常压塔汽油干点观测方法研究

提出了一种基于系统机理方程的常压塔汽油干点神经网络观测方法。其步骤是 :首先建立系统的机理方程 ,并基于此方程构造观测器观测出常压塔一些不可测量但可观测的量 ;然后将观测量与可测量一起作为输入信号、将汽油干点作为输出信号构成神经网络观测汽油干点。与实际化验值对比 ,汽油干点误差的绝对值在 2℃以内 ,表明这一观测方法有较高的精度。     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法（TSSPSO）,并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明：两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

常压塔的侧线优化

本文以炼油厂常压塔装置为研究对象,根据历史操作数据,结合机理分析,采用数理统计和系统辨识等技术,建立了常压塔产品质量指标(塔顶干点、一线初馏点、二线干点)的预测模型,并用最优化方法进行了优化计算。现场试验结果表明,预测模型能在线预测质量指标,优化计算结果可用来指导优化操作。     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。     

基于小波神经网络的组合导航系统初始对准技术

针对SINS/GPS/MCP组合导航系统初始对准中GPS失锁时系统精度下降的问题,引入基于神经网络和小波技术的解决方案,将相关特征量经小波去噪后作为神经网络的训练样本.基于该方案建立了系统滤波模型,包括捷联惯性系统失准角、速度和位置误差方程以及速度航向匹配的状态方程和量测方程.为了验证该方案的有效性,分别对GPS失锁、加入神经网络修正和引入小波去噪技术3种情况进行了仿真,结果发现:神经网络修正可解决速度精度变差的问题;经小波去噪后对神经网络重新训练,各项指标都有所提高.可见,基于小波的神经网络方法可提高神经网络逼近模型的程度,进而提高对准精度.     

基于压力信号采集的输气管道混合模型的建立

为监测输气管道的运行状态,提出一种基于机理模型和神经网络模型的混合建模方法. 机理主模型是基于气体在管道中流动的连续性方程、运动方程和气体状态方程而建立的;神经网络模型用来补偿机理模型建模过程中的简化处理及因忽略某些动态参数变化带来的误差,提高了混合模型建模精度,为下一步进行气体管道的泄漏检测和定位奠定基础. 为避免流量计检测精度较低的缺点,实验中用高精度压力传感器取代流量计,统一采集压力信号,提高检测精度. 基于实验采集压力数据,将机理模型和混合模型输出的精度进行比较. 结果表明混合模型的精度得到了较大提高.      

短时电能质量扰动波形的识别

提出一种新的基于瞬时无功功率理论和小波-神经网络技术对电能质量进行辨识的方法。首先对各种电能质量信号进行时域和幅值分析,将在幅值上有显著特征的短期电能质量扰动信号识别出来;再对其余的信号进行小波变换,提取与信号频域相关的特征量来表征不同电能质量信号。将这些特征量作为神经网络(ANN)的输入可以实现电能质量的辨识。计算结果表明了该方法的有效性和准确性。     

基于神经网络的病态线性方程组求解

提出了一种基于神经网络的病态线性方程组求解方法。将病态线性方程组的一般系数矩阵转化为对称正定矩阵，然后将此方程组的求解转化为一个无约束优化问题。以此优化问题的目标函数作为神经网络的能量函数，利用最速下降原理构造神经网络的动力学方程，并证明该神经网络系统的稳定性。从而把原病态线性方程组的求解问题转化为一个等价的神经网络优化问题。最后通过两个算例的数值仿真求解以及与其他求解方法的比较，验证了该方法的可行性与有效性。     

基于深层神经网络的雷达波形设计

针对雷达波形多准则优化目标函数难以建立的问题,降低目标响应的不确定性,提高雷达检测性能,提出了一种基于深层神经网络的雷达波形设计方法。首先,根据雷达回波数据形式进行深层神经网络(DNNs)结构设计;然后,将基于信噪比(SNR)和互信息(MI)准则产生的信号随机混合并与其所对应的环境信息组成训练集,对DNNs训练;最后将另一部分基于互信息准则产生的信号与其对应的环境信息作为测试集,利用DNNs生成信号并进行测试。实验结果表明,使用该方法产生的信号作为雷达发射波形与仅基于MI准则产生的信号作为雷达发射波形相比,雷达回波与目标的互信息量最大提高了21.37nat,雷达接收信号的信干噪比最大提高了1.35dB。与线性调频信号相比,相应的互信息量最大提高了950.76nat,相应的信干噪比最大提高了18.23dB。