基于模糊神经网络的离心压缩机性能研究

发布时间：2020-06-08 01:36

【摘要】： 离心式压缩机是工业上广泛应用的高速大型设备,运行性能与实际生产关系密切,其实际工作状态与其设计工作条件往往存在某种差异,需要根据机组的实际条件对性能曲线进行重新计算和评价。传统理论计算模型不是需要依赖于相似性假设的准确性及其被满足的程度,就是需要经验公式,或者建立非常复杂的流体力学数学模型。但离心式压缩机影响因素众多,采用传统方法建模往往精度低、通用性差。本论文将模糊神经网络用于离心式压缩机性能模型的建立,其本身所特有的优点有利于解决上述问题。论文探讨采用以模糊神经网络为核心及其应用中的相关问题,建立了离心式压缩机性能的模糊神经网络模型,为离心式压缩机的性能预测和控制提供更好的模型。 建立了Elman动态递归人工神经网络的压缩机性能模型,计算结果显示:输出为二时,当隐含层和结构层节点个数为四时,检验误差取得最小,训练误差为3.12201,检验误差为0.5906,基本能够反映系统的运行状况,但模型精度不够高。 建立了基于Takagi-Sugeno模糊推理的具有自适应功能的模糊神经网络模型,模糊聚类算法采用MMC算法,计算结果显示,当潜能半径r_a取0.6而r_b取1.1时,网络有较佳的性能。训练误差为0.52844,检验误差为0.59579,生成的模糊规则数少,精度更高,计算量更少。 通过采用模糊C均值聚类建立了能够反映压缩机基本运行趋势的主模型,再利用模糊主控制模型的输出与其他输入向量通过最速梯度下降法训练模糊神经网络,初始值不再选取为随机数,极大地改善了网络的训练时间或陷入非要求的局部极小值的问题。计算结果显示,模型能够反映压缩机的运行状况,整个网络对训练样本的误差为0.2618,对检验样本的误差为0.3622,结果令人满意。 本文将透平与离心式压缩机看作一体,简化为一阶惯性系统,将此一阶惯性系统叠加到模糊神经网络模型中,建立模糊控制模型,分析计算显示:(1)单独调整偏差量化因子或偏差变化量化因子,系统的响应性能都不够理想。而综合调整二者的值,在一定范围内,系统响应时间和超调逐步改善,性能较优;(2)增大控制增量的比例因子,或增加规则表对偏差变化的敏感程度,响应时间减少,响应过程超调增加,收敛时间变长;(3)调整各变量的隶属函数向中间收缩,响应时间变长,超调减少,系统收敛时间变长。 本文在基本模糊控制器的基础上,加入一积分因子自调整机构,仿真结果显示,被控对象能够迅速响应期望值的变化,整个过程响应时间几乎不超过5秒,且到达期望值以后,迅速稳定下来。
【图文】：

缩机高压缸(型号7CK31)和三个段间冷却器组成，它们与驱动透平安装在同一个底座上。机组装有调节、保安系统、润滑油系统等以保证机组安全运转和有效操作。机组配置图如图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 图2一1机组配置图机组的工艺性能及参数见下表。表2一1空气压缩机工艺性能及参数缸缸别 别低压缸 (5CK57)))高压缸 (7CK31)))段段别 别 lll222333444气气体性能能组分 分空气 气相 相相对湿度 度 80%%%分 分分子量 量 28.81~28.2111 KKKKK=CP/Cvvv1.39555压 压压缩性系数 数 111气 气气体常数 数 29.43~30.0666操操作条件件正常常入口温度、℃ ℃ 37.88840.555540.55553555入 入 入入口压力、kg/em， ， 0.928882.18885.988814.3555出 出 出出口温度、℃ ℃ 159991899916555157

用人工神经网络的自学习和泛化功能改善压缩机的计算模型精度.改善模型的泛化性育琶。图3一2是压缩机理论模型与人工神经网络结合方式的示意图.先利用压缩机理论模型对取自学习样本的输入参数计算得到理论输出，再将理论输出和输入参数标准化后一起作为神经网络的输入值，将学习样本中的实际输出量数据作为神经网络的期望输出值，对神经网络进行训练，调整连接权值.训练完毕后，利用压缩机理论模型由输入参数计算出理论输出值，再将该理论输出和输入参数标准化后作为神经网络模型的输入，，进而计算出神经网络模型的输出，最后将其反标准化后即可得整个模型的实际输出.压压缩机 机机机机机机理理论棋型型型神经网网络 络络络棋型型图3一2人工神经网络与压缩机理论模型的结合方式 3.1.4模糊神经网络在压缩机性能模型建立中的应用分析压缩机一般是涉及机、液、电等多学科技术领域的综合系统，运行时压缩机各组分运行参数相互影响
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：TH452

【相似文献】

相关期刊论文 前10条

1 佟铮;张友鹏;;基于BP神经网络的机车轮对故障诊断系统研究[J];铁路技术创新;2009年01期

2 黄莲花;李光明;;神经网络数据融合在车用传感器中的应用[J];装备制造技术;2011年08期

3 景利学;苏宏升;谢明军;冉鹏程;;电压型BUCK变换器控制策略研究[J];电气传动自动化;2011年04期

4 姜平;黄志鹏;;基于神经网络的公交客流预测[J];交通标准化;2008年13期

5 尹骏晖;李伶;杜青;;基于神经网络和柔度曲率的简支梁损伤识别[J];山西建筑;2011年21期

6 孙海龙;冯超;匙瑞堂;;滚动轴承状态监测[J];工业设计;2011年05期

7 杨鹤年;;机电一体化系统中的智能控制技术[J];煤炭技术;2011年07期

8 许杰;程锦房;何光进;;一种基于舰船磁场的神经网络识别模型[J];船电技术;2011年09期

9 蒯松岩;吴涛;代尚方;张旭隆;;基于RBF的无位置开关磁阻电机控制系统[J];电力电子技术;2011年07期

10 张赫;王炜;刘莹莹;;神经网络在交通流信息融合中的应用[J];武汉理工大学学报(交通科学与工程版);2011年04期

相关会议论文 前10条

1 侯艳芳;冯红梅;;基于神经网络的调制识别算法的研究[A];武汉(南方九省)电工理论学会第22届学术年会、河南省电工技术学会年会论文集[C];2010年

2 沈建荣;杨林泉;陈琳;;神经网络的稳定性判据与区域经济结构调整[A];系统工程与可持续发展战略——中国系统工程学会第十届年会论文集[C];1998年

3 石山铭;李富兰;丁俊丽;;神经网络的知识获取[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

4 吴清烈;徐南荣;;基于神经网络的一种多目标决策方法[A];复杂巨系统理论·方法·应用——中国系统工程学会第八届学术年会论文集[C];1994年

5 李晓钟;汪培庄;罗承忠;;神经网络与模糊逻辑[A];中国系统工程学会模糊数学与模糊系统委员会第五届年会论文选集[C];1990年

6 房育栋;余英林;;高阶自组织映射及其学习算法[A];1995年中国控制会议论文集（上）[C];1995年

7 王晓晔;杜朝辉;吕德忠;刘建峰;;神经网络模糊控制在温度控制系统中的应用[A];1997中国控制与决策学术年会论文集[C];1997年

8 金龙;吴建生;;基于遗传算法的神经网络短期气候预测模型(摘要)[A];新世纪气象科技创新与大气科学发展——中国气象学会2003年年会“气候系统与气候变化”分会论文集[C];2003年

9 申伟;张元培;;基于MATLAB的自适应神经网络模糊系统(ANFIS)的应用[A];《制造业自动化与网络化制造》学术交流会论文集[C];2004年

10 田艳兵;;BP算法和PSO算法在神经网络中的研究[A];第二十九届中国控制会议论文集[C];2010年

相关重要报纸文章 前10条

1 记者 陈青　通讯员 孙国根;揭示神经网络形成新机制[N];文汇报;2011年

2 于翔;数字神经网络中的协同应用[N];网络世界;2009年

3 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

4 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报首席记者 任荃　实习生 史博臻;轨交“神经网络”触动创新神经[N];文汇报;2011年

7 计算机世界实验室 韩勖;当布线系统遭遇神经网络[N];计算机世界;2009年

8 曹建兵 李祖兵 特约记者 何天进 本报记者 于莘明;给导弹植入“神经网络”[N];科技日报;2005年

9 谭薇;“潮湿计算机”：拥有人类智慧的超级大脑[N];第一财经日报;2010年

10 韩婷婷;ICT强壮奥运“神经网络”[N];通信产业报;2007年

相关博士学位论文 前10条

1 刘志祥;深部开采高阶段尾砂充填体力学与非线性优化设计[D];中南大学;2005年

2 戴雪龙;PET探测器神经网络定位方法研究[D];中国科学技术大学;2006年

3 马戎;智能控制技术在炼钢电弧炉中的应用研究[D];西北工业大学;2006年

4 文敦伟;面向多智能体和神经网络的智能控制研究[D];中南大学;2001年

5 吴大宏;基于遗传算法与神经网络的桥梁结构健康监测系统研究[D];西南交通大学;2003年

6 杜文斌;基于神经网络的冠心病证候诊断标准与药效评价模型研究[D];辽宁中医学院;2004年

7 熊雪梅;参数化模糊遗传神经网络及在植物病害预测的应用[D];南京农业大学;2004年

8 李智;电站锅炉燃烧系统优化运行与应用研究[D];东北大学;2005年

9 王承;基于神经网络的模拟电路故障诊断方法研究[D];电子科技大学;2005年

10 谭阳红;基于小波和神经网络的大规模模拟电路故障诊断研究[D];湖南大学;2005年

相关硕士学位论文 前10条

1 廖犬发;一种配电网故障区间诊断系统的研究[D];武汉大学;2004年

2 陈燕;基于粒计算——神经网络的故障诊断方法与应用[D];太原理工大学;2011年

3 魏秀;文化算法优化RBF神经网络及应用研究[D];太原理工大学;2011年

4 王晶;基于神经网络理论实现混沌系统控制与同步研究[D];郑州大学;2002年

5 易江义;神经网络PID控制在汽车发电机性能自动测试系统的应用[D];中南大学;2004年

6 张霞;GIS内部信号识别的神经网络建模及小波算法实现[D];天津大学;2003年

7 仲京臣;基于小波神经网络的故障诊断研究[D];中国海洋大学;2004年

8 任子武;基于神经网络的参数自整定PID控制算法研究[D];哈尔滨理工大学;2004年

9 高玉萍;基于专家系统与神经网络相结合的电力变压器故障诊断[D];西安理工大学;2005年

10 姆斯塔法;基于神经网络的二关节机器人协调控制[D];湖南大学;2005年

本文编号：2702321