电站锅炉神经网络燃烧诊断系统应用研究

先进的燃烧诊断技术可以有效地提高电站锅炉运行的经济性和安全性，本文通过对炉膛火焰的图像采集，利用计算机数字图像处理技术及人工神经网络模型分析方法，开发了永安电厂5号炉的火焰图像燃烧诊断系统。该系统为运行人员提供了有意义的定量化特征参数，并对燃烧状况辩识的机理进行了富有成效的探索，为电站锅炉的燃烧诊断和优化控制提供新方法和新途径。     

电站锅炉火焰检测及燃烧诊断技术

电站锅炉的安全运行主要决定于燃烧的稳定性，实时探测燃烧火焰是否稳定，及时作出判断，对电站锅炉安全运行有着重要的实际意义。本文分析了炉膛火焰特征与火焰检测和燃烧诊断的关系，论述了火焰检测的基本原理和方法以及燃烧诊断理论和技术，并对目前火电厂燃煤锅炉应用的各种火焰检测器和燃烧诊断系统进行了分析比较，最后讨论了火焰检测及燃烧诊断技术的进一步研究方向。     

用于电站煤粉锅炉NOx排放监测的BP神经网络试验研究

利用计算机图像处理技术从电站煤粉锅炉炉内火焰图像中提取火焰燃烧特征参数，结合BP神经网络，对电站煤粉锅炉NOx排放监测进行了实验研究，并取得了比较满意的结果。     

基于图像处理与神经网络的内燃机故障诊断研究

在提出应用图像处理进行故障诊断的基础上，探讨了利用内燃机振动信号产生图像的方法。在对振动信号进行重抽样处理的基础上，实现了振动信号的灰度图像表示，从缸盖振动信号的灰度图像中提取图像特征并对图像特征进行模糊化处理，设计神经网络分类器，实现了对气阀机构故障的诊断与分类。     

基于频谱分析和自组织神经网络的火焰燃烧诊断研究

通过对实验室煤粉燃烧炉实验数据的采集与分析，介绍了一种基于FFT变换处理与自组织神经网络状态识别相结合的燃烧诊断方法。首先，通过光电传感器获得一系列以一定的频率、在某个均值左右上下波动的火焰强度值。然后，利用FFT程序将获得的时域信号转换成频域上的功率谱信号。因为在稳定和不稳定的燃烧状态下，转换后得到的低频分量有明显的区别，所以把每个功率谱中前30个低频分量取出，将其作为神经网络的训练输入。通过自组织训练，神经网络将得到对应于稳定和不稳定燃烧状态火焰信号的不同输出区域。经过验证，这种方法能非常有效地识别燃烧火焰状态的稳定与否，在信号采样频率的选择，神经网络算法的改进等方面作了有意义的探索。图4表3参12     

孔探成像在发动机损伤检测中的应用研究

本文介绍了一种利用工业孔探仪对发动机内部损伤进行检测和识别的新方法。通过孔探探头采集发动机内部损伤图像，利用数字图像处理中的最大类间方差法分割出损伤区域，提取损伤图像的几何特征和纹理特征，并将提取的图像特征输入神经网络进行分层识别，最后由专家系统对损伤程度进行诊断。系统实现了孔探检测损伤的自动分类和损伤程度的自动诊断。通过现场测试，证明了该方法的有效性和实用性。     

三基色测温法在柴油机燃烧温度场测量中的应用研究

应用三基色测温方法处理了由高速摄像机在一台光学发动机上记录下的数学式燃烧图像的温度场，并就该测量系统的标定和测量方式进行了讨论。研究结果表明，采用三基色测温法分析出的缸内燃烧温度场分布与实际情况相当一致。由于该方法具有能准确、直观、迅速地得出火焰温度场分布规律等优点，所以适用于分析像内燃机这类高速变化的燃烧过程，从而为认识内燃机的燃烧机理提供了一个有效的工具。     

电站煤粉锅炉火焰监测与燃烧诊断优化控制研究

为保证锅炉安全运行，必须进行切实有效的火焰监测和燃烧诊断措施。基于火焰图像处理技术的电站锅炉火焰监测和燃烧诊断优化控制系统，能够实时在线地监视火焰图像，对火焰图像特征进行分析，对炉内温度场进行重建，同时进行燃烧稳定性、经济性和清洁性的判断，提出运行建议，并利用炉内辐射能信号响应灵敏、迅速的特点将其作为负荷控制的前馈信号，接入DCS控制逻辑中以提高锅炉的负荷响应能力和抗干扰能力。     

基于神经网络的柴油机燃油系统故障诊断

在讨论神经网络快速算法的基础上，研究了柴油机燃油供给系统几种常见故障的诊断方法，并在柴油机实际运行中进行了试验，取得了满意效果。     

基于CNN-LSTM深度学习的燃烧不稳定性检测方法研究

提出了一种基于高速火焰图像序列的深度学习模型来检测燃烧不稳定性.模型以高速火焰图像序列作为输入,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)同时学习图像序列的空间特征和时间相关性,输出燃烧不稳定性检测结果.利用旋流燃烧室多种工况下稳态和非稳态的瞬态火焰图像数据集验证模型的鲁棒性和准确性.该深度学习模型被证明是...     

An artificial intelligence approach to inverse heat transfer modeling of an irradiative dryer

In this work, a new solution approach was developed for heat estimation class of inverse heat transfer problems where radiation provides the dominant mode thermal energy transport. An Artificial Neural Network (ANN) was designed, trained and employed to estimate the heat emitted to irradiative batch drying process.     

基于人工神经网络的柴油机喷油量检测研究

利用外卡式压力传感器测量的高压油管压力波，在提取压力波特征参数后，利用经训练的人工神经网络可实现对喷油量的检测识别。     

Solution of inverse heat conduction problems using Kalman filter-enhanced Bayesian back propagation neural network data fusion

This paper presents an efficient technique for analyzing inverse heat conduction problems using a Kalman Filter-enhanced Bayesian Back Propagation Neural Network (KF-B²PNN). The training data required for the KF-B²PNN are prepared using the Continuous-time analogue Hopfield Neural Network and the performance of the KF-B²PNN scheme is then examined in a series of numerical simulations. The results show that the proposed method can predict the unknown parameters in the current inverse problems with an acceptable error. The performance of the KF-B²PNN scheme is shown to be better than that of a stand-alone Back Propagation Neural Network trained using the Levenberg–Marquardt algorithm.     

基于SVM的对冲燃煤锅炉NOx排放特性

提出了一种基于支持向量机理论在燃煤锅炉NOx排放预测的方法．对某台300 MW旋流对冲燃煤电站锅炉进行了多工况热态试验,考虑温度对NOx生成的影响,利用火焰诊断系统对炉膛温度场进行了测量．应用支持向量机理论建立了NOx排放特性模型并进行了校验．通过同神经网络模型比较,证实了该模型泛化能力强、预测精度高的优点．该模型可为电厂锅炉通过燃烧调整降低NOx排放提供参考．     

CFD and artificial neural network modeling of two-phase flow pressure drop

A large number of experiments in a 2 cm diameter and 6 m length tube were carried out in order to study the two-phase flow regimes and pressure drops in it. The two-phase flow in the experimental tube was modeled using commercial CFD code, Fluent 6.2. An Artificial Neural Network (ANN) with three inputs including gas and liquid velocities and tube slope was designed and trained to predict average pressure drop across the tube. The comparison between CFD and ANN predictions of pressure drops with experimental measurements shows that the CFD results are more accurate than the ANN evaluations for new conditions.     

基于动态神经网络的温度调节系统控制方法研究

利用动态模糊神经网络(DFNN)对室内温度系统进行辨识与控制。首先,研究现有控制方式中存在的问题,接着,根据这些问题提出了一种动态模糊神经网络的结构和算法。最终,通过仿真结果与实测温度进行比较,证明所提出方法的有效性。     

蒸汽温度优化控制在火电厂的应用

由于电力市场竞争的日益激烈，电力企业纷纷采用先进的控制策略和手段来加强市场竞争力。因此，将模糊逻辑、神经网络等智能技术与基于模型的控制技术引入过程控制领域，形成先进过程优化控制的研究得到广泛关注。本文介绍了一种蒸汽温度优化控制系统在火电厂中的应用，设计了两种动态的优化过程，分别基于模糊控制和神经网络，并通过测试验证了该方案的应用，可明显有效地提高电厂运行效率，控制汽温范围，具有较强的现实意义。     

基于T-S模糊神经网络在三川河地表水质评价中的应用

叙述了基于T-S模型的模糊神经网络应用于三川河地表水质的评价,且说明用单因子评价法和综合指数评价法能取得了较好的效果,为水质评价提供了新的方法.     

The use of Artificial Neural Network models for CO2 capture plants

Artificial Neural Networks (ANN) are multifaceted tools that can be used to model and predict various complex and highly non-linear processes. This paper presents the development and validation of an ANN model of a CO₂ capture plant. An evaluation of the concept is made of the usefulness of the ANN model as well as a discussion of its feasibility for further integration into a conventional heat and mass balance programme. It is shown that the trained ANN model can reproduce the results of a rigorous process simulator in fraction of the simulation time. A multilayer feed-forward form of Artificial Neural Network was used to capture and model the non-linear relationship between inputs and outputs of the CO₂ capture process. The data used for training and validation of the ANN were obtained using the process simulator CO2SIM. The ANN model was trained by performing fully automatic batch simulations using CO2SIM over the entire range of actual operation for an amine based absorption plant. The trained model was then used for finding the optimum operation for the example plant with respect to lowest possible specific steam duty and maximum CO₂ capture rate. Two different algorithms have been used and compared for the training of the ANN and a sensitivity analysis was carried out to find the minimum number of input parameters needed while maintaining sufficient accuracy of the model. The reproducibility shows error less than 0.2% for the closed loop absorber/desorber plant. The results of this study show that trained ANN models are very useful for fast simulation of complex steady state process with high reproducibility of the rigorous model.     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。