基于神经网络的火电厂烟气含氧量软测量

介绍了测量仪表及过程控制中的软测量技术. 讨论了软测量技术的有关问题和开发策略.提出了基于一种复合型神经网络的火电厂烟气含 氧量软测量模型,并且用它对火电厂烟气含氧量的软测量进行了建模仿真验证,现场不同负荷 下的实测数据仿真验证结果表明了软测量方法的有效性.最后给出了应用前景展望.     

基于GMDH的电厂烟气含氧量软测量

烟气含氧量是评价火电厂锅炉燃烧好坏的一项重要指标,所以准确的测量尤为重要。本文主要研究内容是利用软测量技术对电厂烟气含氧量进行仿真测量,所采用的软测量建模方法为数据成组处理法(Group method of data handling,GMDH),利用从华润某电厂300MW机组得到的实际运行数据建立模型,并与BP神经网络所得预测结果进行对比。仿真结果表明:该方法能够较准确的对火电厂烟气含氧量进行预测。     

基于KPCA-LS-SVM的工业锅炉烟气含氧量预测

排烟含氧量是评价燃烧过程好坏和锅炉优化运行的重要指标,也是调节最佳风煤比的主要依据。针对工业锅炉氧量计使用受限的问题,提出一种混合的软测量方法:。为了提高烟气含氧量的软测量预测精度,本文分析与烟气含氧量有关的锅炉运行变量,从中确定8个,并采用核主成分析法进行参数处理,整合冗余,降低维数。经处理后得到的6个主成分,其累计贡献率达95.522%,以此作为最小二乘支持向量机软测量模型的输入。在此基础上,通过划分网格来改进交叉实验法,进而优化最小二乘支持向量机的2个参数。经优化得到的误差参数γ和径向基核函数参数σ~2分别为90.3和239.6,模型具有较高的训练精度。最后对某循环流化床锅炉进行建模仿真,利用采集的数据,分别建立最小二乘支持向量机、核主成分分析的最小二乘支持向量机和BP神经网络3种模型。应用3种模型对烟气含氧量进行预测,并采用3个模型性能指标进行对比分析。结果:表明,基于核主成分分析的最小二乘支持向量机的工业锅炉烟气含氧量模型,在小样本条件下学习更加有效,建模采样过程更快,预测精度更高。该模型有助于实现工业锅炉烟气含氧量在线软测量。     

一种基于直接广义预测的烟气含氧量软测量方法研究

针对工业锅炉烟气含氧量的测量,文章给出了一种基于直接广义预测算法的烟气含氧量软测量方法,运用该方法能够客观反映锅炉燃烧过程中任何时段的真实情况,提高烟气含氧量的测量精度,优化锅炉燃烧控制系数的性能.利用现场实际数据对该方法进行了仿真验证,仿真结果果表明了该软测量方法的有效性.     

基于PSO-Elman模型的火电厂烟气含氧量预测

针对火电厂烟气含氧量测量精度较低、测量成本较大等问题,提出基于PSO-Elman网络模型的烟气含氧量预测方法。选择合理的相关辅助变量,引入Elman神经网络建立辅助变量与烟气含氧量的关系模型;利用PSO对Elman中所有的权值、阈值进行寻优,将其最优权值和阈值作为初值赋给Elman;经过训练,建立基于PSO-Elman模型的预测模型,完成火电厂烟气含氧量的软测量。通过仿真,与Elman网络和LSSVM模型的预测结果作对比,所提模型具有较高的预测精度和良好的泛化能力。     

基于多目标LSSVM回归的火电厂烟气含氧量软测量

为了提高基于LSSVM的软测量模型的可信度,提出将平均拟合误差、平均预测误差与最大预测误差作为模型参数优化的3个目标,并根据两个预测误差目标之间的差值来设置模型参数选择的偏好;基于某电厂600MW超临界机组运行时采集的数据,对烟气含氧量进行的建模仿真结果表明:根据偏好选择LSSVM的正则化参数γ与核函数宽度σ可以同时兼顾模型的拟合能力与预测能力,并确保模型的最大预测误差小于一定的上限,从而能够提高模型的可信度;在此基础上,对γ与σ值变化的仿真试验进一步验证了综合考虑上述3个目标来进行模型参数优化选择的合理性。     

基于支持向量机的火电厂烟气含氧量软测量

针对火电厂烟气含氧量的测量,提出了一种基于支持向量机的软测量建模方法,实验证明,该方法比较传统的氧量分析仪和RBF神经网络软测量均有着明显的优势,对于实现火电厂经济燃烧有着重大的意义.     

基于ANFIS的糖厂PH中和过程建模

针对糖厂pH中和过程具有强非线性,大滞后性,不确定性等特点,将模糊推理系统和神经网络相结合,介绍了一种自适应神经模糊推理系统（ANFIS）,并建立了pH中和过程的模型。仿真结果表明,利用ANFIS所建立的模型能很好地逼近实际的非线性系统,并且辨识精度高,泛化能力强,为后续的优化控制研究奠定了基础。     

基于ANFIS的刀具磨损预测

自适应神经模糊推理系统ANFIS是模糊控制与神经网络控制结合的产物.讨论了ANFIS的结构及其特点,以及对刀具数据的处理以及建模,实现刀具磨损在线预测功能.实验结果显示:利用ANFIS对铣床刀具磨损量进行监测,可以知道刀具加工多少次后进行更换维修,可应用于工厂中的机器设备,协助工厂管理者掌握工厂运作状况,及时作出最佳及...     

基于ANFIS的机器人系统建模的研究

针对机器人这种不确定性的复杂非线性系统很难建立其精确的数学模型这一问题,提出一种基于自适应神经模糊推理(ANFIS)的方法对机器人系统进行建模.此方法将模糊推理和神经网络的学习能力有机地结合起来,并利用神经网络的学习机制自动地从输入输出数据中提取规则.建模过程中为了给ANFIS赋予一个合适的初始状态,选用减法聚类对输入数据进行处理.ANFIS网络的所有参数采用混合算法进行调节,即前提参数采用误差反向传播法,结论参数采用最小二乘法.最后在Matlab中对二自由度机器人进行仿真研究,仿真结果表明该方法模型结构简单,建模速度快,辨识精度高,同时也验证了该方法的有效性,为进一步实现机器人鲁棒自适应控制打下基础.     

城市固废焚烧过程烟气含氧量自适应预测控制

在城市固体废弃物焚烧(Municipal solid waste incineration, MSWI)过程中, 烟气含氧量是影响焚烧效果的重要工艺参数. 由于固废焚烧过程的复杂性, 在实际应用过程中, 难以实现烟气含氧量的有效控制. 面向城市固废焚烧过程烟气含氧量控制的实际需求, 提出一种基于数据驱动的烟气含氧量自适应预测控制方法. 首先, 采用自适应模糊C均值(Fuzzy C-means, FCM)算法辅助确定径向基函数(Radial basis function, RBF)神经网络隐含层神经元个数及初始中心, 建立基于FCM算法的径向基函数神经网络预测模型, 并在控制过程中通过自适应更新策略在线调节预测模型参数; 然后, 利用梯度下降算法求解控制律, 并基于李雅普诺夫理论分析了所提控制方法的稳定性; 最后, 基于城市固废焚烧厂实际数据, 验证了所提控制方法的有效性.     

基于多变量广义预测的烟气含氧量软测量研究

本文给出了一种基于多变量广义预测的烟气含氧量软测量方法,对预测输出模型系数直接辨识,避免了求解丢番图方程的过程,并采用粒子群优化算法对模型参数进行优化选择,快速选取预测参数的最佳组合,有利于提高模型的预测精度。仿真结果证明了该方法的有效性。     

基于nRF905的无线通信在水泥工业烟气成份分析数据传输中的应用研究

针对水泥工业环境复杂,线缆铺设困难、成本高的难题,通过研究目前常用的无线通信技术的特点,提出了基于射频芯片nRF905的无线通信在水泥工业应用的可行性方案,给出硬件和软件的设计过程,并通过现场实验验证了无线通信的准确性和可靠性,同时,采用射频芯片nRF905进行现场与中控的无线信号传输,具有成本低、数据传输稳定可靠、安装方便等优点,为水泥工业的烟气成份分析数据传输提供了一种新的思路。     

基于现场总线的铅锌烟气治理信息化管理系统

为解决铅、锌冶炼中烟气治理与生产之间的协调问题，采用FF和Profibus现场总线和先进的系统软件开发了基于DeltaV搭建的信息化管理系统。详细分析丁信息化管理系统的控制策略及其功能模块，并介绍了生产优化调度技术和系统软件设计及DeltaV系统的开发应用经验。经烟气治理工程的运行实践表明，该信息化管理系统的检测和控制达到了国际先进水平。     

基于自适应神经模糊推理系统的高速公路临界安全车距研究

汽车高速追尾是我国高速公路交通事故的主要形式之一,研究高速公路汽车临界安全车距对预防汽车追尾事故的发生具有积极的意义。文章通过对高速公路汽车临界安全车距的分析,提出了一种高速公路汽车临界安全车距的ANFIS(自适应神经模糊推理系统)模型,经计算和对比分析,验证了该模型的有效性。     

基于蚁群神经网络的煤矿瓦斯含量预测模型

为了准确而快速预测煤矿煤层的瓦斯含量,采用了蚁群神经网络算法进行预测,建立了针对预测瓦斯含量的蚁群神经网络模型。该模型是将蚁群算法引入到神经网络的优化训练中,以避免神经网络算法容易陷入局部最优的不足,从而获得稳定的网络结构,再用训练好的神经网络对对象进行预测。以辽宁三家子矿区煤层样本为例,应用蚁群神经网络算法进行仿真实验,实验结果表明,该算法与传统算法相比,具有较高的预测精度和较快的运算速度,是一种十分有效的瓦斯含量预测方法。     

基于自适应多目标模糊聚类的多模型软测量

针对复杂非线性系统单模型软测量存在建模精度低、模型泛化能力差的问题,提出一种采用自适应多目标模糊聚类的多模型高斯过程回归(GPR)软测量建模方法。首先使用自适应多目标聚类方法自动确定聚类个数并得到最优数据子集,避免了聚类个数不易人为给定的问题;然后对各数据子集分别建立GPR子模型,最后采用子模型加权融合方法得到最终的预测结果。使用火电厂历史运行数据建立烟气含氧量软测量模型验证该方法,仿真结果表明,该方法可以提高软测量模型精度,提升模型泛化能力。     

基于改进BP神经网络的瓦斯含量预测模型

煤层瓦斯含量是矿井安全生产的重要性能指标之一,而常规基于经验和传统数学模型的预测方法难以准确预测煤层瓦斯含量。针对该问题,文章在分析了基于Fletcher-Reeves共轭梯度法的改进BP神经网络模型的基础上,结合煤层瓦斯含量的各种影响因素,建立了一个基于3层改进BP神经网络的瓦斯含量预测模型,并进行了具体的网络训练和预测仿真。结果表明,该瓦斯含量预测模型收敛速度快,预测精度高,可满足实际生产要求。