[识别在窑炉上.docVIP

毕业论文外文资料翻译 题 目 识别预测和检测过程中的故障在水泥回转窑 的局部线性神经模拟技术 学 院 机械工程学院 专 业 机械工程及自动化 班 级 机升1002 学 生 倪玉权 学 号 20100404040 指导教师 李坤山 二〇一 二 年 三月 二十日 识别预测和检测过程中的故障在水泥回转窑的局部线性神经模拟技术 Masoud Sadeghian and Alireza Fatehi 摘要 对于本文中我们利用非线性系统辨识方法预测和检测过程故障的水泥回转窑。在选择适当的输入和输出，投入产出模型确定的植物。确定不同操作点的窑，局部线性模拟（LLNF）模型是用来。该模型是用lolimot算法是一个增量的树形结构的算法。然后，通过使用这种方法，我们获得的3个不同的模式正常和故障情况下窑。一个模型是正常情况下的窑15分钟预测地平线。其他模型的故障情况下窑7分钟预测地平线的介绍。在最后，我们检测这些错误的验证数据。收集到的数据从白色沙维水泥公司在本次研究。 关键字：回转窑，故障检测，时延估计方法，局部线性模糊神经模型，lolimot 一、导言 可靠性、安全性和可达性的工业中发挥关键作用。它的重要特别是现在当工业车间和控制算法越来越复杂、经济压力，减少停机时间和费用，降低所需的时间加工产品。在简单的技术系统，我们能提高复杂工业系统和高水平的工艺质量，可靠性和安全性要求迫使自动化诊断，使有可能确定的原因、地方和时间的准确性。早期发现故障可以通过基于模型的故障检测系统。该方法是基于残差产生的比较的估计测量信号与模型输出。该方法是问题的集中研究领域中的诊断，由于许多关键特性：1）它可以检测小断层；2）解决方案是比较合理的，复杂的设备是没有必要的；3）安装的故障诊断系统通常不需要任何设置在现有的系统。安装的传感器控制的过程通常可以用于数据采集的故障检测系统。 瞬时故障检测需要正确的过程模型。真正的过程通常是动态的、非线性和随机性。分析方法是不适合鉴定它们。一个强大的方法建议使用人工智能方法，如神经网络、模糊系统、模糊神经网络（n-f）系统与专家系统[4 - 6]。本文的重点是n-f系统[7 - 9 ]。定性和定量知识可以用来调整模型在这种情况下[10-12] 两类型模拟系统通常用于建模的目的：模拟系统和高倍–模拟系统。通常高倍–系统的结构经常使用，如果可以从原始数据获得信息，系统的给出的信息由专家设计的。本文利用非线性系统识别方法来预测和检测常见的异常条件，最重要的一部分，在水泥厂即水泥回转窑。确定窑我们使用llnf模型，也称为模拟模型[ 9]。学习它的重量lolimot算法使用[ 13 ]。两种异常检测振动和涂层。 组织如下:简述了回转窑进行了分析。也有一些异常状况可能频繁出现它。然后原因选择错误的情况下检测投入产出进行了讨论。我们计算输入通道的延误模型估计方法的基础上Lipschitz[14]。后来在第四节,NNLF模型和学习算法LOLIMOT三种模式的现状和缺陷对正常窑设计。第五部分致力于探讨三个异常检测条件试验和观察验证数据。结论在结束给出。 二 水泥回转窑 水泥是一种物质是由石膏、水泥熟料粉磨，本身是由一个烧石灰石和粘土混合在一定的百分比。水泥是用来结合其他材料一起。由于水泥厂扩大和组成它的不同的设备在不同过程中的每一个部分，现代状态监测方法似乎是用来防止异常情况，最终在损失。水泥回转窑中最重要的部分，其结果是一个水泥厂水泥熟料。回转窑是一个长约70米、直径约5米厂年产生产能力为2000吨熟料的一天。窑是由一个旋转的电机。温度在热的时候在窑高达1400oC。 图一水泥回转窑 本厂以不可弥补的损害设备。突然停止可能损害窑各点的基础上窑高耐热度波动。因此，必须使用一些方法来防止这种故障。许多工厂中的异常情况检测和报告的自动化和安全系统，如高温旋风分离器、压力不足的液压系统等。然而有其他异常情况这是没有检测到传统的自动化系统。在这些情况下没有变量的测量来超越其局限性，但总体表现工厂异常。专业的检测系统可以识别这些条件比较当前表现的工厂所预期从正常情况下的行为。我们关注了这些类型的故障或异常，导致产品或是起源过程中的停顿。例如一些常见的异常窑?涂层解体?振动?加热或冷冻过的。 在本文中以便继续以往的故障检测窑[ 15