烟气脱硝喷氨量SA-RBF神经网络最优控制
연기탈초분안량SA-RBF신경망락최우공제
Sensitivity Analysis Radial Basis Function Neural Network Control on Spraying Ammonia Flow Denitrification
  • 万方数据
    控制工程 공제공정
    CONTROL ENGINEERING OF CHINA
    2012年 6期 947-951 ,共5页

    周洪煜%赵乾%张振华%汪正海

    주홍욱%조건%장진화%왕정해

    选择性催化还原%烟气脱硝%径向基神经网络%动态结构 選擇性催化還原%煙氣脫硝%徑嚮基神經網絡%動態結構
    선택성최화환원%연기탈초%경향기신경망락%동태결구
    selective catalytic reduction(SCR)%flue gas denitrification%radial basis function(RBF)%dynamic structure
    对于选择性催化还原(SCR)烟气脱硝装置喷氨量的精确控制,传统HD控制器的参数是基于设计负荷预先整定,在变工况下系统呈现出强非线性和滞后性,难以确保最佳控制量.通过引入动态结构的RBF神经网络,利用敏感度法来增加和删除神经元,解决RBF神经网络结构过大或过小的问题,保证预测网络结构的精度.该网络综合学习SCR脱硝装置主要相关参数,以NOx排放量与设定值之间误差最小作为训练信号,实现喷氨量的最优控制.实验结果表明,在变工况下,此方案与传统PID相比,能满足SCR出口NOx排放量,有效减少了氨气逃逸量,具有良好的变工况适应能力.
    대우선택성최화환원(SCR)연기탈초장치분안량적정학공제,전통HD공제기적삼수시기우설계부하예선정정,재변공황하계통정현출강비선성화체후성,난이학보최가공제량.통과인입동태결구적RBF신경망락,이용민감도법래증가화산제신경원,해결RBF신경망락결구과대혹과소적문제,보증예측망락결구적정도.해망락종합학습SCR탈초장치주요상관삼수,이NOx배방량여설정치지간오차최소작위훈련신호,실현분안량적최우공제.실험결과표명,재변공황하,차방안여전통PID상비,능만족SCR출구NOx배방량,유효감소료안기도일량,구유량호적변공황괄응능력.
    원문보기 원문다운로드 사이트로이동
저자의 최근 논문