燃烧器燃烧高效低NOx排放建模与优化

燃烧器控制系统是实现燃烧器节能减排的核心,但由于燃烧器控制对象存在纯延迟、大滞后和多分布参数等特点,给控制过程造成困难.从燃烧器输入量到输出量的非线性关系入手,建立最小二乘支持向量机(LSSVM)燃烧效率和氮氧化物(NOx)排放量的数学模型,并结合遗传算法对反映燃烧状态的烟气O2量、CO量寻优,得到的O2量、CO量可作为燃烧器闭环控制的给定值,参与电子比调系统的优化控制.结果表明,利用LSSVM得到的预测结果的相对误差均小于0.8％,可实现较好燃烧状态预测;通过寻优的烟气O2量、CO量能够在保证燃烧效率略微降低的基础上,实现氮氧化物排放量的明显降低,使燃烧效率和氮氧化物排放量得到平衡,对燃烧器节能减排控制具有参考价值.     

水泥熟料质量指标的软测量建模研究

针对水泥熟料质量指标的测量,提出一种基于最小二乘支持向量机的软测量建模方法;对于建模数据,提出了基于模糊聚类的数据预处理方法.实验研究表明,该数据预处理方法明显优于传统的拉依达准则方法,能够有效地去除现场测量数据中存在的异常数据;最小二乘支持向量机建模相比于RBF神经网络也具有明显优势,建立的软测量模型对于整个窑系统优化控制具有重要意义.     

基于彩色图像处理的浮选尾煤灰分软测量研究

浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量,以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题,提出了一种基于彩色图像处理的浮选尾煤软测量方法,建立了基于最小二乘支持向量机(LSSVM)的浮选尾煤灰分软测量模型。模型以不同颜色空间的彩色特征、灰度均值以及浓度特征为输入变量,以尾煤灰分作为输出变量,采用粒子群优化算法对LSSVM模型参数进行优化。结果表明：所建立的尾煤灰分软测量模型可以较好地实现浮选尾矿灰分的在线预测,引入浮选尾矿图像的彩色特征可以提高尾煤图像分析的精度,预测精度达96.89%。研究成果在柳湾选煤厂现场应用,并取得了较好的尾矿灰分测量效果。     

基于混合函数的KICA-LSSVM故障分类方法及应用

利用核独立成分分析(KICA)进行非线性特征提取,然后用最小二乘支持向量机建立故障分类模型。研究表明,不同核函数对模型的性能有很大影响。利用已有核函数构造混合核函数,提出基于混合核函数的KI-CA-LSSVM故障分类方法,并应用到某石化企业的润滑油生产过程。实验结果表明该方法具有很高的分类和泛化能力。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

灰色模糊LSSVM预测模型在锌净化除钴中的应用

针对锌净化除钴过程生产数据存在噪声和系统参数缓慢变化的问题,提出一种基于灰色模糊LSSVM的钴离子浓度预测模型。对样本数据进行灰色累加,削弱原始数据序列中的噪声,使数据规律性增强,灰色累加后数据作为LSSVM输入,提高模型抗干扰能力和预测能力;由于锌净化除钴工序的系统参数随时间发生变化,提出对不同时期的样本赋予不同的模糊加权值;利用改进PSO的全局优化能力和快速收敛性,优化LSSVM模型的惩罚因子和核函数参数,避免人为选择参数的盲目性。对硫酸锌溶液净化除钴过程生产数据的仿真结果表明,灰色模糊LSSVM预测值能很好地跟踪实际值的变化趋势,满足钴离子浓度预测要求。     

基于SOA-LSSVM的SLS成形工艺参数优化研究

为提高选择性激光烧结(SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM),建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明：SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。     

Implementing PSO-LSSVM model to approximate vaporization enthalpy of pure hydrocarbons and petroleum fractions

The purpose of the present research was to estimate the heat of vaporization for petroleum fractions and pure hydrocarbons by the least-square support vector machine (LSSVM) as a function of the specific gravity, molecular weight, and boiling point temperature. Moreover, a particle swarm optimization technique was applied to determine optimal dependent parameters of LSSVM. In addition, results obtained from the proposed LSSVM model have been compared to some developed correlations by scholars. According to statistical observations, the LSSVM model has acceptable predictions by the value of mean relative deviation and R-squared (R²) equal to 0.51% and 0.9998, respectively. The present predictive manner can be used in petroleum engineering for an accurate approximation of heat of vaporization.     

黄河头道拐站开河日期预测的LSSVM方法

根据实测冰情数据分析发现,可将冰盖厚度演变过程作为预测头道拐站的开河日期的主要依据,同时还应考虑封冻期气温、流量等对冰盖厚度的持续性和累积性影响。据此提出了一种应用数据挖掘技术和LSSVM进行头道拐站开河日期预测的新方法。应用LSSVM模型对头道拐站2010年、2011年和2012年开河日期的预测结果表明,可在封冻期内任一冰盖厚度测量日期利用上述方法对该站的开河日期进行预测,有效延长了预见期,且在3月6日前的预测值均满足许可误差合格率的要求。根据LSSVM模型预测误差呈波动性变化的特点,提出了预测开河日期的均值法,可使开河日期预测精度得到显著提高。     

基于分批试验的工业球磨机粒级分布预测模型

针对具有强非线性、时滞和工况变化特点的球磨机出口矿浆粒级分布预测问题,提出一种基于分批试验结论的粒级质量平衡改进模型.根据某些粒级的矿料不符合一阶破碎动力学的分批试验结论改进了破碎率模型;考虑工况影响,建立了模型参数和工况变量间的最小二乘支持向量机(LSSVM)关系模型,由现场工况确定模型参数.仿真结果表明,该模型预测精度较高,可满足实际生产要求.