-
公开(公告)号：CN112733876A
公开(公告)日：2021-04-30
申请号：CN202011168762.4
申请日：2020-10-28
Applicant: 北京工业大学
Abstract: 基于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属于固废处理领域，对MSWI中产生的有毒气体——氮氧化物(NOx)的实时检测能有效控制NOx的排放。工业现场中采用高精密仪器—烟气排放连续监测系统对烟气排放中的NOx浓度进行检测，测量结果受环境影响较大，且设备维护成本高。本发明首先，利用模糊c‑均值算法进行任务分解，将任务分解成不同的子任务；其次，针对不同的子任务，采用径向基函数神经网络分别设计软测量子模型，建立特征变量与NOx间的非线性关系；最后通过级联神经网络对子网络输出进行集成。采用基准实验和某MSWI厂实际数据验证了提出方法的有效性。
-
公开(公告)号：CN110717495B
公开(公告)日：2024-01-26
申请号：CN201910938629.3
申请日：2019-09-30
Applicant: 北京工业大学
IPC: G06V10/30 , G06V10/56 , G06V10/771 , G06V10/764 , G06F17/16
Abstract: 本发明涉及基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法。焚烧火焰图像特征的冗余性和复杂性增加了城市固废焚烧(MSWI)燃烧工况识别的难度。固废成分的复杂性和固废焚烧过程固有的非线性、时变性和不确定性等原因造成了焚烧图像特征分布的不稳定。传统基于固定滑动窗口的方法只能提取固定尺寸特征，不能反映全局和局部特征，降低工况识别准确率。首先，对图像进行去雾和去噪预处理。接着，采用基于先验设定尺度的滑动窗口，提取火焰图像不同尺度的颜色矩特征。最后，以分类精度为准则函数，采用基于特征选择的随机森林(RF)算法，实现MSWI焚烧工况的准确识别。实验结果验证了所提方法的有效性。
-
公开(公告)号：CN113869359A
公开(公告)日：2021-12-31
申请号：CN202110948598.7
申请日：2021-08-18
Applicant: 北京工业大学
Abstract: 基于模块化神经网络的城市固废焚烧过程氮氧化物预测方法属于固废处理领域，尾气排放控制是MSWI过程中面临的主要问题。准确预测NOx浓度对于提高SNCR脱硝效率，降低NOx排放具有重要意义。本发明中，开发了一种基于模块化神经网络的NOx预测方法。首先，采用指数平滑预测方法对时序数据进行分割，将数据划分成具有不同分布特性的子集；其次，针对不同的子集，采用径向基函数建立相应的子网络实现NOx的预测；最后采用基于欧式距离的度量方法衡量测试样本与各个子集的匹配度，从而选择合适的子网络进行测试。基于某MSWI厂实际工业数据验证了所提方法的有效性。
-
公开(公告)号：CN114155383B
公开(公告)日：2024-05-31
申请号：CN202111146649.0
申请日：2021-09-28
Applicant: 北京工业大学
Abstract: 基于燃烧火焰颜色矩特征的城市固废焚烧过程风量设定方法涉及城市固废焚烧过程领域，包括以下步骤：对图像中的烟雾、飞灰及噪声进行消除，采用4个不同尺度的滑窗提取图像的颜色矩特征，用于研究滑窗尺度大小不同时提取的颜色矩特征对图像颜色特征的表达效果；通过互信息分析每个特征与风量之间的相关性，提取相关性大于设定阈值的特征作为有效特征量；基于RBF网络构建以多尺度特征为输入，风量为输出的多个候选风量设定模型，并选取最佳的模型作为最终设定模型。本发明对于左侧炉排其在测试集上具有最好的拟合效果，且达到相同精度时所需要的隐含层神经元最少；对于右侧炉排，尽管摄像设备受到干扰较多，仍保持测试平均百分比误差最小。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN113408824A
公开(公告)日：2021-09-17
申请号：CN202110802063.9
申请日：2021-07-15
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于RBF神经网络的生活垃圾收集过程氨气浓度智能预测方法，实现了对氨气排放趋势的准确预测，包括以下步骤：首先，获取氨气浓度的实时测量数据；对氨气数据进行预处理，确定预测模型的输入变量和输出变量；然后，采用RBF神经网络建立预测模型，通过结构自组织机制和二阶学习算法提高模型精度；本发明有效解决了现有技术只获取氨气实时浓度，而无法对氨气排放变化趋势准确预测的问题。
-
公开(公告)号：CN110717495A
公开(公告)日：2020-01-21
申请号：CN201910938629.3
申请日：2019-09-30
Applicant: 北京工业大学
Abstract: 本发明涉及基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法。焚烧火焰图像特征的冗余性和复杂性增加了城市固废焚烧(MSWI)燃烧工况识别的难度。固废成分的复杂性和固废焚烧过程固有的非线性、时变性和不确定性等原因造成了焚烧图像特征分布的不稳定。传统基于固定滑动窗口的方法只能提取固定尺寸特征，不能反映全局和局部特征，降低工况识别准确率。首先，对图像进行去雾和去噪预处理。接着，采用基于先验设定尺度的滑动窗口，提取火焰图像不同尺度的颜色矩特征。最后，以分类精度为准则函数，采用基于特征选择的随机森林(RF)算法，实现MSWI焚烧工况的准确识别。实验结果验证了所提方法的有效性。
-
公开(公告)号：CN113869359B
公开(公告)日：2024-05-28
申请号：CN202110948598.7
申请日：2021-08-18
Applicant: 北京工业大学
IPC: G06F18/214 , G06F17/16 , G06N3/02 , G16C20/70
Abstract: 基于模块化神经网络的城市固废焚烧过程氮氧化物预测方法属于固废处理领域，尾气排放控制是MSWI过程中面临的主要问题。准确预测NOx浓度对于提高SNCR脱硝效率，降低NOx排放具有重要意义。本发明中，开发了一种基于模块化神经网络的NOx预测方法。首先，采用指数平滑预测方法对时序数据进行分割，将数据划分成具有不同分布特性的子集；其次，针对不同的子集，采用径向基函数建立相应的子网络实现NOx的预测；最后采用基于欧式距离的度量方法衡量测试样本与各个子集的匹配度，从而选择合适的子网络进行测试。基于某MSWI厂实际工业数据验证了所提方法的有效性。
-
公开(公告)号：CN114331788A
公开(公告)日：2022-04-12
申请号：CN202111679707.6
申请日：2021-12-31
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法。首先，通过互信息选择模型的输入变量，建立模块1来预测出水NH4‑N；然后，考虑到出水NH4‑N和出水TN之间的高度相关性，将模块1中出水NH4‑N的预测值与其他易于测量的变量相结合，设计出用于预测出水TN的模块2。此外，为了保证整个基于HMN的软测量模型的效率和泛化性能，两个模块由基于增长和合并机制的径向基函数(GM‑RBF)网络构建，通过节点生长合并策略和二阶学习算法，提高了模型的计算效率和泛化能力。最后，通过实际工业数据评估基于HMN的软测量模型的有效性，本发明有效解决了受环境或仪器的限制，城市污水处理过程中出水氨氮和出水总氮难以实时精准检测的问题。
-
公开(公告)号：CN114155383A
公开(公告)日：2022-03-08
申请号：CN202111146649.0
申请日：2021-09-28
Applicant: 北京工业大学
Abstract: 基于燃烧火焰颜色矩特征的城市固废焚烧过程风量设定方法涉及城市固废焚烧过程领域，包括以下步骤：对图像中的烟雾、飞灰及噪声进行消除，采用4个不同尺度的滑窗提取图像的颜色矩特征，用于研究滑窗尺度大小不同时提取的颜色矩特征对图像颜色特征的表达效果；通过互信息分析每个特征与风量之间的相关性，提取相关性大于设定阈值的特征作为有效特征量；基于RBF网络构建以多尺度特征为输入，风量为输出的多个候选风量设定模型，并选取最佳的模型作为最终设定模型。本发明对于左侧炉排其在测试集上具有最好的拟合效果，且达到相同精度时所需要的隐含层神经元最少；对于右侧炉排，尽管摄像设备受到干扰较多，仍保持测试平均百分比误差最小。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.031 seconds)
