篦冷机内水泥熟料温度的软测量

篦冷机内高温水泥熟料温度难以在线测量,给篦冷机的控制与热回收优化带来困难。针对这一问题,提出一种基于多孔介质渗流换热理论的篦冷机内熟料层温度软测量模型,并针对此模型设计一种解析法和隐式差分法相结合的流热耦合求解算法。根据所提出的算法对软测量模型进行渗流-传热双向耦合求解,得到了篦冷机内高温水泥熟料由进料口至出料口的温度变化预测值。利用自主设计的试验平台进行高温熟料堆积体冷却试验,试验结果表明,仿真数据与试验数据的误差较小,所建模型对于篦冷机内水泥熟料温度具有较好的测量精度。     

基于AdaBoost混合模型的LF炉钢水终点温度软测量

本文针对LF精炼炉冶炼过程中物理化学反应过程及传热过程的复杂性,采用混合模型对钢水温度进行软测量,将传统的机理模型与智能方法相结合,并采用改进AdaBoost.RT集成BP网络作为智能模型部分校正机理模型中难以准确获得的参数,再用机理模型进行预测.这种混合模型既克服了传统机理模型难以准确实现的不足也避免了"黑箱"模型过分依赖数据的缺陷.同时改进的AdaBoost.RT集成BP网络算法可以提高传统单神经网络的预测精度和稳定性.实验结果表明,此混合模型具有较好的预测结果,终点温度预测误差不大于±5 ℃的炉次大于85%.     

基于神经网络及机理分析的气力输送粉料质量流量软测量

本文提出了神经网络与机理分析结合的软测量方法,用以实现对气力输送系统中粉料质量流量的在线测量,通过实验验证,这种混合软测量方法是有效的。同时,与机理模型以及与基于标准神经网络的软测量方法的比较研究表明,该方法的精度及适用性更佳。     

基于RBF网络的智能气敏传感器温度补偿

研制出一种基于ARM7的智能气敏传感器,通过测量气敏薄膜的电阻,并将所测阻值和气体浓度进行校准,从而显示气体浓度。为了减小温度漂移带来的附加误差,提高传感器的测量精度,将气敏传感器所测量的电阻值与加热电压作为神经网络的输入,气体浓度值为输出,构造了一个双输入单输出的RBF神经网络温度补偿模型。采用RBF网络的带遗忘因子的梯度下降算法进行RBF网络的参数调整,实验表明RBF算法学习速度快,精度高。对实验中采集的数据进行非线性补偿后,误差保持在1.5%以内,大大提高了传感器的性能和测量精度,该装置能够很好地对环境中的气体进行监控。     

RBF神经网络在超高压釜内油温软测量中的应用

依据200MPa超高压釜内介质温度间接测量的实际问题，通过研究RBF神经网络的特点，建立了超高压釜内油温的RBF神经网络软测量模型，并进行了仿真实验。结果表明：该方法可实现超高压釜内介质温度的软测量，为其进一步地推断控制奠定了基础。     

基于神经网络的丙烯腈聚合反应软测量模型

针对丙烯腈聚合反应是一种非均相的聚合过程,其聚合机理比较复杂,关键质量指标无法用传感器直接在线测量的缺陷。本文首先建立了转化率和聚合物总数的神经网络软测量模型,然后使用OADEKF滤神经网络学习算法对网络进行训练,使得训练的网络性能优于BP算法学习的网络,且能够满足工程实际模型精度的要求。为转化率和聚合物总数的在线测量提供了有效途径,采集的数据仿真表明,采用OADEKF算法训练的神经网络模型具有一定的估计精度,为工程实施提供了借鉴。     

基于聚类的超闭球CMAC混煤燃烧污染物析出软测量模型

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,基于模糊聚类提出一种改进的超闭球CMAC神经网络算法,用于电站锅炉混煤燃烧污染物析出软测量模型的建立.以电站锅炉实际运行工况的煤质特性数据和炉内燃烧条件为输入参数,通过软测量实现大型电站锅炉混煤燃烧硫、氮污染物生成浓度的精确预估和在线测量,用于指导电厂运行人员进行锅炉燃烧调整,以控制污染物的超标排放.与超闭球CMAC算法比较,提出的改进算法可以大大降低高维神经网络节点数并提高神经网络软测量精度,实验结果表明该方法的有效性和可行性.     

气固两相流中基于神经网络的固相质量流量检测方法的研究

用神经网络的自学习算法对采样数据进行辨识得出固相质量流量的黑箱模型，实现固相质量流量的在线测量。实验结果，模型最大测量误差为１０％     

基于混合算法的磁悬浮隔振器模型辨识与验证

针对磁悬浮隔振器动态电磁力模型存在非线性及磁滞且很难建立其精确模型的问题,提出了基于BP算法、改进遗传（MGA）算法的混合算法的BP神经网络的模型辨识方法,建立了磁悬浮隔振器动态电磁力气隙电流关系的模型。结果表明,基于混合训练算法辨识得到的模型具有更高的精度,能够满足磁悬浮隔振器动态电磁力模型辨识需求。最后,搭建了磁悬浮隔振实验平台,建立控制模型,并验证了辨识模型的有效性。     

自聚类神经网络在磨削烧伤辨识中的应用

本文选用磨屑热辐射流温度信号作为辨识信号源，提出了用自聚类神经网络辩识磨削烧伤的策略与方法。实验结果表明：自聚类神经网络可用于辨识磨削烧伤，辨识精度较高，且具有一个重要特点：网络训练是无师自学习的。     

篦冷机的渗流传热模型与数值模拟

针对水泥篦冷机内熟料堆积体的多孔介质特性,应用非热平衡理论并结合Forchheimer-Brinkman-Darcy扩展模型,建立篦冷机的渗流换热模型。采用此模型对篦冷机内水泥熟料的冷却过程进行数值模拟,获得了不同供风风速、不同篦速下的气体和熟料层温度的变化规律。研究结果表明,所建模型可以较为准确地反映水泥熟料堆积体的冷却过程;供风风速的增加虽有利于熟料颗粒的冷却,但会降低回收风的温度,不利于热量的回收,合理的供风风速区间为1.5～2.0 m/s;在产量不变的情况下,增加篦速可强化熟料的前端骤冷效果,有利于形成高品质熟料,但是过高的篦速会使篦冷机前端的气体温度偏低,不利于水泥熟料的烧成;在料层厚度不变的情况下,增加篦速,回收风温与出料温度升高,但篦速过高时出料温度偏高;综合考虑产量不变与厚度不变这两种情况下篦速对熟料冷却过程的影响,得出合理的篦速区间为0.006～0.008 m/s。     

基于RBF神经网络的汽包水位软测量模型研究

热工系统往往表现出非线性和不确定性．难以建立精确的数学模型。以汽包水位为对象．结合机理分析确定原始变量作为神经网络的输入．通过k均值聚粪法则与梯度下降法实现了网络的学习功能，并最终建立了基于RBF神经网络的软测量模型。阐述了RBF神经网络在汽包水位洲量中的建模与应用。仿真实验表明该模型具有简单易行．精度高、训练时间短、运算速度快的特点．为汽包水位测量提供了一种新的方法。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于彩色CCD的火焰温度检测算法研究

本文分析了彩色CCD摄像机测量机理,建立了由火焰图像求取燃烧温度场的数学模型,推导和分析了相应的三色温度测量模型,论述了图像噪声的滤除方法,分析了目前较先进的BP神经网络测温误差大的原因,并提出一种新的基于比值输入的BP神经网络法来计算温度。实验证明,该算法具有较高的计算精度和实用性。     

基于混合建模的磨煤机一次风量预测算法研究

针对直接拟合得到的磨煤机一次风量黑箱软测量模型收敛性差、预测准确度较低的问题,在对风量测量进行机理特性分析的基础上,建立了一种以黑箱建模为主的结构逼近式混合软测量模型。黑箱模型部分采用最小二乘支持向量机(LSSVM)算法,并将机理特性融入到LSSVM模型中,经过输入变量类变换层的整合,将辅助变量中的压力信号转换为差压类、压力与温度的比值作为密度类、与一次风管路阻力相关的测点信号转换为风门风阻类,作为LSSVM模型的输入变量。应用电厂实际运行数据对一次风量进行预测,与直接拟合的预测效果相比,所建立的混合软测量模型收敛性好、预测精度高(引用误差波动0.54%),可为电厂生产中控制合理的风煤配比关系提供准确度更高的一次风量预测值。     

冷热气流混合容腔温控系统建模及特性分析

面向高超声速飞行器总温模拟装置的冷热气流混合容腔温控系统主要由等离子加热器、电-气伺服阀、混合容腔等组成，存在难以建立精确数学模型、系统特性复杂等问题，从而导致开展气流温度控制方法研究难度较大。首先基于机理建模法建立混合容腔、电-气伺服阀数学模型，然后利用受控自回归滑动平均模型对等离子加热器进行开环离线辨识，从而得到系统的数学模型，并基于MATLAB/Simulink搭建仿真模型，通过PID控制策略分析了混合容腔内冷热气流混合过程其出口气流温度的动、静态特性。同时通过实验与仿真结果对比，验证了冷热气流混合容腔温控系统数学模型的准确性，为气流温度控制方法的研究提供理论基础。     

与软测量建模相结合的过失误差侦破新方法

软测量模型建立前对建模数据进行过失误差侦破与剔除,是确保数据质量、成功建立软测量模型的先决条件.针对软测量建模过程中建模数据过失误差侦破的特殊性,提出了一种适用于软测量数据的中心欧氏距离聚类算法(CED),这种新方法依据各数据点到数据中心的欧氏距离来判定过失误差,脱离了传统过失误差侦破方法依赖于机理模型的束缚,更好地适应了软测量的特点.针对单纯使用聚类算法实现过失误差侦破的不足,将其与软测量建模过程相结合,将建模误差作为过失误差侦破过程的指导,使其克服了由于单纯基于数据而存在的缺陷,并且在完成过失误差侦破的同时建立了软测量模型.实验表明这种与软测量建模相结合的基于聚类分析的过失误差侦破方法具有很好的效果.     

基于双能γ射线的煤质灰分软测量技术研究

为提高煤质灰分测量精度,提出了基于双能γ射线的煤质灰分智能软测量方法,该方法以1377Cs和241Am作为中能和低能的γ射线源,并以探测器检测到的γ计数作为辅助变量,利用混沌算法优化的函数链神经网络实现灰分软测量辨识建模,最后对煤质灰分进行软测量预测和验证.研究结果表明:混沌算法优化的函数链神经网络预测方法的预测精度高,具有较强的泛化能力;基于混沌算法优化函数链神经网络的灰分智能软测量值与实测值的平均误差为0.7％,最大误差为0.9％,煤质灰分测量准确度高.     

两级神经网络的故障诊断方法及其在生化过程中的应用

针对具有不能在线检测变量的生化过程 ,提出了一种两级神经网络的故障诊断方法。一级神经网络利用可检测的过程数据建立不可检测量的软测量模型 ;二级神经网络利用软测量模型的估计量进行分析、故障的诊断和分类。最后 ,将这一方法应用到了谷氨酸发酵过程的故障诊断之中 ,并给出了实验研究结果     

基于CPSO-BP算法的水下机器人神经网络辨识

针对水下机器人传统运动辨识模型中使用的误差反传(BP)算法,容易在迭代寻优过程中陷入局部极小点的缺点,将合作粒子群(CPSO)算法与BP算法相结合,形成一种CPSO-BP混合算法,再通过CPSO-BP算法对BP神经网络进行权值修改,建立了CPSO-BP神经网络模型,并将模型应用到水下机器人运动辨识。通过对比3种算法的BP神经网络模型的实验结果,证明基于CPSO-BP神经网络的模型辨识效果更好。