基于LSGSVM和GM的球磨机料位动态软测量

提出了一种基于最小二乘支持向量机(LS-SVM)和灰色模型(GM)的钢球磨煤机料位动态软测量方法,分析了料位的影响因素,确定了软测量模型的辅助变量;基于 LS-SVM建立料位软测量静态模型,将静态模型测量结果与实际值比较,获得测量误差时间序列,并采用GM对其建模和预测;将预测的误差结果与静态模型输出进行叠加,实现对测量结果的动态校正。实际应用结果表明,该方法能够有效地反映料位的变化趋势和动态特性,比单纯 LS-SVM模型测量具有更高的精度和适用性。     

基于LS-SVM和GM的球磨机料位动态软测量

提出了一种基于最小二乘支持向量机(LS-SVM)和灰色模型(GM)的钢球磨煤机料位动态软测量方法,分析了料位的影响因素,确定了软测量模型的辅助变量;基于LS-SVM建立料位软测量静态模型,将静态模型测量结果与实际值比较,获得测量误差时间序列,并采用GM对其建模和预测;将预测的误差结果与静态模型输出进行叠加,实现对测量结果的动态校正。实际应用结果表明,该方法能够有效地反映料位的变化趋势和动态特性,比单纯LS-SVM模型测量具有更高的精度和适用性。     

基于多传感器信息融合技术的球磨机料位测控系统

提出了一种基于多传感器信息融合技术的球磨机料位测控系统.在机理模型分析的基础上,研究了球磨机料位与过程参数之间的关系.研究了信息融合中传感器的选取和数据采集,开发了由数据采集器-数据通信器-PC机3层结构组成的球磨机筒体振动信号采集装置,并基于最小二乘支持向量机(LS-SVM)算法提出了料位信息融合软测量方法.提出了基于料位检测的球磨机负荷模糊控制算法.实验结果表明,该测控系统能够有效地实现料位检测与优化控制.     

基于LS-SVM的列车牵引电机电流实时估计

为满足列车牵引传动系统在牵引电机状态监测、异常诊断与预测等领域对牵引电机定子电流准确估计的需求,提出了一种基于多工况最小二乘支持向量机（LS-SVM）模型的牵引电机电流实时估计方法。该方法结合牵引电机参数和转矩转速试验测量数据,利用牵引电机机理模型计算得到定子电流估计值;然后根据列车运行规律将其分为多个运行工况,基于历史运行数据的相关变量建立各工况下定子电流的LS-SVM估计模型并研究列车不同运行工况对模型精度的影响,基于多工况模型实现牵引电机全工况下电流的实时有效估计。通过实际运行数据验证了所提方法的有效性和可行性。     

质子交换膜燃料电池机理与ANN混合模型的建模与仿真分析

提出了一种新型的混合燃料电池模型,描述了该混合模型包括机理部分和黑箱部分(即神经网络部分).机理部分用来体现质子交换膜燃料电池性能,神经网络部分用来表现所不知或者不能用机理模型来表现出来的质子交换膜燃料电池性能,认为可以再现质子交换膜燃料电池的各种特性.仿真结果表明,该混合质子交换膜燃料电池模型具有比单独的机理模型或神经网络模型更高的精度.     

基于状态空间理论的凝汽器变工况模型的建立

机组的能耗特性由热力系统的拓扑结构、运行条件以及运行方式决定,当上述条件给定,则热力系统各部位的状态参数,乃至机组的能耗特性必然确定.本文基于状态空间的理论采用机理分析与统计辨识相结合的混合模型方法,建立了凝汽器变工况模型,并结合实例进行了实践验证.     

基于KPLS的燃气-蒸汽联合循环变工况建模研究

以宝钢电厂燃气-蒸汽联合循环发电机组为背景,在深入分析了联合循环机组变工况性能的基础上,为解决常规的机理建模方法主要关注机组在设计工况附近的性能而在机组运行点偏离设计工况较远时模型误差较大的问题,将基于机组运行特性曲线的机理模型和基于KPLS的数据模型相结合,建立了以大气温度/压力、燃料流量、冷却水温度/流量和汽轮机背压为输入,机组出力为输出的联合循环混合模型。基于核函数的偏最小二乘方法(KPLS),是将PLS和核函数理论相结合,提高了PLS方法的非线性处理能力。用基于KPLS的数据模型修正机理模型预测值与机组实测值的偏差,使得混合模型既能反映过程机理,同时又具有较高的精度。以宝钢电厂联合循环机组的历史运行数据为例,对单纯的机理模型与混合模型进行了比较。实验结果表明,与单纯的机理模型相比,混合模型的精度有较大提高。     

直吹式双进双出钢球磨煤机仿真料位自动的研究

分析了当前直吹式双进双出钢球磨煤机料位测量装置存在的缺陷,开展了磨煤机给煤特性的研究分析。基于大量的试验数据,掌握了实际料位与磨煤机各主要参数的关系,设计了仿真2位计算模型,通过计算得到能够反映磨煤机大罐存煤情况的仿真料位,设计了与之配套的先进控制策略。投入料位自动后,对仿真料位自动进行了稳态、定值扰动和AGC变负荷试验考核,各项指标满足机组运行要求,通过1年多的运行,效果良好。     

基于鲁棒最小二乘支持向量机的电机振动故障诊断

对时序数据建模与辨识技术进行了分析，提出了使用鲁棒最小二乘支持向量机(LS-SVM)算法建立自回归移动平均(ARMA)时序预测模型。该模型是在LS-SVM的约束条件中考虑了鲁棒特性和时序模型参数，使之在求解的过程中对孤立点与噪声不敏感，并且能准确地辨识时序模型参数。考虑到电机振动故障诊断的输入输出数据集间存在着复杂非线性时序上的关系，通过用基于鲁棒LS-SVM的ARMA模型预报电机的振动值，从而预测电机振动故障。实验表明该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性，为确保电机正常运行创造了良好条件。     

开关磁阻电机的最小二乘支持向量机建模与仿真

针对开关磁阻电机电磁特性的非线性造成其精确数学模型难以建立的问题,根据样机实测自感特性和矩角特性,采用最小二乘支持向量机(LS-SVM)的方法对开关磁阻电机非线性建模.与几种常用的神经网络建模方法相比,采用LS-SVM方法所建模型学习速度快,模型精确度高.以一台8/6极开关磁阻电机为例,把基于LS-SVM的自感模型和矩角模型应用于开关磁阻电动机调速系统的建模并进行仿真.实验结果表明,相同工作条件下的仿真电流波形与实验电流波形基本一致,误差小于5%,说明该建模方法的正确性,为开关磁阻电动机调速系统的智能控制提供理论和实践参考.