-
公开(公告)号:CN117847538A
公开(公告)日:2024-04-09
申请号:CN202410025567.8
申请日:2024-01-08
Applicant: 北京工业大学
IPC: F23G5/50 , G06N3/06 , G06N3/126 , G06F18/214
Abstract: 本申请涉及一种固废焚烧过程烟气含氧量实时控制方法及系统,包括获取一次风量和二次风量的设定值以及历史烟气含氧量数据,得到训练集;基于随机配置网络根据所述训练集构建预测模型以用于预测烟气含氧量;基于滚动优化策略对所述设定值进行优化求解,得到优化后的风量设定值;基于所述事件触发策略与所述滚动优化策略结合,实现烟气含氧量的在线优化控制。本申请将事件触发策略与滚动优化策略结合根据预测模型实现烟气含氧量的在线优化控制,以减少风量设定的计算量和控制器的频繁更新,实现提高滚动优化的求解精度、合理设置风量大小,以保证烟气含氧量的有效控制。
-
公开(公告)号:CN116187187A
公开(公告)日:2023-05-30
申请号:CN202310164812.9
申请日:2023-02-26
Applicant: 北京工业大学
IPC: G06F30/27 , G06F18/214 , G06N3/048 , G06N3/082 , G06Q10/04 , G06F111/04 , G06F111/08
Abstract: 一种城市固废焚烧过程烟气含氧量实时预测方法涉及工业生产过程参数的数据驱动建模领域。针对城市固废焚烧过程烟气含氧量的测量仪器成本高、寿命短、精度不高等问题,本发明提出一种基于深度随机配置网络的烟气含氧量实时预测方法,实现烟气含氧量的精确估计;该方法通过剔除含异常值的样本、设计小规模的深度随机配置网络建立烟气含氧量的预测模型,并实现预测算法;解决了测量仪器不具备预测功能的问题,避免了深度随机配置网络因网络规模过大影响预测实时性的问题,降低了测量仪器的采购和维护成本,有利于烟气含氧量的实时监控。
-
公开(公告)号:CN114297916A
公开(公告)日:2022-04-08
申请号:CN202111557324.1
申请日:2021-12-18
Applicant: 北京工业大学
Abstract: 城市生活垃圾焚烧炉炉温预报方法,涉及城市生活垃圾焚烧过程关键参数预报技术领域,通过各段炉排速度、一次风流量、二次风流量、风机压力等输入变量预报垃圾焚烧炉炉温,指导现场操作人员及时准确判断炉温的变化趋势,主要包括如下步骤:(1)设计用于建立城市生活垃圾焚烧炉炉温预报模型的异构特征集;(2)数据预处理;(3)基于步骤1的异构特征集划分炉排温度基模型的训练集;(4)基于步骤1确定炉温二次学习模型的训练集;(5)参数初始化;(6)采用正则化随机配置网络算法构建炉排温度基模型和炉温的二次训练模型;(7)对炉温二次训练模型的输出进行反标准化处理。
-
公开(公告)号:CN107168067B
公开(公告)日:2020-03-13
申请号:CN201710494154.4
申请日:2017-06-26
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 一种采用案例推理提取规则的垃圾焚烧炉温度模糊控制方法,涉及城市固体垃圾焚烧炉温度控制技术领域,包括如下步骤:(1)对炉温偏差及其变化率、控制器输出的历史数据采用相似度评估法聚类相似数据;(2)依据最大隶属原则生成初始规则库;(3)采用相似度评估法删除冗余规则以约简规则库;(4)计算目标规则与约简规则库中的每一条规则的相似度以检索规则;(5)根据最近邻方法重用规则,从而构成模糊控制规则库;(6)温度控制器对炉温实现稳定、准确控制。
-
公开(公告)号:CN108224446B
公开(公告)日:2019-06-14
申请号:CN201711494362.0
申请日:2017-12-31
Applicant: 北京工业大学
IPC: F23G5/50
Abstract: 一种垃圾焚烧过程的自动燃烧实时优化决策方法,涉及城市固体垃圾焚烧炉优化控制技术领域,通过关键被控变量(进料器速度和炉排速度)的优化决策,使自动燃烧控制系统运行在理想范围内,主要包括如下步骤:(1)根据焚烧过程的历史数据建立决策案例库;(2)构建训练模式池;(3)根据学习型伪度量准则训练随机配置网络从而获得随机配置网络检索模型;(4)将目标案例输入至随机配置网络检索模型得到K个相似案例的解;(5)通过案例重用求取K个相似案例解的平均值,从而得到目标案例解(进料器速度和炉排速度)的决策值并输出到焚烧过程控制系统;(6)重复上述的步骤(4)~步骤(5),以实现焚烧过程的自动燃烧实时优化决策过程。
-
公开(公告)号:CN102540879A
公开(公告)日:2012-07-04
申请号:CN201110447860.6
申请日:2011-12-28
Applicant: 北京工业大学
IPC: G05B13/00
Abstract: 本发明公开了一种基于群决策检索策略的多目标评价优化方法以及针对优化计算设定值的多目标评价结构,包括定义编码函数;初始化权重随机赋值;解码后进行案例检索;计算个体适应度;精度是否满足要求(若满足,输出优化权重;否则,重新进行案例检索);由群决策得到最终权重;计算案例相似度,得到新的检索结果;是否有新的案例待检索;计算产品质量、产量和单位时间的能耗指标;对设定值进行评价;判断是否对设定值进行补偿校正;输出最终设定值。本发明应用于冶金行业竖炉焙烧过程控制中,可以实现设定值的合理性评价,焙烧矿质量提高2%,产量提高4%,能耗降低5%。优化实现生产指标的目标值,提高了焙烧矿的质量,降低了生产过程中的煤气消耗,达到了节能降耗的目的。
-
公开(公告)号:CN118171765A
公开(公告)日:2024-06-11
申请号:CN202410261048.1
申请日:2024-03-07
Applicant: 北京工业大学
Abstract: 一种城市固废焚烧过程多输出在线预测建模方法,涉及城市固废焚烧过程关键参数预测领域。本发明基于改进的随机配置网络,在变工况场景下构建固废焚烧过程的多输出在线预测模型,主要包括如下步骤:(1)建模数据预处理;(2)模型参数初始化;(3)利用竞争引导策略配置隐含层新增节点参数;(4)构建矩阵弹性网对随机配置网络预测模型的输出权值进行组稀疏正则化;(5)使用带有稀疏约束的方向遗忘算法在线递推更新模型输出权值;(6)基于上述步骤1~步骤5即可得到城市固废焚烧过程多输出在线预测模型。本发明可在变工况场景下实现对炉温与烟气含氧量变化趋势的准确预测,为城市固废焚烧过程的多变量协同优化控制奠定良好的基础。
-
公开(公告)号:CN113191078B
公开(公告)日:2024-05-31
申请号:CN202110451164.6
申请日:2021-04-26
Applicant: 北京工业大学
IPC: G06F30/27 , G06N3/06 , G06N3/0985 , G06F119/08 , G06F119/10
Abstract: 城市生活垃圾焚烧过程一燃室烟气温度预报方法,涉及城市生活垃圾焚烧过程关键参数预报领域,通过炉排速度、一次风量、二次风量等输入变量预报焚烧炉一燃室的烟气温度,进而为焚烧过程的稳定控制提供指导,主要包括如下步骤:(1)构建预报模型的训练集;(2)参数初始化;(3)采用随机配置网络算法确定预报模型的网络初始结构及参数;(4)对样本中的异常值或噪声的分布提出假设,推导预报模型隐含层输出权重的最大后验估计;(5)执行期望最大化算法的E‑step,得到训练集中各个潜变量的期望值;(6)执行期望最大化算法的M‑step,得到混合分布的超参数及隐含层输出权重的迭代解;(7)重复上述步骤(5)和(6),直至得出混合Student分布的超参数并且完成预报模型的训练过程。
-
公开(公告)号:CN113408185B
公开(公告)日:2023-05-23
申请号:CN202110444809.3
申请日:2021-04-24
Applicant: 北京工业大学
IPC: G06F30/27 , G06N3/006 , F23G5/50 , F23L5/00 , G06F111/06
Abstract: 一种城市生活垃圾焚烧过程炉排空气流量设定方法,涉及城市固体垃圾焚烧炉优化设定技术领域,通过关键被控变量(各炉排空气流量)的优化设定,使自动燃烧控制系统运行在理想范围内,主要包括如下步骤:(1)根据城市生活垃圾焚烧过程的历史数据建立设定数据库;(2)参数初始化;(3)基于自私牧群‑模拟退火算法分配特征权重;(4)通过案例检索模型得到K个相似案例的解;(5)通过案例重用求取K个相似案例解的平均值,从而得到目标案例解的设定值。(6)将目标案例与其设定值构成一条案例存储至设定数据库中;(7)重复步骤(3)~步骤(6),以实现城市生活垃圾焚烧过程各炉排空气流量的优化设定过程。
-
公开(公告)号:CN113191078A
公开(公告)日:2021-07-30
申请号:CN202110451164.6
申请日:2021-04-26
Applicant: 北京工业大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/08 , G06F119/10
Abstract: 城市生活垃圾焚烧过程一燃室烟气温度预报方法,涉及城市生活垃圾焚烧过程关键参数预报领域,通过炉排速度、一次风量、二次风量等输入变量预报焚烧炉一燃室的烟气温度,进而为焚烧过程的稳定控制提供指导,主要包括如下步骤:(1)构建预报模型的训练集;(2)参数初始化;(3)采用随机配置网络算法确定预报模型的网络初始结构及参数;(4)对样本中的异常值或噪声的分布提出假设,推导预报模型隐含层输出权重的最大后验估计;(5)执行期望最大化算法的E‑step,得到训练集中各个潜变量的期望值;(6)执行期望最大化算法的M‑step,得到混合分布的超参数及隐含层输出权重的迭代解;(7)重复上述步骤(5)和(6),直至得出混合Student分布的超参数并且完成预报模型的训练过程。
-
-
-
-
-
-
-
-
-