。57.在一些实施例中，控制模块(例如，控制模块150)可以控制压强检测设备检测烟气从烟气流通管道尾端流出时的压强。58.在一些实施例中，控制模块(例如，控制模块150)可以根据烟气从烟气流通管道尾端流出时的压强计算烟气从烟气流通管道尾端流出时的第二速度。59.步骤330，基于第一速度和第二速度，确定烟气的流速。60.在一些实施例中，控制模块(例如，控制模块150)可以基于第一速度和第二速度，确定烟气的流速。在一些实施例中，控制模块(例如，控制模块150)可以基于第一速度和第二速度的加权平均值，确定烟气的流速。61.在一些实施例中，当飞灰颗粒物浓度升高时，可以增加第一速度的权重值，降低第二速度的权重值。由于飞灰颗粒物浓度升高时，烟气的流速相同的烟气会产生更大的压强，造成通过压强换算流速的方法的误差增大，因此可以通过减小第二速度的权重值来减小此误差。62.在一些实施例中，流速检测设备还可以用于检测烟气在烟气流通管道中的多个位置流通的速度，压强检测设备还可以用于检测烟气在烟气流通管道中的多个位置流通的压强。控制模块(例如，控制模块150)可以控制流速检测设备检测烟气在烟气流通管道中的多个位置流通的速度，同时可以控制压强检测设备检测烟气在烟气流通管道中的多个位置流通的压强，并根据烟气在烟气流通管道中的多个位置流通的压强计算烟气在烟气流通管道中的多个位置流通的速度，接着基于流速检测设备与压强检测设备确定的烟气在烟气流通管道中的多个位置流通的速度，确定最终的烟气的流速。在一些实施例中，控制模块(例如，控制模块150)可以基于流速检测设备与压强检测设备确定的烟气在烟气流通管道中的多个位置流通的速度的加权平均值，确定最终的烟气的流速。63.通过流速检测设备获得第一速度，并通过压强检测设备获得第二速度，进而基于第一速度和第二速度，确定最终的烟气的流速，使结果更加准确。64.图4是根据本说明书一些实施例所示的飞灰颗粒物浓度预测模型结构400的示意图。65.在一些实施例中，如图4所示，飞灰颗粒物浓度预测模型420的输入可以包括原料参数410-1以及燃烧炉工作参数410-2，输出为飞灰颗粒物浓度430。其中，原料参数410-1可以包括煤粉的成分、煤粉的质量等，燃烧炉工作参数410-2可以包括温度、空气进气量以及燃烧时间等。66.在一些实施例中，如图4所示，飞灰颗粒物浓度预测模型420的参数可以通过多组有标签的第一训练样本440-1训练得到。在一些实施例中，可以获得多组第一训练样本440-1，每组第一训练样本440-1可以包括多个训练数据及训练数据对应的标签，训练数据可以包括历史原料参数和历史燃烧炉工作参数，训练数据的标签可以是历史飞灰颗粒物浓度。所述历史飞灰颗粒物浓度是基于历史飞灰颗粒物浓度的真实值确定的。其中，历史飞灰颗粒物浓度真实值可以通过采集法获得，具体地，可以通过采集一小段时间内的灰粉，人工测量其重量，根据这段时间的烟气流速计算出烟气体积，进而计算得到准确的灰粉浓度。67.飞灰颗粒物浓度预测模型420训练时，可以将原料的燃烧程度分成几个区段(例如，0kg/m3～0.005kg/m3，0.005kg/m3～0.010kg/m3，0.010kg/m3～0.015kg/m3，0.015kg/m3～0.020kg/m3，0.020kg/m3～0.025kg/m3)，然后基于实际值所处的区段构建标签。示例的，如果历史原料的燃烧程度的实际值处于0.005kg/m3～0.010kg/m3，则标签为[0，1，0，0，0]，即所在区段对应位置的标签为1，其他位置是0。对应的，飞灰颗粒物浓度预测模型420输出的飞灰颗粒物浓度430是一个向量，向量中的值代表属于各个区段的可能性，将向量中的值最大的那个区段作为模型预测的结果，对应那段的输出值为置信度。例如，飞灰颗粒物浓度预测模型420可以输出5个飞灰颗粒物浓度的概率值，其可以表示为[0.04，0.80，0.07，0.04，0.05]，最高概率值0.80对应的飞灰颗粒物浓度0.005kg/m3～0.010kg/m3即为飞灰颗粒物浓度。其中，最高概率值0.80为飞灰颗粒物浓度预测模型420的置信度。[0068]通过多组第一训练样本440-1可以更新初始飞灰颗粒物浓度预测模型450的参数，得到训练好的飞灰颗粒物浓度预测模型420。在一些实施例中，可以基于多个第一训练样本440-1迭代更新初始飞灰颗粒物浓度预测模型450的参数，以使模型的损失函数满足预设条件。例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的初始飞灰颗粒物浓度预测模型450。其中，飞灰颗粒物浓度预测模型420和训练好的初始飞灰颗粒物浓度预测模型450具备相同的模型结构。[0069]在一些实施例中，若飞灰颗粒物浓度预测模型的置信度低于第一阈值(例如，80％等)，则可以基于飞灰颗粒物浓度预测模型确定的飞灰颗粒物浓度，以及飞灰颗粒物浓度的监测值或飞灰颗粒物浓度校正后的监测值进行模型的增强训练。[0070]在一些实施例中，飞灰颗粒物浓度的监测值可以通过浊度法、β射线吸收法和/或电荷法确定。其中，浊度法是在烟气流通管道内一侧设置红外线发射装置，对侧设置接收装置，由于颗粒物的遮挡，接收到的红外线强度会降低，基于降低程度即可换算颗粒物浓度。β射线吸收法是在烟气流通管道内一侧设置β射线发射装置，对侧设置接收装置，当β射线通过烟气时，β射线的能量衰减，通过对衰减量的测定便可计算出颗粒物的浓度。电荷法是在烟气流通管道内设置静电探头，当烟气内颗粒物经过探头，探头所接收到的电荷来自颗粒物对探头的撞击、摩擦和静电感应。由于安装在烟气流通管道中探头的表面积与烟道的截面积相比非常小，大部分接收到的电荷是由于颗粒物流经过探头附近所引起的静电感应而形成。颗粒物浓度越高，感应、摩擦和撞击所产生的静电荷就越强。可通过此电荷量换算颗粒物浓度。若使用浊度法、β射线吸收法和/或电荷法确定飞灰颗粒物浓度的监测值，相应的，飞灰浓度检测模块还包括基于选取的浊度法、β射线吸收法和/或电荷法配置的检测设备。[0071]在一些实施例中，由于烟气的温度可能在使用浊度法和电荷法时对测量结果产生影响。例如温度不同的颗粒物对红外线的遮挡能力不同。又例如温度不同的颗粒物产生的静电感应强弱也可能会不同。另外，烟气的流速也可能对测量结果产生影响。例如使用电荷法时不同流速的飞灰颗粒对探头的撞击、摩擦所产生的电荷量会有差别。因此，控制模块(例如，控制模块150)可以基于飞灰颗粒物浓度的监测值、烟气的流速和烟气的温度，通过监测值校正模型确定飞灰颗粒物浓度校正后的监测值。接着，若飞灰颗粒物浓度预测模型的置信度低于第一阈值(例如，80％等)，则可以基于飞灰颗粒物浓度预测模型确定的飞灰颗粒物浓度，以及飞灰颗粒物浓度校正后的监测值进行模型的增强训练。[0072]在一些实施例中，如图4所示，监测值校正模型470的输入可以包括飞灰颗粒物浓度的监测值460-1、烟气的流速460-2以及烟气的温度460-3，输出为飞灰颗粒物浓度校正后的监测值440-2。[0073]在一些实施例中，如图4所示，监测值校正模型470的参数可以通过多组有标签的第二训练样本480训练得到。在一些实施例中，可以获得多组第二训练样本480，每组第二训练样本480可以包括多个训练数据及训练数据对应的标签，训练数据可以包括历史飞灰颗粒物浓度的监测值、历史烟气的流速和历史烟气的温度，训练数据的标签可以是历史飞灰颗粒物浓度校正后的监测值。所述历史飞灰颗粒物浓度校正后的监测值是基于历史飞灰颗粒物浓度真实值确定的。[0074]通过多组第二训练样本480可以更新初始监测值校正模型490的参数，得到训练好的监测值校正模型470。[0075]在一些实施例中，可以基于多个第二训练样本480样本迭代更新初始监测值校正模型490的参数，以使模型的损失函数满足预设条件。例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的初始监测值校正模型490。其中，监测值校正模型470和训练好的初始监测值校正模型490具备相同的模型结构。[0076]在一些实施例中，可以基于飞灰颗粒物浓度预测模型每次的输出，对该飞灰颗粒物浓度预测模型进行增强训练。在进行增强训练时，可以基于飞灰颗粒物浓度的监测值或飞灰颗粒物浓度校正后的监测值调整飞灰颗粒物浓度预测模型训练的损失函数。[0077]损失函数是指可以表示随机事件的风险或损失的函数，包括感知损失函数、交叉熵损失函数、均方差损失函数等。若飞灰颗粒物浓度预测模型的预测结果的置信度低于第二阈值(例如，70％)，则减小增强训练时飞灰颗粒物浓度预测模型预测的飞灰颗粒物浓度的权重。例如，如公式(1)所示，可以使损失函数中的飞灰颗粒物浓度预测模型确定的飞灰颗粒物浓度乘以较小的权重参数，即权重参数c为小于0.5的常数：[0078]其中，l为损失函数符号，a为灰粉浓度真实值，为灰粉浓度预测值，j为飞灰颗粒物浓度预测模型的预测值，y为飞灰颗粒物浓度的监测值或飞灰颗粒物浓度校正后的监测值、c为权重参数，f为函数关系符号，代表值、c为权重参数，f为函数关系符号，代表p(a|y，j)代表在y和j的条件下预测结果为a的概率。[0079]在利用飞灰颗粒物浓度预测模型确定飞灰颗粒物浓度的同时，可以根据飞灰颗粒物浓度的监测值或飞灰颗粒物浓度校正后的监测值不断更新飞灰颗粒物浓度预测模型的参数，使得更新后的飞灰颗粒物浓度预测模型实现更加精确的预测。[0080]图5是根据本说明书一些实施例所示的燃烧度识别模型结构500的示意图。[0081]在一些实施例中，如图5所示，燃烧度识别模型520的输入可以包括飞灰颗粒物的图像510，输出为原料的燃烧程度530。[0082]在一些实施例中，如图5所示，燃烧度识别模型520的参数可以通过多组有标签的第三训练样本540训练得到。在一些实施例中，可以获得多组第三训练样本540，每组第三训练样本540可以包括多个训练数据及训练数据对应的标签，训练数据可以包括历史飞灰颗粒物的图像，训练数据的标签可以是历史原料的燃烧程度。所述历史原料的燃烧程度是基于历史原料的燃烧程度化验值确定的，即通过化验得到飞灰中剩余可燃物质量和原料中可燃物质量，并通过公式(1-飞灰中剩余可燃物质量/原料中可燃物质量)×100％确定原料的燃烧程度。[0083]燃烧度识别模型520训练时，可以将原料的燃烧程度分成几个区段(例如，60％～68％，68％～76％，76％～84％，84％～92％，92％～100％)，然后基于实际值所处的区段构建标签。示例的，如果历史原料的燃烧程度的实际值处于68％～76％，则标签为[0，1，0，0，0]，即所在区段对应位置的标签为1，其他位置是0。对应的，燃烧度识别模型520输出的原料的燃烧程度530是一个向量，向量中的值代表属于各个区段的可能性，将向量中的值最大的那个区段作为模型预测的结果，对应那段的输出值为置信度。例如，燃烧度识别模型520可以输出5个原料的燃烧程度的概率值，其可以表示为[0.05，0.05，0.06，0.79，0.05]，最高概率值0.79对应的原料的燃烧程度84％～92％即为原料的燃烧程度。其中，最高概率值0.79为燃烧度识别模型520的置信度。[0084]通过多组第三训练样本540可以更新初始燃烧度识别模型550的参数，得到训练好的燃烧度识别模型520。在一些实施例中，可以基于多个第三训练样本540迭代更新初始燃烧度识别模型550的参数，以使模型的损失函数满足预设条件。例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的初始燃烧度识别模型550。其中，燃烧度识别模型520和训练好的初始燃烧度识别模型550具备相同的模型结构。[0085]在一些实施例中，当燃烧度识别模型的置信度低于第三阈值(例如，80％等)，控制模块(例如，控制模块150)可以根据一定质量的原料，燃烧得到的实际飞灰颗粒物的质量，并且根据原料的化学成分、完全燃烧的灰粉的化学成分以及燃烧反应方程式，计算出的原料完全燃烧时的飞灰颗粒物的质量，实际飞灰颗粒物的质量与计算出的原料完全燃烧时的飞灰颗粒物的质量的差值即为飞灰中剩余可燃物质量，从而可以通过计算得到的原料的燃烧程度。接着基于计算得到的原料的燃烧程度，校正原料的燃烧程度。在一些实施例中，可以基于燃烧度识别模型获得的原料的燃烧程度和计算得到的原料的燃烧程度的加权平均值，确定校正后的原料的燃烧程度。[0086]通过燃烧度识别模型对原料的燃烧程度进行识别，当燃烧度识别模型的置信度低于第三阈值时，可以结合计算得到的原料的燃烧程度对燃烧度识别模型识别到的原料的燃烧程度进行校正，从而使获得的原料的燃烧程度更加准确。[0087]上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。[0088]同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。[0089]此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。[0090]同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。[0091]一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。[0092]针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。[0093]最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!