基于广义回归神经网络模型的径流预测研究

为提高径流预报精度,构建了基于广义回归神经网络模型的径流预测模型并将其应用于浙江丽水小溪流域中,对白岩测站50年月平均径流资料进行模拟研究,并与BP神经网络模拟结果进行对比。结果表明,广义回归神经网络预测精度较BP神经网络模型高,更接近径流监测实测值,平均相对误差为11.06%,且预报结果比较稳定,为径流时间序列模拟提供了一种更优的建模方法。     

基于广义回归神经网络的旋转机械振动特征预测

提出了一种基于广义回归神经网络(GRNN)模型的旋转机械振动特征预测策略,给出了一种快速的GRNN模型平滑参数的优选方法;采用滑动窗口的方法更新训练样本,以便在每步预测之前获得能反应振动最新变化趋势的网络结构,进而提高预测精度。将该方法应用于某600MW核电机组动静碰摩故障下的振动特征预测,并与粒子群算法优化的支持向量回归模型(PSO-SVM)、径向基函数神经网络(RBFNN)模型的预测结果进行了对比分析,结果表明:提出的振动预测模型的总体性能优于PSO-SVM、RBFNN模型,在学习样本数目较少的情况下也能够得到较为满意的预测结果。     

转子系统不平衡响应模拟试验验证分析

1 概述科技的发展使得旋转机械日趋高速化、大型化、精密化。对于汽轮发电机组,由于容量不断提高,仅就其转子而言,要求跨数增多,跨距加长,使其振动特性更加复杂;为了使机组能安全运行,延长机组的使用寿命,就给设计制造部门带来了一个重要课题——如何减少其转子系统的振动。转子系统的振动是多样的,它包括转子的弯曲振动、扭转振动、圆盘(叶轮)的振动或盘上叶片的振动、轴承座振动和基础振动等等。转子的弯曲振动较为复杂,牵涉的因素较多,其中较为主要的原因就是转子存在着不平衡质     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。     

基于果蝇算法优化广义回归神经网络的凝汽器真空预测

针对凝汽器真空模型复杂而难以准确建立的问题,提出了基于果蝇算法优化广义回归神经网络(FOAGRNN)构建凝汽器真空预测模型的新方法。为了简化网络模型,通过计算平均影响值(MIV)筛选出对凝汽器真空影响较为重要的变量。采用果蝇算法对光滑因子进行优化选取,减少人为设置参数对预测效果的影响,提高广义回归神经网络(GRNN)的预测精度。将该方法应用于660MW火电机组凝汽器真空预测,并与未经变量筛选的GRNN及FOAGRNN预测结果进行对比。结果表明筛选变量过后的FOAGRNN模型的预测精度明显优于另外两种,平均相对误差为1.0925%,能够准确地预测凝汽器真空变化值。     

风力机系统的神经网络模型辨识

应用人工神经网络的建模方法,采用多层感知器的模型结构,利用自适应学习速率的BP学习算法,辨识出风力机系统的功能模型,并把辨识模型的仿真结果与系统实验测量数据相对比,开展了与经典系统辨识方法的比较研究,以检验神经网络模型的可靠性.实验结果表明,这种新的风力机系统建模方法具有很高的精度.     

风力机系统的神经网络模型辨识

应用人工神经网络的建模方法，采用多层感知器的模型结构，利用自适应学习速率的ＢＰ学习算法，辨识出风力机系统的功能模型，并把辨识模型的仿真结果与系统实验测量数据相对比，开展了与经典系统辨识方法的比较研究，以检验神经网络模型的可靠性。实验结果表明，这种新的风力机系统建模方法具有很高的精度。     

转子大不平衡振动的研究

为使轴系破坏事故调查、寻找转子大不平衡振动摆脱困境,历经近20年的研究,查明了引起轴系破坏的转子各种大不平衡振动原因及形成机理。在阐述研究结果的同时,分析了国内5起破坏原因最为复杂的毁机事故。研究结果表明,造成轴系破坏的大不平衡振动原因有,转动部件飞脱、转轴碰磨、转轴刚度降低、扭矩冲击,其中转动部件飞脱引起的瞬态响应和扭矩冲击产生的大不平衡振动造成毁机事故机理,在国内外尚属首次提出。对查明轴系破坏真正原因和提高机组振动故障诊断水平有较大的帮助。     

基于广义回归神经网络的日总辐射曝辐量预估

采用广义回归神经网络(generalized regression neural network,GRNN)模型对山东烟台市福山气象站2000～2003年日总辐射曝辐量进行预估。模型通过交叉验证方法确定其关键参数(光滑因子),以日照时数、平均气压、平均气温、日最高气温、相对湿度、气溶胶光学厚度6个变量作为输入量。结果显示:GRNN15.9%,均方根误差为2.32 MJ/m2,拟合优度为0.892,且模型的预估精度和拟合优度均明显优于LM-BP网络。气溶胶光学厚度对GRNN是预估当地日总辐射曝辐量的一种有效方法。     

不平衡转子振动的动力耦合分析

应用Ｊｅｆｆｃｏｔｔ模型，研究了不平衡转子弯曲和振动的动力耦合问题。给出了非线性的转子振动控制方程，并探讨了控制方程的构成及其特征。利用分析结果阐述了几种振动现象的内在机理。     

神经网络用于循环流化床锅炉系统辨识

对3种神经网络进行系统辨识的快速性和泛化能力作了比较,并提出了适合循环流化床锅炉辨识的神经网络类型。     

广义回归神经网络在土石坝渗流监测中的应用

通过建立土石坝渗流监测数据的广义回归神经网络(GRNN)模型,对花凉亭水库坝基渗流测压管的监测数据进行了拟合与预测,并将其拟合预测结果与反向传播神经网络(BPNN)、多元逐步回归模型的拟合预测结果进行对比分析。结果表明,GRNN模型在数据拟合与预测方面均取得了很好的效果。     

励磁机转子热不平衡振动的现场处理

分析了ＺＬＧ－５００－３０型励磁机转子产生不平衡振动的原因，并提出了现场消振的具体措施。     

汽轮机转子光轴静不平衡问题的解决方案

针对工程中遇到的大型汽轮机转子的光轴静不平衡问题,介绍了一种利用转子的装配叶片来解决此类问题的方法,并就其平衡原理及平衡方案作了分析和研究.通过该方法,成功解决了某600MW超临界空冷汽轮机低压转子的光轴静不平衡问题.工程实践表明,该方法对于此类问题的解决具有良好的可行性和有效性.     

基于径向基神经网络辨识的电弧炉电极调节系统内模控制

处理非线性和电弧炉电极调节系统的时变特性,内模控制器的设计。该控制器由两个RBF神经网络,用来确定控制对象和它的逆,以消除稳态误差,让输出跟踪输入。中心向量和网络的形状参数进行在线调节,从而加快了收敛速度,提高了抗干扰能力。仿真结果验证了该方法的有效性。     

基于HHT的汽轮机转子突发大不平衡振动时频分析

Hilbert-Huang变换(HHT)能分析非平稳信号和非线性信号,适用于转子突发大不平衡振动时频分析。应用HHT进行转子突发大不平衡振动时频分析时,由于幅度占优的主模态分段出现导致小幅度区间的瞬时频率失去物理意义,为此提出对主模态函数加噪处理后再进行经验模态分解和分段计算所得主模态瞬时频率的方法。实验数据分析结果证明该方法有效。     

基于BP神经网络的黄河中上游河段不平衡水量预测

针对黄河水量统一调度工作中,中上游河段出现的水量不平衡问题,以刘家峡—头道拐河段为例,采用水量平衡公式计算1999~2012年刘家峡—头道拐河段的不平衡水量,并运用BP神经网络技术和方法研究了刘家峡—头道拐河段不平衡水量的变化规律,预测了刘家峡—头道拐河段的不平衡水量。结果表明,BP神经网络模型预测效果较好、精度较高。     

基于神经网络过热汽温模型辨识

提出一种基于粗糙集理论的RBF网络构造算法。在RS—RBF算法中,通过粗糙集理论分析RBF网络隐层中的隐节点,将其分类,将不重要的隐节点删去。该方法能自动设计出规模合理的RBF网络结构,最终设计的网络不仅具有精简的网络结构,也具有较好的泛化能力。     

基于神经网络的锅炉低NOx排放系统辨识

影响NOx排放的因素有很多 ,它们与NOx排放量之间属于非线性关系。根据某电厂的现场NOx排放数据 ,建立基于BP算法的神经网络模型 ,对NOx排放的系统进行仿真计算 ,从而确定一个与所测系统等价的模型。并利用BP神经网络建立的仿真模型分析各输入参数与NOx排放量的确切关系