基于跨域多注意力残差网络的炉膛内温度场重建OA

工业炉膛作为能源、冶金、化工等领域的核心设备,其内部温度场的精确监测对燃烧效率优化、设备安全运行及污染物减排至关重要。传统热辐射成像技术虽能实现非接触式测量,但模型不适定、抗干扰能力弱,现有深度学习方法存在边界信息丢失、难以聚焦关键区域及多尺度特征融合不足等问题,制约重建精度。为此,该文提出一种跨域多注意力残差网络(ResNet-ECM)的炉膛温度场重建方法。该方法在传统残差网络基础上,引入边缘增强稠密模块强化边界特征提取,结合双注意力融合模块和多路径跨域融合模块提升多尺度特征表达能力。通过构建包含单峰与双峰温度场的仿真数据集,验证了模型在不同噪声强度下的重建性能。实验结果表明,ResNet-ECM在单峰和双峰温度场重建中的平均相对误差分别为0.45%和0.53%,最大相对误差为0.62%和0.84%。相较于传统ResNet网络,平均相对误差减少了49%和39%,最大相对误差减少了46%和17%。消融实验验证其对重建精度的有效性,可见该模型有效克服了重建噪声敏感性与现有深度学习方法在边界信息、关键区域聚焦及多尺度融合的不足。