简介:燃煤锅炉是复杂的多变量系统,其飞灰的含碳量形成机理复杂,不能用简单的数学公式估算。现场实炉测试这些数据具有工作量大,测试工况有限等缺点;燃煤锅炉运行参数及燃料特性等因素影响着飞灰的含碳量,其相互耦合,导致分析数据过程困难。神经网络建模将燃煤锅炉视为黑箱,应用该方法可以良好的描述其输入输出之间的黑箱特性,因此,人工神经网络应用广泛。利用燃煤锅炉试验数据,采用3层BP(backpropagation)神经网络构建了锅炉飞灰的含碳量排放特性模型。通过锅炉的实测数据验证,该BP神经网络对飞灰含碳量相对预测误差在0.19%~0.50%,预测效果良好。测试结果表明,建立的神经网络预测模型可以准确逼近验证样本数据,也能够较好的逼近非验证样本数据,具有良好的泛化能力。
简介:本文引入多目标优化方法对发动机性能仿真模型进行标定.应用GTpower和ModeFrontier进行多目标优化标定,通过合理选择优化输入变量,以发动机扭矩和发动机比油耗作为目标变量,克服了传统标定方法耗时长,误差大(通常控制在5%以内)的缺点.仿真结果表明,应用多目标优化对性能仿真模型标定不仅具有速度快、精度高、智能化等优点还能提供输入输出相关性分析,为发动机后续设计开发提供技术依据.