ZAAWANSOWANE METODY STEROWANIA PROCESEM SPALANIA PYŁU WĘGLOWEGO
Konrad Gromaszek
k.gromaszek@pollub.plPolitechnika Lubelska, Instytut Elektroniki i Technik Informacyjnych (Polska)
http://orcid.org/0000-0002-3265-3714
Abstrakt
W artykule opisano wybrane metody adaptacyjnego sterowania przeglądem procesu spalania pyłu węglowego z wykorzystaniem określonych modeli prognostycznych. Zaproponowano użycie metod, które są stosunkowo dobrze znane w praktyce przemysłowej. Przedstawione podejście wyróżnia wykorzystanie dodatkowego źródła informacji w postaci sygnałów z optycznego systemu diagnostycznego i modeli opartych na strukturach sieci głębokich. Badania mają na celu zwiększenia efektywności procesu spalania w kotle energetycznym, z uwzględnieniem norm emisji UE, prowadząc w konsekwencji do zrównoważonej energii i zrównoważonej inżynierii środowiska.
Słowa kluczowe:
sterowanie procesem, algorytmy adaptacyjne, sztuczne sieci neuronoweBibliografia
Bengio Y., Simard P., Frasconi P.: Learning Long-Term Dependencies with Gradient Descent is Difficult. IEEE Trans. Neural Networks 5/1994, 157–166.
Google Scholar
Computation N.: Long Short-term Memory. Neural Comput. 9/2016, 1735–1780.
Google Scholar
Gromaszek K., Kotyra A., et al.: Signal Process. - Algorithms, Archit. Arrange. Appl. Conf. Proceedings SPA 3/2015, 133–136.
Google Scholar
Hopfield J.J.: Neural networks and physical systems with emergent collective computational abilities. Proc. Natl. Acad. Sci. 79/1982, 2554–2558.
Google Scholar
Kauranen P., Andersson-Engels S., Svanberg S.: Spatial mapping of flame radical emission using a spectroscopic multi-colour imaging system. Appl. Phys. B Photophysics Laser Chem. 53/1991, 260–264.
Google Scholar
Kordylewski W., Bulewicz E., Dyjakon A., Hardy T., et al.: Spalanie i Paliwa. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2008.
Google Scholar
Lhner R.: Applied Computational Fluid Dynamics Techniques: An Introduction Based on Finite Element Methods. J. Fluid Mech. 1/2001, 375–376.
Google Scholar
Ordys A.W., Pike A.W., Johnson M.A., Katebi R.M., Grimble M.J.: Modelling and Simulation of Power Generation Plants, Springer–Verlag, 1994.
Google Scholar
Sepp H., Schmidhuber J.: Long short-term memory. Neural Comput. 9/1997, 1735–1780.
Google Scholar
Tascikaraoglu A., Uzunoglu M.: A review of combined approaches for prediction of short-term wind speed and power. Renew. Sustain. Energy Rev. 34/2014, 243–254.
Google Scholar
Zhou H., Cen K., Fan J.: Multi-objective optimization of the coal combustion performance with artificial neural networks and genetic algorithms. Int. J. Energy Res. 29/2005, 499–510.
Google Scholar
Autorzy
Konrad Gromaszekk.gromaszek@pollub.pl
Politechnika Lubelska, Instytut Elektroniki i Technik Informacyjnych Polska
http://orcid.org/0000-0002-3265-3714
Statystyki
Abstract views: 203PDF downloads: 142
Licencja
![Creative Commons License](http://i.creativecommons.org/l/by-sa/4.0/88x31.png)
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Inne teksty tego samego autora
- Victor Mashkov, Andrzej Smolarz, Volodymyr Lytvynenko, Konrad Gromaszek, PROBLEM ODPORNOŚCI SYSTEMU NA USZKODZENIA , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 4 Nr 4 (2014)
- Andrzej Smolarz, Volodymyr Lytvynenko, Olga Kozhukhovskaya, Konrad Gromaszek, HYBRYDOWY ALGORYTM NEGATYWNEJ SELEKCJI KLONALNEJ DO DIAGNOSTYKI SPALANIA W POJEDYNCZYM PALNIKU PYŁOWYM , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 3 Nr 4 (2013)