【摘 要】
：
为弥补核动力蒸汽发生器(SG)水位传统测量方法的不足,提出了基于神经网络(ANN)的SG水位软测量新方法。该方法的原理是:先选取对SG水位有重要影响的参数作为SG水位软测量的辅
【机 构】
：
海军工程大学,核能科学与工程系,湖北,武汉,430033
论文部分内容阅读
为弥补核动力蒸汽发生器(SG)水位传统测量方法的不足,提出了基于神经网络(ANN)的SG水位软测量新方法。该方法的原理是:先选取对SG水位有重要影响的参数作为SG水位软测量的辅助变量,并利用辅助变量的运行监测数据和神经网络建立SG水位动力学模型,然后使用该模型来预测SG水位。影响SG水位的主要因素为蒸汽流量、给水流量、蒸汽压力和前一时刻水位,因此选择这些参数作为SG水位软测量的辅助变量。SG水位动力学建模采用一个三层BP神经网络。神经网络的训练算法采用动量-自适应学习率BP学习算法。神经网络的输入为辅助变量的监测信号,输出为SG水位。为验证所提方法的可行性,在核动力装置典型运行工况下将训练成功后的网络用于SG水位测量。研究结果表明,软测量方法能够正确地测量SG的水位且具有较高的测量精度。
其他文献
针对传统自组织神经网络神经元数必须预先确定的问题,提出了一种增长型自组织神经网络(Growing SOM)算法,该算法使得神经网络的结构可以根据实际需要在线修改.将其与模糊算法
基于线性二次型高斯最优中制导律,提出了一种基于BP神经网络的最优中制导律,有效地解决了制导终端的过载和攻角突变问题。考虑到目标机动这一情况,通过改进网络的权值和阈值
针对ART2网络所固有的和对于特定场合应用中存在的一些缺陷和不足,分析了ART2网络的运行机理和结构特点。系统总结了ART2神经网络的多种改进方法。
提出了一种神经网络聚类加权集成方法。首先,采用聚类和Bagging技术产生训练集,这样产生的训练集能够侧重地模拟原始训练集分布的某一方面,既能使每个网络发生的错误尽可能的
提出了一种新的基于BP神经网络的DMC预测控制算法,论述了其原理并进行DMC预测控制系统仿真,实现了在模型失配明显的情况下对系统的有效控制。在该算法中,BP神经网络基于一系
基于免疫系统中的克隆选择原理,提出了一种多目标克隆选择算法MCSA.该方法只对部分当前所得到的Pareto最优解进行进化操作,所求得的Pareto最优解保留在一个不断更新的外部记
为解决基于粒子群优化算法(PSO)的BP网络训练算法(PSO-BP)易陷入局部极小值,不能有效提高训练精度等问题,本文提出了一种速度可调节的粒子群算法-AVPSO算法,并将其应用到BP网
通过直接神经动态规划方法的原理分析,并根据倒立摆的状态变量,构建了评价网络和执行网络。把4个状态变量和执行网络的1个输出作为评价网络的输入,评价网络的输出作为代价(co
由于船舶的吃水、装载量、船体污底等变化较大,天气、海况的变化难以预料和测量,以上这些干扰信号不能直接用于控制,目前的远洋船上多采用降低灵敏度的方法对其进行补偿.船舶
使用被控对象的RBF信息辨识算法,通过神经网络建立被控对象的数学模型,将Smith预估蕴含于神经网络之中,充分发挥了神经网络任意逼近非线性对象的特点。既实现了Smith预估控制