造纸企业能源管理系统的设计与实现

通过对造纸企业现有状况的分析,针对造纸企业存在着高能耗、低利用率、能耗管理不集中等问题,设计开发了造纸企业能源管理系统。系统具备能源设备的监控与管理、能耗数据综合分析与预测、用水网络的优化等功能,达到合理有效管理和使用造纸企业各种能源介质、节能减排的效果。     

EMS架构下制浆造纸企业能耗预测数学模型构建研究

制浆造纸产业是典型的高能耗、高污染产业。针对当前制浆造纸企业能耗管理不集中、能源利用率低等问题,基于遗传数学算法对传统的BP神经网络能耗预测模型进行优化,以EMS架构下的制浆造纸企业为例对优化后的能耗预测数学模型能耗预测速度、精度等进行测试,认为该数学模型能够很好地保证制浆造纸企业获得理想的能耗管理和节能效果,值得广大制浆造纸企业借鉴。     

BP神经网络预测废水处理过程的研究

通过在实验室条件下进行追纸废水处理试验取得的数据对BP神经网络进行训练，建立了造纸废水处理过程的网络模型。该网络模型仿真实际废水处理过程的结果表明，BP神经网络具有很强的学习能力。利用BP神经网络模型实现了对造纸废水处理过程的预测，平均相对误差为19％，表明网络泛化能力不是很好。经过动态训练的BP神经网络模型能够比较准确的预测造纸废水处理过程，平均相对误差为1．9％，大大优于未经动态训练的网络模型。     

改进PSO-BP网络预测模型在造纸能耗预测中的应用

针对企业生产过程能耗数据的时变性、非线性和强耦合性等特点,本文建立基于改进粒子群算法优化的BP神经网络能耗预测模型,将该预测模型在耗电量预测方面进行分析与研究,以造纸厂某个生产车间的实际耗电量数据进行预测和对比,结论表明,该预测模型比传统的BP神经网络预测模型的预测误差小,预测效果好。因此,利用该预测模型对了解企业的能耗动态趋势,保证企业能源供需稳定和平衡,促进企业发展和社会经济效益具有积极作用。     

基于核主成分分析法的BP神经网络短期负荷预测

短期负荷预测的方法有很多,BP神经网络是目前研究最为成熟的神经网络模型之一。然而BP网络存在着收敛速率慢、易陷入局部极小等问题。针对此缺陷,文章提出了基于核主成分分析的遗传算法神经网络模型,利用KPCA法提取负荷数据的主成分。并用GA优化BP网络的权值和阈值,克服易陷入局部极小的不足。最后通过实例分析,证明了算法的有效性。     

基于BP神经网络的原棉短纤指数预测模型

为对脱籽后原棉的短纤指数进行预测,采用遗传优化BP神经网络预测法,设计了原棉短纤指数预测的遗传优化BP神经网络模型。以南疆地区原棉为研究对象,选择籽棉回潮率和轧花速度频率2个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立原棉短纤指数的遗传BP神经网络预测模型。结果表明,遗传BP神经网络模型能较好地表达原棉短纤指数与主控因素之间的非线性关系,预测结果与实测值之间误差小,测试样本的网络输出值与网络目标值的相关系数达0.999 8,模型预测效果较佳。     

基于NSGA-2和BP网络的造纸废水厌氧消化过程多目标优化

针对造纸废水厌氧消化过程COD去除率和产气量双项优化问题,提出了厌氧多目标优化方法,基于BP神经网络分别建立COD去除率模型和产气量模型,并结合NSGA-2建立了以最大化COD去除率和产气量的目标优化模型。结果显示,采用NSGA-2与BP神经网络相结合的方法可以找到符合各优化目标的全局最优解,得到理想的Pareto解集,能够对造纸废水厌氧消化过程实现有效优化。本研究为废水处理多目标优化方面提供参考。     

人工神经网络用于造纸废水处理建模的研究

利用造纸废水处理监控系统取得表征废水水质的各项指标,在此基础上研究了基于BP网络和RBF网络的造纸废水处理建模。仿真结果表明,BP网络较RBF网络对样本数据的仿真误差较小,泛化能力更好;输入量考虑历史出水COD变化趋势的网络,其仿真效果要优于不考虑变化趋势的网络;运用基于BP网络和RBF网络的造纸废水处理模型能够准确的预测出水COD,为实现废水处理的自动控制提供可行途径。     

纸业能源监控与管理系统的设计与实现

目前,我国纸业能源监控和纸业能源管理系统存在发展滞后和缺乏统一性的问题。以降低企业能耗、加强企业科学管理水平、提高企业效益为目的,在全面深入了解某造纸企业机构的基础上,设计和实现多层网络体系结构的纸业能源监控与管理系统。系统多层网络体系结构设计体现在：底层为现场设备监控层、中间层为过程系统监控层、顶层为能源监控与管理层,从现场设备布置,到通信网络部署,再到实时监控和统计分析,任务清晰、相互统一。     

人工神经网络用于造纸废水处理建模的研究

利用造纸废水处理监控系统取得表征废水水质的各项指标，在此基础上研究了基于BP网络和RBF网络的造纸废水处理建模。仿真结果表明，BP网络较RBF网络对样本数据的仿真误差较小，泛化能力更好；输入量考虑历史出水COD变化趋势的网络，其仿真效果要优于不考虑变化趋势的网络；运用基于BP网络和RBF网络的造纸废水处理模型能够准确地预测出水COD，为实现废水处理的自动控制提供可行途径。     

基于遗传模拟退火神经网络的纱线强力预测

针对遗传算法优化的BP神经网络纱线强力预测模型中存在的迭代冗余、过早收敛等问题,建立了遗传算法与模拟退火算法共同优化的BP神经网络棉纱纱线强力预测模型。在模型构建前,采用K折交叉验证将70组样本数据分成训练样本集和测试样本集,实现测试样本与训练样本的不重复,避免了样本数据的单一性。在模型构建时,试验分别对70组27.8 tex和14.6 tex的环锭纺纯棉纱进行单纱强力预测,将该模型与BP神经网络纱线强力预测模型、遗传算法优化的BP神经网络纱线强力预测模型进行对比分析。实验结果表明,遗传算法与模拟退火算法共同优化的BP神经网络纱线强力预测模型在准确性和稳定性方面要优于前两者,能够较好地实现纱线质量预测,为纱线强力预测提供了新的方法。     

神经网络对SBR工艺处理造纸废水建模的研究

本文在实验室条件下研究了SBR工艺对造纸废水的处理效果,利用其中的20组试验数据建立了针对SBR工艺处理造纸废水的BP神经网络模型,并用另外的10组试验数据对神经网络模型进行了验证,验证结果表明神经网络模型输出与实际输出比较接近,说明BP神经网络模型准确性比较高,为进一步实现该工艺的自动控制打下了基础.     

基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

一种基于遗传算法优化BP神经网络的电网故障诊断方法

提出了一种基于遗传算法优化BP神经网络的电网故障诊断方法,利用神经网络的非线性问题处理能力进行故障诊断。针对BP神经网络在运算过程中易陷入局部极小的问题,结合遗传算法计算网络参数初始值,寻找最优的隐含层节点数,对网络进行优化。结合实例验证,该方法相对于传统BP神经网络在解决电网故障诊断问题上,收敛速度和准确率都有所提升。     

纱线卷绕系统恒张力先进控制策略

针对纱线卷绕系统内外部扰动较多，系统具有时变性和不确定性，纱线张力值波动较大，控制精度不高导致纱线断头等问题，提出了学习速率自适应与蚁群算法联合改进的BP神经网络PID控制策略。通过学习速率自适应提高网络学习速率，并利用蚁群算法调整网络初始参数。分别测试PID算法、BP神经网络PID算法与改进BP神经网络PID算法。结果表明：基于改进BP神经网络的无刷直流电机PID控制器鲁棒性更强，性能良好，纱线卷绕系统张力波动较小，断头率降低。     

基于免疫遗传算法的BP神经网络在纱线条干预测上的应用

为了避免因随机生成BP神经网络初始权值和阈值而带来的不确定性,以及得到更好的预测纱线条干CV值的精度和速度,借助免疫遗传算法对传统单一的BP神经网络进行权值和阈值的优化。免疫算法中特有的浓度调节机制有效地解决了遗传算法后期未成熟收敛的问题。利用Matlab构建单一的BP神经网络模型、遗传BP神经网络模型和免疫遗传BP神经网络模型进行纱线条干CV值的预测实验,通过仿真训练结果的对比分析可得出,免疫遗传算法优化的BP神经网络能够更准确、更快速、更稳定地完成纱线条干CV值的预测。     

基于思维进化神经网络的细纱断裂强度预测

探讨一种基于思维进化算法优化BP神经网络的细纱断裂强度预测方法。利用思维进化算法对BP神经网络的阈值和权值进行优化,发挥在全局寻优方面的优势。试验结果表明:基于思维进化算法优化BP神经网络预测模型比单一的BP神经网络预测模型具有更高的准确性,该模型的细纱断裂强度预测值与实测值之间的平均绝对百分比误差和均方根误差下降明显。认为:基于思维进化算法优化BP神经网络模型具有更好的综合预测性能。     

基于遗传算法和BP神经网络的竹粉模压花盆跌落冲击响应预测

提出以竹粉模压花盆跌落冲击响应为对象的预测模型。利用均匀设计和有限元分析技术获得试验数据,以花盆周壳厚度、底沿厚度和底壳厚度为网络输入,花盆壳体最大应力为网络输出,构建三层BP神经网络;采用遗传算法(GA)优化BP神经网络的初始权值和阈值,利用均匀试验数据对GA-BP网络模型进行训练和仿真,最后利用GA-BP网络模型预测花盆跌落冲击的壳体最大等效应力。结果表明,所建立的GA-BP网络模型具有较强的学习能力,预测值与有限元分析值相对误差小于5%,表明GA-BP网络模型可用于花盆跌落冲击响应的预测。     

基于优化PSO改进BP神经网络的转炉炼钢钢水重量预测研究

利用优化的粒子群优化算法(PSO)与BP神经网络相结合,建立转炉炼钢钢水重量的预测模型。文章采用炉号、钢种、钢号、吹炼方式、吹止钢水的重量、吹止碳含量等13个因素作为BP神经网络的输入,用改进的粒子群算法优化BP神经网络的参数,这样既充分利用BP网络的优势,又避免陷入局部最小值的问题,提高了钢水重量预测的精度和速度,取得了很好的预测效果。     

基于深度强化学习的造纸废水处理过程多目标优化

本课题提出了一种基于多智能体深度强化学习的动态优化方法,以期实现造纸废水处理过程的运行成本和能耗的协同优化。实验采用了基准仿真1号模型（BSM1）模拟造纸废水处理过程的生化反应和沉淀过程,并利用模型数据对强化学习智能体进行训练,最后用实际的造纸废水数据对搭建的模型系统进行验证。结果表明,基于多智能体深度强化学习的废水处理系统能够保障排水质量,实现成本与能耗的多目标优化控制,其性能表现优于传统方法。