时延神经网络的NOx排放动态建模

摘要

cqvip:针对复杂工业过程中NOx排放参数建模及预测的问题,引入时延辅助变量,将非稳态工业过程中容易测量失真的辅助变量时间信号转化为空间状态。采用径向基函数(RBF)时延神经网络,利用与预测参数相关的辅助变量和时延辅助变量构建NOx排放的动态模型。仿真结果表明:选取重要辅助变量(总燃料量)的时延单元作为时延辅助变量,通过神经网络训练,可以获得包含非稳态燃烧过程丰富特性的参数模型;设定相同条件,与静态模型进行比较。结果表明,动态模型的内部神经元个数明显少于静态模型,模型结构更紧凑,训练时间更短,泛化能力更强。该方法能提高复杂非稳态工业过程热力参数模型的预测精度,具有较高的应用价值。