Określenie wartości opałowej węgla za pomocą sztucznej sieci neuronowej

• Autorzy: Marciniak J.

Warianty tytułu

EN

Determination of calorific value of coal using artificial neural network

• Języki publikacji: PL

Abstrakty

PL

Celem pracy jest pokazanie pośredniego sposobu wyliczenia wartości opałowej miału węglowego dostarczonego bezpośrednio do źródła ciepła bez stosowania dodatkowych urządzeń pomiarowych. Do jego osiągnięcia użyto wielowarstwowego perceptronu z algorytmem największego spadku z momentum. Na wstępie opisano problem ze sterowaniem źródłem ciepła, do którego dostarczano węgiel o różnej kaloryczności. Następnie przedstawiono sposób oraz warunki przeprowadzenia pomiarów parametrów pracy kotła wodno-rusztowego, wykorzystanych do trenowania sztucznej sieci neuronowej, a także wykorzystanie analizy składników głównych do określenia liczby zmiennych potrzebnych do trenowania sieci neuronowej. W dalszej części pracy przedstawiono model sztucznego neuronu oraz schemat budowy wielowarstwowego perceptronu, użytego do rozwiązania omawianego problemu. Opisano działanie algorytmu największego spadku z momentum, wykorzystanego przy trenowaniu sztucznej sieci neuronowej oraz przedstawiono warunki poprawnego wytrenowania sieci. Na zakończenie zaprezentowano wynik jej działania z wykorzystaniem danych testowych.

EN

The purpose of the work is to show an indirect method of calculating the calorific value of carbonaceous coal delivered directly to the heat source without the use of additional measuring devices. The multi-layered perceptron was used to achieve the goal with the algorithm of the largest drop of momentum. At first the problem with control of source of heat to with it was delivered fuel of different caloric values was described. Then the author presented the way and the conditions for the measurement of parameters of the stoker fired boiler which was used to train artificial neural network and use the Principal Component Analysis to determine the number of variables needed to train the neural network. In the following part of this paper a model of artificial neuron, and a diagram of a multilayer perceptron used to solve this problem were described. Gradient descent algorithm with momentum used when training the artificial neural network was described. The conditions for the correct training of the network were also discussed. The final part of the paper presented the result of actions of the perceptron with parameters which come from another heat source.

Słowa kluczowe

PL

spalanie; kocioł; diagnostyka; sztuczna inteligencja; sztuczne sieci neuronowe

EN

combustion; boiler; diagnostic; artificial intelligent; artificial neural network

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2017
• Tom: nr 7/8
• Strony: 4--9
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr., wzory

Twórcy

autor

Marciniak J.

• Miejska Energetyka Cieplna Sp. z o. o. w Koszalinie
• Wydział Elektroniki i Informatyki Politechniki Koszalińskiej

Bibliografia

• [1] Białko M. Podstawowe właściwości sieci neuronowych i hybrydowych systemów ekspertowych. Wydawnictwo Uczelniane Politechniki Koszalińskiej. Koszalin (2000).
• [2] Kowalewicz A., Podstawy procesów spalania. Wydawnictwo Naukowo-Techniczne. Warszawa (2000)
• [3] Marciniak J., Wpływ jakości paliwa na proces sterowania kotłem rusztowym za pomocą regulacji PID. Instal 7-8 (2000) s. 19-22
• [4] L. B. M. Van Kessel, M. Lesnens, G. Bre. On-line Calorific Value Sensor and Validation of Dynamic Models Applied to Municipal Solid Waste Combustion, the Institution of Chemical Engineers (2002) s. 245-255
• [5] Marciniak J., Diagnostyka procesu spalania za pomocą logiki rozmytej. Instal 4 (2015) ss. 17-21
• [6] Marciniak J., Zastosowanie telemetrycznego systemu sterowania procesem eksploatacji systemu ciepłowniczego. Instal 4 (2013) ss. 9-12
• [7] Krzanowski W. J., Principles of Multivariate Analysis: A User's Perspective. Oxford University Press. (2000)
• [8] Preeti Manke and Sharad Tembhurne. Application of back propagation neural network to drum level control in thermal power plants. International Journal of Computer Science Issues (2012) s. 520-256
• [9] Yi Zhang, Yanjun Ding, Zhansong Wu, Liang Kong and Tao Chou. Modeling and coordinative optimization of NOx emission and efficiency of utility boilers with neural network. Korean J. Chem. Eng., 24(6) (2007) s. 1118-1123
• [10] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R., Biocybernetyka i inżynieria biomedyczna - T. 6: Sieci neuronowe. Akademicka oficyna wydawnicza EXIT (2000)
• [11] Wit R., Metody programowania nieliniowego. Wydawnictwo Naukowo-Techniczne. Warszawa (1986)
• [12] Suszyński R., Marciniak J., Wawryn K., An Artificial Neural Network for Classification a Quality of a Coal Fuel in Combustion Chambers Using FPAA. 23rd International Conference Mixed Design of Integrated Circuits and Systems (2016)

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).