《Energy and AI》：A multimodal feature fusion and large language model approach for the combustion stability diagnosis of 660 MWth coal-fired boilers
编辑推荐：
在低负荷灵活运行工况下，燃煤锅炉需快速响应深度变负荷需求，燃烧器燃烧状态对炉内效率与安全至关重要。尽管基于图像的火焰检测较传统方法监测精度更高，但无法实现火焰稳定性的定量评估与清晰诊断。针对上述问题，研究人员提出一种基于大语言的燃烧稳定性诊断方法，采用预训练L
在低负荷灵活运行工况下，燃煤锅炉需快速响应深度变负荷需求，燃烧器燃烧状态对炉内效率与安全至关重要。尽管基于图像的火焰检测较传统方法监测精度更高，但无法实现火焰稳定性的定量评估与清晰诊断。针对上述问题，研究人员提出一种基于大语言的燃烧稳定性诊断方法，采用预训练Llama 3.2-3B模型并进行轻量化微调。通过长短期记忆（LSTM）网络提取运行数据的时间特征，通过引入内在归纳偏置改进的视觉Transformer（ViTAE）提取火焰视频的空间特征，并设计自定义多模态融合网络将互补特征融合为燃烧特性的统一表征。微调阶段融入专家标注以提升对燃烧诊断推理的理解能力，同时构建稳定工况多模态特征数据库以实现火焰稳定性定量评估。在660 MW对冲燃烧锅炉上的测试验证了所提模型的有效性：模型可区分不同运行负荷下的稳定与不稳定火焰状态，准确检测安全与非安全燃烧状态的转变，并提供可解释的调整建议，为变负荷工况下燃煤锅炉安全、高效、智能化运行提供了可行路径。
该研究针对660 MWth燃煤锅炉低负荷灵活运行中的燃烧稳定性诊断需求，由东南大学能源与环境学院的研究人员开展。研究背景显示，在绿色低碳转型背景下，燃煤电厂需提升调峰能力以适配大规模可再生能源并网并保障电网稳定，而火焰稳定性是决定锅炉燃烧效率与运行安全的核心因素——火焰失稳会引发局部过热、温度场失衡，降低燃烧性能并增加污染物排放，因此精准识别燃烧器火焰稳定性对提升机组安全、环保与经济性具有重要意义。现有基于数字成像的火焰诊断方法依赖手工特征与传统统计方法，易受噪声干扰且在变工况下性能受限；深度学习（DL）方法虽可自动提取多层次特征，但仍缺乏对复杂工况下燃烧过程的深层理解，且未充分融合专家知识与诊断逻辑，难以实现燃烧稳定性的精准识别与智能诊断；大语言模型（LLM）在多源信息融合、复杂故障分析与专家知识生成方面展现出潜力，但通用模型在燃烧领域适配性不足，仍存在领域知识欠缺与诊断能力有限的问题。为此，研究人员构建了面向燃煤锅炉燃烧器燃烧诊断的领域专用大语言模型，通过融合运行数据与火焰图像的多模态特征及专家知识标注，实现火焰稳定性定量评估与可解释调整建议输出，为深调峰工况下的安全高效运行提供创新解决方案。
关键技术方法方面，研究人员首先在660 MW对冲燃烧锅炉上开展实验，通过光学探头与CCD相机构建火焰图像采集系统，同步获取30小时覆盖600 MW至270 MW负荷的运行参数与火焰视频，并以次日不同负荷数据作为泛化验证集。特征提取阶段，采用时变互信息（TVMI）筛选运行参数，通过LSTM网络提取时序特征；采用ViTAE模型提取火焰图像的空间特征，该模型通过Reduction Cell（RC）模块的多尺度分支与局部分支分别捕捉长程依赖与细粒度细节。多模态融合阶段，将两类特征沿token维度拼接后经可学习融合模块映射至高维语义空间，通过加权融合与交叉注意力模块强化跨模态语义对齐，最终以class token作为聚合表征输入模型。模型构建阶段，以Llama 3.2-3B为基础模型，采用低秩自适应（LoRA）进行参数高效微调，融入专家标注的语义描述与优化建议，形成燃烧稳定性诊断大语言模型（CSD-Llama）；同时构建多负荷稳定燃烧多模态特征数据库，通过计算当前特征与同负荷稳定模板的余弦相似度定义燃烧稳定性指数（CSI）以实现定量评估。
研究结果部分，首先为有效运行参数的选择。研究人员通过TVMI分析负荷、给煤量、一次风速、二次风量、水冷壁温度的动态耦合关系，发现水冷壁温度与其他参数的TVMI值始终低于0.06，缺乏显著动态耦合且响应滞后，因此将其排除，最终选取负荷、给煤量、一次风速、二次风量作为LSTM输入参数。
其次为模型性能评估。LoRA微调中，秩为32时训练损失与全参数微调接近，且在性能与效率间取得最优平衡。模型在三类复杂火焰场景识别任务中表现优异：火焰-煤粉交织识别准确率达92.1%，F1值为0.899；火焰冲刷水冷壁识别准确率达89.5%，F1值为0.886；邻焰干扰识别准确率达88.2%，F1值为0.871。消融实验表明，仅用运行参数时准确率为70.3%，仅用图像时为78.9%，多模态融合后提升至89.5%，推理时间为759 ms，兼顾性能与实时性需求。
最后为燃烧稳定性诊断。部署后的CSD-Llama可通过工具链实现实时诊断：高负荷（560 MW）下CSI稳定在0.8左右，中负荷（400 MW）降至约0.75，低负荷（280 MW）进一步降至约0.7，与工程实际一致；高负荷异常时，模型可识别二次风量偏低、一次风速不足与给煤量偏高的参数失配，给出“提高二次风量与一次风速、降低给煤量”的调整建议；低负荷异常时，可识别二次风量不足与煤量偏高的矛盾，给出“提高二次风量、降低一次风速与给煤量”的优化方案。
讨论与结论部分，研究人员指出多模态融合有效结合了时序动态信息与空间语义特征，显著提升了复杂火焰行为的诊断与解释能力；提出的CSI可量化当前工况与稳定参考状态的接近程度，随负荷降低呈下降趋势，与真实燃烧稳定性演变规律一致，设定0.6为变负荷工况下的稳定性评估阈值可有效判断燃烧状态；融合视觉信息、运行参数与专家知识的多模态方法结合Llama 3.2架构，赋予智能体语义理解与推理能力，可输出可解释的诊断见解。研究发表于《Energy and AI》，未来将进一步扩展多模态框架至炉膛温度场、烟气成分与声学信号等感知维度，并探索强化学习与知识图谱推理以实现燃烧过程的自适应优化与因果推断。
