基于网格搜索和支持向量机的灰熔点预测

为了预测混煤的灰熔点,采用支持向量机建立煤灰软化温度模型,模型将煤的灰成分作为输入量,煤的软化温度作为输出量,利用网格搜索寻优方法对支持向量机(SVM)模型的参数进行了优化,在设定的不同精度下分别获得模型的最优参数,利用优化后的模型对单煤和混煤的灰熔点进行了预测,并将不同精度下的预测结果与实验结果进行对比.煤灰软化温度模型设定精度为0.01时,单煤样本预测相对误差最小,其最大相对误差和平均相对误差分别为3.00%和0.48%;运用此模型对混煤预测的最大相对误差和平均相对误差分别为1.74%和0.62%.预测结果表明,经网格搜索优化后的支持向量机模型对煤灰熔点预测较精确.     

基于广义回归神经网络与遗传算法的煤灰熔点优化

考虑固态和液态排渣锅炉对煤灰熔点的不同要求，采用广义回归神经网络建立了煤灰软化温
度模型。神经网络的输入变量为7个，即煤灰中SiO2、Al2O3、Fe2O3、CaO、MgO、TiO2、Na2O & K2O的质
量分数。以煤灰软化温度作为目标函数，采用遗传算法寻优计算获得当煤灰软化温度最高和最低时煤灰中
氧化物的组成。广义回归神经网络仅需30个训练样本，最大和平均相对误差分别为21.8%和1.55%。优化结
果表明，掺烧高钙煤或者向燃煤中添加石灰石等富含Ca的原料可以降低煤灰熔点；而增加Al2O3的质量分
数可以提高煤灰熔点。     

BPNN在改性石蜡滴熔点预测中的应用

针对传统误差反向传播神经网络(BPNN)的不足,在改进误差反向传播算法中引入了动量因子和非线性敏感度因子,实现了在学习过程中根据整体误差梯度变化对非线性敏感度因子进行动态调整。采用该BPNN模型对巴西棕榈蜡和川蜡改性的石蜡滴熔点进行了预测,预测结果的误差为改性石蜡滴熔点预测的绝对误差(A.D.)不超过±0.9℃,相对误差(R.D.)在±1.2%范围内。结果表明,改进的误差反向传播神经网络算法适用于改性石蜡滴熔点的预测,并具有较好的预测精度,可以减少石蜡调合试验及相应的改性石蜡滴熔点测试的次数,有利于提高工作效率,减少了资源浪费和环境污染。     

基于仿真数据的旋翼系统故障识别

采用广义回归神经网络(GRNN)对3种直升机旋翼故障(配平调整片误调、变距拉杆误调、质量不平衡)进行识别.采用三层网络分别识别旋翼故障的类型、位置和程度.网络训练集和测试集采用基于耦合的旋翼-机身仿真结果(包含故障旋翼响应、桨毂载荷、机身振动水平).为提高网络泛化能力,在仿真结果中添加了噪声.结果表明:1)训练好的GRNN能从包含噪声的直升机响应中对故障做出识别,使用仿真数据训练的GRNN可用于旋翼健康和使用监测系统(HUMS)的开发;2)使用包含噪声的数据训练网络能显著提升GRNN的泛化能力;3)合理选择网络扩展常数对于预测准确性非常重要.     

NPSO-GRNN在城市生活需水量预测中的应用

利用小生境粒子群算法(NPSO)的全局搜索能力,对GRNN的光滑因子进行优化,提高了广义回归神经网络(GRNN)的网络性能,建立了基于NPSO-GRNN的城市生活需水量预测模型。研究结果表明:利用该模型拟合和预测北京市1988-2012年生活需水量数据的平均相对误差绝对值分为别0.72%和0.36%,两者都比BP神经网络模型拟合预测的结果低;NPSOGRNN模型能更好的拟合北京市城市生活需水量的变化趋势,预测精度更高,泛化能力更强。     

基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.     

死端微滤牛血清白蛋白溶液膜通量的预测

为实现对不同操作条件(操作压力、料液质量浓度和温度)下的牛血清白蛋白溶液死端微滤膜通量的预测,以训练步数、绝对相对误差和相关系数作为预测的衡量指标,并对所建立的3层BP神经网络和RBF神经网络基本模型的内部参数进行了优化.优化的BP神经网络模型的拓朴结构为3-9-1,学习率为0.05,学习/训练函数为traingdx,隐层到输出层的传递函数为logsig,该网络对牛血清白蛋白(BSA)溶液膜通量预测的平均绝对相对误差为2.37%,相关系数为0.9960;优化的RBF神经网络的网络设计函数为newrbe,散布常数为400,该网络对BSA溶液膜通量预测的平均绝对相对误差为4.83%,相关系数为0.987 0.结果表明,BP神经网络优于RBF神经网络.     

基于GA-BP神经网络的柴油机NO_x瞬态排放预测

开发了一种柴油机NOx瞬态排放预测研究的方法,该方法采用BP神经网络进行建模,并加入遗算法优化网络权值弥补BP网络缺陷。模型选取影响NOx排放的控制参数作为输入量。网络训练中采用早停止策略防止训练网络过拟合,保证网络泛化能力。模型总排放预测相对误差为3.63%,尤其对加减速等瞬态变化工况的预测效果更优,相对误差小于3%,可以用于NOx瞬态排放预测,并且模型输入参数多为控制参数,有利于对模型进行深入研究。     

基于ELM算法的短时交通流预测研究

针对前馈神经网络(如BP)大多采用梯度速降的方法进行多次迭代,在训练过程存在耗时长,训练速度慢,容易陷入局部极小点等问题,本文根据极限学习机神经网络(extreme learning machine,ELM)算法,对青岛某一路口建立了短时交通流预测模型,同时对采集到的数据用Matlab进行仿真,并与传统的BP神经网络预测结果进行对比分析。分析结果表明,当仿真时间为0.67s时,ELM神经网络算法的最大相对误差为7.45%,平均相对误差为15.95%,均方根误差为28.16,说明采用ELM算法预测的数据和实际数据拟合度更好,并且运算速度更快。因此,本模型相对于传统的BP神经网络具有更好的预测精度和更快的学习能力。该研究适用于市区交通流预测。     

大气污染预测中提高BP网络泛化能力的方法

为了通过预测大气环境的质量和发展变化,来寻求有效地控制和改善环境质量的相应措施,选用英国伦敦马里波恩监测站PM_(2.5)的小时平均浓度监测资料,采用贝叶斯归一化训练算法和提前终止法泛化改进的BP神经网络模型,预报PM_(2.5)的24 h内的各小时浓度.结果表明,采用本方法进行空气污染预报,预测相对误差为20%～49%,提高了预报网络的泛化能力.     

两种煤配煤降低淮南煤高灰熔融性温度的研究

通过两两配煤的方法,对高灰熔融性淮南煤与4种灰熔融性温度较低煤进行配加,可以显著降低淮南煤的高灰熔融性温度,基本符合Texaco气化炉液态排渣要求。配煤灰熔融性温度的变化不是两种单煤灰熔融性温度简单的加和关系,而是非线形的关系,这与灰熔融过程中结晶矿物形成的种类不同有关。通过X-衍射分析,初步探讨灰熔融性机理。     

应用神经网络对精煤灰分含量进行实时预报

针对具有不确定性、时变性和复杂非线性关系的跳汰选煤过程，提出了精煤产品灰分含量的新型实时多步预测方法．本基于Jordan神经网络构造了具有多作用因素输入和灰分含量动态时间序列反馈的实时动态建模预测模型，提出了BP算法和TD法相结合的网络学习新算法．该方法比传统预测方法具有更好的收敛性和适应性．应用结果表明，预测命中率和预测精度较高。     

Ash melting behavior by Fourier transform infrared spectroscopy

A Fourier Transform Infrared Spectroscopic (FTIR) method involving a Fe2O3 flux was used to learn how China's coal ash melts. The relationship between ash fusion temperature and chemical composition, as well as the effects of Fe2O3 flux on the ash fusion temperature were studied. The relationship between ash fusion temperature and chemical composition, mineralogical phases and functional groups was analyzed with the FTIR method. The results show that the ash fusion temperature is related to the location and transmittance of certain absorption peaks, which is of great significance for the study of ash behavior.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

成灰温度对生物质与煤混烧中灰熔融性的影响

燃料的灰熔融性对受热面的结渣起着关键作用.生物质与煤的灰熔融性测定借用煤的测定标准,难以真实评判灰的熔融特性.在不同成灰温度下,利用HR-3C灰熔融性测定仪,以稻秆、白杨木屑、稻壳和煤在不同配比下混合燃烧的灰分作为研究对象,研究了成灰温度对生物质与煤混合燃烧的熔融特性.研究表明:不同的成灰温度对生物质与煤混合燃料的灰熔融性特征参数有着明显的影响,根据生物质中无机元素的特性和实际锅炉燃烧情况,对生物质与煤混燃成灰方法,借用ASTM E1755-01规定的低温成灰标准更能够准确反应其灰的熔融性.     

成灰温度对生物质与煤混烧中灰熔融性的影响

燃料的灰熔融性对受热面的结渣起着关键作用.生物质与煤的灰熔融性测定借用煤的测定标准,难以真实评判灰的熔融特性.在不同成灰温度下,利用HR-3C灰熔融性测定仪,以稻秆、白杨木屑、稻壳和煤在不同配比下混合燃烧的灰分作为研究对象,研究了成灰温度对生物质与煤混合燃烧的熔融特性.研究表明：不同的成灰温度对生物质与煤混合燃料的灰熔融性特征参数有着明显的影响,根据生物质中无机元素的特性和实际锅炉燃烧情况,对生物质与煤混燃成灰方法,借用ASTM E1755-01规定的低温成灰标准更能够准确反应其灰的熔融性.     

利用XRD分析高温下淮南煤灰矿物质变化

利用X射线衍射分析四种淮南煤在不同温度下煤灰矿物组成变化。结果表明：淮南煤中主要晶体矿物有高岭石、石英、方解石、黄铁矿等,高岭石类矿物含量越高,煤灰熔点越高;方解石和黄铁矿含量越高,煤灰熔点越低。煤灰中主要晶体矿物有石英、硬石膏、赤铁矿等,硬石膏和赤铁矿含量越大煤灰熔点越低。随着温度的升高,煤灰中石英、硬石膏、赤铁矿等结晶矿物含量逐渐减少,生成新的矿物质,莫来石的生成是导致淮南煤灰熔点高的主要原因,钙长石起到降低煤灰灰熔点的作用。     

TGA-DTA-DSC联用对秸秆与煤混烧灰化行为的研究

运用TGA-DTA-DSC联合技术研究了生物质与煤不同掺混比例下的燃烧特性、灰热解特性。通过对热重分析仪运行进行四段式设置,实现了安全燃烧和灰热解的连续进行。实验结果表明,秸秆与煤掺混后燃烧特性得到改善,并且在低于20％掺煤比时表现出脱灰效应,而40％掺煤比的混烧则表现出增灰效应;灰的高温热解过程随掺混比的变化规律分为两类,低掺混比混烧灰中无机物间的耦合反应加剧了脱灰效应,而掺煤40％的混烧灰中耦合反应加剧了增灰效应。这些反应与灰中含氯组分／CaS0。／CaCO。的质量分数有关。低掺煤比对混烧电厂解决积灰具有明显的优势,可指导生物质与煤掺混燃烧灰化行为的研究和灰问题的解决。     

添加助熔剂降低淮南煤灰熔融性温度的研究

通过添加A,B,C,D等4种助熔剂来降低高灰熔性淮南煤灰熔融温度。研究表明,添加助熔剂可以显著降低高灰熔性淮南煤灰熔点,且其降低程度随助熔剂种类及用量的不同变化很大,为了更好的观察,预测灰熔点随助熔剂添加量的变化关系,用Visual Basic开发了处理软件。