CN116860027A - 一种数字能源鼓风站的压力控制系统及其方法 - Google Patents
一种数字能源鼓风站的压力控制系统及其方法 Download PDFInfo
- Publication number
- CN116860027A CN116860027A CN202310826268.XA CN202310826268A CN116860027A CN 116860027 A CN116860027 A CN 116860027A CN 202310826268 A CN202310826268 A CN 202310826268A CN 116860027 A CN116860027 A CN 116860027A
- Authority
- CN
- China
- Prior art keywords
- blower
- neural network
- pressure
- air
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005422 blasting Methods 0.000 title claims description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000007664 blowing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D16/00—Control of fluid pressure
- G05D16/20—Control of fluid pressure characterised by the use of electric means
- G05D16/2006—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means
- G05D16/2013—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means using throttling means as controlling means
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种数字能源鼓风站的压力控制系统及其方法,属于设备控制技术领域,包括鼓风机、传感器、采集模块、模型建立模块和控制器,所述鼓风机与所述传感器连接,所述传感器检测所述鼓风机运行过程中的环境参数和鼓风机内部参数,所述采集模块采集历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数,所述模型建立模块处理所述采集模块获取的数据,建立BP神经网络模型,所述控制器根据所述BP神经网络模型的预测值控制所述鼓风机。通过分析鼓风站的外部和内部因素对鼓风机压力值的影响,建立BP神经网络预测模型,对鼓风机运行中的压力值进行预测,为监测设备正常运行提供数据参考,为提升设备运行可靠性提供有力支撑。
Description
技术领域
本发明属于设备控制技术领域,具体地,涉及一种数字能源鼓风站的压力控制系统及其方法。
背景技术
鼓风站是一种供应工业用途中所需气体的设备,往往运用在冶金、化工、电力等领域,鼓风站作为配套设备,主要起增氧或补充焦炭所需的氧气,控制炉体温度,为加热设备提供足够的空气压力。鼓风站的重要作用在于提供稳定的气流和气压,控制生产流程的稳定性和生产成本的低廉性。鼓风站在钢铁生产中尤为重要,在高炉内加入适量氧气,可以促进燃烧,使生产效率大幅提高,同时产品质量也有极大改善。此外,鼓风站还可以为热炉和冶炼炉提供暖风,为烘干和干燥设备提供热风等。
现有技术中,过高的压力会导致鼓风系统中的管道破裂、泄露等问题,严重时可能会引起火灾或爆炸等危险事故,而压力过低则会导致高炉进气量不足,燃烧不充分,影响高炉的产能和质量,此外,压力过低还会导致鼓风机的效率下降,耗能增加,从而导致生产成本增加,还可能会使鼓风机产生过热、漏风等问题。因此需要对鼓风站产生的压力进行控制,但现有技术中的预测技术精度较差,经常出现预测出错的问题,导致控制出错,影响生产。
发明内容
为解决上述背景技术中存在现有技术中的预测技术精度较差,经常出现预测出错的技术问题,本发明提供了一种数字能源鼓风站的压力控制系统及其方法。
本发明的目的可以通过以下技术方案实现:
一种数字能源鼓风站的压力控制系统,包括若干鼓风机、若干传感器、采集模块、模型建立模块和控制器,其中:
所述鼓风机与若干所述传感器连接,所述传感器检测所述鼓风机运行过程中的环境参数和鼓风机内部参数,所述采集模块采集历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数,所述模型建立模块处理所述采集模块获取的数据,建立BP神经网络模型,所述控制器根据所述BP神经网络模型的预测值控制所述鼓风机,
所述环境参数包括环境温度、环境湿度、环境大气压;所述鼓风机内部参数包括负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度和鼓风机压力值。
进一步的,所述传感器包括温度传感器、压力传感器和液位传感器。
进一步的,所述BP神经网络模型的神经网络拓扑结构包括输入层、中间隐层和输出层,所述输入层接收输入的样本数据,所述中间隐层通过样本数据进行特征提取和样本映射,所述输出层对所述中间隐层输出的特征进行分类或回归预测。
进一步的,所述中间隐层的连接权重通过反向传播算法训练优化。
进一步的,所述反向传播算法通过将训练样本中的误差从输出层反向传播至中间隐层,从而更新中间隐层与输出层之间的连接权重。
进一步的,所述压力控制系统还包括电机和风阀,所述控制器根据所述BP神经网络模型输出的预测值控制电机或风阀。
进一步的,根据控制器的控制指令调整所述电机的输入电压或频率,从而改变电机的转速。
进一步的,根据控制器的控制指令控制风阀的打开程度。
一种数字能源鼓风站的压力控制方法,应用于前述的一种数字能源鼓风站的压力控制系统,包括以下步骤:
获取历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数;
使用mapminmax函数对各类数据进行归一化处理,各变量取值范围为[-1,1];
将BP神经网络设置为多层拓扑结构,包括输入层,中间隐层和输出层,建立BP神经网络模型,网络中神经元输出的数学模型为:
式中:u为神经元输出;x为神经元输入;ω为权重值;b为神经元阈值;
训练BP神经网络模型,选取样本总量的70%作为训练样本,选取样本总量的15%作为测试样本,其余15%的样本用于验证,对样本数据进行线性回归分析,从而评估预测的准确度;
将初始化所得权值和阈值作为初始种群进行编码,利用遗传算法进行优化得到最优的权值和阈值,再用优化后的BP神经网络进行预测;
将训练得到的BP神经网络模型用于仿真测试,若预测模型能够与实际的变化趋势符合,则将训练得到的BP神经网络用于实际生产中鼓风机的压力值预测。
进一步的,将生产过程中的负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度输入至训练得到的BP神经网络模型中,BP神经网络模型输出预测压力值;
根据预测压力值调整鼓风机生产参数。
本发明的有益效果:
1、本发明公开的一种数字能源鼓风站的压力控制系统及其方法通过分析鼓风站的外部影响因素和内部参数对鼓风机压力值的影响,建立BP神经网络预测模型,对鼓风机运行中的压力值进行预测,为监测设备正常运行提供数据参考,快速分析设备压力值,提升设备运行可靠性提供有力支撑。
2、本发明公开的一种数字能源鼓风站的压力控制方法还利用遗传算法优化BP神经网络,提高了BP神经网络的预测精度,且能解决BP神经网络的局部收敛的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中一种数字能源鼓风站的压力控制系统的整体工作原理示意图;
图2为本发明中压力控制系统中传感器对环境参数和内部参数的采集过程示意图;
图3为本发明中压力控制系统中控制器对鼓风机的控制原理示意图;
图4为本发明中一种数字能源鼓风站的压力控制方法整体步骤流程图;
图5为本发明中BP神经网络拓扑结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
数字能源鼓风站(Digital Energy Blowing Station)是一种应用数字化技术和物联网技术对炼钢工艺中鼓风系统进行优化和智能化管理的设备,旨在提高钢铁生产效率、降低成本、减少能耗和污染排放。数字能源鼓风站的应用可以帮助钢铁工厂实现智能化生产管理和能源管理,提高企业的竞争力和可持续发展能力。
数字能源古风站在生产过程中,主要是鼓风机设备产生压力,鼓风系统是钢铁生产过程中必备的设备,它为高炉提供所需的氧气,控制高炉的燃烧过程和生成钢水所需的热量。而数字能源鼓风站作为鼓风系统的关键中间件,对鼓风机的性能和运行状态进行监测和控制,提高鼓风系统的运行效率和减少能耗,是保证高炉正常运行和钢铁生产过程稳定的重要设备。当鼓风系统工作时,鼓风机需要不断的提供压缩空气。数字能源鼓风站通过对鼓风机的运行参数进行监测和调控,保证鼓风机提供的压缩空气稳定和足够,以保证高炉正常燃烧和生产效率。如果数字能源鼓风站的监控和控制不到位,鼓风机的压缩空气不足或压力不稳定,会导致高炉的燃烧质量下降,生产效率降低,造成生产成本的浪费和质量问题等不利影响。
在本申请实施例中,鼓风机的速度、转速、进气口面积、出气压力和鼓风机叶片角度等因素直接影响鼓风机产生压力,通常安装压力控制器可以通过达到对鼓风机输出的压力的检测和控制,从而达到控制压力的目的。压力控制器是一种能够自动控制压力和维持稳定输出的设备,所述压力控制器包括传感器和控制单元,传感器监测鼓风机系统输出的压力,将监测到的信号传输给控制单元,控制单元再根据设定的目标压力值调整系统输出,并实时监控和调整设备,从而维持压力的稳定性。
随着工业的快速发展,鼓风站技术也在不断升级,数字化技术的引入也使得鼓风站的智能化、自动化更加成熟。传感器和控制器的使用使得生产实时监测和控制成为可能,减少人工干预,提高生产效率和生产质量。另外,对鼓风机能源的利用和损失的降低也成为了发展的热点,既保证稳定压力输出的同时,也能在节能上取得更大的成效。
为实现对鼓风站中的压力控制,本申请引入BP神经网络对鼓风站压力进行预测,BP神经网络是一种多层前馈神经网络,由输入层、隐藏层和输出层三层结构组成,主要特点是信号前向传播和误差反向传播,在正向传播中给出一种输入信息后,经隐藏层逐层处理后至输出层输出,若输出值达不到期望输出,则将预测误差反向传播,改变各层神经元的权值,直至输出值与期望输出不断逼近。
设当前输入节点为n,输出节点为m,BP神经网络表达了n个自变量至m个因变量的映射关系。为防止产生净输入绝对值过大引起的神经元输出饱和的现象,从而加快训练网络的收敛性,在用BP神经网络处理前,需要对数据进行归一化处理,计算公式如下:
式中,x为原始数据,xmin、xmax分别为原始数据的最小值和最大值,y为归一化数据。
对数据进行归一化处理后,初始化BP神经网络的权值和阈值,确定输入层、隐藏层和输出层节点数,给定学习速率和神经元激励函数;利用newff函数建立BP神经网络结构,BP神经网络结构中各单元的传递函数采用sigmoid型,即f(x)=1/(1+e-x),其中,隐含层和输出层的传递函数分别为sigmoid型的正切和对数形式;利用Matlab中的train函数对网络进行训练,并设置训练次数、训练精度和学习速率等参数;之后对训练好的BP神经网络进行测试,比较仿真值与测试值,从而判断预测效果。
在构建BP神经网络模型之前,对影响鼓风机压力值的外部因素和内部因素进行相关性分析,其中,影响鼓风机压力值的外部因素有鼓风机输入管道中的阻力值、炉内温度、环境温度、环境湿度等;影响鼓风机压力值的内部因素有鼓风机转速、鼓风机的负载及鼓风机的日常维护保养。
通常情况下,鼓风机的输出进入管道中,管道的阻力会对鼓风机输出的压力值产生影响,其中阻力产生的原因包括管道淤堵、管道弯曲等都会使管道阻力增加,管道阻力增加则鼓风机产生的压力值减小;炉内温度、环境温度等因素也会影响鼓风机的压力值。环境温度低会导致密度较大,相应地会增加鼓风机的输出压力,反之则会减小其输出压力。
此外,如果鼓风机的转速变化,将会影响其输出的压力值。通常情况下,随着鼓风机的转速增加,压力值也会随之增加,反之亦然;鼓风机承载的负荷变化对其输出压力值也会产生影响,当鼓风机工作负载增加时,压力值相应增大,负载减少则相应减小;而且鼓风机的维护保养情况对压力值也会产生影响,如果鼓风机需要进行维护或保养,例如更换滤网和清洗螺旋叶片等,这些都会影响到其输出的压力大小,经过一系列的相关性分析,认定环境温度、环境湿度、环境大气压、负载、鼓风机转速、鼓风机电流、炉内压力和炉内温度为影响鼓风机压力值的较相关的影响因素,并将这些参数作为模型的输入参数从而建立准确的预测模型。
在本申请实施例中,针对鼓风系统的动态特性和控制要求,建立鼓风机的数学模型可以更好地预测其压力输出值。基于鼓风系统的实际操作情况和历史数据,采用BP神经网络的方法对模型进行训练,优化得到准确的预测结果,并且能自动调整模型参数从而使之适应新的工作条件并进行实时预测和修正。
如图5所示,X为网络的输入层,网络节点数量为N,ωi,j为输入层与隐含层连接权值,bj为隐含层阈值,隐含层网络节点数量为M,ωi,j为隐含层与输出层连接权值,bk为输出层阈值,Y为网络输出层,节点数量为Q。
请参阅图1所示,本申请实施例提供了一种数字能源鼓风站的压力控制系统,包括若干鼓风机、若干传感器、采集模块、模型建立模块和控制器,其中:
所述鼓风机与若干所述传感器连接,所述传感器检测所述鼓风机运行过程中的环境参数和鼓风机内部参数,所述采集模块采集历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数,所述模型建立模块处理所述采集模块获取的数据,建立BP神经网络模型,所述控制器根据所述BP神经网络模型的预测值控制所述鼓风机,
如图2所示,所述环境参数包括环境温度、环境湿度、环境大气压;所述鼓风机内部参数包括负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度和鼓风机压力值,所述传感器获取上述环境参数和内部参数,将获取到的环境参数和内部参数进行处理,从而建立BP神经网络模型。
进一步的,在本申请的一种优选实施例中,所述传感器包括温度传感器、压力传感器和液位传感器。
进一步的,在本申请的一种优选实施例中,所述BP神经网络模型的神经网络拓扑结构包括输入层、中间隐层和输出层,所述输入层接收输入的样本数据,所述中间隐层通过样本数据进行特征提取和样本映射,所述输出层对所述中间隐层输出的特征进行分类或回归预测。
进一步的,在本申请的一种优选实施例中,所述中间隐层的连接权重通过反向传播算法训练优化。
进一步的,在本申请的一种优选实施例中,所述反向传播算法通过将训练样本中的误差从输出层反向传播至中间隐层,从而更新中间隐层与输出层之间的连接权重。
进一步的,在本申请的一种优选实施例中,如图3所示,所述压力控制系统还包括电机和风阀,所述控制器根据所述BP神经网络模型输出的预测值控制电机或风阀。
控制器接收到模型建立模块中BP神经网络模块的预测结果,根据预测的压力值控制电机或风阀,鼓风机输出管道中可以安装通风口,根据输入的控制信号来控制风阀的开度,从而控制输出风量,进一步控制鼓风机压力值;鼓风机可以通过调整电机输入的电压或频率,来改变电机的转速,从而控制输出风量,进一步控制鼓风机压力值;通过改变鼓风机电机中的电流频率,来控制鼓风机的旋转速度,从而改变输出风量,进一步控制鼓风机压力值。
进一步的,在本申请的一种优选实施例中,根据控制器的控制指令调整所述电机的输入电压或频率,从而改变电机的转速。
进一步的,在本申请的一种优选实施例中,根据控制器的控制指令控制风阀的打开程度。
一种数字能源鼓风站的压力控制方法,应用于前述的一种数字能源鼓风站的压力控制系统,如图4所示,包括以下步骤:
步骤S1、获取历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数;
步骤S2、使用mapminmax函数对各类数据进行归一化处理,各变量取值范围为[-1,1];
步骤S3、将BP神经网络设置为多层拓扑结构,包括输入层,中间隐层和输出层,建立BP神经网络模型,网络中神经元输出的数学模型为:
式中:u为神经元输出;x为神经元输入;ω为权重值;b为神经元阈值;
步骤S4、训练BP神经网络模型,选取样本总量的70%作为训练样本,选取样本总量的15%作为测试样本,其余15%的样本用于验证,对样本数据进行线性回归分析,从而评估预测的准确度;
步骤S5、将初始化所得权值和阈值作为初始种群进行编码,利用遗传算法进行优化得到最优的权值和阈值,再用优化后的BP神经网络进行预测;
遗传算法的实现过程包括染色体编码(即由设计空间向遗传空间映射),适应度函数的创建及遗传操作中的选择、交叉和变异操作。使用解码后设计变量的适应度函数值评价该代中的每个染色体,按适值的概率分布选择新群体,再通过变异和杂交算子改变新群体中的染色体。如果在经过若干代后,观察不到更进一步改进,最好的染色体就作为一个可能的全局最优解。
步骤S6、将训练得到的BP神经网络模型用于仿真测试,若预测模型能够与实际的变化趋势符合,则将训练得到的BP神经网络用于实际生产中鼓风机的压力值预测。
遗传算法与BP神经网络的结合有四种方式,1.利用遗传算法的寻优能力优化神经网络的权值、阈值;2.利用遗传算法学习网络拓扑结构;3.利用遗传算法优化网络的学习规则;4.以上三种方式的结合。本申请实施例中采用第一种方式解决BP神经网络的局部瘦脸问题,即将初始化所得权值和阈值作为初始种群进行编码,利用遗传算法进行优化得到最右的权值和阈值,再用优化后的BP神经网络进行预测。
在本申请实施例中,遗传算法的实现包括以下步骤:
采用实数编码的方式对初始BP神经网络的权值和阈值长度编码;
确定适应度函数,其中适应度的计算方式为:
f=∑|yi-oi|
式中,f为个体适应度值,yi为第i个节点的期望输出值,oi为第i个节点的预测输出;
采用轮盘读法进行选择操作,对每个个体i进行选择概率计算,其计算方式为其中,fi为个体i的适应度值;
进行交叉操作,采用实数交叉法,第k个染色体和第i各染色体在I位交叉操作的计算公式为:
式中,b为[0,1]的随机数,本申请实施例中,交叉概率为0.5,即选择概率小于0.5则进行交叉操作;
进行变异操作,第i个个体的第j个基因进行变异的操作计算公式为:
式中,amax、amin分别为基因aij的上界和下界,r为[0,1]的随机数,r2为随机数,g为当前迭代次数,Gmax为最大进化次数;
将优化好的权值和阈值代入BP网络中训练,进而进行预测。
进一步的,在本申请的一种优选实施例中,将生产过程中的负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度输入至训练得到的BP神经网络模型中,BP神经网络模型输出预测压力值;
根据预测压力值调整鼓风机生产参数。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所述本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种数字能源鼓风站的压力控制系统,其特征在于,包括若干鼓风机、若干传感器、采集模块、模型建立模块和控制器,其中:
所述鼓风机与若干所述传感器连接,所述传感器检测所述鼓风机运行过程中的环境参数和鼓风机内部参数,所述采集模块采集历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数,所述模型建立模块处理所述采集模块获取的数据,建立BP神经网络模型,所述控制器根据所述BP神经网络模型的预测值控制所述鼓风机,
所述环境参数包括环境温度、环境湿度、环境大气压;所述鼓风机内部参数包括负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度和鼓风机压力值。
2.根据权利要求1所述的一种数字能源鼓风站的压力控制系统,其特征在于,所述传感器包括温度传感器、压力传感器和液位传感器。
3.根据权利要求1所述的一种数字能源鼓风站的压力控制系统,其特征在于,所述BP神经网络模型的神经网络拓扑结构包括输入层、中间隐层和输出层,所述输入层接收输入的样本数据,所述中间隐层通过样本数据进行特征提取和样本映射,所述输出层对所述中间隐层输出的特征进行分类或回归预测。
4.根据权利要求3所述的一种数字能源鼓风站的压力控制系统,其特征在于,所述中间隐层的连接权重通过反向传播算法训练优化。
5.根据权利要求4所述的一种数字能源鼓风站的压力控制系统,其特征在于,所述反向传播算法通过将训练样本中的误差从输出层反向传播至中间隐层,从而更新中间隐层与输出层之间的连接权重。
6.根据权利要求1所述的一种数字能源鼓风站的压力控制系统,其特征在于,所述压力控制系统还包括电机和风阀,所述控制器根据所述BP神经网络模型输出的预测值控制电机或风阀。
7.根据权利要求6所述的一种数字能源鼓风站的压力控制系统,其特征在于,根据控制器的控制指令调整所述电机的输入电压或频率,从而改变电机的转速。
8.根据权利要求6所述的一种数字能源鼓风站的压力控制系统,其特征在于,根据控制器的控制指令控制风阀的打开程度。
9.一种数字能源鼓风站的压力控制方法,其特征在于,应用于权利要求1至8任一项所述的一种数字能源鼓风站的压力控制系统,包括以下步骤:
获取历史时间段内鼓风机运行过程中的环境参数和鼓风机内部参数;
使用mapminmax函数对各类数据进行归一化处理,各变量取值范围为[-1,1];
将BP神经网络设置为多层拓扑结构,包括输入层,中间隐层和输出层,建立BP神经网络模型,网络中神经元输出的数学模型为:
式中:u为神经元输出;x为神经元输入;ω为权重值;b为神经元阈值;
训练BP神经网络模型,选取样本总量的70%作为训练样本,选取样本总量的15%作为测试样本,其余15%的样本用于验证,对样本数据进行线性回归分析,从而评估预测的准确度;
将初始化所得权值和阈值作为初始种群进行编码,利用遗传算法进行优化得到最优的权值和阈值,再用优化后的BP神经网络进行预测;
将训练得到的BP神经网络模型用于仿真测试,若预测模型能够与实际的变化趋势符合,则将训练得到的BP神经网络用于实际生产中鼓风机的压力值预测。
10.根据权利要求9所述的一种数字能源鼓风站的压力控制方法,其特征在于,将生产过程中的负载、鼓风机转速、鼓风机电流、炉内压力、炉内温度输入至训练得到的BP神经网络模型中,BP神经网络模型输出预测压力值;
根据预测压力值调整鼓风机生产参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826268.XA CN116860027A (zh) | 2023-07-07 | 2023-07-07 | 一种数字能源鼓风站的压力控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826268.XA CN116860027A (zh) | 2023-07-07 | 2023-07-07 | 一种数字能源鼓风站的压力控制系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116860027A true CN116860027A (zh) | 2023-10-10 |
Family
ID=88229772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310826268.XA Pending CN116860027A (zh) | 2023-07-07 | 2023-07-07 | 一种数字能源鼓风站的压力控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860027A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150446A (zh) * | 2023-10-30 | 2023-12-01 | 武汉华信数据系统有限公司 | 鼓风机运行状态识别方法、装置、电子设备及存储介质 |
-
2023
- 2023-07-07 CN CN202310826268.XA patent/CN116860027A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150446A (zh) * | 2023-10-30 | 2023-12-01 | 武汉华信数据系统有限公司 | 鼓风机运行状态识别方法、装置、电子设备及存储介质 |
CN117150446B (zh) * | 2023-10-30 | 2024-02-09 | 武汉华信数据系统有限公司 | 鼓风机运行状态识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN112901449B (zh) | 一种基于机器学习的空气压缩机系统能耗优化方法 | |
CN116860027A (zh) | 一种数字能源鼓风站的压力控制系统及其方法 | |
CN109446028B (zh) | 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 | |
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN113589693B (zh) | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 | |
CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
CN110852498A (zh) | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 | |
CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN111288610A (zh) | 一种变风量空调系统变静压自适应模糊控制方法 | |
CN115167562A (zh) | 一种机房温度控制方法和装置 | |
CN111237181A (zh) | 水泵系统的运行特性在线辨识及优化调控方法及调控系统 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
CN116963461A (zh) | 一种机房空调的节能方法和装置 | |
CN114492163A (zh) | 一种高炉风机运行工况预测方法、装置、设备及存储介质 | |
CN114202106A (zh) | 一种基于深度学习的空调系统负荷预测方法 | |
CN112944599A (zh) | 空调系统的多参数耦合控制方法及装置 | |
CN117910550B (zh) | 一种基于深度学习的无油超高速离心压缩机自动优化系统 | |
Lin et al. | Optimizing for Large Time Delay Systems by BP Neural Network and Evolutionary Algorithm Improving. | |
CN115081301B (zh) | 一种基于混合pso-mkpls的碳排放量动态演化方法 | |
CN113591283B (zh) | 燃气锅炉的运行氧量调整方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |