水厂加药凝絮过程的建模研究

水厂的加药凝絮过程涉及复杂的物理化学机理,对其进行建模是一项具有挑战性的研究。以某水厂真实的生产数据为基础对基于动态BP神经网络的建模方法进行较深入的研究,得到该水厂加药凝絮过程的初步数学模型,为今后采用先进控制策略对水厂的加药凝絮过程进行控制打下良好的基础。     

基于BP神经网络的纸机加压网前箱的建模研究

针对采用传统的建模方法建立造纸工业过程中的纸机加压网前箱的数学模型很难得到满意结果的问题,尝试用BP神经网络对其辨识建模.通过对物理模型的多次试验,获得了大量的输入输出数据;在此试验数据的基础上对该结构进行BP神经网络模型辨识.为了验证辨识得到的模型的准确性,对该模型采用PID闭环控制,并在Matlab上对结果进行了仿真.实验结果表明,BP神经网络在纸机加压网前箱系统建模方面有着较高的辨识精度.     

静脉输液过程中滴速自动控制系统的建模与仿真

为对静脉输液过程的滴速自动控制系统进行设计和分析,对此类型系统进行建模和仿真研究;通过实验数据拟合出输液过程的静态模型,进而得到非线性的动态模型;采用一阶惯性环节对执行机构的动态特性进行描述,采用定积分对基于红外光电对管的滴速检测环节进行建模;在静态工作点对过程模型进行基于增量法的近似线性化处理,对给定值小范围变化的情况设计了PID控制律,对给定值大范围变化的情况采用先开环控制后闭环控制的控制策略;仿真结果表明,该模型能较准确反映被控过程和控制系统的特性,对控制系统的实施有较好的参考价值。     

基于神经网络的惯性测量单元误差标定

针对惯性测鼍单元非线性误差的标定问题,为保证导航精度,设计了多层前向神经网络的补偿模型.神经网络算法具有良好逼近非线性函数的能力,适合于非线性系统的建模.采用BP神经网络为主要逼近手段,对惯性测量单元的非线性误差函数进行精确逼近,弥补了常规建模方法的不足.将算法应用到某型MEMS惯性测量单元的非线性误差建模中,进行了仿真验证.结果表明,BP神经网络对原始信号的逼近误差在工程应用允许范围内,较传统的的最小二乘法建模方法有了显著的提高,保证有效地解决某型MEMS惯性测量单元误差大的问题.     

氯乙酸生产结晶过程预热水温度的内模控制及仿真

针对氯乙酸生产结晶过程被控对象大滞后、大惯性的特点,采用先进的内模控制策略对其进行控制.仿真表明,模型参数变化时,在控制系统稳定性、鲁棒性和抗干扰性等综合性能方面,内模控制比PID控制具有明显的优越性.     

基于动态BP神经网络的漂白过程辨识研究

针对纸浆漂白过程的大惯性、大时滞、非线性,时变和多干扰的难控特点,本文提出利用动态BP神经网络来建立纸浆漂白过程的模型,仿真结果表明,该网络具有较好的准确性,能够较为真实的反应漂白过程.然后利用训练好的网络模型来模拟实际生产过程,在此基础上通过阶跃响应法来辨识对象模型的参数,得出了过程的具体数学模型,为纸浆漂白的优化控制提供了可能.     

基于神经网络的聚氯乙烯汽提过程自适应解耦控制

聚氯乙烯汽提过程具有高度非线性和时变性等特点,是一类复杂的非线性工业过程.首先基于动态模糊神经网络建立了数据驱动的聚氯乙烯树脂（PVC）汽提过程的被控对象模型;然后采用一种神经网络分散式解耦控制器对汽提过程进行解耦,得到浆料流量-塔顶温度和蒸汽流量-塔底温度两个单变量系统;最后采用BP神经网络PID控制器对系统进行控制.仿真实验结果验证了所提出集成控制策略的有效性.     

预测控制在工业锅炉汽包水位中的应用研究

根据工业锅炉汽包水位的动态特点,提出了汽包水位预测控制方案,采用一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出.该方法解决了非线性、时变对象难以建模及控制的问题,仿真结果验证了这一算法的可行性.     

基于神经网络的水泥回转窑温度预测模型

回转窑的生产过程是一个复杂的物理化学反应过程,具有大惯性、纯滞后、非线性等特点.工艺过程复杂多变,难以得到精确的数学模型,本文利用BP神经网络可以实现任意非线性映射的特点建立其神经网络预测模型,结合广西某大型水泥厂实时采集的生产数据,进行仿真研究.仿真结果表明,该模型能够很好的预测水泥回转窑的温度.     

水处理过程的RBF和BP神经网络建模

针对水处理过程非线性、时变和大滞后的特点，本文采用RBF和BP神经网络分别建立了水处理过程模型，利用水厂实际运行数据对两个模型分别进行了训练和检验。与BP神经网络模型相比，RBF神经网络模型具有逼近能力强、收敛速度快等优点。该模型可以实现对水处理过程的在线辨识，并可进一步用于该过程的神经网络预测控制。     

水厂混凝投药大滞后过程的数据驱动直接控制方法

以自来水厂混凝投药大时滞过程为研究对象,在迭代反馈整定(IFT)方法的基础上,结合Smith预估控制结构,提出了一种混凝投药过程数据驱动直接控制算法.着重针对过程大时滞的特点,在性能指标中加入了预估误差惩罚因子.提出了一种新的步长设置方法,使得步长的下降速率可调.设计了3个闭环实验来求取性能指标梯度向量的无偏估计,完全...     

双前馈无模型自适应控制在混凝加药中的仿真

水厂混凝加药过程具有非线性、时滞性等特点,并且影响加药后混凝效果的因素很多,很难准确地建立反应过程的数学模型.无模型自适应控制(MFAC)是一种不需要离线建立数学模型的先进控制方法,非常适用于实际的模型参数难以辨识,且是时变的非线性系统.针对混凝加药过程的特点,提出了带有双前馈无模型自适应控制方案来实现混凝加药过程的仿真.仿真结果表明该方法在混凝加药控制过程具有鲁棒性强、响应速度快和控制精度高的优点.     

Application of an expert system using neural network to control the coagulant dosing in water treatment plant

The coagulation process is one of the most important stages in water treatment plant, which involves many complex physical and chemical phenomena. Moreover, coagulant dosing rate is non-linearly correlated to raw water characteristics such as turbidity, conductivity, PH, temperature, etc. As such, coagulation reaction is hard or even impossible to control satisfactorily by conventional methods. Based on neural network and rule models, an expert system for determining the optimum chemical dosage rate is developed and used in a water treatment work, and the results of actual runs show that in the condition of satisfying the demand of drinking water quality, the usage of coagulant is lowered.     

基于BP人工神经网络的信息过滤技术研究

首先介绍了信息过滤中向量空间模型的基本工作原理。针对目前信息过滤技术过滤精度低、速度慢的缺点,利用BP人工神经网络网络稳定、学习能力强的特点,重点研究了BP人工神经网络特征输入数据的取得、网络拓扑结构的选择、BP人工神经网络的训练过程、神经网络产生结果数据的处理方式,在此基础上提出了一种基于BP人工神经网络的信息过滤模型,实验证明,此模型过滤效率有了显著提高。     

白腐真菌降解五氯苯酚过程的模拟

利用变步长BP算法,对白腐真菌生物降解五氯苯酚废水过程中污染物浓度变化的时间序列建立了AI神经网络预报模型,并利用该模型对生化降解过程的变化规律及趋势进行了研究。结果表明,模型的计算值与实测值之间的误差很小,对未来时刻数据的预测精度也较高,模型较好地反映了五氯苯酚含量在降解过程的变化规律。     

多变量逆解耦自抗扰控制及其在精馏塔过程中的应用

化工生产是一类典型的多变量过程对象,该类对象具有时变性、耦合性、时滞性等特点,传统的单变量控制方法很难在此类系统中取得良好的控制效果.针对时变性,本文在假设对象模型未知的前提下,利用阶跃响应数据,研究了基于最小二乘的一阶、二阶时滞系统辨识方法.针对多变量系统存在耦合性的特点,采用逆解耦方法实现对象的解耦.再对解耦后的时滞子系统设计了自抗扰控制器.仿真实验中,以精馏塔的Wood-Berry模型和Ogunnaike-Ray模型为例,验证了算法的有效性.     

基于 BP 神经网络的铁路互联网售票系统信息安全评估方法

互联网售票逐步取代了传统售票方式,在铁路运输生产中发挥至关重要的作用,但由于其向互联网提供服务,面临多个层面的安全风险和威胁,受外部攻击、病毒感染等安全威胁日益增大,一旦遭受攻击或其他因素导致系统宕机或终止服务,产生社会负面影响巨大。针对上述威胁,需要安全维护人员运用科学的方法和手段,系统地分析系统所面临的威胁及其存在的脆弱性,评估安全事件一旦发生可能造成的危害程度,提出有针对性的抵御威胁的防护对策和整改措施,将风险控制在可接受的水平,最大限度地保障信息系统安全。人工神经网络具有常规方法所不具备的智能特性,具有自主获取和学习知识的功能,可以较好地处理不确定性和非线性的问题,目前基于人工神经网络的信息安全风险评估在多个行业中已经开展了研究并得到了应用。相对其他人工神经网络模型,BP 神经网络模型具有较强的非线性映射能力和自学习、自适应能力。首先,采用3层的神经网络能够以任意精度逼近任何非线性连续函数,使其适合于求解内部机制复杂的问题;其次,训练时能够通过学习自动提取输出、输出数据间的“合理规则”,并自适应的将学习内容记忆于网络的权值中。因此,文章根据铁路互联网售票系统复杂网络体系结构,采用具有3层结构的 BP 反向传播人工神经网络模型与之对应,准确反映互联网售票系统面临的各类安全威胁,并利用 BP 神经网络良好的自适应性和容错能力,以互联网售票系统面临的安全风险威胁等级值为训练样本,采用已训练的 BP 网络对互联网售票系统进行安全风险评估,设计了基于 BP 神经网络的风险评估模型,仿真结果表明,设计的模型具有很好的自适应性和容错能力,适用于复杂的互联网售票系统网络,实验数?     

A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation

Doubtlessly the first step in a river management is the precipitation modeling over the related watershed. However, considering high-stochastic property of the process, many models are being still developed in order to define such a complex phenomenon in the field of hydrologic engineering. Recently artificial neural network (ANN) as a non-linear inter-extrapolator is extensively used by hydrologists for rainfall modeling as well as other fields of hydrology.In the current research, the wavelet analysis was linked to the ANN concept for prediction of Ligvanchai watershed precipitation at Tabriz, Iran. For this purpose, the main time series was decomposed to some multi-frequently time series by wavelet theory, then these time series were imposed as input data to the ANN to predict the precipitation 1 month ahead. The obtained results show the proposed model can predict both short- and long-term precipitation events because of using multi-scale time series as the ANN input layer.