CN113790817B - 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 - Google Patents
一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 Download PDFInfo
- Publication number
- CN113790817B CN113790817B CN202111059597.3A CN202111059597A CN113790817B CN 113790817 B CN113790817 B CN 113790817B CN 202111059597 A CN202111059597 A CN 202111059597A CN 113790817 B CN113790817 B CN 113790817B
- Authority
- CN
- China
- Prior art keywords
- fly ash
- hidden layer
- data
- melting
- historical data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000010881 fly ash Substances 0.000 title claims abstract description 122
- 238000002844 melting Methods 0.000 title claims abstract description 65
- 230000008018 melting Effects 0.000 title claims abstract description 65
- 238000000691 measurement method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 210000004205 output neuron Anatomy 0.000 claims abstract description 9
- 210000002364 input neuron Anatomy 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000002956 ash Substances 0.000 description 2
- 238000002309 gasification Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010883 coal ash Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/34—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using capacitative elements
- G01K7/343—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using capacitative elements the dielectric constant of which is temperature dependant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种等离子飞灰熔融炉飞灰熔融温度的软测量方法,该方法包括:基于低频、高频微波传感器的飞灰介电常数测量;以飞灰介电常数历史数据为输入神经元,飞灰组分历史数据为输出神经元,建立飞灰组分含量的递推随机权神经网络辨识模型;依据飞灰组分含量实验室数据对模型在线校正;基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型;依据飞灰组分含量和飞灰熔融特性温度实验室数据对模型进行在线校正;校正后的模型对飞灰熔融特性温度进行在线测量。通过本发明提供的方法可以对熔融温度实时预测,保证飞灰充分熔融的同时,节约了资源,提高了生产效率。
Description
技术领域
本发明涉及等离子飞灰熔融炉熔融温度检测领域,具体涉及一种等离子飞灰熔融炉飞灰熔融温度的软测量方法。
背景技术
目前等离子飞灰熔融炉控制***多借鉴常规垃圾焚烧炉的控制***进行设计,主要控制方式为:根据原料配伍热值及处理量确定原料进给速率,调节进风量、含氧量及等离子炬电流来维持炉膛温度,保证飞灰充分气化,出口烟气达标。而在实际的生产过程中,由于飞灰的组分不同,造成飞灰的熔融点不同,所要求的炉膛燃烧温度也不尽相同。根据原料配伍热值确定的炉膛燃烧温度会由于真实的热值波动或者处理量的波动导致熔融气化不充分,从而达不到排放标准;另一方面,尽可能提高炉膛燃烧温度可以保证飞灰充分气化,满足排放要求,却增加了生产成本,缩短了熔融炉及等离子矩电极的使用寿命。因此,飞灰熔融点的确定对熔融炉的实际操作具有重要意义。
目前飞灰熔融点的测定主要是依据国标《煤灰熔融性的测定方法》(GB/T 219-2008)在实验室测定,将飞灰制作成三角锥在高温炉中加热观察灰锥的形态变化,记录灰锥的四个熔融特征温度(变形温度、软化温度、半球温度和流动温度)。实验室测量的飞灰熔融特征温度测量准确,但测定周期长,而且只能抽样检测,不能满足工业熔融炉操作的实时性要求。
发明内容
为了更准确地检测等离子飞灰熔融炉熔融温度,本发明提出一种等离子飞灰熔融炉飞灰熔融温度的软测量方法。
为了实现上述技术目的,本发明采用如下技术方案:
一种等离子飞灰熔融炉飞灰熔融温度的软测量方法,包括:
S1:基于低频电容传感器的飞灰介电常数测量;基于高频微波传感器的飞灰介电常数测量;
S2:以低频介电常数历史数据和高频介电常数历史数据为输入神经元,飞灰组分历史数据为输出神经元,建立飞灰组分含量的递推随机权神经网络辨识模型;
S3:依据飞灰组分含量实验室数据对步骤S2建立的飞灰组分含量的递推随机权神经网络辨识模型进行在线校正;
S4:基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型;
S5:依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正;
S6:根据步骤S5校正后的模型对飞灰熔融特性温度进行在线测量。
优选地,步骤S1包括:
S11:低频电容传感器测得样品的介电常数为ε,高频微波传感器测得样品的介电常数为εr,低频电容传感器、高频微波传感器采样周期为T,以当前时刻t为基准,低频电容传感器、高频微波传感器历史数据分别表示为ε(t-pT),εr(t-pT),飞灰组分历史数据表示为u1(t-pT),u2(t-pT),…,uM(t-pT),p=1,2,3…N,N为样本个数,M为飞灰成分个数;
S12:初始时刻,取N0个历史数据,记为(Ξ0,U0), 其中εi=[ε(t-iT),εr(t-iT)]∈R2,ui=[u1(t-iT),u2(t-iT),…,uM(t-iT)]∈RM,i=1,2,3…N0,并记εi=(εi1,εi2),ui=(ui1,ui2,…uiM)。
优选地,步骤S2包括:
以低频介电常数历史数据εi1、高频介电常数历史数据εi2为输入神经元,飞灰组分历史数据ui1,ui2,…uiM为输出神经元,建立含有K个隐层节点单隐层神经网络:
其中,aj=(aj1,aj2)T为输入神经元εi到第j个隐含层的权重,bj为第j个隐含层神经元偏置,βjm为第j个隐含层神经元到第m个输出层的神经元权重,m=1,2,3…M,uim为第m个输出神经元的输出,隐含层神经元K的数目通过交叉验证的方法获得,g(·)为神经元激活函数:
随机初始化输入层神经元至隐含层神经元权重aj及偏置bj,计算得出隐含层神经元矩阵H0为:
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得:
U0=H0β0
β0为βjm组成的矩阵,U0为uim组成的矩阵,
通过最小二乘法计算U0=H0β0,求得
其中,为H0的广义逆矩阵,进一步求得:
优选地,步骤S3包括:
以当前时刻t为基准,t+qT时刻由实验室仪器测得低频电容传感器、高频微波传感器数据分别表示为ε(t+qT),εr(t+qT),飞灰组分数据表示为u1(t+qT),u2(t+qT),…,uM(t+qT),q=1,2,3…N1,N1为样本个数;计算得出隐含层神经元矩阵为:
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得:
U1=H1β1
U1为uim组成的矩阵,i=N0+1,N0+2,…,N0+N1,β1为新的权重矩阵,
因此:
通过递推最小二乘广义逆求解β1:
其中,
进一步地,推广到一般情形,求解通用递推公式为:
其中,Hk表示任一时刻的隐含层神经元矩阵,Hk+1为下一时刻的隐含层神经元矩阵,βk表示任一时刻的隐含层到输出层的权重向量,βk+1为下一时刻的隐含层到输出层的权重向量;
令递推公式进一步简化为:
优选地,步骤S4包括:
飞灰组分含量历史数据为Uk,飞灰熔融特性温度历史数据为yk,***历史参数为θk,则
yk=Ukθk
采用最小二乘法的广义逆求解得到:
θk=Uk +yk=(Uk TUk)-1Uk Tyk。
优选地,步骤S5包括:
依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正;
新测定的飞灰组分含量数据为Uk+1、飞灰熔融特性温度数据为yk+1,***参数为θk+1,则
通过广义逆求解θk+1:
其中,
令当更新数据是一条一条进入时,则:
与现有技术相比,本发明的有益效果:
本发明提供了一种等离子飞灰熔融炉飞灰熔融温度的软测量方法,建立了飞灰组分含量的递推随机权神经网络辨识模型,依据飞灰组分含量实验室数据对模型进行在线校正;然后建立飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型,依据飞灰组分含量和飞灰熔融特性温度实验室数据对模型进行在线校正。通过本发明提供的方法可以对熔融温度实时预测,保证飞灰充分熔融的同时,节约了资源,提高了生产效率。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域中的普通技术人员来说,在不付出创造性劳动的前提下,还可根据这些附图获得其他附图。
图1为本发明方法示意图;
图2为本发明飞灰介电常数与飞灰组分的神经网络模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种等离子飞灰熔融炉飞灰熔融温度的软测量方法,如图1所示,包括:
S1:基于低频电容传感器的飞灰介电常数测量;基于高频微波传感器的飞灰介电常数测量;具体包括:
S11:低频电容传感器测得样品的介电常数为ε,高频微波传感器测得样品的介电常数为εr,低频电容传感器、高频微波传感器采样周期为T,以当前时刻t为基准,低频电容传感器、高频微波传感器历史数据分别表示为ε(t-pT),εr(t-pT),飞灰组分历史数据表示为u1(t-pT),u2(t-pT),…,uM(t-pT),p=1,2,3…N,N为样本个数,M为飞灰成分个数;
S12:初始时刻,取N0个历史数据,记为(Ξ0,U0), 其中εi=[ε(t-iT),εr(t-iT)]∈R2,ui=[u1(t-iT),u2(t-iT),…,uM(t-iT)]∈RM,i=1,2,3…N0,并记εi=(εi1,εi2),ui=(ui1,ui2,...uiM)。
S2:以低频介电常数历史数据和高频介电常数历史数据为输入神经元,飞灰组分历史数据为输出神经元,建立飞灰组分含量的递推随机权神经网络辨识模型,如图2所示;具体包括:
以低频介电常数历史数据εi1、高频介电常数历史数据εi2为输入神经元,飞灰组分历史数据ui1,ui2,…uiM为输出神经元,建立含有K个隐层节点单隐层神经网络:
其中,aj=(aj1,aj2)T为输入神经元εi到第j个隐含层的权重,bj为第j个隐含层神经元偏置,βjm为第j个隐含层神经元到第m个输出层的神经元权重,m=1,2,3…M,uim为第m个输出神经元的输出,隐含层神经元K的数目通过交叉验证的方法获得,g(·)为神经元激活函数:
随机初始化输入层神经元至隐含层神经元权重aj及偏置bj,计算得出隐含层神经元矩阵H0为:
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得:
U0=h0β0
β0为βjm组成的矩阵,U0为uim组成的矩阵,
通过最小二乘法计算U0=H0β0,求得
其中,为H0的广义逆矩阵,进一步求得:
S3:依据飞灰组分含量实验室数据对步骤S2建立的飞灰组分含量的递推随机权神经网络辨识模型进行在线校正;具体包括:
以当前时刻t为基准,t+qT时刻由实验室仪器测得低频电容传感器、高频微波传感器数据分别表示为ε(t+qT),εr(t+qT),飞灰组分数据表示为u1(t+qT),u2(t+qT),…,uM(t+qT),q=1,2,3…N1,N1为样本个数;计算得出隐含层神经元矩阵为:
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得:
U1=H1β1
U1为uim组成的矩阵,i=N0+1,N0+2,…,N0+N1,β1为新的权重矩阵,
因此:
通过递推最小二乘广义逆求解β1:
其中,
进一步地,推广到一般情形,求解通用递推公式为:
其中,Hk表示任一时刻的隐含层神经元矩阵,Hk+1为下一时刻的隐含层神经元矩阵,βk表示任一时刻的隐含层到输出层的权重向量,βk+1为下一时刻的隐含层到输出层的权重向量;
令递推公式进一步简化为:
S4:基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型;具体包括:
飞灰组分含量历史数据为Uk,飞灰熔融特性温度历史数据为yk,***历史参数为θk,则
yk=Ukθk
采用最小二乘法的广义逆求解得到:
θk=Uk +yk=(Uk TUk)-1Uk Tyk。
S5:依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正;具体包括:
依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正;
新测定的飞灰组分含量数据为Uk+1、飞灰熔融特性温度数据为yk+1,***参数为θk+1,则
通过广义逆求解θk+1:
其中,
令当更新数据是一条一条进入时,则:
S6:根据步骤S5校正后的模型对飞灰熔融特性温度进行在线测量。
Claims (6)
1.一种等离子飞灰熔融炉飞灰熔融温度的软测量方法,其特征在于,包括:
S1:基于低频电容传感器的飞灰介电常数测量;基于高频微波传感器的飞灰介电常数测量;
S2:以低频介电常数历史数据和高频介电常数历史数据为输入神经元,飞灰组分历史数据为输出神经元,建立飞灰组分含量的递推随机权神经网络辨识模型;
S3:依据飞灰组分含量实验室数据对步骤S2建立的飞灰组分含量的递推随机权神经网络辨识模型进行在线校正;
S4:基于飞灰组分含量历史数据和飞灰熔融特性温度历史数据建立递推最小二乘辨识模型;
S5:依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正;
S6:根据步骤S5校正后的模型对飞灰熔融特性温度进行在线测量。
2.根据权利要求1所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法,其特征在于,步骤S1包括:
S11:低频电容传感器测得样品的介电常数为ε,高频微波传感器测得样品的介电常数为εr,低频电容传感器、高频微波传感器采样周期为T,以当前时刻t为基准,低频电容传感器、高频微波传感器历史数据分别表示为ε(t-pT),εr(t-pT),飞灰组分历史数据表示为u1(t-pT),u2(t-pT),…,uM(t-pT),p=1,2,3…N,N为样本个数,M为飞灰成分个数;
S12:初始时刻,取N0个历史数据,记为(Ξ0,U0), 其中εi=[ε(t-iT),εr(t-iT)]∈R2,ui=[u1(t-iT),u2(t-iT),…,uM(t-iT)]∈RM,i=1,2,3…N0,并记εi=(εi1,εi2),ui=(ui1,ui2,…uiM)。
3.根据权利要求2所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法,其特征在于,步骤S2包括:
以低频介电常数历史数据εi1、高频介电常数历史数据εi2为输入神经元,飞灰组分历史数据ui1,ui2,…uiM为输出神经元,建立含有K个隐层节点的单隐层神经网络:
其中,aj=(aj1,aj2)T为输入神经元εi到第j个隐含层的权重,bj为第j个隐含层神经元偏置,βjm为第j个隐含层神经元到第m个输出层的神经元权重,m=1,2,3…M,uim为第m个输出神经元的输出,隐含层神经元K的数目通过交叉验证的方法获得,g(·)为神经元激活函数:
随机初始化输入层神经元至隐含层神经元权重aj及偏置bj,计算得出隐含层神经元矩阵H0为:
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得:
U0=H0β0
β0为βjm组成的矩阵,U0为uim组成的矩阵,
通过最小二乘法计算U0=H0β0,求得
其中,为H0的广义逆矩阵,进一步求得:
4.根据权利要求3所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法,其特征在于,步骤S3包括:
以当前时刻t为基准,t+qT时刻由实验室仪器测得低频电容传感器、高频微波传感器数据分别表示为ε(t+qT),εr(t+qT),飞灰组分数据表示为u1(t+qT),u2(t+qT),…,uM(t+qT),q=1,2,3…N1,N1为样本个数;计算得出隐含层神经元矩阵为:
由K个隐层节点单隐层神经网络和隐含层神经元矩阵可得:
U1=H1β1
U1为uim组成的矩阵,i=N0+1,N0+2,…,N0+N1,β1为新的权重矩阵,
因此:
通过递推最小二乘广义逆求解β1:
其中,
进一步地,推广到一般情形,求解通用递推公式为:
其中,Hk表示任一时刻的隐含层神经元矩阵,Hk+1为下一时刻的隐含层神经元矩阵,βk表示任一时刻的隐含层到输出层的权重向量,βk+1为下一时刻的隐含层到输出层的权重向量;
令当数据是一个一个进入时,Hk+1表示为hk+1,Uk+1表示为uk+1,递推公式进一步简化为:
5.根据权利要求4所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法,其特征在于,步骤S4包括:
飞灰组分含量历史数据为Uk,飞灰熔融特性温度历史数据为yk,***历史参数为θk,则
yk=Ukθk
采用最小二乘法的广义逆求解得到:
θk=Uk+yk=(Uk TUk)-1Uk Tyk。
6.根据权利要求5所述的等离子飞灰熔融炉飞灰熔融温度的软测量方法,其特征在于,步骤S5包括:
依据飞灰组分含量和飞灰熔融特性温度实验室数据对步骤S4建立的递推最小二乘辨识模型进行在线校正;
新测定的飞灰组分含量数据为Uk+1、飞灰熔融特性温度数据为yk+1,***参数为θk+1,则
通过广义逆求解θk+1:
其中,
令当更新数据是一条一条进入时,Uk+1表示为uk+1,则:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059597.3A CN113790817B (zh) | 2021-09-10 | 2021-09-10 | 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059597.3A CN113790817B (zh) | 2021-09-10 | 2021-09-10 | 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113790817A CN113790817A (zh) | 2021-12-14 |
CN113790817B true CN113790817B (zh) | 2023-07-21 |
Family
ID=78879880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059597.3A Active CN113790817B (zh) | 2021-09-10 | 2021-09-10 | 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113790817B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005337579A (ja) * | 2004-05-26 | 2005-12-08 | Ebara Corp | 焼却灰溶融炉の熱量制御方法と熱量制御装置 |
WO2007070220A2 (en) * | 2005-12-12 | 2007-06-21 | Pegasus Technologies, Inc. | Model based control and estimation of mercury emissions |
CN102778538A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
JP2020046280A (ja) * | 2018-09-19 | 2020-03-26 | 三菱重工業株式会社 | 灰溶融温度推定装置および灰溶融温度推定方法 |
CN112881455A (zh) * | 2021-01-15 | 2021-06-01 | 山西格盟中美清洁能源研发中心有限公司 | 基于矿物相与神经网络复合模型预测煤灰熔融温度的方法 |
-
2021
- 2021-09-10 CN CN202111059597.3A patent/CN113790817B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005337579A (ja) * | 2004-05-26 | 2005-12-08 | Ebara Corp | 焼却灰溶融炉の熱量制御方法と熱量制御装置 |
WO2007070220A2 (en) * | 2005-12-12 | 2007-06-21 | Pegasus Technologies, Inc. | Model based control and estimation of mercury emissions |
CN102778538A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
JP2020046280A (ja) * | 2018-09-19 | 2020-03-26 | 三菱重工業株式会社 | 灰溶融温度推定装置および灰溶融温度推定方法 |
CN112881455A (zh) * | 2021-01-15 | 2021-06-01 | 山西格盟中美清洁能源研发中心有限公司 | 基于矿物相与神经网络复合模型预测煤灰熔融温度的方法 |
Non-Patent Citations (2)
Title |
---|
利用灰成分预测煤灰熔融温度的模型研究;胡洋;《杭州化工》;第47卷(第2期);第23-28页 * |
化学组分及单组分熔融温度与煤灰熔融温度的相关性分析;樊泉桂;潘攀;;锅炉技术(06);第12-15、21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113790817A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001527B (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
CN105608492B (zh) | 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法 | |
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
CN107299170A (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
CN112992291A (zh) | 一种高温电工级氧化镁粉配料优化方法 | |
CN113790817B (zh) | 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 | |
CN109385285A (zh) | 一种焦炉自动加热优化*** | |
CN108548748A (zh) | 一种热重分析方法及装置 | |
CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
CN110569567B (zh) | 焦炉火道温度的测量方法及*** | |
CN113517037B (zh) | 一种数据与知识融合的烧结矿FeO预测方法及*** | |
CN110598185A (zh) | 一种焦炉炼焦单耗影响因素排序方法及*** | |
CN117612651A (zh) | 一种预测转炉终点锰含量的方法 | |
CN110286659B (zh) | 一种调控滚筒干燥过程叶丝加工强度的方法 | |
CN107045658B (zh) | 一种煤灰黏温特性的预测方法 | |
CN116306272A (zh) | 一种基于大数据的转炉热损失率预测方法 | |
CN110807511A (zh) | 粗糙集理论-循环神经网络模型结构 | |
CN114813436A (zh) | 一种评估不同烟丝样品抽吸感受一致性的方法及其应用 | |
CN115650556A (zh) | 一种玻璃生产窑炉温度前馈控制***及其控制方法 | |
CN115512455A (zh) | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 | |
CN105385843A (zh) | 一种基于段末温度的热轧板坯加热控制方法 | |
CN113970502A (zh) | 基于快速烘箱法的烟叶含水率预测模型构建方法 | |
Ning et al. | Research on soft sensing of formation heat of cement clinker based on LS_SVM | |
TWI750863B (zh) | 石墨化爐之終止送電的管控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |