原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
利用RBF网络的火电厂氮氧化物浓度检测方法
第31卷 第 1期 电子测量与仪器学报 ％f．31 No．1
2017年 1月 JOURNALOFELECTRONICMEASUREMENTAND INSTRUMENTATION · 45 ·
DOI：10．13382／j．jemi．2017．01．007
利用 RBF网络的火电厂氮氧化物浓度检测方法
严 明 江 赘 严 实
(1．重庆工商大学 检测控制集成系统重庆市市级工程实验室 重庆 400067；
2．重庆川仪分析仪器有限公司 重庆 400060)
摘 要 ：火电厂排放气体中的氮氧化物 (NO：、NO、NO等)浓度一直是环保检测的重要指标。针对基于光谱分析的氮氧化物浓
度检测精度受到多种因素制约和干扰 (如温度、粉尘 、水分、电器噪音 、光学镜片老化、多组分气体吸收峰值交叉干扰等)，很难
采用单一方法进行改进的问题。首先设计硬件预处理装置用于气体组分的过滤和提纯 ，然后利用构建的径向基函数(RBF)网
络对传感器测试值进行校正。RBF神经网络的自学习自训练能力省去了传统的对干扰因素进行补偿的研究建模，使得检测中
数据处理工作效率更高。随机抽取 国内某大型火电厂2015年实际数据进行仿真实验以及预测、分析，综合平均相对误差为
0．841％，表明方法的有效性。
关键词：氮氧化物 ；浓度检测；干扰 ；神经网络
中图分类号：TP212．2；TN911．72 文献标识码：A 国家标准学科分类代码：51O．40
DetectionmethodofNO concentration in coalfired
powerplantusingRBF network
YanYue JiangYun YanShi
(1．ChongqingEngineeringLaboratoryforDetection，ControlandIntegratedSystem，ChongqingTechnologyand
BusinessUniversity，Chongqing400067，China；2．ChongqingChuanyiAnalyzerCo．Ltd．，Chongqing400060，China)
Abstract：Theconcentrationofnitrogenoxides(NO2，NO，N2O，etc．)inpowerplantisan importantindexofenvironmental
protection．Aimingattheproblem thatthedetection accuracy ofnitrogen oxidesconcentrationbased onspectral analysiscould be
interferedbyallkindsoffactors，suchastemperature，moisturecontent，tar，naphthalene，noiseofelectricdevices，optical lensaging，
interferenceatspectral absorptioncharacteristicsofpollutinggasesete，itisdifficulttoimproveinasingleway．Atfirst，thehardwrae
modificationisfavorableforgaspurificationandfilter．Andthen，theself-learningandself-trainingabilityofRBFneural networkcarl
savethetraditionalmodelofrthestudyofinterferencefactors，andmakethedataprocessingmoreefficient．Onthebasisofalarge
thermalpowerplant’S real data in 2015，the computersimulation and analysi
文档评论（0）