CN106124373B - 一种煤粉浓度的测量方法 - Google Patents
一种煤粉浓度的测量方法 Download PDFInfo
- Publication number
- CN106124373B CN106124373B CN201610444042.3A CN201610444042A CN106124373B CN 106124373 B CN106124373 B CN 106124373B CN 201610444042 A CN201610444042 A CN 201610444042A CN 106124373 B CN106124373 B CN 106124373B
- Authority
- CN
- China
- Prior art keywords
- neural network
- coal
- layer
- wavelet
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 104
- 239000000843 powder Substances 0.000 title claims abstract description 32
- 238000000691 measurement method Methods 0.000 title claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 239000002817 coal dust Substances 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 35
- 238000013519 translation Methods 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000009434 installation Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 208000011580 syndromic disease Diseases 0.000 abstract 1
- 230000006870 function Effects 0.000 description 30
- 238000004458 analytical method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005514 two-phase flow Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明公开了一种煤粉浓度的测量方法，首先建立以包括冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量作为小波神经网络输入，以磨煤机出口的煤粉浓度值作为小波神经网络输出的小波神经网络模型并进行训练；然后将训练后的小波神经网络模型用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为训练后的小波神经网络模型的输入，训练后的小波神经网络模型的输出即为磨煤机出口煤粉浓度值。本发明对训练样本集的依赖性低，测量方法稳定性高，鲁棒性好，不受现场测量环境因素的影响，容错率高；小波神经网络测量系统结构简单，安装方便且不受现场环境因素干扰，灵敏度高，维护成本低。
Description
技术领域
本发明设计一种测量方法，具体是磨煤机出口煤粉浓度的测量方法。
背景技术
煤粉浓度是反映燃煤电厂锅炉燃烧的安全性、经济性和生态环保的一项重要参数，煤量和空气量的合理分配能够保障锅炉安全、高效地运行，因此，实现磨煤机出口煤粉浓度实时地、在线地以及准确地测量，能够提高电厂锅炉的燃烧效率，保障机组的安全运行。目前常用的测量方法有摩擦静电法、电容法、光学法和过程层析成像法，由于气固两相流复杂的流动特性，相浓度的检测难度很大。基于上述这些方法的煤粉浓度测量仪器，面对复杂恶劣的现场测量环境，仪器设备安装维护难度大，成本高，难以保证煤粉浓度测量的精度和稳定性，更加无法实现工业现场实时在线的测量要求。
随着现代工业智能化、信息化地发展，传统测量方法已经不能满足现代工业过程控制的要求，软测量方法逐渐在工业生产中发挥其独特的优点。软测量方法是采用较易获取的辅助变量，通过建模仿真复杂的函数关系，估计不可测或难测的被测量。当前主流的软测量建模方法有粒子群算法、遗传算法、最小二乘支持向量机、神经网络和模糊规则算法等。现有的一种煤粉浓度测量方法，采用静电法和软测量法相结合，利用模糊规则建立非线性模型，通过模型参数辨识，实现煤粉浓度的测量。该方法通过静电传感器获得静电电荷测量信号，由于静电传感器受诸多复杂的因素限制，导致该方法的测量可靠性差，测量量程小。而且基于该方法的测量系统安装困难，维护成本高，严重影响煤粉浓度测量的精度和稳定性。在火电厂恶劣的测量环境下，此方法难以实现实时在线测量。这种方法采用模糊规则来推理数据，对于训练样本的要求较高，而且测量速度慢、抗干扰能力低。
发明内容
本发明所要解决的技术问题是改善现有的电厂磨煤机出口煤粉浓度测量技术，弥补当前煤粉浓度测量系统在实时在线测量方面的缺陷，以及为了拓宽煤粉浓度的测量范围，提高测量精度、稳定性和实时性，提出一种基于小波神经网络的煤粉浓度实时在线测量方法。
为解决上述技术问题，本发明采用的技术方案是：
一种煤粉浓度的测量方法，其特征在于：首先建立以包括冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量作为小波神经网络输入，以磨煤机出口的煤粉浓度值作为小波神经网络输出的小波神经网络模型并进行训练；然后将训练后的小波神经网络模型用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为训练后的小波神经网络模型的输入，训练后的小波神经网络模型的输出即为磨煤机出口煤粉浓度值。
其中磨煤机数据为冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量。
对作为小波神经网络输入和输出的冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力、总风量以及磨煤机出口的煤粉浓度值进行归一化处理后作为小波神经网络训练样本。
所述小波神经网络模型为采用输入层、1个隐含层和输出层的三层神经网络，其中隐含层的激励函数采用小波函数——Morlet小波；Morlet小波函数的表达式如下所示，
其中x为输入，a为尺度系数，b为平移系数；
输入层节点数为M＝8，隐含层节点数K，输出层节点数R＝1；
输入层的转移函数采用单极性Sigmoid激活函数，即输出层的传递函数采用线性函数；当误差平方和小于目标误差ε或训练次数完成时，训练停止。
小波神经网络的训练步骤是：
步骤1：网络参数的初始化：将小波神经网络的尺度系数向量ak、平移系数向量bk、输入层与隐含层之间的连接权值wkm和隐含层与输出层之间的连接权值wrk、学习率η(η＞0)以及动量因子λ(0＜λ＜1)初始化；
步骤2：给定P组训练样本及相应的期望输出Dp(p＝1,2…P)，目标误差函数E为：
根据输入隐含层的输入输出为：
输出层的输入输出为：
其中，r为输出层节点，wrk为隐含层节点k与输出层节点r之间的连接权值；
隐含层与输出层之间的新连接权值wrk′为：
其中，δrk为隐含层与输出层梯度向量，Δwrk为隐含层与输出层动量项；
输入层与隐含层之间的新连接权值wkm’表达式为：
其中，δkm为输入层和隐含层梯度向量，Δwkm为输入层和隐含层动量项；
新尺度系数向量ak‘表达式为：
其中，为尺度系数梯度向量，Δak为尺度系数动量项；
新的平移系数向量bk‘表达式为：
其中，为平移系数梯度向量，Δbk为平移系数动量项；
步骤3：当目标误差函数E＜ε或者完成训练次数时，停止网络的训练；否则转至步骤2，如此循环。
本发明测量方法以磨煤机出口煤粉浓度作为目标测量值，利用小波神经网络强大的学习、信号分析、分类能力，通过样本的训练获得最优结构的小波神经网络模型，实现实时地、在线地、快速地测量磨煤机出口煤粉浓度。
神经网络具有较强的非线性逼近功能和自学习、自适应、并行处理的特点，广泛应用于模式识别、预测、优化和智能控制等领域。与其他方法相比，人工神经网络，不需要预先确定样本数据的模型，通过样本数据的学习就能够进行十分精确地测量，因此它具有很多的优越性。
小波神经网络是小波分析理论和神经网络理论相结合的产物，用小波函数代替神经网络中的激活函数——Sigmoid函数，具有更强的学习、信号分析能力，更高的精度，更快的模型收敛速度，并且测量范围广。小波神经网络能够有效地提取信号的局部信息，避免传统神经网络结构设计上的盲目性，并且能够用于实时在线测量。
与现有技术相比，本发明具有以下优点：
1)相比于静电法和模糊规则算法，本发明对训练样本集的依赖性低，测量方法稳定性高，鲁棒性好，不受现场测量环境因素的影响，容错率高；
2)相比于静电法对静电传感器电荷测量精度的依赖，小波神经网络测量系统结构简单，安装方便且不受现场环境因素干扰，灵敏度高，维护成本低；
3)通过引入平移系数和尺度系数，有效地避免BP神经网络等结构设计的盲目性，避免局部最小点；
4)本发明基于小波分析理论，能够有效地提取样本的局部特征信息，测量精度高、可靠性好、可实时在线测量。
5)相比于现有的煤粉测量方法，当训练样本足够多时，本方法在各个煤粉浓度测量范围，均能保证良好的测量精度。
附图说明
图1是本发明基于小波神经网络的煤粉浓度测量方法流程图；
图2是小波神经网络结构示意图；
图3多变量耦合系统；
图4为测试曲线图；
图5为图4的局部放大示意图。
具体实施方式
下面结合附图，对本发明作详细说明：
本发明利用小波神经网络建立煤粉浓度测量模型，网络模型的输入采用比较容易测量且与煤粉浓度相关的辅助变量，如冷一次风量、一次风温、给煤量，热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力和总风量。这些辅助变量与被测量煤粉浓度构成一个非线性系统，通过小波神经网络对输入参数的初步处理，使得输入参数更易于神经网络的学习和记忆。用大量的训练样本对小波神经网络进行训练，通过反向传播不断调整网络结构的连接权值和阈值以及小波函数的尺度和平移参数，使神经网络的误差平方和最小，获取煤粉浓度与上述辅助变量之间复杂的函数关系。一经训练完成，小波神经网络的最终模型可以用于实时在线测量煤粉浓度。
本发明提出基于小波神经网络的煤粉浓度测量方法。主要针对磨煤机出口煤粉浓度进行测量，采集与煤粉浓度息息相关的辅助变量，如冷一次风量、一次风温、给煤量，热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力和总风量。这些辅助变量与煤粉浓度之间存在着线性的或非线性的关系，属于多变量耦合系统，各个变量相互关联。经过小波变换通过尺寸伸缩和平移对辅助变量进行对尺度分析，能有效提取辅助变量的局部信息。输入信号经过小波分析后，再经过神经网络训练和学习，使神经网络掌握辅助变量与煤粉浓度之间的规律，并且此规律是一一对应的。本方法借助于测量装置，仅仅需要采集磨煤机系统的相关辅助变量信息，不受现场恶劣环境因素影响，能够快速地、实时地、在线地测量出煤粉浓度，且精度高。
本发明操作流程如图1所示：
该方法包括以下步骤：
步骤1：采集磨煤机系统数据，如冷一次风量、一次风温、给煤量，热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力和总风量8个辅助变量，作为小波神经网络的输入；同时，将与这8个辅助变量相对应的磨煤机出口的煤粉浓度，作为小波神经网络的输出；上述8个辅助变量作为煤粉浓度的特征值，决定着煤粉浓度值的大小，且一个煤粉浓度值只对应一组特征值，具有唯一性。
如图3所示，8个辅助变量可以归纳为风粉气固两相流的四种物理特性，分别是风粉温度、风粉压力、总体积和总质量，且该四种特性充分反映了两相流中煤粉浓度的大小。在设计网络结构输入变量时，忽略其中任何一种或几种特性参数，都会很大地降低测量精度，削弱模型的泛化能力，降低网络模型的学习能力。反之，添加其它气固两相流的物理特性，则会导致网络结构的冗余，降低计算速度，不利于实时在线测量的应用。首先，风粉温度取决于各风量的大小及温度值、煤粉温度和煤粉量，即冷一次风量、热一次风量、磨煤机进风量、一次风温、磨煤机出口煤粉温度和给煤量。其次，风粉压力和总体积均取决于各风量的大小和各压力压差，即冷一次风量、热一次风量、磨煤机进风量、分离器出口压力和磨煤机进出口差压。最后，总质量取决于给煤量的大小。通过小波神经网络模型，解析8个变量与浓度值之间复杂的数学关系。
步骤2：对8个辅助变量及煤粉浓度值进行归一化处理，制成小波神经网络训练样本，这8个辅助变量是煤粉浓度的特征向量，作为小波神经网络的输入，记作表示第p个样本上第m个辅助变量，P为训练样本总数；每一个特征向量只对应唯一的煤粉浓度值。采集磨煤机出口的煤粉浓度值作为小波神经网络的输出Dp(p＝1,2…P)。
步骤3：设计小波神经网络结构，如图2所示，采用输入层、1个隐含层和输出层的三层神经网络，其中隐含层的激励函数采用小波函数——Morlet小波。Morlet小波函数的表达式如下所示，
其中x为输入，a为尺度系数，b为平移系数。输入层节点数为M＝8，隐含层节点数K，输出层节点数R＝1。输入层的转移函数采用单极性Sigmoid激活函数，即输出层的传递函数采用线性函数。当误差平方和小于目标误差ε或训练次数完成时，训练停止；
步骤4：网络参数的初始化。将小波神经网络的尺度系数向量ak、平移系数向量bk、输入层与隐含层之间的连接权值wkm和隐含层与输出层之间的连接权值wrk、学习率η(η＞0)以及动量因子λ(0＜λ＜1)初始化；
步骤5：给定P组训练样本及相应的期望输出Dp(p＝1,2…P)，目标误差函数E为：
根据输入隐含层的输入输出为：
输出层的输入输出为：
其中，r为输出层节点，wrk为隐含层节点k与输出层节点r之间的连接权值。
网络结构的优化是在训练中不断调整连接权值和系数。本方法通过加入各梯度动量项来修正连接权值、尺度系数和平移系数，使得目标函数E＜ε。因此，隐含层与输出层之间的新连接权值wrk′为：
其中，δrk为隐含层与输出层梯度向量，Δwrk为隐含层与输出层动量项。
输入层与隐含层之间的新连接权值wkm’表达式为：
其中，δkm为输入层和隐含层梯度向量，Δwkm为输入层和隐含层动量项。
新尺度系数向量ak‘表达式为：
其中，为尺度系数梯度向量，Δak为尺度系数动量项。
新的平移系数向量bk‘表达式为：
其中，为平移系数梯度向量，Δbk为平移系数动量项。
步骤6：当目标误差函数E＜ε或者完成训练次数时，停止网络的训练；否则转至步骤5，如此循环。
步骤7：将训练后的小波神经网络用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为最终模型结构的输入，经过分析计算后，模型结构的输出即为磨煤机出口煤粉浓度值。
本发明基于小波神经网络结构，以采集的8个磨煤机系统数据(冷一次风量、一次风温、给煤量，热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力和总风量)作为磨煤机出口煤粉浓度的特征值，特征值表征煤粉浓度的大小。通过小波神经网络训练后，用于实时在线测量磨煤机出口煤粉浓度，具有很高的精度和很好的可靠性。由于煤粉浓度取决于8个特征值的大小，特征值越多，小波神经网络的泛化能力更强。本发明采用小波神经网络结构，小波变换能够有效地提取信号的局部信息，以及提炼出煤粉浓度相关的数据信息。小波神经网络结构相较于其他网络结构，具有网络收敛速度快、无局部最小点、鲁棒性好、测量速度快、可实时在线测量等优点。小波神经网络结构简单，适用于现场复杂恶劣的测量环境，且测量系统易维护，只要重新训练网络就能保障测量系统的精度和可靠性。基于小波神经网络的煤粉浓度测量方法，当训练样本足够多时，在各个煤粉浓度测量范围内，均能保证较高的测量精度，满足电厂煤粉浓度监测的要求。
下面结合具体的实施例对发明方法作详细说明：
步骤1：从某电厂采集697组磨煤机系统数据，每组数据包括冷一次风量、一次风温、给煤量，热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力和磨煤机进风量8个辅助变量，作为小波神经网络的输入；同时，将与这8个辅助变量相对应的697个磨煤机出口的煤粉浓度，作为小波神经网络的输出；将其中的500组数据作为小波神经网络的训练样本，另外197组数据作为测试样本。
步骤2：对500组训练样本的辅助变量及煤粉浓度值进行归一化处理，制成小波神经网络训练集，作为小波神经网络的输入，记作 表示第p个样本上第m个辅助变量，500为训练样本总数；每一个特征向量只对应唯一的煤粉浓度值。采集磨煤机出口的煤粉浓度值作为小波神经网络的输出Dp(p＝1,2…500)，Dp(p＝1,2…500)，训练样本中的煤粉浓度值得范围为0.2—0.6(归一化后)。
步骤3：设计小波神经网络结构，采用输入层、1个隐含层和输出层的三层神经网络，其中隐含层的激励函数采用小波函数——Morlet小波。Morlet小波函数的表达式如下所示，
其中x为输入，a为尺度系数，b为平移系数。输入层节点数为M＝8，隐含层节点数K，输出层节点数R＝1。输入层的转移函数采用单极性Sigmoid激活函数，即输出层的传递函数采用线性函数。当误差平方和小于目标误差ε或训练次数完成时，训练停止；
步骤4：网络参数的初始化。将小波神经网络的尺度系数向量ak、平移系数向量bk、输入层与隐含层之间的连接权值wkm和隐含层与输出层之间的连接权值wrk、学习率η(η＞0)以及动量因子λ(0＜λ＜1)初始化；
步骤5：给定500组训练样本及相应的期望输出Dp(p＝1,2…500)，目标误差函数E为：
根据输入隐含层的输入输出为：
输出层的输入输出为：
其中，r为输出层节点，wrk为隐含层节点k与输出层节点r之间的连接权值。
网络结构的优化是在训练中不断调整连接权值和系数。本方法通过加入各梯度动量项来修正连接权值、尺度系数和平移系数，使得目标函数E＜ε＝0.01。因此，隐含层与输出层之间的新连接权值wrk′为：
其中，δrk为隐含层与输出层梯度向量，Δwrk为隐含层与输出层动量项。
输入层与隐含层之间的新连接权值wkm’表达式为：
其中，δkm为输入层和隐含层梯度向量，Δwkm为输入层和隐含层动量项。
新尺度系数向量ak‘表达式为：
其中，为尺度系数梯度向量，Δak为尺度系数动量项。
新的平移系数向量bk‘表达式为：
其中，为平移系数梯度向量，Δbk为平移系数动量项。
步骤6：当样本目标误差函数E＜ε＝0.01或者完成训练次数20000次后，停止网络的训练；否则转至步骤5，如此循环。
步骤7：将训练后的小波神经网络用于煤粉浓度实时在线测量，对197组测试样本进行测试，经过分析计算后，模型结构的输出即为测量浓度值(归一化)，测试曲线如图4和图5所示，197组测量浓度与样本浓度值基本相等，197组测试样本的测量总误差E＝0.0083，测量精度很高，且在0.2—0.6(归一化后)浓度范围内均能准确地测量出煤粉浓度。
Claims (3)
1.一种煤粉浓度的测量方法，其特征在于：首先建立以包括冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力以及总风量作为小波神经网络输入，以磨煤机出口的煤粉浓度值作为小波神经网络输出的小波神经网络模型并进行训练；然后将训练后的小波神经网络模型用于煤粉浓度实时在线测量，对新采样的磨煤机数据作为训练后的小波神经网络模型的输入，训练后的小波神经网络模型的输出即为磨煤机出口煤粉浓度值；
所述小波神经网络模型为采用输入层、1个隐含层和输出层的三层神经网络，其中隐含层的激励函数采用小波函数——Morlet小波；Morlet小波函数的表达式如下所示，
其中x为输入，a为尺度系数，b为平移系数；
输入层节点数为M＝8，隐含层节点数K，输出层节点数R＝1；
输入层的转移函数采用单极性Sigmoid激活函数，即输出层的传递函数采用线性函数；当误差平方和小于目标误差ε或训练次数完成时，训练停止。
2.根据权利要求1所述的测量方法，其特征在于：对作为小波神经网络输入和输出的冷一次风量、一次风温、给煤量、热一次风量、磨煤机进出口差压、磨煤机出口煤粉温度、分离器出口压力、总风量以及磨煤机出口的煤粉浓度值进行归一化处理后作为小波神经网络训练样本。
3.根据权利要求1或2所述的测量方法，其特征在于：小波神经网络的训练步骤是：
步骤1：网络参数的初始化：将小波神经网络的尺度系数向量ak、平移系数向量bk、输入层与隐含层之间的连接权值wkm和隐含层与输出层之间的连接权值wrk、学习率η以及动量因子λ初始化，其中η>0，0<λ<1；
步骤2：给定P组训练样本及相应的期望输出Dp，式中，p＝1,2…P，目标误差函数E为：
根据输入其中m＝0,1…7；p＝1,2…P，隐含层的输入输出为：
输出层的输入输出为：
其中，r为输出层节点，wrk为隐含层节点k与输出层节点r之间的连接权值；
隐含层与输出层之间的新连接权值wrk′为：
其中，δrk为隐含层与输出层梯度向量，Δwrk为隐含层与输出层动量项；
输入层与隐含层之间的新连接权值wkm’表达式为：
其中，δkm为输入层和隐含层梯度向量，Δwkm为输入层和隐含层动量项；
新尺度系数向量ak‘表达式为：
其中，为尺度系数梯度向量，Δak为尺度系数动量项；
新的平移系数向量bk‘表达式为：
其中，为平移系数梯度向量，Δbk为平移系数动量项；
步骤3：当目标误差函数E<ε或者完成训练次数时，停止网络的训练；否则转至步骤2，如此循环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610444042.3A CN106124373B (zh) | 2016-06-17 | 2016-06-17 | 一种煤粉浓度的测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610444042.3A CN106124373B (zh) | 2016-06-17 | 2016-06-17 | 一种煤粉浓度的测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106124373A CN106124373A (zh) | 2016-11-16 |
| CN106124373B true CN106124373B (zh) | 2018-08-31 |
Family
ID=57471102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610444042.3A Active CN106124373B (zh) | 2016-06-17 | 2016-06-17 | 一种煤粉浓度的测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106124373B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460459A (zh) * | 2017-02-22 | 2018-08-28 | 大连云海创新科技有限公司 | 基于小波神经网络的无人机遥感测温中温度拟合的方法 |
| CN109188903A (zh) * | 2018-08-20 | 2019-01-11 | 北京化工大学 | 基于记忆增强优化的cnn加热炉操作变量的软测量方法 |
| CN109827879B (zh) * | 2019-03-07 | 2022-07-05 | 北京华电天仁电力控制技术有限公司 | 一种基于机器学习的风粉在线测量方法 |
| CN111222284B (zh) * | 2019-12-27 | 2023-05-26 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种中速磨煤机组入口一次风量整体软测量方法 |
| CN113109669B (zh) * | 2021-04-12 | 2022-11-25 | 国网陕西省电力公司西安供电公司 | 一种基于行波特征频率的配电网混联线路故障定位方法 |
| CN115212996A (zh) * | 2021-04-15 | 2022-10-21 | 国家能源聊城发电有限公司 | 一种磨煤机故障诊断系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5911002A (en) * | 1995-09-27 | 1999-06-08 | Hitachi, Ltd. | Pattern recognition system |
| CN101464172A (zh) * | 2008-12-22 | 2009-06-24 | 上海电力学院 | 电站锅炉煤粉浓度质量流量软测量方法 |
| CN103454196A (zh) * | 2013-09-27 | 2013-12-18 | 山东科技大学 | 矿井粉尘浓度测量装置及其测量方法 |
| CN103471971A (zh) * | 2013-09-26 | 2013-12-25 | 沈阳大学 | 一种在线检测铝粉细粉率的软测量方法 |
| CN104634706A (zh) * | 2015-01-23 | 2015-05-20 | 国家电网公司 | 一种基于神经网络的煤粉细度软测量方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0545282A (ja) * | 1991-08-09 | 1993-02-23 | Kurabo Ind Ltd | 自動臨床分析システム |
| JP4272234B2 (ja) * | 2007-01-26 | 2009-06-03 | 株式会社日立製作所 | 石炭焚きボイラのガス濃度推定方法及び装置 |
-
2016
- 2016-06-17 CN CN201610444042.3A patent/CN106124373B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5911002A (en) * | 1995-09-27 | 1999-06-08 | Hitachi, Ltd. | Pattern recognition system |
| CN101464172A (zh) * | 2008-12-22 | 2009-06-24 | 上海电力学院 | 电站锅炉煤粉浓度质量流量软测量方法 |
| CN103471971A (zh) * | 2013-09-26 | 2013-12-25 | 沈阳大学 | 一种在线检测铝粉细粉率的软测量方法 |
| CN103454196A (zh) * | 2013-09-27 | 2013-12-18 | 山东科技大学 | 矿井粉尘浓度测量装置及其测量方法 |
| CN104634706A (zh) * | 2015-01-23 | 2015-05-20 | 国家电网公司 | 一种基于神经网络的煤粉细度软测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于小波神经网络的松江区PM2.5浓度预测;顾昊元 等;《上海工程技术大学学报》;20150630;第29卷(第2期);第177页第一栏最后一段、第二栏第1-3段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106124373A (zh) | 2016-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106124373B (zh) | 一种煤粉浓度的测量方法 | |
| CN107608335B (zh) | 无人机飞行控制系统故障检测与故障分离的数据驱动方法 | |
| CN111222284B (zh) | 一种中速磨煤机组入口一次风量整体软测量方法 | |
| CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
| CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
| CN108615111B (zh) | 面向百万千瓦超超临界机组动静态信息的故障诊断方法 | |
| CN110516735B (zh) | 一种基于LSTM网络和Adam算法的天然气管道事件分类方法 | |
| CN104748807A (zh) | 一种基于流量校正的电站主蒸汽流量在线计算方法 | |
| CN101221238A (zh) | 基于高斯均值移动配准的动态偏差估计方法 | |
| CN110032747A (zh) | 一种燃煤锅炉NOx排放在线测量方法 | |
| Zhu et al. | Adaptive fault diagnosis of HVCBs based on P-SVDD and P-KFCM | |
| CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
| CN109188905B (zh) | 一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法 | |
| CN117189713A (zh) | 基于数字孪生驱动的液压系统故障诊断方法 | |
| CN104142680A (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 | |
| CN109697330A (zh) | 一种用于信息物理系统的故障检测系统设计 | |
| CN117090831A (zh) | 具有孪生应用层的液压系统故障诊断框架 | |
| CN105205492B (zh) | 一种热力系统故障的模糊最近邻融合诊断方法 | |
| CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
| Zhang et al. | An abnormal signal processing method for sensors using convolution neural network | |
| CN113108949A (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
| CN110705186A (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
| CN110705187A (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
| CN114873280B (zh) | 用于测量粉状物料流量的可循环物料输送设备及计量方法 | |
| Tian et al. | An Electronic Transformer Fault Identification Method Based on IPOA-DBN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |