CN116757078A - 一种基于作用力的煤粉流速测量方法及*** - Google Patents
一种基于作用力的煤粉流速测量方法及*** Download PDFInfo
- Publication number
- CN116757078A CN116757078A CN202310717017.8A CN202310717017A CN116757078A CN 116757078 A CN116757078 A CN 116757078A CN 202310717017 A CN202310717017 A CN 202310717017A CN 116757078 A CN116757078 A CN 116757078A
- Authority
- CN
- China
- Prior art keywords
- value
- layer
- time
- flow velocity
- 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.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims description 38
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 239000002817 coal dust Substances 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000000306 recurrent effect Effects 0.000 claims abstract description 8
- 238000000691 measurement method Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 10
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000009530 blood pressure measurement Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 239000000843 powder Substances 0.000 abstract description 18
- 238000005259 measurement Methods 0.000 abstract description 17
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Fluid Mechanics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于作用力的煤粉流速测量方法及***,包括集管道内的压力值和流速值,每条数据均包含时间信息,记录一段时间内的压力值和流速值的时序变化;对采集的数据进行预处理,将预处理后的数据划分为训练集和测试集;构建时间递归神经网络模型,用于学习压力和煤粉流速之间的时序关系;采用训练集对模型进行训练,根据目标函数的梯度,通过反向传播算法计算梯度,并根据学习率调整权重值和偏置值,以最小化目标函数;采用测试集对训练好的模型进行评估,将测试集的压力值时间序列数据输入训练好的模型,得到对应的煤粉流速值的预测结果。本发明能够提高煤粉流速测量的实时性,使得对煤粉流速的监测和调控更加精确和迅速。
Description
技术领域
本发明涉及煤粉流速测量技术领域,具体涉及一种基于作用力的煤粉流速测量方法及***。
背景技术
在火力发电过程中,一次风管道内煤粉流速及浓度的均匀性对于电力生产的经济性和安全性尤为重要。实现对流速和浓度的控制需先对一次风管道煤粉的流速实现精确测量。
随着电厂规模的增加和节能意识的提高,制粉***的设计越来越紧凑、一次风道越来越短,而测量装置安装在磨煤机一次风道进口处,其测点位置距离冷、热风混合处仅为1.5倍当量直径,远小于测试要求的5倍当量直径;且煤粉流速流量的测量环境为风粉混合环境,冷、热风的流速和温度偏差较大,造成测量截面处气流分布不均,测量装置所处的位置气流不稳定,流场冷热态差别大,导致很多火力发电厂煤粉的流速无法准确测量且线性度较差。
国内许多电厂和机构针对此问题进行了多方的摸索,尝试的方向多集中于测量元件的优化:如采用新型机翼测量装置、变单点测量为多点测量等,但这些尝试效果都不明显且带来额外的改造和维护费用;也有部分研究人员试图利用流体力学方程间接计算,但对测量精度的改进依然不大;国外有部分研究已将数值模拟方法应用于火电厂的设备改造和***优化,但尚未有利用数值模拟方法提高测量精度的算例。目前仍缺乏准确、可靠的一次风粉复杂两相流动介质的测量技术。
发明内容
发明目的:本发明目的在于针对现有技术的不足,提供一种基于作用力的煤粉流速测量方法及***,能够快速适应新的数据输入并更新预测结果,对压力测量数据进行实时处理和预测,提高煤粉流速测量的实时性,使得对煤粉流速的监测和调控更加精确和迅速。
技术方案:本发明所述基于作用力的煤粉流速测量方法,包括:
S1:采用压力传感器、煤粉测速仪采集管道内的压力值和流速值,每条数据均包含时间信息,记录一段时间内的压力值和流速值的时序变化;
S2:对S1采集的数据进行预处理,将预处理后的数据划分为训练集和测试集;
S3:构建时间递归神经网络模型,用于学习压力和煤粉流速之间的时序关系,包括输入层、N个隐含层、输出层,
所述输入层用于接收压力值、流速值作为时间序列输入,假设时间步长为T,第t个时间步的输入表示为,其中/>是压力值,/>是流速值;
每个所述隐含层包含一个时间递归单元,第个时间递归单元的隐含层状态表示为:
其中,是输入层到隐含层的权重矩阵,/>是隐含层到隐含层的权重矩阵,/>是偏置向量,/>是非线性激活函数;
所述输出层用于预测下一个时间步的流速值,输出层的表达式为:
其中,V是隐含层到输出层的权重矩阵,c是偏置向量;
S4:采用RMSE作为目标函数,以衡量预测值与真实值之间的差异,RMSE通过计算预测值与真实值之间平方差的均值,然后取平方根得到:
其中,T是时间序列的长度,是模型预测的流速值,/>是真实的流速值;
采用训练集对模型进行训练,根据目标函数的梯度,通过反向传播算法计算梯度,并根据学习率调整权重值和偏置值,以最小化目标函数;
S5:采用测试集对训练好的模型进行评估,将测试集的压力值时间序列数据输入训练好的模型,得到对应的煤粉流速值的预测结果。
进一步完善上述技术方案,所述S2数据预处理包括;首先去掉异常值和缺失值,然后进行归一化处理,数据范围为(0,1),再使用滑动窗口的方法,将一系列连续的压力测量值转换为一组时间步的输入序列,经过转化的数据集作为模型的输入变量。
进一步地,所述数据按照时间顺序划分,将前80%的数据作为训练集,后20%的数据作为测试集。
进一步地,所述隐含层为三层,其中:
第一层LSTM(units=64, return_sequences=True, input_shape=(timesteps,input_dim)),第一层LSTM具有64个单元,返回完整的序列输出,并且输入形状为(timesteps, input_dim),其中timesteps表示时间步数,input_dim表示每个时间步的特征维度;
第二层LSTM(units=32, return_sequences=True),第二层LSTM具有32个单元,返回完整的序列输出;
第三层LSTMLSTM(units=16),第三层LSTM具有16个单元,不再返回序列输出,只返回最后一个时间步的输出。
进一步地,所述隐含层采用的非线性激活函数为ReLU。
进一步地,所述S4训练过程包括:
S401:采用随机梯度下降作为优化器,并设置学习率;
S402:定义最大迭代次数、批次大小和收敛容差作为停止条件;
S403:在每次迭代中,首先对训练集进行打乱,然后将训练集分成多个批次进行训练,在每个批次中,通过前向传播计算预测值,并计算损失函数;然后使用反向传播算法计算梯度,并使用优化器更新模型的权重和偏置;在每次迭代结束后,使用训练集计算损失和评估指标,并记录训练过程中的损失和评估指标;
S404:判断当前训练过程是否达到停止条件,如果没有,重复进行前向传播、损失函数计算、反向传播和参数更新,直到达到停止条件则停止训练。
本发明还提供用于实现上述基于作用力的煤粉流速测量方法的***,包括:
数据采集模块,用于采集管道内的压力值和流速值,每条数据均包含时间信息,记录一段时间内的压力值和流速值的时序变化;
数据处理模块,对损失数据采集模块采集的数据进行预处理,将预处理后的数据划分为训练集和测试集;
时间递归神经网络模型模块,包括输入层、N个隐含层、输出层,
所述输入层用于接收压力值、流速值作为时间序列输入,假设时间步长为T,第t个时间步的输入表示为,其中/>是压力值,/>是流速值;
每个所述隐含层包含一个时间递归单元,第个时间递归单元的隐含层状态表示为:
其中,是输入层到隐含层的权重矩阵,/>是隐含层到隐含层的权重矩阵,/>是偏置向量,/>是非线性激活函数;
所述输出层用于预测下一个时间步的流速值,输出层的表达式为:
其中,V是隐含层到输出层的权重矩阵,c是偏置向量;
采用RMSE作为目标函数,以衡量预测值与真实值之间的差异,RMSE通过计算预测值与真实值之间平方差的均值,然后取平方根得到:
其中,T是时间序列的长度,是模型预测的流速值,/>是真实的流速值;
训练模块,采用训练集对模型进行训练,根据目标函数的梯度,通过反向传播算法计算梯度,并根据学习率调整权重值和偏置值,以最小化目标函数;
测试模块,采用测试集对训练好的模型进行评估,将测试集的压力值时间序列数据输入训练好的模型,得到对应的煤粉流速值的预测结果。
有益效果:与现有技术相比,本发明的优点在于:针对煤粉流速这样具有时变性质的数据,本发明提供的基于作用力的煤粉流速测量方法,采用时间递归神经网络模型,能够处理时间序列数据,并通过时间的信息来捕捉数据之间的时序关系,通过循环单元内部的记忆机制,可以保持和传递过去时间步的信息,从而能够捕捉到长期的依赖关系,对于煤粉流速测量来说尤为重要,因为煤粉流速可能受到多个时间步之前的压力变化的影响。在煤粉流速测量中,由于实际操作中采样频率可能不均匀,或者存在缺失数据的情况,本发明提供地方法能够处理可变长度序列,以自适应地处理这些变化,并利用有效的时间信息进行预测。同时,本发明所采用方法参数在时间上是共享的,这意味着模型的参数量相对较少,可以更有效地利用数据进行训练,对于煤粉流速测量,这对于数据较少的情况尤为重要。
通过学习历史的压力变化和煤粉流速之间的关系,提供对未来煤粉流速的预测,这对于实时监测和控制煤粉流速具有重要意义,可以帮助及时发现异常情况或优化燃烧过程;通过快速适应新的数据输入并更新预测结果,对压力测量数据进行实时处理和预测,这可以提高煤粉流速测量的实时性,使得对煤粉流速的监测和调控更加精确和迅速;通过处理不同时间步之间的不规则间隔和缺失数据,以适应不同的测量条件和数据质量,这使得煤粉流速测量更具灵活性和可靠性。
附图说明
图1是本发明所公开基于作用力的煤粉流速测量方法的流程图;
图2是本发明所采用时间递归神经网络模型的体系图;
图3是本发明模型训练过程流程图;
图4是本发明所公开基于作用力的煤粉流速测量***的框图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例1:本实施例提供了基于作用力的煤粉流速测量方法,包括如下步骤:
S1:采用压力传感器、煤粉测速仪收集磨煤机一次风环境中的压力和煤粉流速数据,确保数据包含时间信息,记录一段时间内的压力和煤粉流速的时序变化。
S2:对采集的数据进行预处理;在数据预处理阶段,去掉异常值和缺失值,然后进行归一化处理,数据范围为(0,1),使其范围落在一个较小的区间内,以提高模型训练的稳定性和收敛速度;再按照时间索引排序,将一系列连续的压力测量值转换为一组时间步的输入序列,经过转化的数据集作为模型的输入变量,按照时间顺序划分,将前80%的数据作为训练集,后20%的数据作为测试集。
S3:构建时间递归神经网络模型,利用输入序列中的时间信息,学习压力和煤粉流速之间的时序关系,如图2所示,在时间递归神经网络的每个时间段中,当前输入与上一个时刻的中间状态共同作用产生新的中间状态,这个中间状态就表示了当前时刻与过去时刻之间的相互关系,当前的输出由过去时刻与当前时刻之间的相互关系决定。具体地,本发明采用了输入层、三个隐含层和输出层。每个隐含层包含一个时间递归单元(LSTM单元),并使用ReLU作为非线性激活函数。
输入层:输入层接收压力和煤粉流速的值作为时间序列输入,假设时间步长为T,第t个时间步的输入表示为,其中/>是压力值,/>是流速值;
隐含层:模型中包含N个时间递归单元,用于处理不同时间尺度上的时序关系,每个时间递归单元包括一个隐含层,可以采用非线性激活函数来引入非线性,第i个时间递归单元的隐含层状态可以表示为:
其中,是输入层到隐含层的权重矩阵,/>是隐含层到隐含层的权重矩阵,/>是偏置向量,/>是非线性激活函数。
隐含层采用LSTM作为RNN层的变体,通过多层RNN以增加模型复杂性和表达能力,以及在每个层中增加ReLU作为非线性激活函数,具体地,
LSTM(units=64,return_sequences=True, input_shape=(timesteps, input_dim)):这是第一层LSTM,具有64个单元,返回完整的序列输出,并且输入形状为(timesteps, input_dim),其中timesteps表示时间步数,input_dim表示每个时间步的特征维度。
LSTM(units=32, return_sequences=True):这是第二层LSTM,具有32个单元,同样返回完整的序列输出。
LSTM(units=16):这是第三层LSTM,具有16个单元,不再返回序列输出,只返回最后一个时间步的输出。
输出层:输出层用于预测下一个时间步的煤粉流速值,输出层的表达式为:
其中,V是隐含层到输出层的权重矩阵,c是偏置向量。
模型的训练过程中使用均方根误差(RMSE)作为目标函数,以衡量预测值与真实值之间的差异,RMSE可以通过计算预测值与真实值之间的平方差的均值,然后取平方根得到:
其中,T是时间序列的长度,是模型预测的流速值,/>是真实的流速值。
采用训练集对模型进行训练,通过指定学习率(learning_rate)来控制每次参数更新的步长,根据目标函数的梯度,通过反向传播算法计算梯度,并根据学习率调整权重值,重复迭代训练过程,直到达到停止条件(如达到最大迭代次数或目标函数收敛),以最小化目标函数。
训练过程如图3所示,包括:
采用随机梯度下降(SGD)算法作为优化器,并设置学习率;
定义最大迭代次数(max_epochs)、批次大小(batch_size)和收敛容差(tolerance)作为停止条件;
在每次迭代中,首先对训练集进行打乱,然后将训练集分成多个批次进行训练,在每个批次中,通过前向传播计算预测值,并计算损失函数;然后使用反向传播算法计算梯度,并使用优化器更新模型的权重和偏置;在每次迭代结束后,使用训练集计算损失和评估指标,并记录训练过程中的损失和评估指标;
判断当前训练过程是否达到停止条件,如果达到则停止训练,如果没有,重复进行前向传播、损失计算、反向传播和参数更新,直到达到停止条件(如达到最大迭代次数或损失函数收敛)。
使用测试集对训练好的模型进行评估,将测试集的压力值时间序列数据输入训练好的模型,得到对应的煤粉流速值的预测结果。使用RMSE指标来评估预测结果与真实值之间的差异,计算公式如前述。
实施例2:如图4所示,本实施例提供了基于作用力的煤粉流速测量***,包括
数据采集模块,用于采集管道内的压力值和流速值,每条数据均包含时间信息,记录一段时间内的压力值和流速值的时序变化;
数据处理模块,对损失数据采集模块采集的数据进行预处理,将预处理后的数据划分为训练集和测试集;
时间递归神经网络模型模块,用于学习压力和煤粉流速之间的时序关系,包括输入层、N个隐含层、输出层。
训练模块,采用训练集对模型进行训练,根据目标函数的梯度,通过反向传播算法计算梯度,并根据学习率调整权重值和偏置值,以最小化目标函数;
测试模块,采用测试集对训练好的模型进行评估,将测试集的压力值时间序列数据输入训练好的模型,得到对应的煤粉流速值的预测结果。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (7)
1.一种基于作用力的煤粉流速测量方法,其特征在于,包括:
S1:采用压力传感器、煤粉测速仪采集管道内的压力值和流速值,每条数据均包含时间信息,记录一段时间内的压力值和流速值的时序变化;
S2:对S1采集的数据进行预处理,将预处理后的数据划分为训练集和测试集;
S3:构建时间递归神经网络模型,用于学习压力和煤粉流速之间的时序关系,包括输入层、N个隐含层、输出层,
所述输入层用于接收压力值、流速值作为时间序列输入,假设时间步长为T,第t个时间步的输入表示为,其中/>是压力值,/>是流速值;
每个所述隐含层包含一个时间递归单元,第个时间递归单元的隐含层状态表示为:
其中,是输入层到隐含层的权重矩阵,/>是隐含层到隐含层的权重矩阵,/>是偏置向量,/>是非线性激活函数;
所述输出层用于预测下一个时间步的流速值,输出层的表达式为:
其中,V是隐含层到输出层的权重矩阵,c是偏置向量;
S4:采用RMSE作为目标函数,以衡量预测值与真实值之间的差异,RMSE通过计算预测值与真实值之间平方差的均值,然后取平方根得到:
其中,T是时间序列的长度,是模型预测的流速值,/>是真实的流速值;
采用训练集对模型进行训练,根据目标函数的梯度,通过反向传播算法计算梯度,并根据学习率调整权重值和偏置值,以最小化目标函数;
S5:采用测试集对训练好的模型进行评估,将测试集的压力值时间序列数据输入训练好的模型,得到对应的煤粉流速值的预测结果。
2.根据权利要求1所述的基于作用力的煤粉流速测量方法,其特征在于:所述S2数据预处理包括;首先去掉异常值和缺失值,然后进行归一化处理,数据范围为(0,1),再使用滑动窗口的方法,将一系列连续的压力测量值转换为一组时间步的输入序列,经过转化的数据集作为模型的输入变量。
3.根据权利要求2所述的基于作用力的煤粉流速测量方法,其特征在于:所述数据按照时间顺序划分,将前80%的数据作为训练集,后20%的数据作为测试集。
4.根据权利要求1所述的基于作用力的煤粉流速测量方法,其特征在于:所述隐含层为三层,且采用LSTM为每一层,其中:
第一层LSTM(units=64, return_sequences=True, input_shape=(timesteps,input_dim)),第一层LSTM具有64个单元,返回完整的序列输出,并且输入形状为(timesteps, input_dim),其中timesteps表示时间步数,input_dim表示每个时间步的特征维度;
第二层LSTM(units=32, return_sequences=True),第二层LSTM具有32个单元,返回完整的序列输出;
第三层LSTMLSTM(units=16),第三层LSTM具有16个单元,不再返回序列输出,只返回最后一个时间步的输出。
5.根据权利要求4所述的基于作用力的煤粉流速测量方法,其特征在于:所述隐含层采用的非线性激活函数为ReLU。
6.根据权利要求1所述的基于作用力的煤粉流速测量方法,其特征在于:所述S4训练过程包括:
S401:采用随机梯度下降作为优化器,并设置学习率;
S402:定义最大迭代次数、批次大小和收敛容差作为停止条件;
S403:在每次迭代中,首先对训练集进行打乱,然后将训练集分成多个批次进行训练,在每个批次中,通过前向传播计算预测值,并计算损失函数;然后使用反向传播算法计算梯度,并使用优化器更新模型的权重和偏置;在每次迭代结束后,使用训练集计算损失和评估指标,并记录训练过程中的损失和评估指标;
S404:判断当前训练过程是否达到停止条件,如果没有,重复进行前向传播、损失函数计算、反向传播和参数更新,直到达到停止条件则停止训练。
7.一种用于实现权利要求1所述基于作用力的煤粉流速测量方法的***,其特征在于,包括:
数据采集模块,用于采集管道内的压力值和流速值,每条数据均包含时间信息,记录一段时间内的压力值和流速值的时序变化;
数据处理模块,对损失数据采集模块采集的数据进行预处理,将预处理后的数据划分为训练集和测试集;
时间递归神经网络模型模块,包括输入层、N个隐含层、输出层,
所述输入层用于接收压力值、流速值作为时间序列输入,假设时间步长为T,第t个时间步的输入表示为,其中/>是压力值,/>是流速值;
每个所述隐含层包含一个时间递归单元,第个时间递归单元的隐含层状态表示为:
其中,是输入层到隐含层的权重矩阵,/>是隐含层到隐含层的权重矩阵,/>是偏置向量,/>是非线性激活函数;
所述输出层用于预测下一个时间步的流速值,输出层的表达式为:
其中,V是隐含层到输出层的权重矩阵,c是偏置向量;
采用RMSE作为目标函数,以衡量预测值与真实值之间的差异,RMSE通过计算预测值与真实值之间平方差的均值,然后取平方根得到:
其中,T是时间序列的长度,是模型预测的流速值,/>是真实的流速值;
训练模块,采用训练集对模型进行训练,根据目标函数的梯度,通过反向传播算法计算梯度,并根据学习率调整权重值和偏置值,以最小化目标函数;
测试模块,采用测试集对训练好的模型进行评估,将测试集的压力值时间序列数据输入训练好的模型,得到对应的煤粉流速值的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310717017.8A CN116757078A (zh) | 2023-06-16 | 2023-06-16 | 一种基于作用力的煤粉流速测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310717017.8A CN116757078A (zh) | 2023-06-16 | 2023-06-16 | 一种基于作用力的煤粉流速测量方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757078A true CN116757078A (zh) | 2023-09-15 |
Family
ID=87949091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310717017.8A Pending CN116757078A (zh) | 2023-06-16 | 2023-06-16 | 一种基于作用力的煤粉流速测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757078A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116991145A (zh) * | 2023-09-25 | 2023-11-03 | 上海纳信实业有限公司 | 一种应用于励磁电流的主控单元制备测试方法和装置 |
-
2023
- 2023-06-16 CN CN202310717017.8A patent/CN116757078A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116991145A (zh) * | 2023-09-25 | 2023-11-03 | 上海纳信实业有限公司 | 一种应用于励磁电流的主控单元制备测试方法和装置 |
CN116991145B (zh) * | 2023-09-25 | 2023-12-15 | 上海纳信实业有限公司 | 一种应用于励磁电流的主控单元制备测试方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN109558975B (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及*** | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测***及方法 | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
CN105886680B (zh) | 一种高炉炼铁过程铁水硅含量动态软测量***及方法 | |
CN113107626B (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
CN110296833B (zh) | 一种面向液压缸综合测试台的软测量方法及*** | |
CN112170501B (zh) | 一种轧辊磨损凸度和热凸度的预测方法 | |
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN114742278A (zh) | 一种基于改进lstm的建筑能耗预测方法及*** | |
CN110189800B (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
CN116757078A (zh) | 一种基于作用力的煤粉流速测量方法及*** | |
CN113591374B (zh) | 基于卷积简单循环单元网络的水泥成品比表面积预测方法 | |
CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN114066069A (zh) | 一种组合权重的副产煤气发生量预测方法 | |
CN110826794A (zh) | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116663727A (zh) | 一种光伏功率预测方法及*** | |
CN115656439A (zh) | 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 | |
CN103793767B (zh) | 基于炼钢节奏估计的冶金企业转炉煤气发生量长期预测方法 | |
CN113973403B (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN115907178A (zh) | 一种净生态***co2交换量的预测方法 | |
CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 |
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 |