间歇式煤造气系统六阶段时间配比优化方法研究

发布时间：2021-08-06 01:08

　　目前我国采用固定床间歇式造气炉,煤气发生炉中的气化过程以150个步序为一个循环周期,在此期间内间歇地进行各种原料的入炉、气化反应和半水煤气的收集。每个周期划分为六个阶段,每个阶段的时间长度直接影响一个循环内气化剂的使用量、温度变化、半水煤气的产量和质量,也就决定了反应过程的长短、效率和产出情况,因此这六阶段在一个周期内的时间配比是生产过程中重要的工艺控制参数。针对这六阶段的时间配比,在对几种线性和非线性参数优化方法研究的基础上,论文采用基于BP神经网络的动态参数优化方法,对间歇式煤造气过程六阶段时间配比进行优化。主要工作如下:⑴针对煤造气过程中丢失的数据,在通过对相似度分析理论知识的学习和研究基础上,提出一种基于相似度分析的数据补偿算法,通过仿真验证该数据预处理方法提高数据质量的有效性。⑵对一些常用线性和非线性参数优化方法的特性、适用范围以及存在的优缺点进行深入的研究,并比较他们的不同。针对实际工业中,煤造气过程六阶段时间配比数据差异较小、不规则、存在噪声以及各变量间耦合关系强等复杂特点。本文提出了基于BP神经网络的动态时间配比优化方法。该方法基本步骤是先利用相关性分析方法对过程数据进... 

【文章来源】：河北工程大学河北省

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状
    1.3 本文研究的主要内容
    1.4 论文的整体结构安排
第2章 煤造气工艺过程分析
    2.1 煤造气技术原理
    2.2 煤造气工艺流程
    2.3 煤造气工艺指标
    2.4 六阶段时间参数影响
    2.5 本章小结
第3章 常用参数优化方法
    3.1 线性参数优化方法
        3.1.1 PID参数优化方法
        3.1.2 主元分析参数优化方法
        3.1.3 多元线性回归参数优化方法
    3.2 非线性参数优化方法
        3.2.1 SVM参数优化方法
        3.2.2 迭代学习参数优化方法
        3.2.3 神经网络参数优化方法
    3.3 六阶段时间配比特征和数据预处理方法
        3.3.1 六阶段时间配比特征
        3.3.2 数据预处理方法
    3.4 本章小结
第4章 基于BP神经网络的动态参数优化方法
    4.1 BP神经网络
        4.1.1 BP神经网络模型
        4.1.2 BP神经网络算法及学习过程
        4.1.3 BP算法的局限性
    4.2 基于BP神经网络的线性参数优化方法
    4.3 基于BP神经网络的动态参数优化方法
    4.4 本章小结
第5章 基于BP神经网络的动态参数优化方法的应用
    5.1 煤造气系统数据预处理
    5.2 基于BP神经网络的动态参数优化方法的应用
        5.2.1 多元线性回归参数优化方法应用
        5.2.2 BP神经网络参数优化方法应用
        5.2.3 基于BP神经网络的动态参数优化方法的应用
    5.3 仿真结果与分析
    5.4 本章小结
结论
致谢
参考文献
作者简介
攻读硕士学位期间发表的论文和科研成果



本文编号：3324767