從操作和控制的觀點來看,對一臺球磨機牽引功率的估算是非常重要的。影響牽引功率的因素很多,所以在生產廠,牽引功率的預測尤其困難,影響牽引功率的重要因素是磨機尺寸和運行參數,盡管對任何給定的磨機來說,磨機尺寸是保持不變的,但是例如象球荷、磨機充填率及磨機速度一類的操作因素可能發生變化,這就使得建模工作極其麻煩。正是這個原因,人們考慮用人工神經網絡去開發用于預測牽引功率的黑箱式模型。在建立和訓練神經網絡的工程中,一共使用了四十八套選廠數據,訓練后的網絡所預測出的功率與很多環境中的實際運行的磨機功率十分吻合。此外,模擬的結果可與從基于離散元法的牽引功率模型得來的結果進行比較。

火電廠中鋼球磨煤機筒內存煤量的測量問題一直是制粉控制效率低和自動控制難以投入運行的主要原因之一,針對d-s證據理論存在的不足,而利用神經網絡具有的自組織、自學習,并行分布處理、高度容錯性和魯棒性的特點,本文提出了一種將證據理論與模糊理論相結合的模糊證據理論方法并將其用于解決球磨機存煤量的測量問題。融合結果表明該方法用于存煤量的測量能夠有效判別出存煤量的數值范圍及變化趨勢,為球磨機自動控制的投入和運行操作提供了有效的保證。

為了減小電力負荷預測中的誤差,提出了基于rbf神經網絡的電力負荷預測模型.介紹了負荷序列的相似度預測模型,并在此基礎上采用了rbf網絡對負荷波動值的誤差糾正.通過運用實際電力負荷數據進行驗證,該模型能較好地避免不良數據的干擾,有效地提高了負荷序列的預測精度.

電力系統短期負荷對電力企業的經濟效益和社會效益都有一定影響。因此文中建立了基于rbf神經網絡的電力系統短期負荷模型。用歷史負荷數據作為訓練樣本,用訓練好的神經網絡進行電力系統短期負荷預測,并與bp神經網絡進行對比。rbf神經網絡的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經網絡精確度較高,有利于電力系統合理地進行調度規劃工作。

基于rbf神經網絡的建筑逐時空調負荷預測模型——分別用徑向基函數(rbf)神經網絡模型和bp神經網絡模型對廣州市一棟辦公樓和一棟圖書館在夏季不同月份的逐時冷負荷進行訓練和預測，發現rbf神經網絡模型預測的均方根誤差和平均相對誤差都僅是bp神經網絡方法的64％...

分析了對工程造價有重要影響的眾多因素,參考國內外專家、學者的研究成果,確定了影響工程造價的18個主要因素,并基于rbf神經網絡建立了工程造價決策模型。本文利用rbf神經網絡快速、準確的函數逼近能力,為工程造價決策提供了一種新的方法。

在對筒式鋼球磨煤機運行參數及其負荷檢測特點分析的基礎上,針對單一負荷檢測方法的不足,提出了一種從多傳感器信息融合角度出發基于復合式神經網絡的磨煤機負荷軟測量方法。通過復合式神經網絡對鋼球磨煤機噪音、入口負壓、出入口差壓、出口溫度和電機電流進行融合,獲得磨煤機負荷及負荷的變化率,為有效地實施鋼球磨煤機的控制提供了更準確的信息。實際測試表明,該方法能夠準確反映鋼球磨煤機負荷,具有較高的靈敏度。

分別用徑向基函數(rbf)神經網絡模型和bp神經網絡模型對廣州市一棟辦公樓和一棟圖書館在夏季不同月份的逐時冷負荷進行訓練和預測,發現rbf神經網絡模型預測的均方根誤差和平均相對誤差都僅是bp神經網絡方法的64%左右.仿真結果表明,rbf神經網絡具有更高的預測精度及更好的泛化能力,是建筑空調負荷預測的一種有效方法.在此基礎上,構建了基于rbf神經網絡的建筑逐時空調負荷智能預測軟件系統.

基于rbf神經網絡的建筑逐時空調負荷預測模型——在簡單介紹變風量空調(vav)系統的基礎上，通過多元線性回歸原理建立機組部分的靜態模型，并對靜態模型進行驗證；最后用最小二乘法建立動態模型。

基于rbf神經網絡的軟基沉降預測研究——將神經網絡理論引入軟基沉降預測領域．借助自控領域信號處理的思想，應用改進后的徑向基函數神經網絡的映射模式進行軟基沉降的短期預測；軟基沉降的長期預測實質上為基于神經網絡的多維歐氏空間的曲面擬合問題，將地基壓...

針對建筑工程特點,提出了基于rbf神經網絡的建筑工程投標報價方法,建立建筑工程投標報價標高率數學模型。應用matlab計算軟件,以實例驗證了該模型的正確性及實用性。

介紹了基于matlab的徑向基函數rbf神經網絡對于建筑物沉降預測的方法,討論了rbf神經網絡的構造思路、參數和分布密度spread的選擇。為建筑物變形監測人員的數據分析、變形預測提供了一個可行的概念。

球磨機協議、2740球磨機技術協議

基于rbf神經網絡的砂土液化預測——通過分析砂土液化成因及其影響因素，建立了砂土液化預測rbf網絡模型，并與bp網絡預測模型進行比較．測試結果表明，應用rbf網絡模型對砂土液化進行預測，預測效果好，識別精度高．

針對目前混凝土強度預測中存在的不確定性,難以自適應性的確定神經網絡隱含層,建立了基于高維云的rbf神經網絡的混凝土預測模型。運用matlab8.10進行仿真實驗。實驗結果表明該模型綜合考慮了影響混凝土強度的各種因素,能夠實現預測結果的隨機性和模糊性,具有更高的預測精度,更快的訓練速度,可以廣泛應用于生產現場實地的混凝土強度預測和質量檢驗。

地基沉降是一種危害很大的環境災害。地基沉降的監測數據經常受降雨及工程施工等諸多外界因素的干擾,故而在沉降曲線中存在許多數據突變點。為此,提出基于小波分析與rbf神經網絡相結合的新的地基沉降預測方法,首先采用小波分析對對原始監測數據進行數據去噪處理,進而得到反映實際變化的地基沉降曲線,然后采用徑向基函數(rbf)神經網絡方法對其進行預測,為工程設計提供依據。最后結合工程實例分析,通過多種小波去噪與預測結果的對比研究,表明3次b樣條小波的去噪及預測效果最好,與實測值能較好地吻合,具有較好的工程應用前景。

為了預測混凝土的抗壓強度,在分析bp、rbf神經網絡原理的基礎上,提出用bp、rbf神經網絡模擬混凝土抗壓強度與攪拌機各主要影響參數間關系的方法。根據攪拌機的實際工作狀況,分別建立了4維輸入向量、1維輸出向量的bp、rbf神經網絡模型,通過19組試驗,驗證了2種模型的可靠性。結果表明,實測結果與預測結果相接近,該2種神經網絡模型能較準確地快速預測混凝土抗壓強度。

采用簡單過程檢測儀表(電耳、功率變送器等),建立與球磨機轉速率和球料比之間的關系,用徑向基網絡對過程進行了雙因素建模。通過兩步有導師的訓練,使神經網絡的預報值與實際輸出的誤差平方和達到了10-10以下。仿真結果表明,徑向基網絡不僅逼近的精度高,而且網絡的訓練很好地解決了多因素的交互影響。

負荷預測是實現電力系統優化運行的基礎,對于電力系統的安全性、可靠性和經濟性都有著顯著的影響。rbf是一種三層前饋神經網絡,具有良好的函數逼近性能,已被廣泛應用到電力負荷預測中,并取得良好的效果。本文主要整理并介紹當前基于rfb神經網的負荷預測方法,對存在的問題進行了分析,并對未來的發展進行了展望。

負荷預測是實現電力系統優化運行的基礎，對于電力系統的安全性、可靠性和經濟性都有著顯著的影響。rbf是一種三層前饋神經網絡，具有良好的函數逼近性能，已被廣泛應用到電力負荷預測中，并取得良好的效果。本文主要整理并介紹當前基于rfb神經網的負荷預測方法，對存在的問題進行了分析，并對未來的發展進行了展望。

介紹了一種基于低成本plc網絡的球磨機軸瓦潤滑分布式監控系統,采用“ipc+網絡+plc”的結構,上位工控機選用“組態王”工控軟件開發監控程序,下位機用fx2nplc作控制器,并用rs485網絡使上位機與plc網絡聯接.實際運行結果表明,系統運行穩定可靠,結構緊湊靈活,經濟效益顯著,有一定推廣價值.

在預測隧道圍巖變形的過程中,運用神經網絡的方法,建立非線性的預測模型,結合張涿高速公路林里隧道的變形實測數據,借助matlab7.1平臺,模擬了隧道圍巖的變形過程;實驗結果表明：rbf神經網絡方法在隧道圍巖變形的預測中,具有運算速度快,預測精度高,模型穩定可靠的特點,在隧道施工過程中,能夠有效的輔助施工控制,提供預測報告。