[發明專利]基于數值模擬的神經網絡預測爐膛氧氣濃度系統及方法

在審

• 申請號: 202011014871.0
• 申請日: 2020-09-24
• 公開（公告）號: CN112163380A
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 杜憲濤;崔宇佳;朱慧娟;夏良偉;黃鶯;馬孝純;沈濤;姜文婷;張超;孫晶
• 申請（專利權）人: 哈爾濱鍋爐廠有限責任公司
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 哈爾濱市偉晨專利代理事務所(普通合伙) 23209
• 代理人: 曹徐婷

1.基于數值模擬的神經網絡預測爐膛氧氣濃度系統，其特征在于：該系統包括數值模擬仿真模塊，數據處理模塊，算法預測模塊和實現模塊，上述各模塊之間呈遞進邏輯關系連接；

其中數值模擬仿真模塊負責建立爐膛內部的物理模型；

數據處理模塊用于處理數值模擬結果；

算法預測模塊負責構建雙層BP神經網絡模型、MLP神經網絡模型和DBN神經網絡模型；

實現模塊負責選出最佳算法從而實現氧量分布預測。

2.基于數值模擬的神經網絡預測爐膛氧氣濃度方法，是基于權利要求1所述的系統為基礎實現的，其特征在于：具體方法步驟如下：

步驟一，通過所述的數值模擬仿真模塊，利用數值模擬軟件建立爐膛內部的物理模型，進行仿真運算；

步驟二，利用所述的數據處理模塊，將數值模擬結果進行處理；

步驟三，所述的算法預測模塊建立雙層BP神經網絡模型、MLP神經網絡模型和DBN神經網絡模型并進行算法預測；

步驟四，通過所述的實現模塊選擇出最佳算法從而實現爐膛內氧量分布的預測。

3.根據權利要求2所述的基于數值模擬的神經網絡預測爐膛氧氣濃度方法，其特征在于：步驟一中的仿真過程的具體步驟為：

步驟一一，根據鍋爐運行數據與設計數據，建立鍋爐物理模型；

步驟一二，選取CFD計算用煤質數據、一、二次風風溫及分配方式，確定數值模擬計算邊界條件；

步驟一三，選擇湍流、多相流、對流、輻射及煤粉的燃燒機理的模型，利用fluent軟件對鍋爐燃燒進行全爐膛的數值仿真，從而得到爐膛內部任意位置的氧氣濃度分布數據；

步驟一四，確定研究對象為爐膛內氧量分布，通過ANSYS Fluent軟件的export功能輸出TXT格式實驗數據，并根據現場經驗與相關的資料分析氧含量有關的鍋爐運行變量；

上述運行變量包括：鍋爐內部各點坐標x,y,z，各點流體旋度和速度，CO，CO₂，N₂，O₂，H₂O，SO₂濃度，溫度，壓強和揮發分。

4.根據權利要求3所述的基于數值模擬的神經網絡預測爐膛氧氣濃度方法，其特征在于：步驟二中所述的數據處理模塊，數據分析和模擬結果處理過程，具體過程如下：

步驟二一，經仿真模擬后輸出的數據矢量，通過數據矢量的維度和單位建立方程，將維度達到輸入變量數的維數；

步驟二二，將數據標準化處理之后，采用數據挖掘與主成分析法進行數據集劃分，參數處理，整合冗余和降低維數處理；經處理后得到自動得到主成分，最終采用的數據聚類方式為k均值聚類算法。

5.根據權利要求4所述的基于數值模擬的神經網絡預測爐膛氧氣濃度方法，其特征在于：所述的算法預測模塊建立雙層BP神經網絡模型、MLP神經網絡模型和DBN神經網絡模型三種算法預測模型，具體建立步驟如下：

所述的步驟三中，雙層BP神經網絡模型預測氧量，神經網絡模型中，輸出層為氧含量濃度，記錄每層隱含層節點個數、限定輸入層節點數和迭代次數、定義輸入層到隱含層權重和隱含層到輸出層權重、隱含層的閾值和輸出層的閾值，設置學習速率和最小誤差。循環以上過程直至誤差滿足精度要求或學習次數大于設定的最大次數，訓練過程結束，最終對測試集輸出氧濃度分布預測數據進行結果分析與評價；

所述的步驟三中，MLP神經網絡模型預測氧量，將所述的數據處理模塊處理后的數據分別作為訓練集數據與測試集數據，從而建立MLP預測模型，確定尋優的目標函數,并轉換為相應的適應值函數.經計算模型誤差和反向調整后，測試不同參數于2-5層的各數量隱含層，在收斂性判定滿足要求的情況下，確定參數于具有3層隱含層的MLP(S)的精確度較高且效率最高；

所述的步驟三中，DBN神經網絡模型預測氧量，深度置信網絡由多層RBM疊加與最后一層回歸的神經網絡組成，數據通過模型最底層輸入，經過RBM到隱含層，低層RBM的輸出作為高層RBM的輸入，兩層RBM組成的DBN模型，DBN的訓練方法首先進行自下而上的無監督學習方法來逐層對整個DBN模型的參數進行初始化，后采取自上而下的有監督學習方法將網絡參數進行微調。

6.根據權利要求5所述的基于數值模擬的神經網絡預測爐膛氧氣濃度方法，其特征在于：通過所述的實現模塊將雙層BP神經網絡模型、MLP神經網絡模型和DBN神經網絡模型這三種算法模型集成，整合成神經網絡學習機，通過此學習機預測爐膛內部氧量分布，將訓練數據通過神經網絡學習機訓練網絡，分別形成三種不同的神網絡；

將驗證集的輸入數據分別通過這三種網絡，得到預測結果，通過比對擬合程度，均方根誤差等評價指標，選出結果最好的算法，為最終的預測算法；設計好要預測的工況，包括各點流體旋度和速度；CO，CO₂，N₂，O₂，H₂O，SO₂濃度，溫度，壓強和揮發分作為輸入數據，利用結果最好的算法預測各層燃燒器噴口風量，從而實現預測爐膛氧氣濃度的目的。