基于人工神经网络的有机垃圾减量化处理设备节能与控制的综合研究

摘要

随着城市的迅速发展，城市所产生的废弃物的处理问题已经成为世界环保领域的重要研究课题。本论文以上海建设路桥机械有限公司开发生产的BX110型有机废弃物处理设备为研究对象。针对其在使用过程中能耗过高的缺点，全面应用CAD/CAE技术和有限单元方法，对该设备进行结构的改进、尾气除臭技术的研究和菌床温度分布的计算机模拟。有机废弃物处理设备的主要T作原理是生物菌种在一定的温度条件下对有机垃圾进行分解，从而将有机废弃物分解成无害分解残余物，达到减量化和无害化的目的。而生物菌种在分解有机垃圾的时候对温度均匀程度的要求较高，因此本论文采用有限单元分析方法和大型有限单元分析软件ANSYS对该设备的处理槽体进行温度场的计算和模拟。对该处理设备的搅拌叶片进行结构的改进和加热温度的优化，从而达到节能的目的．工业中复杂系统控制的需要推动着新的和更有效的控制方法的发展。由于复杂系统存在着不确定性、非线性、时变性和多变量、强耦合等性能，传统控制方法无法对其进行有效的控制，而现有的其他一些主要的控制方法也还存在着一些不容忽视的缺陷。为了适应复杂系统的控制，通过将PID控制规律融入多层神经元网络，本文建立了一种新的神经元网络-ANN-PID，并对其基本理论．基本单元、结构形式、实际性能和用途进行了系统的研究和论述．研究了ANN-PID的系统辨识能力，并且和传统神经元网络的系统辨识能力进行了比较，证明ANN-PID的收敛速度和辨识能力大大超过传统神经元网络．研究了ANN-PID对多各单变量系统的控制性能，并且与传统PID控制器的性能进行了比较，证明ANN-PID有很强的自学习和自适应能力。其控制性能明显优于传统PID控制器。研究了ANN-PID对多各强耦合的多变量系统的控制效果，证明了ANN-PID可同时实现系统的解耦和控制，具有传统控制方法无法比拟的自适应解耦控制性能。研究了ANN-PID多点温度凋节系统，证明ANN-PID控制器可以有效地实现多种控制。阐述了ANN-PID(比例-微分-积分校正)控制在有机垃圾减量化处理设备中的应刚。采刚神经网络NNI(神经网络辩识器)对被控对象进行在线辩识，建立被控对象的数学模型．在此基础上，对NNC(神经网络控制器)进行实时调整，使系统具有自适应性，从而达到有效控制的目的。在以上的研究I作中设计了以下软件：基于ANN-PID的系统辨识程序，采用单输山ANN-PID控制器的单变量控制系统仿真程序，采用多输山ANN-PID控制器的多变量控制系统仿真程。使刚MATLAB(矩阵实验软件)仿真表明，它具有动态特性好、响应速度快、稳定的时间短，优于原方案使用的PID控制。ANN-PID控制系统大大改善了系统的控制效果。关键词。有机废弃物处理设备；有限单元法;传热学;温度分布;逆向填料塔；废气处理;搅拌设备;流型；叶片;人工;神经网络-PID;菌床温度;MATLAB语言;自动控制

目录

文摘

英文文摘

第一章生化处理机简介、问题及解决方案

1.1生化机处理设备简介

1.2 BX-110 生化机存在的问题

1.3解决问题的基本思路

1.3.1改变除臭方式

1.3.2处理废水的解决

1.3.3处理腔体的部分机构改进

1.3.4改善生化的通风通风条件

1.3.5控制方案及其算法的改进

1.4本章小结

第二章生化机菌床的温度分布及改进

2.1 生化机的温度场计算

2.1.1用ANSYS建立生化机菌床几何模型

2.1.2生化机菌床有限元模型

2.1.3载荷的施加以及运算

2.1.4分析生化机菌床温度分布的结果

2.2处理槽体加热点减少后的处理结果

2.2.1处理槽体几何模型的建立

2.2.2处理槽体有限元模型的建立

2.2.3载荷的施加以及运算

2.2.4后处理(分析结果的查看)

2.3槽体加热点加热温度的优化

2.4生化机中有机垃圾的流场分析以及搅拌叶片的设计

2.4.1流场测量方法简介

2.4.2流场数值模拟

2.4.3固体粒子的性质

2.4.4搅拌设备流场研究结论

2.4.5搅拌设备的流型分布

2.5本章小结

第三章ANN-PID控制现状的研究

3.1建立ANN-PID的目的和意义

3.1.1 传统控制理论的局限性

3.1.2现有其他主要控制方法和局限性

3.2统神经元网络和PID控制以及它们的结合研究现状

3.2.1传统神经元网络控制的特点和弱点

3.2.2传统PID控制的特点和弱点

3.2.3神经元网络和PID控制相结合的研究现状

3.3 ANN-PID的特点

3.4本章小结

第四章 PID神经元

4.1引言

4.2生物神经元的特性及其PID机能

4.3 PID神经元及其形式和计算方法

4.3.1神经元的基本特性

4.3.2 PID神经元的形式和计算方法

4.4本章小结

第五章 ANN-PID

5.1引言

5.2传统前向神经元网络的特性和缺陷

5.3 ANN-PID的基本形式

5.3.1 ANN-PID基本形式的结构

5.3.2单输出ANN-PID的前向算法

5.3.3单输出ANN-PID的反传算法

5.4 ANN-PID的多输出形式

5.4.1多输出ANN-PID的结构形式

5.4.2多输出ANN-PID前向算法

5.4.3多输出PID神经元网络的反传算法

5.5 ANN-PID连接权初值的选取

5.6本章小结

第六章基于ANN-PID的非线性动态系统辨识

6.1引言

6.2 ANN-PID进行系统辨识的结构

6.3采用ANN-PID的系统辨识程序

6.4 ANN-PID进行非线性动态系统辨识的结果

6.4.1单变量非线性动态系统辨识

6.4.2多变量非线性动态系统辨识

6.5本章小结

6.6基于ANN-PID多变量非线性动态系统辨识程序

第七章 ANN-PID单变量控制系统

7.1引言

7.2 ANN-PID单变量控制系统的结构和算法

7.2.1 ANN-PID单变量控制系统的结构

7.2.2 ANN-PID单变量控制系统的计算方法

7.3 ANN-PID单变量控制系统的稳定性分析

7.4 ANN-PID单变量控制系统的仿真程序

7.5 ANN-PID单变量控制系统仿真结果

7.5.1线性单变量系统的控制

7.5.2带时滞单变量系统的控制

7.5.3非线性时变单量系统的控制

7.6本章小结

第八章ANN-PID多变量控制系统

8.1引言

8.2 ANN-PID多变量控制系统的结构和算法

8.2.1 ANN-PID多变量控制系统的结构

8.2.2 ANN-PID多变量控制系统的计算方法

8.3 ANN-PID多变量控制系统的稳定性分析

8.4 ANN-PID多变量控制系统的仿真程序

8.5 PID经元网络多变量控制系统仿真结果

8.6 ANN-PID在有机垃圾减量化处理设备中的应用

8.6.1前言

8.6.2改变控制方式

8.6.3控制对象数学模型的建立

8.7本章小结

第九章 全文总结与展望

9.1节能研究结论

9.2对本课题的几点建议

致谢

作者在攻读硕士学位期间发表的学术论文

参考文献