基于神经网络和支持向量机的蔗渣锅炉烟气氧含量软测量模型

摘要

烟气氧含量是确保蔗渣锅炉燃烧优化控制的重要因素之一。通过烟气氧含量的监测可以对锅炉燃烧系统过程中的风燃比值进行及时有效的调节，降低热损失，提高效率，从而使锅炉燃烧得到优化。
　　目前，蔗渣锅炉系统主要利用热磁式氧量传感器和氧化锆氧量传感器进行烟气氧含量的测量。但这些氧量分析仪精度差、价格昂贵、使用寿命短，并且测量时滞后较大，不利于锅炉燃烧过程中的在线实时监视。
　　针对这些问题，本论文基于蔗渣锅炉烟气氧含量的特点、各影响因素之间的关系、常见软测量模型、数据处理等基础知识，决定采用神经网络和支持向量机的方法对蔗渣锅炉氧含量进行软测量建模。
　　本文首先对采集的数据进行分析和预处理，再用BP神经网络来进行软测量建模。由于预测数据误差较大，泛化能力差，故对其方法进行改进，采用了改进型Elman神经网络方法。该方法可有效地提高预测精度，更易于收敛。然而由于神经网络具有的不稳定性和局部极小点的问题，本文决定改用回归支持向量机(SVR)方法进行建模。该方法采用训练误差的平方来代替松弛变量，但是计算量过大，训练时间较长。为了避免求解二次规划问题，提高训练的速度，采用最小二乘支持向量机(LS-SVR)。可是LS-SVR由于惩罚因子C及高斯核函数参数σ的参数选择，丢失了SVR的鲁棒性和松弛性，从而对模型产生了一定的影响，使预测精度有所下降。故考虑采用粒子群算法(PSO)来对LS-SVR中惩罚因子C及高斯核函数参数σ参数进行优化，得到PSO-LS-SVR的软测量模型。
　　最后，运用SMPT-1000平台和某糖厂实际现场数据来进行预测数据误差比较。实验结果表明得到的PSO-LS-SVR软测量模型能达到良好的预测效果，符合工业要求。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景

1．2 软测量技术的国内外研究现状

1．3 锅炉烟气氧含量检测意义及方法

1．3．1 监测锅炉烟气氧含量的意义

1．3．2 锅炉烟气氧含量检测方法

1．4 本文主要研究的内容

第二章 锅炉燃烧控制系统的搭建

2．1 控制系统搭建的目的

2．2 仿真实验平台硬件与软件

2．2．1 西门子SIMATIC PCS7简介

2．2．2 PCS7功能及特点

2．3 仿真平台的组态与通信

2．4 锅炉燃烧系统控制方案设计及控制效果

2．4．1 锅炉燃烧系统工艺流程分析

2．4．2 控制方案设计原则

2．4．3 烟气氧含量-过热蒸汽出口压力控制系统

2．4．4 汽包液位控制系统

2．4．5 炉膛负压控制系统

2．4．6 过热蒸汽出口温度控制系统

2．4．7 锅炉燃烧控制系统搭建及控制效果

2．5 本章小结

第三章 软测量技术

3．1 软测量技术概述

3．1．1 软测量原理

3．1．2 软测量建模方法

3．1．3 软测量技术的意义

3．3 烟气氧含量软测量数据的选择与处理

3．3．1 辅助变量的选择

3．3．2 数据的采集

3．3．3 采集数据的误差处理

3．3．4 氧含量软测量模型使用数据及处理

3．3．5 数据标准化

3．4 软测量模型的在线校正

3．5 本章小结

第四章 基于神经网络的蔗渣锅炉烟气氧含量软测量模型

4．1 人工神经网络模型及特点

4．1．1 人工神经网络模型

4．1．2 人工神经网络特点

4．2 BP神经网络

4．2．1 BP神经网络结构

4．2．2 BP神经网络算法

4．2．3 BP算法实现流程图

4．2．4 基于BP神经网络氧含量软测量模型的建立及结果分析

4．3 Elman神经网络

4．3．1 Elman神经网络简述

4．3．2 Elman神经网络基本结构及改进

4．3．3 改进型Elman神经网络学习算法

4．3．4 基于改进型Elman神经网络氧含量软测量模型的建立及结果分析

4．4 本章小结

第五章 基于支持向量机的蔗渣锅炉烟气氧含量软测量模型

5．1 支持向量机理论基础

5．1．1 机器学习问题

5．1．2 统计学习理论

5．1．3 支持向量机结构及使用原因

5．2 回归支持向量机

5．2．1 回归支持向量机算法

5．2．2 基于SVR氧含量软测量模型的建立及结果分析

5．3 最小二乘支持向量机

5．3．1 最小二乘支持向量机算法

5．3．2 基于LS-SVM氧含量软测量模型的建立及结果分析

5．4 粒子群算法优化最小二乘支持向量机

5．4．1 基本粒子群算法

5．4．2 PSO算法参数优化过程

5．4．3 基于PSO-LSSVM氧含量软测量模型的建立及结果分析

5．5 本章小结

第六章 结论与展望

参考文献

附录

致谢