發(fā)布時間：2020-06-08 01:36

【摘要】： 離心式壓縮機是工業(yè)上廣泛應用的高速大型設備,運行性能與實際生產(chǎn)關(guān)系密切,其實際工作狀態(tài)與其設計工作條件往往存在某種差異,需要根據(jù)機組的實際條件對性能曲線進行重新計算和評價。傳統(tǒng)理論計算模型不是需要依賴于相似性假設的準確性及其被滿足的程度,就是需要經(jīng)驗公式,或者建立非常復雜的流體力學數(shù)學模型。但離心式壓縮機影響因素眾多,采用傳統(tǒng)方法建模往往精度低、通用性差。本論文將模糊神經(jīng)網(wǎng)絡用于離心式壓縮機性能模型的建立,其本身所特有的優(yōu)點有利于解決上述問題。論文探討采用以模糊神經(jīng)網(wǎng)絡為核心及其應用中的相關(guān)問題,建立了離心式壓縮機性能的模糊神經(jīng)網(wǎng)絡模型,為離心式壓縮機的性能預測和控制提供更好的模型。 建立了Elman動態(tài)遞歸人工神經(jīng)網(wǎng)絡的壓縮機性能模型,計算結(jié)果顯示:輸出為二時,當隱含層和結(jié)構(gòu)層節(jié)點個數(shù)為四時,檢驗誤差取得最小,訓練誤差為3.12201,檢驗誤差為0.5906,基本能夠反映系統(tǒng)的運行狀況,但模型精度不夠高。 建立了基于Takagi-Sugeno模糊推理的具有自適應功能的模糊神經(jīng)網(wǎng)絡模型,模糊聚類算法采用MMC算法,計算結(jié)果顯示,當潛能半徑r_a取0.6而r_b取1.1時,網(wǎng)絡有較佳的性能。訓練誤差為0.52844,檢驗誤差為0.59579,生成的模糊規(guī)則數(shù)少,精度更高,計算量更少。 通過采用模糊C均值聚類建立了能夠反映壓縮機基本運行趨勢的主模型,再利用模糊主控制模型的輸出與其他輸入向量通過最速梯度下降法訓練模糊神經(jīng)網(wǎng)絡,初始值不再選取為隨機數(shù),極大地改善了網(wǎng)絡的訓練時間或陷入非要求的局部極小值的問題。計算結(jié)果顯示,模型能夠反映壓縮機的運行狀況,整個網(wǎng)絡對訓練樣本的誤差為0.2618,對檢驗樣本的誤差為0.3622,結(jié)果令人滿意。 本文將透平與離心式壓縮機看作一體,簡化為一階慣性系統(tǒng),將此一階慣性系統(tǒng)疊加到模糊神經(jīng)網(wǎng)絡模型中,建立模糊控制模型,分析計算顯示:(1)單獨調(diào)整偏差量化因子或偏差變化量化因子,系統(tǒng)的響應性能都不夠理想。而綜合調(diào)整二者的值,在一定范圍內(nèi),系統(tǒng)響應時間和超調(diào)逐步改善,性能較優(yōu);(2)增大控制增量的比例因子,或增加規(guī)則表對偏差變化的敏感程度,響應時間減少,響應過程超調(diào)增加,收斂時間變長;(3)調(diào)整各變量的隸屬函數(shù)向中間收縮,響應時間變長,超調(diào)減少,系統(tǒng)收斂時間變長。 本文在基本模糊控制器的基礎上,加入一積分因子自調(diào)整機構(gòu),仿真結(jié)果顯示,被控對象能夠迅速響應期望值的變化,整個過程響應時間幾乎不超過5秒,且到達期望值以后,迅速穩(wěn)定下來。
【圖文】：

縮機高壓缸(型號7CK31)和三個段間冷卻器組成，它們與驅(qū)動透平安裝在同一個底座上。機組裝有調(diào)節(jié)、保安系統(tǒng)、潤滑油系統(tǒng)等以保證機組安全運轉(zhuǎn)和有效操作。機組配置圖如圖2一1所示。平衡管 }}}}}增增增增增 增 增!!!lll速速 速速速器 器器器 圖2一1機組配置圖機組的工藝性能及參數(shù)見下表。表2一1空氣壓縮機工藝性能及參數(shù)缸缸別 別低壓缸 (5CK57)))高壓缸 (7CK31)))段段別 別 lll222333444氣氣體性能能組分 分空氣 氣相 相相對濕度 度 80%%%分 分分子量 量 28.81~28.2111 KKKKK=CP/Cvvv1.39555壓 壓壓縮性系數(shù) 數(shù) 111氣 氣氣體常數(shù) 數(shù) 29.43~30.0666操操作條件件正常常入口溫度、℃ ℃ 37.88840.555540.55553555入 入 入入口壓力、kg/em， ， 0.928882.18885.988814.3555出 出 出出口溫度、℃ ℃ 159991899916555157

用人工神經(jīng)網(wǎng)絡的自學習和泛化功能改善壓縮機的計算模型精度.改善模型的泛化性育琶。圖3一2是壓縮機理論模型與人工神經(jīng)網(wǎng)絡結(jié)合方式的示意圖.先利用壓縮機理論模型對取自學習樣本的輸入?yún)��?shù)計算得到理論輸出，再將理論輸出和輸入?yún)��?shù)標準化后一起作為神經(jīng)網(wǎng)絡的輸入值，將學習樣本中的實際輸出量數(shù)據(jù)作為神經(jīng)網(wǎng)絡的期望輸出值，對神經(jīng)網(wǎng)絡進行訓練，調(diào)整連接權(quán)值.訓練完畢后，利用壓縮機理論模型由輸入?yún)��?shù)計算出理論輸出值，再將該理論輸出和輸入?yún)��?shù)標準化后作為神經(jīng)網(wǎng)絡模型的輸入，，進而計算出神經(jīng)網(wǎng)絡模型的輸出，最后將其反標準化后即可得整個模型的實際輸出.壓壓縮機 機機機機機機理理論棋型型型神經(jīng)網(wǎng)網(wǎng)絡 絡絡絡棋型型圖3一2人工神經(jīng)網(wǎng)絡與壓縮機理論模型的結(jié)合方式 3.1.4模糊神經(jīng)網(wǎng)絡在壓縮機性能模型建立中的應用分析壓縮機一般是涉及機、液、電等多學科技術(shù)領(lǐng)域的綜合系統(tǒng)，運行時壓縮機各組分運行參數(shù)相互影響
【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2008
【分類號】：TH452

【相似文獻】

相關(guān)期刊論文 前10條

1 佟錚;張友鵬;;基于BP神經(jīng)網(wǎng)絡的機車輪對故障診斷系統(tǒng)研究[J];鐵路技術(shù)創(chuàng)新;2009年01期

2 黃蓮花;李光明;;神經(jīng)網(wǎng)絡數(shù)據(jù)融合在車用傳感器中的應用[J];裝備制造技術(shù);2011年08期

3 景利學;蘇宏升;謝明軍;冉鵬程;;電壓型BUCK變換器控制策略研究[J];電氣傳動自動化;2011年04期

4 姜平;黃志鵬;;基于神經(jīng)網(wǎng)絡的公交客流預測[J];交通標準化;2008年13期

5 尹駿暉;李伶;杜青;;基于神經(jīng)網(wǎng)絡和柔度曲率的簡支梁損傷識別[J];山西建筑;2011年21期

6 孫海龍;馮超;匙瑞堂;;滾動軸承狀態(tài)監(jiān)測[J];工業(yè)設計;2011年05期

7 楊鶴年;;機電一體化系統(tǒng)中的智能控制技術(shù)[J];煤炭技術(shù);2011年07期

8 許杰;程錦房;何光進;;一種基于艦船磁場的神經(jīng)網(wǎng)絡識別模型[J];船電技術(shù);2011年09期

9 蒯松巖;吳濤;代尚方;張旭隆;;基于RBF的無位置開關(guān)磁阻電機控制系統(tǒng)[J];電力電子技術(shù);2011年07期

10 張赫;王煒;劉瑩瑩;;神經(jīng)網(wǎng)絡在交通流信息融合中的應用[J];武漢理工大學學報(交通科學與工程版);2011年04期

相關(guān)會議論文 前10條

1 侯艷芳;馮紅梅;;基于神經(jīng)網(wǎng)絡的調(diào)制識別算法的研究[A];武漢(南方九省)電工理論學會第22屆學術(shù)年會、河南省電工技術(shù)學會年會論文集[C];2010年

2 沈建榮;楊林泉;陳琳;;神經(jīng)網(wǎng)絡的穩(wěn)定性判據(jù)與區(qū)域經(jīng)濟結(jié)構(gòu)調(diào)整[A];系統(tǒng)工程與可持續(xù)發(fā)展戰(zhàn)略——中國系統(tǒng)工程學會第十屆年會論文集[C];1998年

3 石山銘;李富蘭;丁俊麗;;神經(jīng)網(wǎng)絡的知識獲取[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

4 吳清烈;徐南榮;;基于神經(jīng)網(wǎng)絡的一種多目標決策方法[A];復雜巨系統(tǒng)理論·方法·應用——中國系統(tǒng)工程學會第八屆學術(shù)年會論文集[C];1994年

5 李曉鐘;汪培莊;羅承忠;;神經(jīng)網(wǎng)絡與模糊邏輯[A];中國系統(tǒng)工程學會模糊數(shù)學與模糊系統(tǒng)委員會第五屆年會論文選集[C];1990年

6 房育棟;余英林;;高階自組織映射及其學習算法[A];1995年中國控制會議論文集（上）[C];1995年

7 王曉曄;杜朝輝;呂德忠;劉建峰;;神經(jīng)網(wǎng)絡模糊控制在溫度控制系統(tǒng)中的應用[A];1997中國控制與決策學術(shù)年會論文集[C];1997年

8 金龍;吳建生;;基于遺傳算法的神經(jīng)網(wǎng)絡短期氣候預測模型(摘要)[A];新世紀氣象科技創(chuàng)新與大氣科學發(fā)展——中國氣象學會2003年年會“氣候系統(tǒng)與氣候變化”分會論文集[C];2003年

9 申偉;張元培;;基于MATLAB的自適應神經(jīng)網(wǎng)絡模糊系統(tǒng)(ANFIS)的應用[A];《制造業(yè)自動化與網(wǎng)絡化制造》學術(shù)交流會論文集[C];2004年

10 田艷兵;;BP算法和PSO算法在神經(jīng)網(wǎng)絡中的研究[A];第二十九屆中國控制會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 記者 陳青　通訊員 孫國根;揭示神經(jīng)網(wǎng)絡形成新機制[N];文匯報;2011年

2 于翔;數(shù)字神經(jīng)網(wǎng)絡中的協(xié)同應用[N];網(wǎng)絡世界;2009年

3 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

4 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報首席記者 任荃　實習生 史博臻;軌交“神經(jīng)網(wǎng)絡”觸動創(chuàng)新神經(jīng)[N];文匯報;2011年

7 計算機世界實驗室 韓勖;當布線系統(tǒng)遭遇神經(jīng)網(wǎng)絡[N];計算機世界;2009年

8 曹建兵 李祖兵 特約記者 何天進 本報記者 于莘明;給導彈植入“神經(jīng)網(wǎng)絡”[N];科技日報;2005年

9 譚薇;“潮濕計算機”：擁有人類智慧的超級大腦[N];第一財經(jīng)日報;2010年

10 韓婷婷;ICT強壯奧運“神經(jīng)網(wǎng)絡”[N];通信產(chǎn)業(yè)報;2007年

相關(guān)博士學位論文 前10條

1 劉志祥;深部開采高階段尾砂充填體力學與非線性優(yōu)化設計[D];中南大學;2005年

2 戴雪龍;PET探測器神經(jīng)網(wǎng)絡定位方法研究[D];中國科學技術(shù)大學;2006年

3 馬戎;智能控制技術(shù)在煉鋼電弧爐中的應用研究[D];西北工業(yè)大學;2006年

4 文敦偉;面向多智能體和神經(jīng)網(wǎng)絡的智能控制研究[D];中南大學;2001年

5 吳大宏;基于遺傳算法與神經(jīng)網(wǎng)絡的橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)研究[D];西南交通大學;2003年

6 杜文斌;基于神經(jīng)網(wǎng)絡的冠心病證候診斷標準與藥效評價模型研究[D];遼寧中醫(yī)學院;2004年

7 熊雪梅;參數(shù)化模糊遺傳神經(jīng)網(wǎng)絡及在植物病害預測的應用[D];南京農(nóng)業(yè)大學;2004年

8 李智;電站鍋爐燃燒系統(tǒng)優(yōu)化運行與應用研究[D];東北大學;2005年

9 王承;基于神經(jīng)網(wǎng)絡的模擬電路故障診斷方法研究[D];電子科技大學;2005年

10 譚陽紅;基于小波和神經(jīng)網(wǎng)絡的大規(guī)模模擬電路故障診斷研究[D];湖南大學;2005年

相關(guān)碩士學位論文 前10條

1 廖犬發(fā);一種配電網(wǎng)故障區(qū)間診斷系統(tǒng)的研究[D];武漢大學;2004年

2 陳燕;基于粒計算——神經(jīng)網(wǎng)絡的故障診斷方法與應用[D];太原理工大學;2011年

3 魏秀;文化算法優(yōu)化RBF神經(jīng)網(wǎng)絡及應用研究[D];太原理工大學;2011年

4 王晶;基于神經(jīng)網(wǎng)絡理論實現(xiàn)混沌系統(tǒng)控制與同步研究[D];鄭州大學;2002年

5 易江義;神經(jīng)網(wǎng)絡PID控制在汽車發(fā)電機性能自動測試系統(tǒng)的應用[D];中南大學;2004年

6 張霞;GIS內(nèi)部信號識別的神經(jīng)網(wǎng)絡建模及小波算法實現(xiàn)[D];天津大學;2003年

7 仲京臣;基于小波神經(jīng)網(wǎng)絡的故障診斷研究[D];中國海洋大學;2004年

8 任子武;基于神經(jīng)網(wǎng)絡的參數(shù)自整定PID控制算法研究[D];哈爾濱理工大學;2004年

9 高玉萍;基于專家系統(tǒng)與神經(jīng)網(wǎng)絡相結(jié)合的電力變壓器故障診斷[D];西安理工大學;2005年

10 姆斯塔法;基于神經(jīng)網(wǎng)絡的二關(guān)節(jié)機器人協(xié)調(diào)控制[D];湖南大學;2005年

本文編號：2702321