-
公开(公告)号：CN110991756B
公开(公告)日：2024-04-23
申请号：CN201911252439.2
申请日：2019-12-09
Applicant: 北京工业大学
Abstract: 本发明提供基于TS模糊神经网络的MSWI炉膛温度预测方法。针对炉膛温度难以预测的问题，从数据驱动角度出发提出了基于TS模糊神经网络的炉膛温度预测方法。首先，通过机理分析和现场操作人员的经验总结，选取出影响炉膛温度的相关的特征变量，同时根据相关变量的数据标签提取出现场运行历史数据；其次，利用TS模糊神经网络建立相关变量与炉膛温度之间的非线性模型。最后，对训练得到的TS模糊神经网络模型进行测试，实验结果显示该方法能够对炉膛温度进有效预测，所建立的预测模型能够表征该工况下系统的动态特性，为后续以炉膛温度为主控手段的焚烧系统控制器的设计建立了基础。
-
公开(公告)号：CN114611398B
公开(公告)日：2023-05-12
申请号：CN202210266639.9
申请日：2022-03-17
Applicant: 北京工业大学
IPC: G06F30/27 , G06F17/10 , G06F119/02
Abstract: 本发明涉及一种基于类脑模块化神经网络的城市固废焚烧过程氮氧化物软测量方法，实现了对NOX浓度的实时准确获取，包括以下步骤：首先，获取数据；对获取的数据进行预处理，确定模型的输入变量和输出变量；然后，采用类脑模块化神经网络建立软测量模型；最后，将测试数据作为模型的输入，验证了模型的有效性。本发明有效地实现了NOX浓度的实时精准检测，具有重要的理论意义和应用价值。
-
公开(公告)号：CN115730726A
公开(公告)日：2023-03-03
申请号：CN202211485202.0
申请日：2022-11-24
Applicant: 北京工业大学
IPC: G06Q10/04 , G06N3/0442 , G06N3/048 , G06N3/084 , G06N3/082
Abstract: 本发明提出一种数据驱动的城市固废焚烧过程烟气含氧量模型预测控制方法。针对固废焚烧过程固有的非线性和不确定性，无法建立精确数学模型的特点，首先构建基于自组织长短期记忆神经网络的预测模型，该模型能够动态地、自适应地调整隐含层神经元个数，得到精简的模型结构和较高的烟气含氧量预测精度；其次，建立基于长短期记忆神经网络的误差反馈校正模型，对烟气含氧量预测结果进行校正，进一步提高了模型的预测精度；最后，设计基于双长短期记忆神经网络的模型预测控制器，采用梯度下降方法滚动优化模型预测控制的目标函数，高效求解多步控制律。本方法可以较好的跟踪烟气含氧量设定值，实现了城市固废焚烧过程烟气含氧量的精准控制。
-
公开(公告)号：CN115271245A
公开(公告)日：2022-11-01
申请号：CN202210994681.2
申请日：2022-08-18
Applicant: 北京工业大学
Abstract: 一种基于动态模块化神经网络的MSWI过程NOx排放预测方法属于智能建模领域。首先，对输入变量，并进行平滑处理和归一化；然后，设计了一种基于主成分分析PCA的工况特征提取方法，实现了复杂工况的动态划分，从而将待处理的预测任务分解为不同工况下的子任务；此外，针对不同的子任务，构建基于长短期记忆(Long short‑term memory，LSTM)神经网络的子模型，实现对各工况下NOx排放的精准预测；最后，采用协同合作策略对子模型的输出进行整合，进一步提高了预测模型的精度。基于工业基准测试和实际运行数据评估了基于DMNN的预测模型的有效性，本发明有效解决了受传感器限制，MSWI过程NOx排放浓度难以准确预测的问题。
-
公开(公告)号：CN113780639A
公开(公告)日：2021-12-10
申请号：CN202110999702.5
申请日：2021-08-29
Applicant: 北京工业大学
Abstract: 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法涉及人工智能领域。本发明利用基于多任务学习框架的NOx排放预测模型，实现了对NOx浓度的两步预测。首先，结合城市固废焚烧的机理，确定与NOx浓度预测相关的输入变量；然后，利用多任务学习基本思想，建立多任务学习模型的整体框架；接着，使用自组织RBF神经网络构建多任务学习模型的子模块。最后，对所建立的预测模型进行测试，实现城市固废焚烧NOx排放两步预测。本发明在城市固废焚烧NOx浓度预测中取得较好的性能。
-
Patent Agency Ranking
公开(公告)号：CN110991756A
公开(公告)日：2020-04-10
申请号：CN201911252439.2
申请日：2019-12-09
Applicant: 北京工业大学
Abstract: 本发明提供基于TS模糊神经网络的MSWI炉膛温度预测方法。针对炉膛温度难以预测的问题，从数据驱动角度出发提出了基于TS模糊神经网络的炉膛温度预测方法。首先，通过机理分析和现场操作人员的经验总结，选取出影响炉膛温度的相关的特征变量，同时根据相关变量的数据标签提取出现场运行历史数据；其次，利用TS模糊神经网络建立相关变量与炉膛温度之间的非线性模型。最后，对训练得到的TS模糊神经网络模型进行测试，实验结果显示该方法能够对炉膛温度进有效预测，所建立的预测模型能够表征该工况下系统的动态特性，为后续以炉膛温度为主控手段的焚烧系统控制器的设计建立了基础。
-
公开(公告)号：CN105843036A
公开(公告)日：2016-08-10
申请号：CN201610218353.8
申请日：2016-04-09
Applicant: 北京工业大学
CPC classification number: G05B11/42 , G05B13/027
Abstract: 本发明公开了一种基于神经网络的污水处理过程控制方法，属于水处理和智能信息控制领域。本方法主要包括两个部分：PID控制部分与神经网络自适应调整参数部分。该方法能够根据环境状态实时对PID参数进行修正，实现对目标的稳定控制。其一，利用神经网络对PID控制器参数进行实时的修正，使控制器能够根据实际环境的变化自适应的进行调整；其二，利用智能PID控制器对污水处理过程进行稳定控制，使出水水质满足排放标准。以上两部分构成的基于神经网络的污水处理PID智能控制系统，属于本发明的保护范围。本发明克服了PID控制自适应差、自学习能力差的缺点。
-
公开(公告)号：CN105676649A
公开(公告)日：2016-06-15
申请号：CN201610219336.6
申请日：2016-04-09
Applicant: 北京工业大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明公开了一种基于自组织神经网络的污水处理过程控制方法，属于水处理和智能信息控制领域。该方法主要包括两个部分：自组织机制对模糊规则的调整与T-S模糊神经网络自适应学习控制部分。基本T-S模糊神经网络控制器；模糊机制的自组织调整；神经网络的自适应学习；得到k时刻的模糊规则m，并完成k时刻的污水处理过程控制。本方法能够根据环境状态实时的对控制器内部结构进行调整，实现对目标的稳定控制。利用自组织机制对控制器结构进行实时的调整使控制器能够更好的满足环境的需要；利用智能控制方法对污水处理过程进行稳定控制，使出水水质满足排放标准。该方法克服了固定网络结构控制器对环境适应差的缺点。
-
公开(公告)号：CN116796185B
公开(公告)日：2025-03-07
申请号：CN202310467006.9
申请日：2023-04-27
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于注意力模块化神经网络的城市固废焚烧过程NOx预测方法，实现了NOx浓度的准确预测，包括以下步骤：首先，采集数据并对数据进行预处理；其次，确定模型的输入变量和输出变量；然后，采用注意力模块化神经网络建立预测模型；最后，将测试数据作为模型的输入，验证了模型的有效性。本发明有效地实现了NOx浓度的准确预测，具有重要的理论意义和应用价值。
-
公开(公告)号：CN119539536A
公开(公告)日：2025-02-28
申请号：CN202411636815.9
申请日：2024-11-15
Applicant: 北京工业大学
IPC: G06Q10/0637 , G06Q50/26 , G06N3/006 , G06N3/096
Abstract: 本申请提供一种城市固废焚烧运行优化方法、优化装置、存储介质和计算机设备，优化方法包括：获取城市固废焚烧实时数据流；根据所述城市固废焚烧实时数据流训练神经网络集成模型，得到城市固废焚烧优化模型；将优化时刻的城市固废焚烧操作变量和相关过程变量输入至城市固废焚烧优化模型，得到焚烧优化指标；根据基于迁移学习的动态多目标粒子群优化算法优化所述焚烧优化指标，得到拐点对应的最佳焚烧决策结果；根据所述焚烧决策结果焚烧城市固废。本申请可以得到兼容了燃烧稳定性高且污染物排放量少的优点的最佳焚烧决策结果。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.023 seconds)
