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。     

基于粒子群算法的电站锅炉效率优化研究

该文以电站锅炉燃烧系统为研究对象,针对电站现场无法在线计算锅炉热效率的问题,利用BP神经网络建立了锅炉的热效率模型,并在此基础上,采用粒子群优化算法对锅炉运行参数进行优化。仿真结果表明,BP神经网络效率模型具有较高的精度,粒子群优化算法优化算法可以用于电站锅炉的热效率优化。     

大型电厂锅炉NOx排放特性的支持向量机模型

为了降低大型电厂锅炉NOx的排放,并对燃烧进行优化和控制,应用支持向量机算法建立了大型四角切圆燃烧电站锅炉NOx排放特性模型,利用NOx排放的热态实炉试验数据对模型进行了训练和校验,并对支持向量机算法模型中的参数g和C的选择进行了较深入的探讨,定性地分析了模型参数g和C的变化对模型预测能力的影响,获得了最佳的模型参数.利用该模型对不同实验工况下NOx的排放作出了预测,结果说明采用支持向量机算法建模达到了比较准确的预测效果,与其他建模方法相比具有泛化能力好、计算速度快的优点.     

神经网络在船舶柴油机NOx排放特性预测中的应用

为了预测船舶柴油机N0x排放特性,从初始权值的选取及学习率动态优化对BP算法进行了改进,通过改进的均匀试验设计法,对少量具有代表性、易于测试的工况进行N0x排放测试,利用BP神经网络建立了船舶柴油机NOx排放特性预测模型并进行了计算,与实测的4种工况进行比较.结果表明,第1工况的N0x排放浓度相对误差为3.7%,N0x比排放的相对误差为4.3%,而其他各工况的N0x排放浓度相对误差在2.4%以内,NOx比排放相对误差在2.9%以内.因此,该模型预测精度较高,与试验结果吻合良好,能有效地预测船舶柴油机N0x排放特性.     

基于Ease off的准双曲面齿轮多目标优化

为实现准双曲面齿轮的多目标优化,建立了神经网络代理模型,用以描述Ease off修形参数和传递误差、齿根应力、啮合损失功率的关系。首先,利用动力学软件MASTA建立准双曲面齿轮驱动桥模型,基于敏感度系数矩阵,推导出齿面偏差二阶泰勒展开式对应的机床修形加工参数,建立修形齿轮模型。其次,通过MASTA的加载齿面接触分析功能计算修形齿轮模型的传递误差、齿根应力、啮合损失功率,最终建立神经网络代理模型。最后,采用NSGA-Ⅱ多目标优化算法优化代理模型,进行对比验证。结果表明：采用本多目标优化方法可有效降低准双曲面齿轮的传递误差、齿根应力、啮合损失功率。     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

PSO—SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机（SVR）的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数7三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明：基于PSO—SVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

液化石油气汽车点火控制系统优化与故障诊断

对点火提前角与液化石油气（LPG）汽车发动机性能和排放的关系进行分析,通过台架试验,获取各种工况下LPG发动机的最佳点火提前角,通过建立BP神经网络模型,实现燃气汽车点火控制系统的优化,还对LPG发动机点火提前角对动力性与排放的影响进行了试验研究,得出在不同转速和负荷下,点火提前角变化对NOx和CO排放的影响结果,采用模糊模式识别的方法判别燃气汽车点火系统的技术状态。     

数控滚齿机工作台热-力变形分析及预测建模

为了减小滚齿机工作台变形对加工精度的影响,对工作台热、力变形进行了研究,提出一种基于子种群自适应思维进化算法优化反向传播（SAMEA-BP）神经网络的滚齿机工作台热-力变形预测方法。通过SAMEA对BP神经网络的初始值、权重和阈值等参量进行调整,有效提升了基于神经网络的热-力变形预测准确度。结合K均值聚类策略和灰色关联分析（GRA）对影响热误差的温度测点进行耦合性和关联度分析,将热误差输入变量从8个测点减少到3个;针对滚齿加工中切削力导致的工作台变形,利用机床主轴电流表征切削力,并作为预测模型的输入变量。试验结果表明：本文模型平均预测精度为95.1%,与其他模型进行的对比分析验证了本文SAMEA-BP模型的有效性和泛化性。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于神经网络和遗传算法的锅炉燃烧优化方法

针对锅炉燃烧控制系统送风调节系统存在的弊端,遵照火电厂锅炉燃烧既要提高效率又要降低污染物排放的要求,对神经网络和遗传算法在火电厂锅炉燃烧优化中的应用进行了研究。首先借助燃烧特性试验数据,建立了火电厂锅炉燃烧特性的神经网络模型,然后应用遗传算法寻找送风调节系统最佳氧量设定值,进而调节送风量,实现锅炉燃烧的整体优化。仿真结果表明:应用该方法指导锅炉燃烧,不仅能使锅炉节能,还能降低排放的烟气中氮氧化物的含量,减少对环境的污染。     

基于灰色长短时记忆网络融合模型的隧道沉降预测

地下建筑工程中,对地下结构的变形监测无法有效预防灾害发生,因此需要开展变形预测的研究。传统预测方法多属于静态预测,无法实现随沉降发展的动态调整,且评价指标单一。结合灰色模型GM （2,1）与长短时记忆神经网络（LSTM）两种动态预测模型,基于快速非支配遗传算法构建了同时考虑两种评价指标的组合模型,依据某工程长期监测数据对隧道沉降进行预测。结果显示：长短时记忆神经网络模型与灰色模型在精度上优于其他模型,能够准确预估沉降发展,其中长短时记忆神经网络优势更明显;使用快速非支配多目标优化遗传算法进行组合模型的权值分配可以较快得到两种评价指标下的最优定权方案,结合每种模型的优势,得到较精确的预测效果。     

350MW燃煤锅炉燃烧过程和NOx排放的数值研究

采用IPSA两相流动模型、煤粉燃烧综合模型以及后处理的NOx生成模型,对一台350MW锅炉煤粉燃烧过程和NOx排放进行了数值计算,得出了炉内燃烧器区域以及炉膛出口的烟气温度场和燃烧产物的组分浓度分布．炉膛出口处模拟结果与锅炉热态试验数据进行了比较,两者吻合情况较好．另外,重点分析了炉内煤粉燃烧过程和NOx排放沿燃烧器出口中心线和炉膛高度方向上的生成规律,得出了NOx的主要生成区域,并指出了降低NOx排放的控制技术．     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

基于混沌优化BP神经网络的地面沉降模型

为了合理指导地下水资源开采,有效控制区域性地面沉降,结合混沌优化算法和BP算法设计了一种混沌BP混合算法,并基于混沌优化BP神经网络建立了地面沉降模型．该模型克服了传统BP神经网络模型存在的收敛速度慢、收敛精度低、易陷入局部极小点等缺点,具有较高的拟合精度．为探求各含水组的地下水位值对地面沉降的影响,以华北某沿海城市连续14a的各含水组的年均地下水位值作为输入变量,以4个水准监测点年地面沉降值作为输出变量,训练混沌优化BP神经网络模型,应用训练好的模型对地下水位影响强度进行了分析．结果表明：地面沉降与地下水位存在较一致的响应趋势,各含水组对地面沉降的影响强度依含水组Ⅳ,Ⅲ,Ⅴ,Ⅱ的顺序逐渐减弱．     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法（GA-SAPSO）对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明：所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.     

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法（sparrow search algorithm,SSA）优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了 0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。     

基于互信息变量选择与LSTM的电站锅炉NOx排放动态预测

电站锅炉NO_x排放是大气污染物的重要来源,建立有效的预测模型是降低NO_x排放的基础。NO_x的排放特性受多个热工变量的影响,针对变量间的相关性和强耦合性,提出一种基于互信息变量选择和长短期记忆神经网络的预测模型,实现对NO_x排放的动态预测。以互信息"最小冗余最大相关"为准则对特征变量进行重要性排序和变量选择。在变量筛选过程中采用序列前向选择方法,以模型预测精度为目标确定最优输入特征集和最佳模型参数。将筛选出来的特征变量集作为LSTM预测模型的输入,并采用多层网格搜索算法优化网络超参数,建立了NO_x排放动态预测模型。基于某660 MW超超临界燃煤机组的运行数据对模型进行验证,实验结果表明该方法能够有效地减少模型输入变量的数目,降低变量间的信息冗余,同时提高了预测模型的精度和鲁棒性。     

亚临界锅炉低NOx燃烧技术改造

对丰城发电公司亚临界锅炉低NOx燃烧改造技术进行了分析,提出锅炉防结渣、稳燃以及降低NOx排放应采取的有效技术措施,以实现锅炉安全经济运行和环保目标.     

锅炉低NOx燃烧中的三次风运行优化

针对一台410 t/h乏气三次风、热风送粉的中储式燃煤锅炉,采用Fluent软件进行数值模拟,得到了炉内切圆和烟气中NOx气体质量浓度随炉膛高度的变化趋势.计算结果表明,高速喷入的三次风使炉内切圆在三次风喷口处缩小,同时引起当地炉膛截面上的NOx质量浓度增加.锅炉大修时,进行了低NOx燃烧技术改造的同时,进行了三次风系统改造,并就改造后三次风运行进行了优化试验.试验结果表明,磨煤机运行方式不同可造成NOx排放质量浓度相差63.8％,差值高达148 mg/m3.锅炉双磨运行时NOx排放随三次风量增加而略有增加.无磨运行工况的NOx排放最低,其次是单磨运行工况,双磨运行时NOx排放最高,且双磨运行时飞灰含碳量较高.B磨单磨运行是最佳运行方式,可使得NOx排放和飞灰含碳量处于较佳状态.