基于燃煤智能发电平台ICS的智能报警模型应用分析

针对燃煤火力发电站,基于智能发电平台ICS,搭建智能报警模块,开发基于斜率变化算法、设备健康度打分算法、基于大数据学习的期望值偏离算法、神经网络算法、逻辑故障树和专家知识库诊断、物理机理模型的智能报警应用,提升机组提前发现缺陷和预警故障能力,提高火力发电的主动安全性。结果表明:开发智能报警应用的算法至少包括3大类8种模型,3大类模型包括专家经验模型、纯数据分析模型、物理机理模型。在国电内蒙古东胜热电有限公司1号机组ICS中,应用了6300多例参数变化率异常预警,1000多条基于大数据分析和神经网络算法自学习出来的各工况下标准参数和期望区间,300种典型的逻辑故障树。基于3大类、8种模型的复合型智能报警和预警系统功能强大,能带来安全水平提升和可观的经济收益。

基于深度物理启发神经网络的微波波导器件逆设计方法

使用物理启发的神经网络方法求解物理逆问题正成为一种趋势,但仅通过损失函数引入物理信息的方案难以求解.为解决电磁器件逆设计中物理启发神经网络模型不易收敛的问题,本文引出了深度物理启发神经网络.深度物理启发神经网络使用偏微分方程的基本解构成的网络替代传统的前馈神经网络,将数学物理模型嵌入网络结构.这一特点使深度物理启发网络的训练参数具有实际物理意义,相较传统物理启发神经网络拥有更简洁的损失函数,计算效率和稳定性也有明显提升.以二端口波导的散射参数设计为例,数值实验结果表明该方案在保证与设计目标相关性系数大于0.99的同时,最快可在25 s实现器件逆设计,且能够获得多样化的结构设计结果.本文提出的方法为逆物理问题求解构建及神经网络的物理信息嵌入探索提供了新思路.

神经网络及其在网络通讯中的应用研究

首先说明采用神经网络技术进行网络通讯应用研究的优势和目的 ,然后 ,介绍有关神经网络及其在通讯网中应用研究的各项理论成果和技术应用成果 ,以及如何采用 EDA技术来设计和开发可商业化的实际应用系统 .

基于神经网络的交互式物理规划及在机械设计中的应用研究

在给定Pareto解附近，用神经网络建立了Pareto曲面的近似模型，以探索新的Pareto解。在给定Pareto解附近随机产生一组Pareto解，利用可视化工具将它们展示给设计者，并用定性和定量相结合的方法评定它们的分值。利用神经网络，建立Pareto解到评分值的映射，以表达设计者在给定Pareto解附近的局部偏好。然后用遗传算法进行优化，找到最佳符合设计者偏好的Pareto解。以这个Pareto解为期望点，求解折衷规划，从而得到最终的优化设计方案。

基于DOE和神经网络的增压柴油机实时模型建模方法研究

基于一维仿真物理模型,研究了发动机实时模型的建模理论和方法。将发动机划分为进排气管路、中冷器、涡轮增压器和气缸四个子系统,分别探讨了各个子系统的建模方法,并重点研究了利用DOE和人工神经网络构建发动机气缸模型的方法。在此基础上,以道依茨BFM1015增压中冷柴油机为对象,对该方法进行了验证。研究结果表明:与传统的面向控制的平均值模型相比,运用新方法建立的面向控制的发动机实时模型误差小于5%,具有精度高、对试验数据依赖低等特点。

基于均匀设计差分法和模糊神经网络的隧道围岩物理力学参数反分析

基于均匀设计、差分法和模糊人工神经网络建立了新的隧道围岩物理力学参数反分析方法。按照均匀设计要求,选取不同物理力学参数;用FLAC差分程序进行计算,得出了相应的神经网络分析样本;进行了网络结构及学习参数的优化;对模糊神经网络进行了学习训练;据学习结果,利用各监测断面实测数据,对韩家岭隧道围岩物理力学参数进行了反分析,反分析结果满足精度要求。

基于神经网络模型的优化布图技术综述

本文对可用于集成电路布图的神经网络模型和神经优化计算方法作了概括和总结,比较了它们的优缺点及其在IC布图中的应用前景;分析了神经网络在集成电路布图中的应用现状和存在的问题;提出了各类优化计算神经网络模型求解集成电路布图问题的一些网络映射方法和应用方法;提出了基于神经网络的布图算法在串行机上模拟的几种速度提高方法。

骡坪隧道围岩参数的智能反分析研究

基于有限元理论、正交设计和人工神经网络建立了新的隧道围岩物理力学参数智能反分析方法。按照正交设计和均匀设计要求选取不同物理力学参数,用ANSYS有限元程序计算得出相应的神经网络分析样本;进行网络训练和网络结构及学习参数优化;利用现场监测数据,对骡坪隧道围岩物理力学参数进行神经网络反分析,分析结果满足精度要求。

烟丝物理质量的制丝工艺神经网络模型及其评价

为研究制丝过程工艺加工强度对烟丝物理质量的影响,针对某品牌烟制丝工艺过程的松散回潮、一次加料、叶丝增温增湿和叶丝干燥4个加工过程,选取其中关键的5个工艺参数进行均匀试验设计;根据各试验组检测的烟丝填充值、整丝率、碎丝率,对工艺参数和质量指标进行BP神经网络建模;应用建立的模型预测不同工艺参数组合对应的物理质量,通过3组试验验证了模型的准确适用。整丝率检测结果为80.34%、82.73%、85.42%,对应的预测结果为80.89%、82.12%、84.86%;碎丝率检测结果为1.87%、1.61%、1.74%,对应的预测结果为1.6%、1.58%、2.2%;填充值的检测结果为4.57、4.73、4.60 cm3/g,对应的预测结果为4.48、4.51、4.62 cm3/g。此方法为制丝过程工艺参数优化提供了新思路,可辅助于生产指导、降低试验研究成本。

一种基于浮栅NMOS晶体管的可编程神经网络芯片的设计和应用

本文设计了一种浮栅NMOS晶体管神经网络,其结构简单、占用芯片面积小、连接强度可连续调整,同时,还具有分布神经元结构特点,可级联成大网络.用3μm浮栅NMOS工艺制造出的8×8全互连神经网络芯片,它有128个可编程浮栅NMOS晶体管,相当于8个神经元构成的全互连网络.以阿拉伯数字识别和二值图象处理为例,研究结果表明,该网络具有实用前景,且有很大灵活性,同时由于结构简单和适合集成电路工艺特点而便于制造。

基于主成分与BP神经网络耦合的渠道过冰能力预测

我国北方严寒地区部分渠道由于设计年限久远,在形式和结构上未考虑冰荷载影响,不具备结冰盖冬季输水的条件,只能以冰水二相流的形式输水。对于冰水二相流而言,使冰凌随水流输运,避免流冰在输移过程中停滞、卡堵、堆积,是保证冰期安全输水的关键。桥墩,闸墩等束窄断面是最易出现冰塞的部位。为了完成冬季输水与发电任务,保障社会经济效益,对渠道墩柱断面过冰能力的研究成为亟待解决的问题。为此开展了渠道墩柱断面过冰能力物理模型试验。通过试验数据,对影响过冰能力的水力要素进行主成分分析,进而联合BP神经网络对过冰能力进行预测。结果表明,本次所采用算法较单一BP神经网络预测与非线性拟合所得结果更为精确,对冬季渠道安全输水具有一定的借鉴意义。

基于FPGA的低功耗低资源的BP神经网络推理加速器设计

分析表明,BP神经网络在非线性拟合、小数据量预测等场合取得了较好的效果。由于其结构简单、计算量小,十分适合低功耗、高实时性和资源敏感的嵌入式场景。基于FPGA平台,设计了一种基于微处理器的BP神经网络前向推理加速器。在精度与资源的折中考虑下,通过定点化、分段拟合逼近、模块复用等方法降低了功耗与资源消耗。结果表明,系统的最大误差为0.0018,功耗为0.286 W,逻辑资源消耗约占FPGA资源的10%,可以满足实际应用需求。

基于RBF神经网络模型和优劣解距离分析的复鞣填充工艺优化

使用正交设计、RBF神经网络模型、皮尔逊相关性分析和优劣解距离分析等4种统计学方法对皮革复鞣填充进行设计、拟合、分析与优化,并得出以下结论:RBF神经网络模型可很好地拟合制革复鞣填充过程,物理力学性能的均方误差<0.05;皮尔逊相关性分析则可揭示不同皮革化学品与物理力学性能的相关性和显著性,其中羊毛脂与物理力学性能呈现正相关的强显著性(p<0.05);结合RBF神经网络和优劣解距离分析可对全面实验进行预测和评价,从而得到最优解,理论最优解和实测值偏差<10%。