基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经...基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经网络、长短期记忆网络(long short term memory,LSTM)神经网络及量产发动机的排温传感器采集结果进行对比。经验证,稳态工况下,两种神经网络均能达到较高精度;欧洲瞬态循环(European transient cycle,ETC)工况下,NARX神经网络计算温度的最大偏差为6.6℃,量产发动机排温传感器测得温度最大偏差为45.9℃。NARX神经网络所需的计算时间约为现有电控单元排温模型的2.5倍。展开更多
水泥生产立磨出风口温度是判断立磨运行状态是否安全稳定的关键参数,对该参数提前预测可以减少立磨振动,提高运行稳定性,增加产量,降低能耗及相关碳排放。水泥立磨系统具有多参数、大时滞和非线性等复杂特性。针对上述问题,提出了基于...水泥生产立磨出风口温度是判断立磨运行状态是否安全稳定的关键参数,对该参数提前预测可以减少立磨振动,提高运行稳定性,增加产量,降低能耗及相关碳排放。水泥立磨系统具有多参数、大时滞和非线性等复杂特性。针对上述问题,提出了基于互相关延时分析优化的非线性自回归外部输入(Nonlinear AutoRegressive with eXogenous inputs,NARX)神经网络,并用于立磨出风口温度预测。首先,采用皮尔逊相关性分析从多个参数中确定影响立磨出风口温度的关键参数。同时,利用互相关延时分析进行时滞分析,解决大时滞问题。其次,通过优化的NARX神经网络,实现非线性工况下温度的精准预测。案例验证结果表明,所提出模型的拟合度达到了0.99967,均方误差为0.56483,预测精度达到了98.4%以上。预测模型结果可指导立磨操作人员及时控制立磨振动,提高水泥产量并降低能耗和碳排放。展开更多
文摘基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经网络、长短期记忆网络(long short term memory,LSTM)神经网络及量产发动机的排温传感器采集结果进行对比。经验证,稳态工况下,两种神经网络均能达到较高精度;欧洲瞬态循环(European transient cycle,ETC)工况下,NARX神经网络计算温度的最大偏差为6.6℃,量产发动机排温传感器测得温度最大偏差为45.9℃。NARX神经网络所需的计算时间约为现有电控单元排温模型的2.5倍。
文摘水泥生产立磨出风口温度是判断立磨运行状态是否安全稳定的关键参数,对该参数提前预测可以减少立磨振动,提高运行稳定性,增加产量,降低能耗及相关碳排放。水泥立磨系统具有多参数、大时滞和非线性等复杂特性。针对上述问题,提出了基于互相关延时分析优化的非线性自回归外部输入(Nonlinear AutoRegressive with eXogenous inputs,NARX)神经网络,并用于立磨出风口温度预测。首先,采用皮尔逊相关性分析从多个参数中确定影响立磨出风口温度的关键参数。同时,利用互相关延时分析进行时滞分析,解决大时滞问题。其次,通过优化的NARX神经网络,实现非线性工况下温度的精准预测。案例验证结果表明,所提出模型的拟合度达到了0.99967,均方误差为0.56483,预测精度达到了98.4%以上。预测模型结果可指导立磨操作人员及时控制立磨振动,提高水泥产量并降低能耗和碳排放。
文摘极限学习机(Extreme learning machine,ELM)是一种单隐层前馈神经网络(SLFNs),它随机选择网络的隐含层节点及其参数,训练时仅需调节输出层权值,因此ELM以极快的学习速度获得良好的推广性。考虑到ELM的特征映射函数未知时,可以将核矩阵引入到ELM中。针对模型未知的强非线性连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR),提出一种基于核极限学习机(Extreme Learning Machine with Kernels,KELM)的NARX模型辨识方法。以仿真的CSTR过程实例进行辨识实验,建立基于NARX-KELM的辨识模型。实验结果表明,在相同条件下,与带动量因子的BP神经网络、模糊神经网络(FNN)、GAP-RBF、MGAP-RBF神经网络、回声状态网络(ESN)、ELM等方法相比,KELM能够有效地改进辨识精度,而且性能更好,这表明了所提方法的有效性和应用潜力。
文摘南极Dome A(冰穹A)因其优良的观测条件被誉为地球上最好的天文观测台址之一。Dome A温度常年处于-30^-80℃,相对湿度40%~80%,温度起伏大,望远镜镜面易结霜,影响天文观测的效率和质量。为实现无人值守的智能化镜面除霜、减少除霜对观测时间的占用、降低除霜对镜面视宁度的影响、减少除霜对能源的消耗,提出了智能化除霜方法。首先,分析环境、科学数据、仪器三者的关系,利用外部输入非线性自回归(nonlinear auto regressive models with exogenous input,NARX)时间序列神经网络构建望远镜镜面状态的预测模型;其次,设计南极望远镜智能化除霜仿真系统,实时预测镜面情况,根据预测结果模拟采取相应的应对措施。结果表明该方法能有效实现智能化除霜,减少了人为干预,节约了观测时间,提高了望远镜运行的可靠性。
