基于特征量分析的电站锅炉燃烧状态诊断技术综述

王锡辉，王志鹏，陈厚涛，朱晓星，刘武林，寻 新

(1.国网湖南省电力有限公司电力科学研究院, 高效清洁火力发电技术湖南省重点实验室, 长沙 410007；2.湖南省湘电试验研究院有限公司, 长沙 410007)

电站锅炉的燃烧是一个复杂的物理化学过程，基于完整的化学反应[1-2]、传热传质模型[3]或直接数值模拟[4]进行燃烧诊断多偏向理论研究，其工程实用效果尚不理想。与内燃机缸内燃烧[5]或单个火焰[6]的燃烧诊断不同，电站锅炉燃烧诊断更加注重整体宏观特性，目的是获取一些对运行调整有意义的信息[7]，如火焰稳定性、均匀性、污染物排放特性等，以便进行燃烧优化[8]。基于特征信息而不深究燃烧过程的物理化学规律，得出具有统计意义的结论正是基于特征量分析的模式识别技术的特点[9-12]。当前文献对基于特征量分析的电站锅炉燃烧诊断技术中应用的各种算法的基本理念、数学原理及应用特点缺乏深入的对比研究，如何根据实际情况选取合适的技术路线缺乏综述性评价。鉴于此，现概述各类别燃烧诊断技术，详细介绍基于特征量分析的电站锅炉燃烧诊断技术的流程、特征量的提取、各种算法的详细数学原理与实现以及用于燃烧诊断时的综合性能评价，以期推动模式识别技术在火力发电智能诊断、控制等领域的广泛应用，丰富电厂智能化、智慧化建设的技术手段。

1 燃烧诊断技术概述

根据一次测量元件的类型来划分，电站锅炉燃烧诊断技术分为三大类。第一类是基于火焰辐射强度探测的诊断技术；第二类是基于火焰数字图像分析的诊断技术；第三类是基于声波发送与接收、用于炉膛温度测量的诊断技术。其目的是诊断火焰是否存在、燃烧是否稳定、是否满足经济性及环保要求等。

1.1 火焰稳定性分析技术

周怀春等[13]研究了燃煤火焰信号的频谱分布特性。将燃烧火焰的时序信号进行通用的快速傅里叶变换，从燃烧火焰在频率域的能量分布定性地看出，当燃烧稳定性变差时，火焰的低频波动能量变大，频谱分布图上的低频频谱峰值变大。肖隽等[14]对采样信号进行重构并滤除信号中的高频噪声后用快速傅里叶变换方法对微压信号进行频谱分析发现，当锅炉燃烧处于不稳定状态时，炉膛负压信号频谱中有冲击信号特征。高翔等[15]尝试通过对压力脉动信号做线性回归，以回归直线的斜率K大小作为判定燃烧状态稳定与否的依据。周怀春等[16]对煤粉火焰的颜色使用了CIE1931标准色度系统作了定量分析，给出了近似色度坐标计算方法。徐伟勇等[17]采用传像光纤和数字图像处理技术开展了检测电站锅炉燃烧火焰的研究，将火焰亮度及其变化历史记录作为判断燃烧稳定性的依据。利用单个特性参数对燃烧状况进行诊断，其效果依赖于该参数富含的信息以及表征燃烧状况的准确程度，以及该参数评判火焰稳定与否的阈值合理性。

1.2 炉膛温度测量技术

周怀春等[18-19]采用单色火焰灰度图像与参考点热电偶实测温度相结合的方法，通过获得的单色图像与其中某一参考点的辐射强度的比较来获得温度场，或通过火焰图像提取红、绿、蓝三色数据，利用比色法获得三维温度场的分布[20-22]。单色法测温参考点的空间位置在图片上难以精确定位，温度测量元件的使用寿命受限，比色法测温时由于图像信息中存在叠加而有可能造成误差。基于彩色电荷耦合器件(charged coupled device，CCD)的光学响应特性和辐射定律，有学者建立辐射传递方程组，采用代数迭代重建方法求得每个网格上的辐射强度，并根据维恩定律，求出该网格温度，反复迭代直至收敛[23-31]。该方法计算较繁复，测量精度依赖于射线条数和网格的大小。声波测温法起源于20世纪90年代[32]。根据理想气体方程与声波传播方程，可获得气体温度与声波传播速度的关系。声波发生器与接收器的距离很容易测得，记录声波在发生器与接收器传播路径上的飞渡时间，即可计算得到声波的传播速度，从而实现声波传播路径上的温度推算。通过设置多个声波发生器与接收器，理论上可获得多条声波传播通道上的温度测量，实现某个截面的温度场重建[33-36]。但由于炉膛内环境复杂，噪声大，颗粒多，对声波的传播造成了干扰，影响温度测量的准确性。通过温度测量，可获得炉膛燃烧的定量信息，并使得未燃尽碳含量、NOx排放的预测成为可能，对燃烧的运行优化指导具有重大作用，其测量准确度和可靠性是影响技术推广的主要因素。

1.3 基于特征量表征的燃烧诊断技术

与基于单个或少数几个参数拟合某种规律的燃烧诊断技术相比，基于特征量分析的模式识别技术在高维度数据处理、整合功能及强关联耦合却又难以建立精确模型的问题分析上具有巨大优势[9-12]。随着人工智能技术的不断发展，基于特征量分析的燃烧诊断方法或机组运行状态识别技术将更具有满足智慧电厂建设要求的潜力[37]。

中国基于特征量提取和算法分析的技术用于电站锅炉燃烧诊断始于21世纪初[38]，研究聚焦于燃烧状态的识别(如火焰稳定性)和污染物排放的预测[39]。应用较多的算法主要有Kohonen 自组织神经网络[40]、反向传播神经网络[41]、主元分析方法[42]以及支持向量机算法[43]。模糊C均值聚类算法[44-45]及模糊免疫算法[46]由于其描述燃烧过程渐变特性的便利性也被广泛研究。

2 基于特征量分析的燃烧诊断流程

基于特征量分析的燃烧诊断技术基本流程如图1所示，分为4个主要环节：①获取火焰强度、炉膛负压、火焰图像信息等；②提取能表征燃烧状态的特征量作为模式识别输入参数(样本)；③选择算法，将样本代入算法进行学习/训练，使其具备识别输入参数状态模式的能力并经过验证样本的检测；④将待诊断样本输入训练好的算法即可得知样本的状态。待诊断样本特征量的组成、提取方法、诊断周期的选择应与训练样本保持完全一致。其中，提取特征量、算法的选取和学习/训练是该技术的核心环节，将分别在第3节和第4节详细介绍。

图1 基于特征量分析的燃烧诊断技术流程图

3 特征量提取

燃烧理论并未对某一种燃烧状态进行定义，而是根据经验，当一些参数满足某种要求时，判定燃烧处于某一种状态。燃烧状态的识别是一种基于经验的模糊判断。在采用神经网络或其他算法进行模式识别时，模拟人的思维模式，提取一些特征量参数用于表征燃烧状态。设计合适的算法，通过特征量组合发现同一类别的相似性和不同类别的差异性而达到模式识别或分类的目的。特征量准确表征状态某种属性的能力对于整体状态识别至关重要。基于图像处理技术时，一般把火焰图像的几何特性参数、物理特性参数以及色度特性参数作为特征量。基于燃烧特性参数测量时，一般利用微压、火焰频谱、火焰强度信号等参数的统计学值作为特征量。

(1)火焰图像灰度的平均值[40]:也称为特征区或有效燃烧区平均灰度，公式为

(1)

(2)

式中：N为t时间内采样的次数；gavi为第i次采样时图像的平均灰度值；G为图像像素个数；gji为第i次采样时图像中像素点j的灰度值。图像灰度的平均值表征一段时间内的燃烧强度。

(2)t时间内火焰图像平均灰度的方差或标准差(标准差等于方差开方)[40]：公式为

(3)

火焰图像平均灰度的方差表征火焰的脉动情况。燃烧稳定时，图像平均灰度方差较小，燃烧不稳定时，方差较大。

(3)火焰有效区域面积[40, 42]：也称为火焰像素面积或有效燃烧区域面积，公式为

(4)

式(4)中：Spixel-i为第i次采样时火焰有效区面积，通过统计火焰图像中某灰度级以上的所有像素点的总量，并基于每个像素占据的火焰面积均匀的假设而获得；gth为判定阈值，根据经验设定。

t时间内火焰像素面积方差[40]表示为

(5)

(6)

(4)高温区域面积[42]：与有效燃烧区域面积类似，通过统计火焰图像中某灰度级以上的所有像素点的总量并基于像素所占面积均匀的假设而获得，灰度阈值根据经验设定。不同的是，在计量高温区域面积时，选取的灰度阈值更大。

(5)高温面积率[42]：高温区域面积与火焰有效区域面积之比。该特征量可降低环境原因(如摄像头拍摄角度等)造成的误判率，与高温面积率类似的特征量还有有效燃烧面积率(等于有效燃烧区域像素数与图像总像素数之比)[47-48]。

与燃气、燃油火焰不同，煤粉火焰中可观察到未燃区、着火区(初始燃烧区)和完全燃烧区，以下特征量适用于煤粉火焰。

(6)火焰锋面位置[40](或着火点位置[48])：沿着风粉射流中心线上灰度梯度最大的位置，即通常所说的着火点。火焰锋面位置表征火焰稳燃能力。

(7)锋面位置差分[40]：相邻两次采样火焰锋面(着火点)位置之差，表征着火稳定性。燃烧越稳定，锋面位置差分波动越小。

(8)质心偏移距离[47]：火焰的质心与基准状态火焰质心相比，偏移的距离。该参数表征火焰稳定性的能力依赖于基准火焰质心的准确性和对不同工况的适应性。

(9)圆形度[48]：假设有一个与火焰图像区域的投影面积具有相同面积的圆，以此圆的直径作为圆等效直径，用这个等效圆的周长除以火焰图像的周长所得到的值称为圆形度。表征火焰的几何外形特征。

(10)着火面积[47]：火焰锋面与燃烧器包围区域的面积，意义与火焰锋面位置类似。

(11)火焰传播角度[48]：火焰边界切线之间的夹角。

采用某一个特征量无法准确地表征燃烧状态。通常选取几个特征量作为一个组合，组合中的每一个特征量各表征燃烧状态某一方面的信息。对于不同的特征量组合，在表征火焰稳定性时，其特点如表1所示。

表1 特征量组合及其特点

一般而言，特征量的组合应满足如下条件[45]：①每个被选为特征量的参数要有明确的物理意义；②单个特征量参数能表征燃烧状况的某种属性；③特征量参数之间表征的属性不重叠、不冲突；④所有被选为特征量的参数组合起来应尽量能完整全面地表征燃烧状况。特别地，当实际燃烧状况不同时，特征量组合应具备识别其差异的能力并具备较强的鲁棒性；⑤特征量参数应尽量不受安装、信息提取等技术因素的影响。

4 算法原理与应用特性

4.1 Kohonen 自组织神经网络

Kohonen自组织神经网络是一种无导师学习模型[49]，通过自组织方法，用大量的样本训练数据调整网络的权值，使得最后网络的输出能够对不同输入样本做出不同响应而达到模式识别或聚类的目的[50-51]。在自组织映射里，神经元节点放置在网格节点上，网格通常是一维或二维的。以二维为例，网络结构如图2所示。假设[xi1,xi2,…,xim]为m维的输入参数Xi(或称为样本，即第三节所述特征量组合，其中1≤i≤n，n为样本总数)，每个输出网络节点对应一个权值向量且两两之间互不相同，权值向量维数与输入参数维数一致。以某节点j为例，其权值向量wj表示为[wj1,wj2,…,wjm]。训练过程中，计算输入参数与权值向量的点积XiwjT(或计算输入参数与权值向量之间的欧式距离)，点积最大(或欧式距离最小)的节点即为获胜节点或获胜神经元，对该神经元及其邻域神经元的权值向量按一定规则进行调整，而其他节点的权值向量保持不变。当输入数据的模式发生变化时，获胜节点也随着转移。因此，经过一定输入数据(包含各种模式)的训练后，某个(些)神经元对某一类输入数据的响应远比其他节点更加显著，这个神经元的空间位置即代表某类特定的模式，从而达到模式识别的目的。为了训练过程中数学处理更加便利，通常将输入参数及权值向量初始化、归一化。Kohonen 自组织神经网络的训练流程如图3所示。

图2 Kohonen网络拓扑结构

图3 Kohonen自组织神经网络训练流程

在训练的起始阶段，各神经元节点的权值向量是随机分配的。权值向量调整规则及邻域半径的确定是Kohonen网络训练的核心环节。权值向量的调整表达式为

wj(n+1)=wj(n)+η(n)hj,i(x)[Xi-wj(t)]

(7)

式(7)中：η为学习率参数；hj,i(x)为获胜神经元的邻域函数(应满足均匀对称的要求)，二者在学习过程中是动态变化的。η和hj,i(x)有许多不同的形式，在具体训练过程中可根据输入参数的分布进行选择和设计，但均应满足随着训练次数的增加而衰减的要求。下述两个函数满足此要求。

(8)

(9)

式中：dj,i为优胜神经元i与获胜神经元j之间的欧式距离；σ0、η0为初始参数；n为训练次数；τ1、τ2为时间常数。

卫成业等[52]以一段时间内平均灰度、平均灰度方差、火焰像素面积平均值、像素面积方差为特征量组合，构建了输出层为15×15个神经元的Kohonen 网络，从300幅不同状态(稳定火焰、不稳定火焰、熄火)的火焰图像中提取特征量，作为输入样本Xi(i=1～300)，对构建的网络进行6 000次训练，通过不断调整各神经元的权值向量，使不同状态的样本聚类于网络输出层的不同空间位置(即该位置神经元节点的权值向量与输入样本的点积最大)，达到状态识别的目的。提取的特征量对不同状态的表征区分度直接影响聚类的准确性。

4.2 反向传播神经网络

反向传播(back propagation，BP)神经网络是一种有监督的学习算法[53]。网络结构包含输入层、隐藏层(也可无隐藏层)和输出层[54-55]，现考虑只有一层隐藏层的网络结构，如图4所示。相邻层节点的连接都配有权值向量。输入参数向量通过网络的正向传播，在输出节点上产生一个实际响应。期待响应与实际响应之差获得误差信号。在反向传播中，利用误差信号调整权值向量，经过一定数量样本的训练后，网络输出节点的实际响应在统计意义上接近目标响应，网络完成学习过程。将未知样本输入网络，根据网络输出对应的期待响应而确定输入参数向量的模式，完成模式识别。反向传播算法学习过程的数学原理如下。

图4 BP网络结构

假设神经元j在第n次训练时，输出误差信号表示为

ej(n)=dj(n)-yj(n)

(10)

(11)

假设训练集合的样本总数为N，对每一个训练样本求取ξ(n)，整个训练集的均方误差能量ξav可表示为

(12)

训练的目的是调整权值向量使得ξav最小化。

如图5所示为网络正向传播过程中神经元之间的信号流图。前一层输入信号对神经元j产生的刺激表示为

图5 BP网络正向传播过程中神经元之间的信号流图

(13)

式(13)中：wji(n)为第i层网络输出与第j个神经元的连接权值向量，i和j是毗邻的网络层；m为输入向量(不含偏置)个数，经激活函数后神经元j的输出函数信号表示为

(14)

应用于wji(n)的修正值Δwji(n)定义为

(15)

式(15)中：η为反向传播算法的学习率参数；负号表示寻找使得ξ(n)值下降的权值改变方向。根据微分的链式规则有

(16)

联立式(10)、式(11)、式(13)、式(14)和式(16)可得

(17)

为使后述的表达更加简洁，引入局域梯度δj(n)，定义为

ej(n)φ′j[vj(n)]

(18)

将式(17)、式(18)代入式(15)，权值向量wji(n)的修正量Δwji(n)表示为

Δwji(n)=ηδj(n)yi(n)

(19)

当神经元j位于输出层时，根据式(19)可以很直接得到权值向量的调整值。当神经元j位于网络的隐藏层时，误差信号无法直接计算，需根据与j神经元相连的输出神经元的误差来递归获得。重新考察图5所示的网络结构，神经元j位于隐藏层。根据定义，ξ(n)表示为

(20)

式(20)中：k为输出层节点。

式(20)两边对函数信号yj求偏导得

(21)

由于神经元k位于输出层，则

ek(n)=dk(n)-yk(n)=dk(n)-φk[vk(n)]

(22)

因此

(23)

式(21)可进一步表示为

(24)

由式(24)及局域梯度的定义，对隐藏层神经元j有

(25)

因此，隐藏层神经元权值向量的修正量Δwji(n)表示为

Δwji(n)=ηyi(n)δj(n)=

(26)

至此，反向传播算法有关权值向量调整规则的数学推导结束。在上述的推导过程中，反复使用φ(·)和其偏导数φ′(·)。φ(·)称为激活函数，其必须满足可微的特性。常用的激活函数有以下两种，表示为

(27)

φ(x)=atanh(bx)

(28)

张玉杰等[41]以平均灰度、方差、熵、火焰丰度、能量为特征量组合，构建输入层、隐藏层、输出层分别为25个节点(连续提取5帧图像的特征量)、32个节点和1个节点的BP网络，提取稳定燃烧、不稳定燃烧以及熄火三种状态火焰图像的特征量组合各40组样本作为输入参数，并分别将期待输出设置为0.1、0.5和0.9，网络经过1 500次训练后，可通过输出值判断待识别样本所隶属的状态。

4.3 支持向量机算法

支持向量机算法的思想本质上是通过已知样本寻找出一个分割超平面(separation hyperplane)，也称为决策平面，使所有样本位于决策平面的两侧，并满足离决策面距离最近的点到决策面的距离最大化的约束条件[56-57]，如图6所示。这些离决策面最近的点被称为支持向量机(support vector machine, SVM)。

wTX+b=0

(29)

式(29)中：X为输入向量；w为权值向量；b为偏置，对于期望响应为1的一类，满足：

wTX+b≥0

(30)

对于期望响应为-1的一类，满足：

wTX+b<0

(31)

很显然，如图6所示，同时满足式(30)和式(31)的平面不是唯一的。将决策面平移，得到与决策面平行的两个平面，并分别穿过两个类别的支持向量。两个平行平面的方程可写为wTX+b=-1和wTX+b=1。平面1上方的点必须满足条件：wTX+b≥1，平面2下方的点必须满足条件：wTX+b≤-1。下面考虑支持向量到决策平面距离最大化的约束条件。根据定义，对应期望响应分别为1和-1时，支持向量到决策平面的距离表示为

图6 基于支持向量机的决策面示意图

(32)

di(wTX+b)≥1,i=1,2，…，N

(33)

和约束条件2(权值向量w最小化代价函数)：

(34)

为解决该问题，构造拉格朗日函数为

(35)

式(35)中：αi称为拉格朗日乘子(αi≥0)。约束最优问题的解由拉格朗日函数的鞍点决定，此函数对w和b最小化，即

(36)

求得

(37)

图7 基于决策面线性不可分示意图

约束条件1：

di(wTX+b)≥1-εi,εi≥0,i=1,2,…,N

(38)

约束条件2：

(39)

式(39)中：Z为使用者选定的正参数；ei为松弛变量。通过构造拉格朗日函数并求导，求得权值向量为

(40)

可分与不可分的不同在于将限制条件ai≥0替换为0≤ai≤εi。

吴一全等[47]以火焰有效燃烧区面积率、高温燃烧面积率、有效燃烧区域平均灰度、有效燃烧区域灰度标准差、有效燃烧区域灰度直方图熵、质心行位置、质心列位置、几何中心行位置、几何中心列位置、圆形度为特征量组合，从45幅火焰图像样本中(包含20帧稳定火焰图片与25帧不稳定至熄火的图片)提取特征量数值，前10帧作为稳定状态训练样本(设置输出为1)，第21～30帧作为不稳定状态训练样本(设置输出为-1)进行训练，最终样本识别的准确率为84.4%。

4.4 主元分析模型

主元分析方法(principal component analysis, PCA)一般不直接用于模式识别，而是一种数据压缩(降维)但仍保留其主要特征的数学处理方法[58]，为高维数据处理节省时间和成本。对n×p的矩阵X，PCA算法的数学模型可描述为

(41)

求取n×m(m≤p)的矩阵Z(称为X的特征矩阵)，其中

Zi=li1x1+li2x2+…+lipxp

(42)

式(42)中：Zi为矩阵Z的列向量，1≤i≤m；Xp为矩阵X的列向量。各向量之间满足如下约束关系：①Z1，Z2，…，Zm相互无关；②Z1是X1，X2，…，Xp的所有线性组合中方差最大者，Z2是与Z1不相关的X1，X2，…，Xp的所有线性组合中方差最大者，以此类推。问题也可等价描述为求取X的协方差矩阵的由大到小排列的前m个特征值的特征向量。可通过特征值分解协方差矩阵或奇异值分解协方差矩阵两种方法获得。计算流程如图8所示。

图8 主元分析模型算法流程图

白卫东[39]以火焰有效区灰度和高温区域灰度、火焰有效区域面积和高温区域面积、高温面积率、质心偏移距离、圆形度为特征量组合，基于PCA分析，采用HotellingT2和Q两个统计量，通过检验其是否超过各自的控制限实现火焰状态的监测。PCA本质上是消除多维变量的相关性，以减少数据处理量。统计量的值表征的是采用PCA降维过程数据是否失真，用于监测状态变化从而实现模式识别，其诊断准确性有待更多实践验证。

4.5 模糊C均值聚类算法

模糊C均值聚类算法(fuzzyC-means cluster, FCM)是普通C均值聚类算法的改进[59-61]。将一个样本数据集根据其特征属性分为若干个类别，每一个类别存在一个聚类中心，通过待诊断样本与聚类中心之间的隶属度大小确定其归属于哪一类别。数学方法简介如下：对于数据集X={x1,x2, …,xn}，假设该数据集可划分为k个类别，则第i个样本隶属于第j(1 ≤j≤k)类的隶属度uij满足如下条件：

0≤uij≤1

(43)

(44)

在求取聚类中心时，FCM聚类算法以类内加权平方误差和为目标函数。

(45)

式(45)中：dij为聚类中心pj与数据xi之间的欧式距离；m为平滑因子。

求目标函数J对聚类中心pj的偏导，并令其为0，即

(46)

由式(46)可求得聚类中心pj的表达式为

(47)

根据隶属度的定义可求得

(48)

采用模糊C均值聚类算法求取聚类中心流程[45]如图9所示。

图9 聚类中心求取流程图

刘伟等[44]以火检信号的方差、偏度、峭度、形状因子、奇异谱熵、功率谱熵、小波能谱熵为特征量组合，收集不同燃烧状态(好、中、差)的火检数据，采用模糊C均值聚类算法求取各燃烧状态的聚类中心，通过计算待识别样本与各状态聚类中心之间的隶属度值，根据隶属度值的大小确定待识别样本的状态。FCM采用隶属度的概念，更加符合燃烧状态渐进变化的物理特性，训练成本低，要求特征量组合在数值上对不同状态具有良好的区分度。

各种算法的特点及推荐应用场合总结如表2所示。表2中所述各类算法在进行模式识别时各有特点，是基础的技术手段。在火力发电领域中，不仅可用于燃烧状态的识别，也可用于单元机组某一分系统或整台机组运行状态的识别，从而实现辅机设备、分系统故障或机组运行经济性等的智能化诊断，关键在于提取能准确表征状态的特征量及选用合适的算法。基于特征量分析、模糊聚类及其他算法获得的诊断结论是数字化的，把基于人的经验获得的文字性描述结论转变成控制器可识别的语言，易于与现有控制系统相结合。应当指出，基于特征量分析的诊断实现火力发电涉及的过程闭环控制的进程仍处于探索阶段。建议根据诊断目标进行分类，针对每一类目标提炼相适宜的特征量提取通用方法及诊断算法，初步实现包含机组安全、经济、环保等指标在内的全部性能诊断，并为运行人员提供实时优化建议；当诊断结论和优化建议的正确性满足机组安全稳定运行控制要求时，将优化建议变成执行决策，逐步接入原有控制回路，实现闭环控制。

表2 各算法特点与适用场合

5 结论与展望

概述了各类别燃烧诊断技术及其特点，详细介绍了基于特征量分析的电站锅炉燃烧诊断技术的流程、特征量的提取方法、常用算法的详细数学原理与实现，综合比较了各特征量组合、各算法的性能，在此基础上推荐了应用场合。基于单个特性参数(如火焰频谱)的拟合分析对燃烧稳定性进行诊断，其效果依赖于该参数富含的信息以及表征燃烧状况的准确程度，以及该参数评判火焰稳定与否的阈值合理性。基于温度测量进行燃烧诊断，可获得炉膛燃烧的定量信息，并使得未燃尽碳含量、NOx排放的预测成为可能，对燃烧的运行优化指导具有重大作用，其测量准确度和可靠性是影响技术推广的主要因素。提取特征量、网络的设计和训练是基于特征量分析的燃烧诊断技术的核心环节。用于状态识别时，特征量应有明确的物理意义且应具备表征状态某种属性的能力；特征量组合应尽量能完整全面地包含状态信息。特别地，当实际状态不同时，特征量组合应具备识别其差异的能力并具备较强的鲁棒性。有导师学习模型如BP神经网络算法、SVM算法及FCM算法适用于所有可根据经验进行分类的场合，FCM采用隶属度的概念可更加精准的表述待诊断样本的状态，SVM适用于样本模式非此即彼的分类应用；Kohonen自组织神经网络适用于各类别之间具有较强区分度的场合；PCA是高维数据降维提炼的有效手段。

所述各类模式识别算法不仅可用于燃烧状态的识别，也可用于发电机组某一设备、分系统或整台机组运行状态的识别，进而实现辅机设备故障或机组运行安全性、经济性等的智能化诊断，并具备实现闭环控制的潜力，在火力发电厂智能化、智慧化建设中理应受到更多的关注。