基于机理和子空间辨识的煤气混合过程集成建模

针对煤气混合过程特点,建立了基于机理和子空间辨识的集成模型.首先在分析生产工艺和数据基础上,利用蝶阀流量公式建立高炉煤气和焦炉煤气流量机理模型;然后以高炉管道2#阀和焦炉管2#阀开度、高炉煤气和焦炉煤气气源压力为输入,混合煤气压力为输出,建立4输入1输出子空间辨识模型;最后分析各子模型特点,将两种模型进行集成.仿真结果表明,所建立的模型能够有效地反映煤气混合过程的动态特性,为煤气混合过程控制提供可靠的模型基础.     

基于机理和子空间辨识的煤气混合过程集成建模

针对煤气混合过程特点，建立了基于机理和子空间辨识的集成模型.首先在分析生产工艺和数据基础上，利用蝶阀流量公式建立高炉煤气和焦炉煤气流量机理模型；然后以高炉管道2#阀和焦炉管2#阀开度、高炉煤气和焦炉煤气气源压力为输入，混合煤气压力为输出，建立4输入1输出子空间辨识模型；最后分析各子模型特点，将两种模型进行集成.仿真结果表明，所建立的模型能够有效地反映煤气混合过程的动态特性，为煤气混合过程控制提供可靠的模型基础.     

基于差分进化算法的离心式压缩机建模

根据离心式压缩机的工作特性及流体力学、能量守恒和质量守恒等物理学原理,建立了单级压缩机的机理模型.将各级压缩机的模型串联得到了某钢厂CCPP煤气系统低压端三级离心式压缩机的机理模型,并把多级压缩机机理模型的参数辨识问题转化为优化问题,采用差分进化算法确定模型中的未知参数.模型验证结果表明,所建立的模型能够反映离心式压缩机的工作特性,为压缩机防喘控制奠定了模型基础.     

机车二系弹簧载荷均匀性分配调整的混合建模方法

针对机车二系弹簧载荷均匀性分配调整的建模问题,提出综合运用机理建模和神经网络建模的混合建模方法。该方法在刚性车体假定下采用经典力学和数学方法建立机车车体-二系弹簧系统的机理模型,作为调簧主规律模型;用人工神经网络方法建立BP网络误差补偿模型来弥补机理模型的建模误差;二者并联组成混合模型,其输出为机理模型和BP网络模型输出的叠加。研究结果表明:混合建模方法用于二系调簧的多维连续空间系统建模,可大幅提高模型精度;实际调簧过程中使用混合模型可进一步提高调簧精度和效率,使载荷分布最大误差较机理模型减少8%～15%,平均调簧时间缩短25%以上。     

钢铁企业高炉煤气供需预测模型及应用

以钢铁企业高炉煤气系统为研究对象,采用灰色关联度分析了高炉煤气产生量、消耗量的影响因素与煤气量的关系.基于人工神经网络预测方法,建立了高炉煤气BP神经网络预测模型,对钢铁企业各生产工序中高炉煤气的产生与消耗量进行预测,探讨了企业在正常生产、事故检修等工况下各工序的煤气产生量和消耗量预测的合理性.研究表明:所建立的预测模型精度高、误差小,能有效解决实际生产中高炉煤气的供需预测问题,从而减少高炉煤气放散,为企业制定合理煤气使用计划提供了理论依据.     

基于 OS-ELM 的 CCPP 副产煤气燃料系统在线性能预测

针对联合循环发电厂(combined cycle power plant, CCPP)煤气系统因工况变化频繁带来的模型与过程不匹配的问题,提出一种基于OS-ELM ( online sequential extreme learning machine)的CCPP副产煤气燃料系统在线性能预测方法。首先通过分析副产煤气系统各主要组成部件的工作原理,利用流体力学、质量守恒以及能量守恒等关系,建立起以离心压缩机、煤水分离器、冷却器等为核心部件的副产煤气系统机理模型。利用OS-ELM算法和滑动窗口技术对机理模型的输出误差进行修正,实现副产煤气系统出口参数的精确预测和模型的快速在线更新。仿真实验证明,该方法能够准确地预测副产煤气系统的输出压比和温比,并能够跟踪煤气系统工况的变化和特性的漂移,满足实际工业生产的需求。     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

基于混合神经网络的机械设备健康度预测

为了建立安全高效的机械健康监测系统,提出一种数据驱动的机械设备健康度预测方法.首先,结合幅值域与频域分析方法提取振动信号特征;然后,构建以偏最小二乘回归法和深层神经网络为两层架构的混合神经网络模型;最后,采用该模型提取设备特征,并预测机械设备健康度.将所提出模型与传统单层架构模型进行实际工业数据验证,结果表明所提出的基于振动信号分析的混合神经网络健康度预测模型具有更好的预测趋势及更高预测精度.     

电火花加工工艺效果建模

研究了电火花加工（ＥＤＭ）技术的加工机理。以峰值电流、脉冲宽度、脉冲间隔、抬刀时间和加工时间为输入参数,并以加工速度和表面粗糙度为输出参数,分别用神经网络技术与非线性回归技术建立了ＥＤＭ工艺模型。经过实验数据的比较,认为这两种模型均能较精确地预测出给定条件下的加工速度和表面粗糙度,反映了该机床的加工工艺规律。其中,利用神经网络建立的模型具有更高的预测精度。     

农村能源发展规划模型

本文采用多级模型体系,以效应关联模型评价能源系统发展和社会经济发展的相互影响;以MEDEE模型进行能源需求预测;以优化模型进行能源系统的供需平衡,确定系统规划导向结构.并通过数据库管理系统的媒介作用,使各子模型耦合成一有机的模型系统.     

油气生产过程综合能耗混合建模方法

为准确预测油气生产过程中的能源消耗,通过对油气生产过程分析,确定了过程的主要能耗指标,提出了一种机理模型与最小二乘支持向量机(LS-SVM)相结合的混合建模方法.通过对油气生产过程及各子过程之间关系的分析,建立了该过程综合能耗的机理模型,并利用LS-SVM对机理模型不能描述的误差特性进行补偿.仿真结果表明,该方法能够准确地预测油气生产过程的综合能耗,其预测性能优于机理模型和LS-SVM构建的数据模型,且具有较好的稳定性和可靠性,将其应用到某采油作业区的实际生产过程,取得了满意的效果.     

数据挖掘在安钢电极预测建模中的应用

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果.     

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.      

采用IncNet神经网络进行动态建模的仿真研究

由于IncNet神经网络的算法为串行学习算法,可利用实测的新数据不断对模型进行更新,因此,可以实现过程的动态建模.IncNet神经网络采用"统计新颖性"准则,有效地减少了用户预先定义的参数,而删除算法则可以使网络结构更加紧凑.以燃烧炉对象为例,采用IncNet神经网络进行过程动态建模,所建立的模型精度高,泛化能力强.在建模过程中,初始参数的设置对IncNet神经网络模型的结构和建模精度有着不同的影响,应当合理选择.     

基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。     

混合动力耦合系统神经网络油耗模型构建

为了基于燃油经济性快速对混合动力耦合系统(EVT,electric variable transmission)构型进行筛选,在混合动力EVT构型图论分层图画模型的基础上提出混合动力EVT图论构型矩阵,并对混合动力EVT系统构型进行动力学建模;结合GRNN神经网络算法与动态规划算法,建立混合动力EVT系统神经网络油耗模型;通过对比测试构型的神经网络油耗模型计算结果和DP仿真结果,验证了该油耗模型的有效性。     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络 ,进行了非线性动态系统的建模 ,给出了权值调整算法。利用获得的模型 ,设计了反馈线性化控制器。由训练好的网络在线提供反馈线性化所需要的信息。为了解决模型失配问题 ,采用内模控制结构来引入模型的误差反馈 ,以消除稳态误差。文中给出了仿真实例。     

无人机燃料电池混合动力系统人工神经网络控制策略

目前,全球有200多项在研电推进飞机项目,包含传统固定翼飞机改造、新构型设计、全电推进系统和混合电推进等。近年来,电推进飞机的发展方向可分为纯电动固定翼、电动垂直起降和混合电推进3类。本文针对某小型无人机燃料电池和锂电池组成的混合动力系统,建立了由质子交换膜燃料电池混合动力系统、6自由度飞行器模型和基于神经网络控制器组成的整个系统仿真模型。为了满足无人机不同飞行阶段的电力需求,控制器控制电池电流和充放电速率。在燃料电池作为无人机主要动力源的情况下,对混合动力系统的性能进行验证和评估。对人工神经网络控制器和模糊逻辑控制器性能进行了比较,结果表明,人工神经网络控制器的性能明显提高,增强了无人机混合动力系统的整体稳定性。人工神经网络控制器在效率和油耗方面比模糊逻辑控制器略有提高,约为1%。这说明在这类系统中,所设计的神经网络控制器比经典控制器具有更强的鲁棒性,更好的响应能力、可靠性,可满足无人机燃料电池混合动力系统运行在最优水平和最优效率上。     

子波基神经网络及其建模

将神经网络与子波理论结合,构成新型的神经网络结构-子波基神经网络,不同于一般前向神经网络的是该网络的隐层单元的激活函数为不同尺度下的子波函数.该网络具有良好的逼近非线性的能力.本文将其应用于非线性系统建模.