基于LSSVR的磨煤机一次风量软测量

在电厂燃煤机组中,用于锅炉燃烧和煤粉输送的一次风,直接关系到炉膛内的实际燃烧工况,适当的一次风量对于磨煤机乃至整台机组的正常运行具有重要意义。本文基于最小二乘支持向量回归算法建立了风量软测量模型,核函数采用高斯径向基函数,并以某电厂DCS历史数据中选取的数据作为训练样本和测试样本,通过训练样本数据特征获取模型参数,实现对火电机组风量的准确测量和研究,经实验验证表明该方法能够获得比现有的流量仪表更高的准确度,软测量技术在热工检测过程中具有较好的应用前景。     

基于混合建模的双酚A催化剂活性软测量应用

针对复杂生产过程的软测量,采用基于结构风险最小化的支持向量机为生产过程建模.首先,其复杂度低.其次,所建模型的预测效果也来的好.但是相较于单一的支持向量机建模,如果将生产机理与支持向量机结合,即所谓的混合建模,则混合建模比单一的支持向量机的预测效果来得更加精确.本文应用了双酚A催化剂活性软测量建模,仿真结果表明了将双酚A催化剂活性的机理生产过程与支持向量机相结合的建模比单一的支持向量机建模来得准确.     

二元精馏塔中的内模解耦控制的应用

针对一类有多变量、强耦合、大时滞特点的精馏塔控制系统,为了提高系统的整体控制性能,文中给出了内模解耦控制器的设计过程,该控制器具有同时兼解耦器、内模控制器的特性,采用解耦原理与内模控制融合方法设计,其解耦作用是使系统成对角优势,避开动态解耦技术要求精确模型且可能为物理不可实现对象的矛盾,其内模控制可补偿不精确解耦及时滞导致的控制品质下降。通过解耦分析和稳态误差分析,推导出解耦内模控制器的表达式。仿真研究结果表明该控制器控制系统具有较好的解耦能力和较强的鲁棒性．具有很好的应用前景。     

甲醇合成气色谱分析方法的优化

甲醇合成气是指通过舍成塔进出口的原料气，它包括舍成入塔气和合成出塔气。利用外标色谱法分析甲醇合成气，其主要成分为H2，约占70％，其余为CO、C02气体，约占20％，未反应完的甲烷约占10％，另有在原料气中未参与反应的N2，约占1％。这些气体组分均为低分子永久气体，且属于常量分析，优化后的色谱分析方法，相对标准偏差〈5％。     

DE40密度仪与标准法测精甲醇密度的对照实验

采用梅特勒公司生产的DE40密度仪测定密度，与标准法(GB338-92)进行对照实验，再应用数理统计方法对结果加以分析，证明仪器法和标准法的数据无显著性差异(显著性水平为0．05，样本数为7)，且两者具有相似的精密度和准确度。     

基于集成学习和反馈策略的贝叶斯网络结构学习

为解决单一结构学习算法中普遍存在的学习效果差、易陷入局部最优等问题,本文通过引入最大信息系数MIC(Maximal Information Coefficient)和集成学习思想,提出了一种新的贝叶斯网络结构学习算法.该算法首先利用MIC确定节点间的依赖关系并得到初始网络,接着使用Bootstrap方法对数据样本进行采样获得若干样本集.依次使用每个样本集,在给定初始网络的基础上,通过BDe评分和禁忌搜索算法训练生成贝叶斯网络并将其用邻接矩阵表示.进而利用集成学习策略,根据得到的若干邻接矩阵计算每条边的权重,并通过设定权重阈值得到集成学习结果.根据集成学习结果利用反馈策略更新初始网络并进入下一次迭代,经过不断迭代最终得到贝叶斯网络结构.最后在7种不同大小的标准数据集中进行实验,计算F1值(F1-score)、汉明距离HD(Hamming Distance)和学习到的正确边数(TP),并与其它算法进行对比分析.结果 表明本文提出的算法在可行性、有效性和普适性上更优.     

DE40密度仪与标准法测精甲醇密度的对照实验

采用梅特勒公司生产的DE40密度仪测定密度，与标准法(GB338—92)进行对照实验，再应用数理统计方法对结果加以分析，证明仪器法和标准法的数据无显著性差异(显著性水平为0．05，样本数为7)，且两者具有相似的精密度和准确度。     

废水中微量甲醇色谱分析准确度影响因素的研讨

甲醇有剧毒性，最高允许排放质量浓度为5ppm。根据废水中微量甲醇含量的监测方法，采用填充毛细管柱，长30m，内径0.530mm，采用FID检测器，提高了方法的灵敏度，分析的准确度，从而建立了简便、快速、准确的方法。     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于人工智能方法的火电厂热工过程模型辨识

本文分别采用神经网络和粒子群算法这两种人工智能方法去解决火电厂热工过程模型辨识问题.主要介绍了热工过程的辨识特性,BP网络学习算法及网络权值的附加动量调整规则,给出了标准的粒子群辨识算法,并将两种方法引入热工过程模型辨识.仿真研究表明,两种人工智能方法都能取得较好的辨识效果,对解决火电厂中热工控制系统的辨识问题具有重要的实用价值.