欢迎来到天天文库
浏览记录
ID:32755884
大小:5.23 MB
页数:76页
时间:2019-02-15
《基于神经网络锅炉燃烧过程建模的分析》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、沈阳理工大学硕士学位论文摘要现代工业的快速发展,带来了能源的急剧消耗,而锅炉又是工业生产和生活中的重要设备,因此,提高锅炉的燃烧效率,降低污染物的排放,对于节约能源和环境保护具有重要的意义。由于锅炉燃烧是一个复杂的物理化学过程,具有较大延迟、多变量耦合、非线性等复杂特性,因而无法对其建立准确的机理模型,这也成为了锅炉燃烧控制的难点。通过对现在常用的建模方法进行分析研究之后,本文选用BP神经网络算法对锅炉燃烧过程进行建模分析。它是将整个燃烧系统作为一个黑箱,而不具体分析燃烧过程内部机理的前提下,建立一个合理的模型结构。由于BP算法具有收敛速度慢,容
2、易陷入局部极值等缺点,因此本文选用遗传算法作为网络的优化算法。充分利用其全局搜索能力对BP网络的权值、阈值进行优化,建立了合理的GA.BP网络模型。算法选用小波处理后的锅炉历史运行数据进行网络训练及测试,从实验结果可知,利用遗传算法优化BP神经网络,提高了模型的训练精度及收敛速度,使模型更能反映锅炉燃烧的运行特性。另外,本文还对时间序列分析的基本原理及主要的建模步骤进行了论述,建立了关于锅炉出水温度的数学模型,并运用实际的历史运行数据进行了检验。通过对比分析GA.BP网络模型和时间序列模型可以看出,对于类似锅炉的这种复杂多变量系统建模时,GA.B
3、P网络模型在收敛速度和计算精度等方面具有优势,更适合用于锅炉燃烧过程的建模。本文运用MATLAB软件编程实现了GA.BP网络模型及模型的检验。对于时间序列模型,在Eviews软件平台上分别完成了模型的数据检验、模型识别、参数估计、模型定阶、模型检验等操作。关键词:锅炉;神经网络;遗传算法;小波变换;时间序列分析沈阳理工大学硕士学位论文AbstractTherapiddevelopmentofmodemindustryhasbroughtsharpenergyconsumption,whiletheboileristhecriticalequipm
4、entwhichisrelatedtotheindustrialproductionandthelife.Therefore,improvingboilercombustionefficiencyandreducingemissionsisasignificantthingforenergyconservationandenvironmentalprotection.Astheboilercombustionisacomplexphysicalandchemicalprocess,ithasgreaterdelay,multivariableco
5、uplingandothercomplexnon—linearcharacteristics,therefore,establishingtheexactmechanismmodelisdifficulttoachieve,ithasbecomethedifficultyofcontrollingtheboilercombustion.Byanalyzingthecommonusedmodelingmethods,BPneuralnetworkalgorithmisselectedformodelingandanalyzingtheboilerc
6、ombustionprocessinthisthesis.Thismethodregardsthecombustionsystemasablackbox,ratherthanmakeaconcreteanalysisoftheinternalmechanismofthecombustionprocess.Inthiscontext,establishareasonablemodelstructure.AstheBPalgorithmhassomeshortcomingssuchasslowconvergencerateandeasilytofal
7、lintothelocalex仃emum,wechoosethegeneticalgorithmtooptimizethenetworkandmakefulluseofitsglobalsearchingabilitytooptimizetheweightsandthresholdsoftheBPneuralnetworkandestablishareasonableGA-BPnetworkmodel.Thisalgorithmusesthehistoricalopermingdatato仃aimngandtestingthenetwork.Fr
8、omtheexperimentalresultswefoundthatusingofgeneticalgorithmtooptimize
此文档下载收益归作者所有