基于自组织神经网络的炉膛火焰燃烧诊断系统

针对目前大型锅炉火焰检测手段的落后现状,提出了一种基于数字图像处理与自组织竞争神经网络进行燃烧诊断的方法,设计了一套火焰燃烧诊断系统.利用数字图像处理技术提取火焰特征量,应用神经网络的竞争学习对不同负荷下的全炉膛火焰图像进行识别分类,从而实现燃烧诊断和灭火预警的功能.     

基于神经网络和遗传算法的锅炉燃烧建模与优化

通过对影响锅炉效率的物理量的分析,建立了以神经网络表示主要物理量之间关系的锅炉燃烧系统模型,并采用遗传算法对模型进一步优化,从而实现了对锅炉燃烧的优化.仿真结果表明,通过调整锅炉燃烧系统优化模型参数,该模型能够同时满足锅炉燃烧效率和降低污染物排放的要求,从而实现锅炉的节能低污.     

基于神经网络的锅炉内火焰燃烧稳定性研究

在锅炉燃烧效率优化问题的研究中,针对燃烧稳定性问题,提高燃烧检测准确度。利用锅炉中火焰燃烧图像的分析来检测锅炉内火焰燃烧稳定性,当燃烧受煤粉或其它杂质的影响火焰出现短时脉动时,传统的灰度方差的检测方法不能避免火焰脉动的影响,对锅炉内燃烧稳定性检测偏差大。为此提出了一种采用神经网络的火焰燃烧稳定性检测方法,选取与火焰稳定性直接相关的多个特征作为神经网络的输入向量,通过对样本的多次训练能够去除杂质燃烧引起的微小脉动的影响,克服了传统方法检测准确度不高的问题。实验证明,改进方法能够有效避免杂质对燃烧的影响,准确对锅炉内的燃烧稳定性作出检测,并取得了满意的结果。     

基于RBF神经网络的煤粉着火判别

对煤粉火焰图像特征进行了分析,提取了反映燃烧状态的特征参数,在此基础上提出采用径向基函数神经网络的火焰图像煤粉着火判别方法.由于神经网络具有自学习特性,故判别方法所需调整的参数少.判别方法不仅能够着火/灭火判别,而且还可对火焰图像传感器进行故障判别.应用表明判别方法使用方便,判别正确率高,具有实际应用价值.     

基于图像的高炉风口燃烧充分性检测方法研究

研究高炉燃烧效率检测问题,提高检测的准确性。针对高炉风口中火焰受到不定风向影响,火苗像素出现随机性方向波动时,建立的像素模型发生变形,造成图像失真。传统的图像的燃烧充分性检测方法过于依赖充分的像素模型,造成对锅炉内可燃物质燃烧充分性检测准确度不高。为了解决上述问题,提出了一种基于神经网络的火焰燃烧充分性检测方法,选取与火焰燃烧充分性直接相关的多个特征作为神经网络的输入向量,通过对样本的多次迭代训练去除风向突变引起的微小脉动的影响。仿真结果表明,改进方法能够有效避免风向突变对像素波动造成的影响,提高了检测的准确性,取得了满意的结果。     

基于神经网络的燃烧优化建模

建立了基于RBF神经网络的燃烧优化模型,实现了最佳给煤量和实发功率的寻优.同时利用MATLAB建立仿真模型,并进行了仿真研究,仿真结果表明:在稳定运行时,当锅炉负荷、电厂用的煤质(即煤发热量的不同)、燃烧所给的送风量和引风量变化时,基于RBF神经网络的锅炉燃烧系统非线性模型能够很好地实现给煤量和实发功率的寻优,所得的结果对锅炉的燃烧优化控制奠定了基础.     

基于神经网络和粒子群算法的锅炉燃烧优化方法

通过对火电厂锅炉燃烧控制系统送风调节系统研究现状分析,提出一种基于粒子群优化算法的锅炉燃烧优化方法.其基本思想:首先利用燃烧特性试验数据,借助于 Matlab 软件建立了火电厂锅炉燃烧特性的神经网络模型,在此基础上利用粒子群优化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.结果表明:基于粒子群优化神经的算法为锅炉燃烧优化方法优化提供一条新的途径.     

基于神经网络模型的燃烧控制研究与应用

本文介绍了神经网络的基本特点后,建立了基于神经网络的燃烧控制模型,并把该模型首次用于某机械厂车底炉的烧钢控制系统中.证明了该模型的有效性,提高了烧钢过程的自动化水平.     

工业燃烧锅炉燃烧过程控制的研究

本文介绍了采胀业控制机实现燃煤锅炉智能化控制的原理和最佳燃烧控制的改进方案，并在一台35t/h，链条式燃煤炉上进行试验研究，结果表明，智能采样控制和最佳氧量给字与负荷的关系的确定，对优化燃烧是行之有效的。     

基于神经网络的内燃机车燃烧系统故障诊断

提出一种内燃机车燃烧系统故障诊断的新方法.燃烧系统的工作状态由柴油机功率、燃油消耗率、燃油压力、增压压力和排气温度等热工参数决定,介绍了有关参数的测量与计算,利用附加动量及自调整学习速率的BP神经网络对内燃机燃烧系统进行故障诊断.通过实例证明该方法是一种行之有效的方法.     

基于神经网络的故障诊断应用研究

文中根据神经网络的相关原理，运用神经网络领域的相关知识，对于工业生产中经常出现的设备故障，提出了一种基于RBF神经网络的诊断方法，并详细讨论了RBF神经网络的结构、训练算法及用于设备故障诊断的步骤，最后以某系统的故障诊断为例，证明了此方法的优越性。     

神经网络控制应用研究

主要对神经网络控制进行了综述.首先介绍了神经网络的发展历程和结构,讨论了几种常见的神经网络控制方案,简要说明了它们的原理, 并论述了神经网络控制在工业中的应用.最后总结了神经网络的特点及存在的相关问题.     

基于神经网络的智能故障诊断技术

归纳了神经网络在故障诊断中的运用方式，探讨了故障诊断的神经网络方法和专家系统方法的联系和区别，以及两种方法的结合方法；最后，给出了选择智能故障诊断方法的原则。     

基于粗糙集遗传神经网络的柴油机故障诊断

提出一种基于粗糙集和遗传算法的BP神经网络故障诊断方法,解决基本BP网络收敛速度慢、精度低、易陷入局部极小值问题.运用粗糙集理论对训练样本进行属性约简,简化BP网络输入维数.设计2次遗传算法训练BP网络,第一次优化神经网络隐含层节点个数,第二次在神经网络结构确定的情况下,优化网络连接权值.以柴油机进、排气阀故障为例,应用提出的方法进行仿真,仿真结果证明了该方法能够优化神经网络结构,提高故障诊断速度和准确率.     

基于神经网络的发动机智能诊断

为提高机械设备的维修诊断能力,提出了基于神经网络的智能诊断技术。采用自适应调整步幅的BP算法,改进后的算法,在误差精度高时能极大提高收敛速度,减少误判率。利用12150L发动机进行了实验,设置典型故障,采集声音信息,对原始声音信号进行解读、采样和分析,形成样本,通过学习和测验,该系统对预设的故障都进行了成功的判断,达到了预期的目的;而且智能诊断系统能分清熟练工人都无法直观判断的故障。实验结果表明,基于神经网络的智能诊断是可行的,具有良好的推广应用价值。     

基于模块化模糊神经网络的非线性系统故障诊断

提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法。该方法先使用模糊c-均值聚类法对测量空间进行模块分割,再利用模糊IF－THEN规则对分割后的子空间分别采用局部BP模型进行逼近,最后,通过离线学习获得不同子空间故障输出与测量输入的非线性动力特性。试验表明该网络具有良好的泛化性能,可显著提高非线性系统故障检测的快速性、鲁棒性及准确率。     

基于BP神经网络的故障诊断技术研究

分析了传统的故障诊断方法的特点和缺点,在此基础上选择BP神经网络应用于故障诊断,详细探讨了BP神经网络的建模方法,根据设备的层次结构和特点,将集成神经网络应用于故障诊断,有效地克服了单一神经网络故障诊断的一些缺点,大大提高了故障诊断的效率和准确率.     

基于集成多神经网络在模拟电路故障诊断中的研究

以进行模拟电路故障诊断为主要目的,针对单神经网络故障字典法在进行复杂电路系统故障诊断时,对多故障和多任务诊断的不足之处,讨论了基于多故障的神经网络集成技术,采用集成多神经网络来提高诊断速度和精度,提出了集成多神经网络故障字典法来解决多故障任务,对基于层次分类模型的多重结构神经网络进行了研究,给出了两种对故障定位的统一融合算法,克服了采用单神经网络多故障时学习速度慢,出现新故障的网络要重新进行学习等缺点.并给出了应用实例.     

基于BP算法的垃圾焚烧过程温度控制研究

医疗垃圾含有大量的病毒、细菌及化学药剂,是一种对环境危害极大的危险废物;而且目前国内医疗垃圾焚烧系统的自动化程度不高,垃圾处理水平与国外仍有很大差距。故本文就此分析系统中的医疗垃圾焚烧炉的工作过程,采用一种基于神经网络控制理论的温度控制方法,旨在开发出一种安全、有效可行的智能控制方案,不仅提高我国的医疗垃圾焚烧系统的自动化水平,而且满足国内城市医疗垃圾集中处理的需要。我们对此进行仿真实验,实验证明这种建立于神经网络模型上的控制手段可以适应于复杂的工业控制领域。