申请/专利权人：哈尔滨锅炉厂有限责任公司

申请日：2020-09-24

公开（公告）日：2024-06-18

公开（公告）号：CN112163380B

主分类号：G06F30/28

分类号：G06F30/28;G06N3/0464;G06N3/084;G06F111/10

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2021.01.19#实质审查的生效;2021.01.01#公开

摘要：本发明是基于数值模拟的神经网络预测炉膛氧气浓度系统及方法，尤其涉及神经网络学习机预测炉膛氧气浓度，属于神经网络应用领域，目的是解决传统氧气浓度测量方法测量精度不足和效率低的问题。该系统包括数值模拟仿真模块，数据处理模块，算法预测模块和实现模块。通过所述的数值模拟仿真模块，利用数值模拟软件建立炉膛内部的物理模型，进行仿真运算；利用所述的数据处理模块，将数值模拟结果进行处理，然后算法预测模块建立三种神经网络模块并进行算法预测，最后通过实现模块选择出最佳算法从而实现炉膛内氧量分布的预测，本发明处理信息量大、计算速度快、通过简便快捷的方式处理复杂的炉膛氧量问题，能精准的预测未来走势，提升计算效率。

主权项：1.基于数值模拟的神经网络预测炉膛氧气浓度方法，是基于数值模拟的神经网络预测炉膛氧气浓度系统为基础实现的，该系统包括数值模拟仿真模块，数据处理模块，算法预测模块和实现模块，上述各模块之间呈递进逻辑关系连接；其中数值模拟仿真模块负责建立炉膛内部的物理模型；数据处理模块用于处理数值模拟结果；算法预测模块负责构建双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型；实现模块负责选出最佳算法从而实现氧量分布预测；其特征在于：具体方法步骤如下：步骤一，通过所述的数值模拟仿真模块，利用数值模拟软件建立炉膛内部的物理模型，进行仿真运算；步骤二，利用所述的数据处理模块，将数值模拟结果进行处理；步骤三，所述的算法预测模块建立双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型并进行算法预测；具体建立步骤如下：所述的步骤三中，双层BP神经网络模型预测氧量，神经网络模型中，输出层为氧含量浓度，记录每层隐含层节点个数、限定输入层节点数和迭代次数、定义输入层到隐含层权重和隐含层到输出层权重、隐含层的阈值和输出层的阈值，设置学习速率和最小误差，循环以上过程直至误差满足精度要求或学习次数大于设定的最大次数，训练过程结束，最终对测试集输出氧浓度分布预测数据进行结果分析与评价；所述的步骤三中，MLP神经网络模型预测氧量，将所述的数据处理模块处理后的数据分别作为训练集数据与测试集数据，从而建立MLP预测模型，确定寻优的目标函数,并转换为相应的适应值函数，经计算模型误差和反向调整后，测试不同参数于2-5层的各数量隐含层，在收敛性判定满足要求的情况下，确定参数于具有3层隐含层的MLPS的精确度较高且效率最高；所述的步骤三中，DBN神经网络模型预测氧量，深度置信网络由多层RBM叠加与最后一层回归的神经网络组成，数据通过模型最底层输入，经过RBM到隐含层，低层RBM的输出作为高层RBM的输入，两层RBM组成的DBN模型，DBN的训练方法首先进行自下而上的无监督学习方法来逐层对整个DBN模型的参数进行初始化，后采取自上而下的有监督学习方法将网络参数进行微调；通过所述的实现模块将双层BP神经网络模型、MLP神经网络模型和DBN神经网络模型这三种算法模型集成，整合成神经网络学习机，通过此学习机预测炉膛内部氧量分布，将训练数据通过神经网络学习机训练网络，分别形成三种不同的神网络；将验证集的输入数据分别通过这三种网络，得到预测结果，通过比对拟合程度，均方根误差评价指标，选出结果最好的算法，为最终的预测算法；设计好要预测的工况，包括各点流体旋度和速度；CO，CO2，N2，O2，H2O，SO2浓度，温度，压强和挥发分作为输入数据，利用结果最好的算法预测各层燃烧器喷口风量，从而实现预测炉膛氧气浓度的目的；步骤四，通过所述的实现模块选择出最佳算法从而实现炉膛内氧量分布的预测。

全文数据：

权利要求：

百度查询： 哈尔滨锅炉厂有限责任公司 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD