基于神经网络煤灰熔融温度预测系统的研究

发布时间：2021-03-10 02:10

　　本文利用灰色关联理论分析灰化学组成及组合参数对煤灰流动温度的关联度,选取关联度较大的参数和文献中普遍使用的参数分别当做预测煤灰流动温度的变量,利用MATLAB广义神经网络建立网络模型,通过测试选取合适的模型。在Visual Studio2010开发环境下,结合MATLAB混合编程的方法,以SQL Server2008建立的煤质数据库为后台、开发一套基于神经网络的煤灰熔融温度预测系统。研究结果如下：（1）依据酸性组分（SiO2+Al2O3+TiO2）大小,将选取的354种煤灰分成五类,分别为：高硅铝煤灰（≥85%）、中高硅铝煤灰（80%伍84%）、中硅铝煤灰（65%-79%）、中低硅铝煤灰（50%-64%）、低硅铝煤灰（≤9%）。利用灰色关联理论分析发现组合参数酸性组分之和、铁钙镁之和、硅铝比、钾钠之和对煤灰流动温度的关联度几乎均大于其单个组分,说明它们对煤灰流动温度的影响较大。（2）其中针对高硅铝煤灰又分两类：硅铝比≥2且铁钙镁（Fe2O3+CaO+MgO）含量≥8%、硅铝比<2且铁钙镁（Fe2O3+CaO+MgO）含量<8%,经分析发现后者的煤灰流动温度均大于1500℃,... 

【文章来源】：安徽理工大学安徽省

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

灰锥溶融特征示意图

有一个径向基隐含层，但有一个特殊的线性层，即两者只在第二层有微小差异。图2为GRNN网络的结构图。输入层 径向基层 线性层 Qx R iwi'i LW^?‘IP ""“*—1 Qxl I"R^ 11.11 卜、 1 , — Qxi ‘ Kxi QK QXI ‘ ,^ J V ya\ = radbasi^,./JT'?‘ -/>||b]) a, = purelin{n^)图2广义回归神经网络结构图Fig2 The generalized regression neural network structure chart如上图2所示，GRNN网络的第一层与径向基神经网络原理相同。可以从两方面理解其工作原理：1)从函数逼近的观点看：若把网络看成是对未知函数的逼近，则任何函数都可以表示成一组基函数的加权和。在径向基网络中，相当于选择各隐含层神经元的传输函数，使之构成一组基函数逼近未知函数。2)从模式识别的观点看：总可以将低维空间非线性可分的问题映射到高维空间，使其在髙维空间线性可分。在径向基网络中，隐含层的神经元数目一般比标准的BP网络的要多，构成高维的隐单元空间，同时，隐含层神经元的传输函数为非线性函数，从而完成从输入空间到隐单元空间的非线性变换。

本对其进行训练，寻找最合适的散步常数spread，两种方式的训练结果经反归一化处理和误差统计分析后如图4所示，训练样本煤灰流动温度的实验测量值与预测值的最大相对误差均为0.30%，相对误差的最小值均为0%，平均相对误差为0.0083%。0.351 1 1 1 1 1 1 1 I 0.351 1 1 1 1 ‘ 1 I 。.3. I ！ - 。.3.: 丨 -0.25. ‘ 丨丨 - 0,25 . 1 -I ：：I ：： . S "'I .战 I I ； ^1-- || I - i -0.1 - I I I - 0.1 ■ . 1 -I II0.05 ? ‘ ！ 1 0.O5 ? -..I , . . I 1 .0 I I I I 1 I I I I 0 ^—I I 1 1 1—I 1 1 1 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40训练样本序号 训练样本序号方式a 方式b图4中娃锅煤灰流动温度预测网络模型的训练相对误差Fig4 The training relative error of the middle and high silicon aluminium coal ash flow temperatureforecast network model然后用归一化预处理后的测试数据对以上两种方式训练形成的网络分别进行测试，通过该网络预测，经误差统计分析得出，两种方式预测结果的相对误差如图5所示，方式a:测试样本煤灰流动温度的实验测量值与网络计算值的最大相对误差为7.49%，最小相对误差为0%?


本文编号：3073873