基于BP神经网络的汽油机尾气排放预测

为了准确预测汽油机尾气污染物的排放量,基于BP神经网络模型进行了排放预测.针对汽油机尾气排放预测非线性、特征参数多、样本数据量大等特点,以特征参数的数据流信息作为输入,以车辆排放水平为输出;以BP神经网络为基础,分别建立了汽油机CO,HC,NO_x排放预测模型;并完成了正常状态、燃油压力异常、进气压力传感器异常3种模式下的实车验证,将汽车排气分析仪的检测结果与预测结果相比较.结果表明:该预测系统能够对3种气体进行预测,具有较高的预测精度,收敛速度较快,可以达到预期结果,且具有较好的可靠性.     

基于智能算法的分解炉掺烧污泥脱硝经济分析

为研究水泥分解炉在掺烧污泥和选择性非催化还原(SNCR)脱硝共同作用下,以脱硝系统运行成本最小为目标,对相关主要参数进行优化控制.以广东某6000 t/d水泥分解炉为研究对象,以污泥掺烧量、喷氨量、烟风温度、压差等运行参数为输入变量,采用遗传算法优化的BP神经网络(GA-BPNN)建立出口烟气NOx浓度的预测模型.再采...     

基于神经网络动态预测软土路基沉降的研究

人工神经网络具有较强的非线性映射能力和学习能力,通过改进神经网络的BP算法,提高了BP算法的学习收敛速度和网络性能的稳定性.基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法.此方法利用实测资料直接建模,避免了传统方法计算过程中各种人为因素的干扰,所建立的模型预测精度高、预测的沉降量误差小.     

钻孔灌注桩单桩竖向承载力预测方法研究

根据长期的工程实测资料,提出了运用神经网络技术的方法来预测钻孔灌注桩的承载能力,从而达到在施工过程中减少或不做试桩的效果.通过对高层建筑物和大跨度桥梁钻孔灌注桩的静载实验数据分析,选择神经网络方法对承载力进行预测.首先,构造了合理的神经网络模型;接着对神经网络模型经过样本学习训练进行承载能力预测;最后,证实了神经网络技术在预测钻孔灌注桩的承载能力时可以满足工程实际的需要.     

基于多步预测的PID型神经网络控制

提出了一种基于多步预测的ＰＩＤ型神经网络控制方案,其控制机理类似于位置递式ＰＩＤ控制,但所产生的控制量是误差信号的比例、积分和微分量的一种非线性组合,可以有效地克服常规ＰＩＤ控制存在的快速性和超调的矛盾。通过利用多步预测误差对ＰＩＤ型神经网络控制器进行训练,可以弥补单步预测存在的控制信号波动较大的缺陷。仿真实验表明,基于多步预测的ＰＩＤ型神经网络控制系统有效随机干扰,具有较强的适应性和鲁棒性。     

RBF预测控制运用于柴油车SCR系统

汽车尾气排放造成严重的环境污染问题。SCR技术被认定为处理柴油车尾气排放的最佳方式,但SCR系统具有非线性、大时滞等特点,传统控制方法控制效果不理想。根据SCR系统的特点,提出利用RBF神经网络的非线性拟合能力,对系统建立预测模型,再运用预测控制原理建立控制的方法。经仿真验证,该方法控制效果良好。     

基于BP神经网络分源预测综采面瓦斯涌出量研究

为了提高综采工作面瓦斯涌出量的预测精度,根据综采工作面瓦斯来源的分析,在瓦斯分源预测方法的基础上,融合神经网络预测技术,建立BP神经网络分源预测模型.结合某矿1242(1)工作面地质条件和开采技术条件,利用BP神经网络分源预测模型对工作面瓦斯涌出量进行了预测,结果表明,BP神经网络分源预测模型预测精度能满足现场需求,与...     

基于支持向量机的混凝土中钢筋锈蚀量预测

对钢筋锈蚀量进行了研究,提出了一种新的基于支持向量机理论的混凝土中钢筋锈蚀量的预测方法.该方法通过与传统的BP神经网络比较的实验表明,达到了较好的预测效果.     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于IPSO算法的回转窑煅烧带温度D-FNN预测控制

为了提高石灰回转窑煅烧带温度的控制性能,提出一种基于改进的粒子群优化算法(IPSO)与动态模糊神经网络(D-FNN)的预测控制方法。该方法利用动态模糊神经网络建立石灰回转窑煅烧带温度的非线性预测模型,通过输出温度的预测值,引入输出反馈与偏差来校正预测误差,建立偏差与控制量的控制性能指标,通过改进的粒子群优化算法滚动优化得到系统最优控制量。对控制方法的稳定性进行分析。仿真实验结果表明动态模糊神经网络的温度预测误差在±10℃之内,具有较高的预测精度。提出的预测控制方法能使输出煅烧带温度快速稳定地跟踪设定值的变化,同时在系统输出有扰动的情况下也能较好地跟踪设定值。控制量的平均单步滚动优化需0.31 s,可满足实际应用。     

基于复变自适应神经网络的电网相位估计方法

针对非理想电网电压下,不平衡电压、频率偏移引起的电网相位难以检测的问题,提出了一种在复变域下使用的基于自适应神经网络的电网相位估计方法.首先,对非理想电网电压进行建模,在得到神经网络模型的基础上,将复变最小均方算法的权值更新方法应用到神经网络权值更新过程中,利用神经网络权值实现对相位的估计.为了跟踪电网频率,设计了电网频率跟踪环节,并对收敛性进行了分析.仿真和实验的结果表明所提出的方法能够快速准确地对非理想电压下的电网相位进行估计.     

钢铁企业电力生产端优化模型

在确保能源稳定供应和正常生产安全进行的前提下，利用数学规划方法，建立了考虑富余煤气在缓冲用户之间的优化分配和蒸汽在生产设备之间的生产调度的动态数学优化模型.应用此优化模型，可以有效提高电力网络生产量的准确度，充分利用二次能源和余热余能，实现电力生产结构的优化与外购的合理化，进而能有效地减少煤气、蒸汽的放散，节约能源，降低企业生产成本.     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

氢氮比模糊预测控制

就合成氨厂的氢氮比微机自控系统的设计,提出一种基于模糊和预测控制理论的新型算法,工厂运行表明,该算法有效地克服了控制对象的大滞后,数学模型时变及难以精确化等难题。     

基于神经网络的车用发动机广义预测控制

为了改善具有非线性特性的发动机燃油控制效果,以达到高效率、低污染的要求。利用一种前向神经网络作为非线性系统的模型,并将其分为线性部分和非线性部分。其中非线性部分用单隐层的BP神经网络对其建模,采用学习速度较快的Davidon最小二乘法在线调整网络权值;线性部分采用受控自回归积分滑动平均(CARIMA)模型作为其数学模型,用递推最小二乘法(RLS)作为其参数辨识的方法。每步将所得非线性系统的网络模型线性展开,得到线性回归模型,并以非线性前馈增益方式补偿建模误差,建立了一种适合非线性系统的自校正广义预测控制器。仿真结果表明该算法收敛速度快,控制动作平稳,控制效果理想。     

基于GRBF神经网络的多级煤气压缩系统建模

以某钢厂燃气、蒸汽联合循环发电机组煤气压缩系统为背景,建立以煤水分离器、离心式压缩机和冷却器为核心的多级煤气压缩系统机理模型.采用自适应遗传算法辨识机理模型中某些难以确定的重要参数.由于多级煤气压缩系统的影响因素较多,机理模型预测结果不精确.利用基于广义径向基函数的神经网络补偿机理模型的误差,建立GRBF神经网络和机理模型并联的多级煤气系统的混合模型.试验结果表明相比于机理模型,混合模型有更高的预测精度.     

摆式客车倾摆控制系统神经网络预测控制

考虑伺服电机及机械系统的非线性对车体倾摆的影响，并包括伺服电机的饱和非线性特性的影响在内，采用神经网络方法对非线性特性的动态系统的输入输出关系进行辨识研究，建立摆式客车伺服系统神经网络非线性模型；提出在摆式客车中运用神经网络预测控制结合鲁棒控制的复合控制系统，解决这类非线性系统的控制问题，即应用神经网络进行辨识及预测控制．研究表明，从理论及工程应用角度看神经网络预测控制都是切实可行的，为在摆式客车倾摆控制系统中应用神经网络预测方法提供了一个新的方向．     

基于门控循环单元神经网络的浆液pH的预测建模

吸收塔内浆液的PH值是影响燃煤电厂湿法脱硫系统效率的重要参数。燃煤电厂的湿法脱硫系统具有大滞后、非线性、强耦合等特征,因而其吸收塔浆液的PH值很难实现精准控制。本文利用门控循环单元（gated recurrent unit, GRU）神经网络在处理时间序列数据的优越性,对吸收塔内的浆液PH值进行预测建模,通过将燃煤电厂采集的影响浆液PH值的变量数据作为模型的输入,对模型进行训练处理,获得吸收塔内浆液PH值的预测模型。将预测模型应用于辽宁省华能营口电厂600MW机组湿法脱硫智能控制系统中吸收塔内浆液PH值的预测。结果表明相比于反向传播（back propagation, BP）神经网络模型、径向基函数（radial basis function, RBF）神经网络、循环神经网络（recurrent neural network, RNN）和长短期记忆（long and short term memory, LSTM）神经网络,该模型精确度更高,实用性更强。     

M-P人工神经网络用于核电站故障诊断系统

按照实际情况,将人工神经网络M-P模型应用于核电站机组故障诊断系统的部分诊断网络。根据核电站故障诊断信号和故障事件特点,提出在特定诊断网络中使用M-P模型的可能性和具体构建诊断网络的方法,对其优缺点进行了比较。使用M-P模型对核电站重要厂用水系统建立了简单诊断网络,进行了验证。该模型简单直接,可以避免若干使用其他人工神经网络模型时遇到的问题。该模型与其他模型结合使用于核电站故障诊断系统,尤其在处理逻辑判断性较强的诊断任务时,可以达到更好的效果。     

拓扑结构在钢铁企业发电节点网络的应用

以钢铁企业电力能源管理为背景,应用拓扑学知识建立了钢铁企业的分布式发电节点网络结构,给出了网络拓扑结构的评价体系,提出了网络结构的优化原则.分析表明,节点(指干熄焦发电、燃气蒸汽联合循环发电机组(CCPP)、高炉)之间和各自设备蒸汽管道、煤气管道的距离越短越好,干熄焦设备、CCPP、高炉设备的地理位置应在一条直线上.依据优化原则得出最适合钢铁企业的6种发电节点网络的拓扑结构,实现了结构空间上的优化,进而为企业降低了能源消耗,减少了电力经济成本.