锅炉用人工神经网络模型和信息分析(外文翻译)

《锅炉用人工神经网络模型和信息分析(外文翻译)》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、南京工程学院自动化学院本科毕业设计（论文）外文翻译题目：NT6000分散控制系统在锅炉燃烧系统中的应用专业：自动化（数控技术）班级：数控(卓越)121学号：203120523学生姓名：唐伟坤校内指导教师：邵祥兵校外指导教师：王富有2016年3月锅炉用人工神经网络模型和信息分析摘要在锅炉的燃烧是一种非常复杂的数学模型进行的分析和描述。为了满足优化操作，现场实验的统计优化方法指导往往是必要的，以达到最佳的工作条件下。本研究提出了一种新的约束优化程序，利用人工神经网络模型的目标processes.Information分析的基础上随机搜索，模糊C-均值聚类，信息的自由能

2、最小化执行过程中的迭代建议未来的实验中的位置，从而可以大大减少所需的实验的数目。在搜索最优解所提出的方法的有效性，证明了三个案例研究：（1）基准标记的问题，即一个圆约束下的的改性希梅尔布劳功能的最小化，（2）两者的NOx和CO排放量和一个模拟的锅炉的燃烧过程的热效率最大化的最小化，（3）最大化热效率在相同的燃烧过程中氮氧化物和一氧化碳的排放限值。模拟燃烧过程的基础上，其中化学物种和有关的化学反应的燃烧机制引入一个商业软件包CHEMKIN和一个活塞式流动模型和一个负载关联使用的锅炉的燃烧隧道的温度分布。1.介绍虽然已经出现了大量的实验和理论研究，对锅炉的操作，物理和

3、化学的基本原则和巨大的进步已经取得了各方面的理解操作，它仍然是行不通的，为Faravelli和他的同事刚才指出的，他们利用详细的流体动力学和动力学的燃烧系统设计的不断增加的计算能力，更遑论模拟锅炉和它的各种形态辅作为一个整体的子系统。如果燃料和环境条件被指定，一个给定的锅炉的热效率取决于主要强奎的空气燃料比，和到燃烧器的空气和燃料的分布在不同的位置上，如果使用两个或多个燃烧器。对于不同的燃料，不同炉配置，最佳的空气燃料比和最佳的空气和燃料的分布一定的不同，可通过分析粗略估计，但是只能精确地确定通过测试运行。至于锅炉痕量污染物的排放的控制（在ppm或ppb氧化氮，二

4、氧化硫等方面），所有的作为燃料组合物，在燃烧腔室的流动和温度场的复杂性，和复杂的机构等不确定因素化学反应使模型的预测非常不可靠。无力的理论分析进行了实证的方法，有必要探讨锅炉的最佳运行条件。使用分数因子设计程序确定原发性措施和选择性非催化还原一个流化床燃烧器（FBC）中的NOx还原是重要因素。进行优化控制FBC静态模型，从实验数据进行回归分析的基础上的氮氧化物和二氧化硫的排放量。乔治提出了锅炉的测试系统，以监测在全面而系统的方式，通过优化各种操作条件下氮氧化物的排放，他并声称，实现氮氧化物减排目标并不一定意味着设备翻新或锅炉性能差。人工神经网络（人工神经网络）作为

5、一种通用的建模工具的能力已经得到了广泛的认可，在过去的20年里，CYBENKO表明，人工神经网络可以近似任意非线性函数。人工神经网络模型的过程行为提供一种替代方法，因为它们不需要先验知识的过程现象。他们学习和描述在任何给定的过程中的现象的输入和输出之间的关系的数据，通过提取嵌入的图案。在适当的时候输入施加到人工神经网络，“ANN收购”知识“的环境，被称为”学习“的过程中。其结果是，将ANN同化的信息，可以购买回顾。人工神经网络能够处理复杂的和非线性的问题，迅速的处理信息和减少模型开发所需的工程努力。人工神经网络已经成功地应用于过程故障诊断，系统辨识，模式识别，过程

6、建模与控制，统计时间序列建模的各种问题，如KALOGIROU回顾了人工神经网络能源系统的应用。他开发了一种智能的排放量控制器，气体燃料燃烧的燃煤电厂，并在他们的研究中，前馈神经网络（FFN）来模拟静态非线性分布之间的关系注入天然气转化成的上部区域的燃煤锅炉的炉中，和相应的氧化物的排出炉内的氮排放。ZHOU等人利用人工神经网络模型和遗传算法优化的低NOx煤粉燃烧。人工神经网络应用于解决燃烧问题的其他实例包括：减少燃烧的时间演化建模，并系统预测煤灰熔融温度，预测煤炭/焦炭燃烧速率，进行的模型预测控制在火电厂。复杂的优化系统，如锅炉的燃烧过程是一个反复试验和错误的过程，

7、这是显而易见的。在这样一个迭代的过程中，进行了实验测试，以及测试数据进行分析，并建议进一步测试分析的基础上，和与该迭代继续，直到实现令人满意的性能。在这项研究中，提出一种新的优化过程通过延伸作者开发的实验设计方法，他在约束的情况下，用于搜索一个模拟的燃煤燃烧过程的最佳的操作条件。建议的优化过程使用的人工神经网络，以与各种操作变量的性能指标的关系建模，搜索内置的响应面产生测试的下一批的候选点的约束条件下，通过信息分析确定下次批次的测试点。这个过程是迭代的，最佳的条件，预计后几批的测试。所提出的方法的主要优点是它的处理多变量，精确地确定的数量和位置，未来的测试实验中，

8、考虑非分析