-
公开(公告)号：CN119831089A
公开(公告)日：2025-04-15
申请号：CN202411883955.6
申请日：2024-12-20
Applicant: 北京工业大学
IPC: G06Q10/04 , G06F18/2415 , G06Q50/26
Abstract: 本发明涉及一种城市固废焚烧过程减污增效智能优化方法，通过多工艺环节的协同运行优化，提高了主蒸汽流量及其稳定性，降低了NOx、SO2、HCl等污染物排放浓度，同时减少了尿素溶液和石灰石浆液的使用量。包括以下步骤：首先，获取数据；确定输入输出，并采用模糊神经网络建立运行指标模型；其次，根据固废焚烧环节、余热利用环节以及烟气处理环节的响应时间，建立多时间尺度的运行优化目标函数；设计双层多目标竞争群优化算法，求解城市固废焚烧过程动态协同运行优化问题；最后，根据不同时间尺度的优化特点，确定最优决策，并采用实际城市固废焚烧过程数据验证优化性能。本发明实现了城市固废焚烧过程的减污增效，具有重要的理论意义和应用价值。
-
公开(公告)号：CN117035005B
公开(公告)日：2024-07-26
申请号：CN202310951828.4
申请日：2023-07-31
Applicant: 北京工业大学
IPC: G06N3/0499 , G06N3/006 , G06N3/06 , G06N3/08 , G06Q50/26
Abstract: 本发明提供一种城市固废焚烧过程智能操作优化方法，既属于城市固废治理领域，又属于智能优化领域。该方法包括：采集城市固废焚烧过程历史数据构建样本数据集；以氮氧化物排放和燃烧效率为优化目标，建立基于自组织径向基函数神经网络的指标模型以表征城市固废焚烧过程中操作变量与优化目标间的映射关系；将建立的指标模型作为多目标优化算法的评价函数，采用多目标粒子群优化算法，获得操作变量最优设定值，实现降低氮氧化物排放浓度的同时提高燃烧效率。本发明通过建立一种城市固废焚烧过程智能操作优化方法，可以实现燃烧效率和脱硝效率的协同提升，能为城市固废焚烧过程的高效化与绿色化运行提供技术支撑。
-
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：CN113077039B
公开(公告)日：2024-05-28
申请号：CN202110304217.1
申请日：2021-03-22
Applicant: 北京工业大学
IPC: G06N3/02 , G06F18/214 , G06F17/16 , G01N33/18
Abstract: 本发明公开一种基于任务驱动RBF神经网络的出水总氮TN软测量方法，本发明基于任务驱动径向基神经网络建立了出水总氮软测量模型，实现了对出水总氮浓度的实时精准获取；首先，结合机理知识和互信息分析，确定与出水TN相关的特征变量；然后，有机结合二阶学习算法和自适应结构增删算法，自适应设计任务驱动RBF神经网络，建立城市污水处理出水总氮TN软测量模型，实现对出水总氮TN的实时检测，解决城市污水处理出水总氮TN难以实时精准测量的问题。
-
公开(公告)号：CN116882446A
公开(公告)日：2023-10-13
申请号：CN202310657368.4
申请日：2023-06-05
Applicant: 北京工业大学
IPC: G06N3/043 , G06N3/0495 , G06N3/082 , G08B21/18 , G06Q50/26
Abstract: 本发明涉及一种生活垃圾收集过程臭气智能监测预警方法，实现了臭气浓度的预测，并确定预警级别，实现臭气智能监测预警，包括以下步骤：首先，采集数据并对数据进行预处理；确定模型的输入变量和输出变量；然后，采用模块化神经网络建立臭气浓度预测模型；最后，参考《恶臭污染物排放标准(GB 14554‑93)》及《室内空气质量标准(GB/T 18883‑2002)》，设置硫化氢H2S、氨气NH3浓度预警阈值，拟定臭气预警级别，实现臭气监测预警。本发明有效地实现了臭气浓度的准确预测以及监测预警，具有重要的理论意义和应用价值。
-
Patent Agency Ranking
公开(公告)号：CN114296489A
公开(公告)日：2022-04-08
申请号：CN202111468138.0
申请日：2021-12-04
Applicant: 北京工业大学
IPC: G05D23/20
Abstract: 基于事件触发的RBF‑PID城市固废焚烧过程炉膛温度控制方法属于城市固废焚烧领域，针对炉膛温度人工控制精度不高及控制器频繁更新的问题。本发明首先通过梯度下降算法和递归最小二乘算法在线更新RBF网络参数，同时引入动量因子的平方及参数的动量项来更新控制器参数；然后，设计基于固定阈值的事件触发条件作为控制器更新条件，建立基于事件触发的RBF‑PID控制器，实现对炉膛温度的精确控制，解决城市固废焚烧过程炉膛温度人工控制精度不高的问题，为城市固废焚烧过程的安全稳定运行提供理论支撑与技术保障。
-
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：CN104182794B
公开(公告)日：2017-04-12
申请号：CN201410452629.X
申请日：2014-09-05
Applicant: 北京工业大学
Abstract: 本发明提出一种基于神经网络的污水处理过程出水总磷TP软测量方法，属于污水处理领域。污水处理过程机理复杂，为使污水处理系统处于良好的运行工况，获得更好的出水水质，需要对污水处理系统中的过程参数及水质参数进行检测。针对当前污水处理厂出水总磷无法实时获取的问题，本发明提出一种基于自组织径向基神经网络建立的软测量模型。根据自组织方法确定神经网络的初始结构和初始参数，简化神经网络结构，对出水总磷TP进行实时软测量。根据软测量结果，对污水处理过程中的相关控制环节及生化反应中的物料调节，提高污水处理的出水水质质量，为污水处理过程安全、平稳运行提供理论支撑与技术保障。
-
公开(公告)号：CN118194037A
公开(公告)日：2024-06-14
申请号：CN202410308768.9
申请日：2024-03-18
Applicant: 北京工业大学
IPC: G06F18/214 , G06F18/2137 , G06N3/043 , G06N3/088
Abstract: 本发明公开了一种入炉城市固废热值检测模型构建方法及检测方法，该方法包括：获取焚烧炉系统执行城市固废燃烧时的历史数据；对历史数据预处理；基于预处理后的历史数据，通过机理分析和最大信息系数算法确定其模型输入变量，作为样本数据；基于自组织模糊神经网络的，对确定的模型输入变量进行训练，构建入炉城市固废热值的检测模型，检测模型的输出为送入焚烧炉系统中的固废的热值。本发明基于自组织模糊神经网络良好的非线性映射能力以及泛化能力，构建稳定有效的入炉城市固废热值的检测模型，最终能够在实际检测中，实现高效和准确地测算入炉城市固废热值，进一步将热值预测结果用于控制策略的调整，能够减少污染物排放并提高焚烧发电效率。
-
公开(公告)号：CN118009322A
公开(公告)日：2024-05-10
申请号：CN202410410675.7
申请日：2024-04-08
Applicant: 北京工业大学
IPC: F23G5/50
Abstract: 本发明公开一种端边云协同的城市固废焚烧过程炉膛温度控制方法及系统，涉及炉膛温度控制领域，通过实时获取城市固废焚烧过程的过程数据；对采集到的过程数据进行处理，并根据接收到的数据建立炉膛温度预测模型，基于自校正机制对预测模型进行更新，并将建立好的模型下发至边侧；通过边侧依托云侧建立和在线更新的炉膛温度预测模型预测炉膛温度，采用梯度下降法优化目标函数，求解得到最优控制律，根据计算得到的控制律调节执行设备，实现了城市固废焚烧过程炉膛温度的稳定精确控制。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.021 seconds)
