毕设答辩.pptVIP

L/O/G/O 学生姓名：指导教师： 粉体加压气固两相流动 特性研究 研究概述 准备工作 实验部分 实验结论 本次论述将由以下四部分组成 4 1 2 3 目录 研究概述 研究背景 研究意义 研究目标 稀相输送中设备磨损严重，输送效率低，高压浓相气力输送技术显示了良好的经济效益，是清洁煤利用技术之一。 高压超浓相煤粉气力输送是煤炭高效清洁利用的关键技术，但是对其研究可借鉴的资料很少，难以获取其规律 特性参数的影响条件 神经网络的改进 神经网络原理分析 神经网络的建模 1.Davidson 气泡模型 2.Owen 相图法的三个参数 3.周云等对管内压降变化规律的研究 两相流研究 神经网络研究 实验设备研究 1.Mcculloch 和Pitts 神经元模型 2.Hopfield 非线性动力网络“Hopfield ”模型 3.周云龙等 希尔伯特黄变换与Elman网络结合 粉体高压连续密相气力输送实验装置的实验流程、信号采集系统以及测量数据 前期工作主要是对国内外研究成果的汇总分析，以及熟悉本次毕设所用设备的原理方法 准备工作 试验系统 管路阀门使煤粉在两个压力罐之间交替连续输送.高压氮气经缓冲罐后分成流化风、补充风和充压风三路,煤粉的实时输送量由高精度箔式电子秤称量测出. 最后通过信号采集系统送入计算机 粉体高压连续密相气力输送装置 煤粉加压气化炉的稳定 a,b曲线线性度良好 压力变化平稳，波动小 供煤系统稳定 流量和压差信号的可靠性 各路风量保持稳定，压差波动幅度较小 结论：测量系统稳定可靠 煤粉的输送特性试验 在高压超浓相气力输送试验台上，研究了煤粉粒径、输送压力、输送压差、流化风量等对煤粉质量流量、固气比等输送特性的影响。 质量流量:单位时间内流经管道某一截面的固体质量，单位kg·h-1 固气比:输送的固体流量与气体流量之比，单位kg·m-3 输送压力的影响 输送压差不变的条件下，质量流量和固气比均随输送压力的增大而增大 结论：高压输送有利于实现大流量高固气比输送 输送压差的影响 原因:煤粉的质量流量和气体流量均随压差的增大而增大 随着总数送压差的增大，质量流量增大，固气比先增大后减小 流化风量的影响 随着流化风量的增加，质量流量增加，但增加量减小；固气比先增大，后减小 aa 原因:流化风量增大后，煤粉颗粒之间平均距离增加 神经网络部分 神经网络是由大量计算单元构成的非线性系统，具有强大的智能处理信息的功能。 神经网络的特点： 具有并行分布式结构 具有高速信息处理的能力 很强的鲁棒性、容错性 自学习、自组织、自适应 一种具有高度非线性的系统 高压超浓气固两相流： 固相浓度高，流动复杂 与一般输送相差较大 可借鉴经验资料较少 对其特性参数建模复杂 BP神经网络 缺陷： 1. 学习速率为定值，学习过程中，误差收敛速度慢 ； 2.一味追求单调下降，学习过程中，容易陷入局部最小值； 3. BP 神经网络结构的确定缺乏充分的理论依据。 BP网络的改进 启发式改进方法 附加动量法 学习率自适应法 弹性BP算法 数值优化改进算法 L-M算法 拟牛顿算法 共轭梯度法 L-M算法 L-M算法利用了近似二阶导数信息，比梯度下降法快很多，但是，该算法消耗内存太大 L-M算法的形式为： 质量流量和固气比的BP网络预测 改进型BP网络收敛速度远远快于原始BP网络 两种网络的预测结果 原始的BP网络对质量流量和固气比的平均误差分别为6.77%和7.34%，改进后的BP网络对质量流量和固气比的平均误差分别为3.37%和4.43% RBF神经网络 RBF网络数一种前馈网络，其特性有： RBF与BP网络主要区别是在非线性映射上采用了不同激活函数； RBF网络的局部接受特性； 参数调节简单，不存在局部最小； 最佳逼近特性； 应用场合广泛。 质量流量和固气比的RBF预测 改进型BP网络训练次数为6步，RBF网络的训练次数为28步 RBF网络预测结果 质量流量预测的平均误差为1.53%，对固气比预测的平均误差为3.3%。这相比于BP网络精确度又得到了提高，但训练速度比BP网络慢。 Thank You! L/O/G/O