Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 9

Zastosowanie zaimplementowanej w FPAA kaskadowej sieci neuronowej do klasyfikacji jakości węgla w komorach spalania

10.15199/48.2016.09.24

nr katalogowy: 100512
10.15199/48.2016.09.24

W pracy przedstawiono efektywny system klasyfikacji jakości paliwa w komorach spalania z wykorzystaniem sztucznej sieci neuronowej. Proponowany system wykorzystuje analizę pomierzonych parametrów procesu spalania w kotle. Parametry te wykorzystano do wytrenowania sieci ANN tj. do policzenia za pomocą programu MATLAB współczynników wagowych połączeń synaptycznych poszczególnych neuronów sieci. Otrzymane współczynniki zostały wykorzystane do skonfigurowania sieci ANN. Sieć ta została zaimplementowana w układzie FPAA i przetestowana na przykładach klasyfikacji paliwa dostarczanego do komory spalania. W pracy przedstawiono i omówiono wyniki badań. Abstract. A hardware artificial neural network for classification a quality of a coal fuel in combustion chambers is presented in the paper. Proposed method is based on an analysis of measured combustion process parameters in the chamber by the feedforward artificial neural network. Measured parameters have been used to train neural network weights with a help of MATLAB program. Calculated weights have been used to determine the quality of the coal fuel loaded into the chamber. The ANN has been tested by the MATLAB program and the FPAA implemented network. Obtained results are presented and discussed. (An Application of the FPAA Implemented Cascaded Neural Network to the Classification of Coal Fuel in Combustion Chambers). Słowa kluczowe: sztuczna sieć neuronowa, układ FPAA, klasyfikacja, proces spalania. Keywords: artificial neural network, FPAA device, classification, combustion process. Wprowadzenie Wytwarzanie ciepła w systemach grzewczych na skalę przemysłową jest zwykle obarczone dużymi stratami. Główną przyczyną strat jest zjawisko niezupełnego spalania w komorze paleniskowej paliwa stałego jakim jest węgiel, w trakcie którego oprócz utleniania węgla do dwutlenku węgla (CO2), powstają także niepożądane gazy: CO, H2 i CH4. Na to zjawisko wpływa kilka różnych czynników. Są to m.in. rodzaj i [...]

Bibliografia

[1] Lou C., Zhou H., Yu P., and Jiang Z., Measurements of the flame emissivity and radiative properties of particulate medium in pulverized-coal-fired boiler furnaces by image processing of visible radiation, in Proc. of the Combustion Institute, vol. 31, (2007), 2771-2778
[2] Gölles M., Reiter S., Brunner T., Dourdoumas N., and Obernberger I., Model based control of a small-scale biomass boiler, Control Engineering Practice, vol. 22, (2014), 94-102
[3] Kalogirou S.A., Artificial intelligence for the modeling and control of combustion processes: a review, Progress in Energy and Combustion Science, vol. 29, (2003), 515-566
[4] Hosovsky A., Genetic optimization of neural network structure for modeling of biomass-fired boiler emissions, Journal of applied science in the thermodynamics and fluid mechanics, vol. 9, no. 2, (2011), 1-6
[5] Manke P., and Tembhurne S., Application of back propagation neural network to drum level control in thermal power plants, International Journal of Computer Science, (2012), 520-526
[6] Ye H., and Ni W., Static and transient performance prediction for CFB boilers using a Bayesian-Gaussian Neural Network, J. of Thermal Science, (1997), 141-148
[7] Blasco J., Fueyo N., Dopazo C., and Chen J.Y., Selforganizing- map approach to chemistry representation in combustion applications, Combustion Theory and Modelling, vol. 4, no. 1, (2000), 61-76
[8] Wang L., The apllication of fuzzy neural network to boiler steam presure control, International Journal of Computer Science, (2013), 704-707
[9] Marciniak J., The detection of anomalies in controlling of the combustion process by using a genetic algorithm, Diagnostyka, vol. 17, no. 1, (2016), 21-26
[10] Marciniak J., The detection of anomalies in controlling of the combustion process by using a negative selection algorithm, Diagnostyka, vol. 17, no. 1, (2016), 28-31
[11] Znamirowski L., Palusinski O.A., and Vrudhula S.B.K., Programmable Analog/Digital Arrays in Control and Simulation, Analog Integrated Circuits and Signal Processing, vol. 39, (2004), 55-73
[12] Balen T.R., Andrade A.Q., Azais F., Lubaszewski M., and Renovell M., Applying the Oscillation Test Strategy to FPAA’s 94 PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 92 NR 9/2016 Configurable Analog Blocks, Journal of Electronic Testing: Theory and Applications, vol. 21, (2005), 135-146
[13] Widyantara H., Rivai M., and Purwanto D., Neural Network for Electronic Nose using Field Programmable Analog Arrays, Int. J. of Electrical and Computer Engineering (IJECE), vol. 2, no. 6, (2012), 739-747
[14] Suszynski R., and Wawryn K., Rapid prototyping of algorithmic A/D converters based on FPAA devices, Bulletin of the Polish Academy of Sciences-Technical Sciences, vol. 61, no. 3, (2013), 691-696
[15] Suszynski R., and Wawryn K., Prototyping of Higher Order Sigma Delta ADC Based on Implementation of a FPAA, In Proc. of the Int. Conf. on Signals and Electronic Systems (ICSES), (2012), 1-4
[16] Żurada J.M., Introduction to Artificial Neural systems, West Publishing Company, 1992
[17] Van der Smagt P.P., Minimization methods for training feedforward neural networks, Neural Networks, vol. 7, (1994), 1-11
[18] Wawryn K., and Strzeszewski B., Current mode circuits for programmable WTA neural network, Analog Integrated Circuits and Signal Processing, vol. 27, no. 1-2, (2001), 49-69
[19] Swietlicka A., Gugala K., Jurkowlaniec A., et al., The Stochastic, Markovian, Hodgkin-Huxley Type of Mathematical Model of The Neuron, Neural Network World, vol. 25, no. 3, (2015), 219-239
[20] Fletcher R., and Reeves C.M., Function minimization by conjugate gradients, Comput. J., vol. l, (1964), 149-154
[21] Talaska T., and Dlugosz R., Analog Sorting Circuit for the Application in Self-Organizing Neural Networks Based on Neural Gas Learning Algorithm, (2015), 282-286
[22] Wojtyna R., Analog low-voltage low-power CMOS circuit for learning Kohonen networks on silicon, Int. Conf. Mixed Design of Integrated Circuits and Systems, (MIXDES), (2010), 209-214
[23] “AnadigmApex dpASP" Family User Manual. Anadigm. Inc.. 2005J. Clerk Maxwell. A Treatise on Electricity and Magnetism. 3rd ed.. vol. 2. Oxford: Clarendon. 1892. 68-73

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 100512 "Zastosowanie zaimplemento..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2016-9 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2016-9

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma