A MIAÚ immár 25+ éve áll a Köz szolgálatára!
MATARKA-nézet
Üzenet az Olvasóhoz:
a MIAÚ virtuális hasábjain található gondolatokat
pl. Ramanudzsan feljegyzéseihez hasonlóan illik értelmezni (akarni):
a gondolatoknak a minősége/potenciálja az értékképző,
s nem az, hol jelennek meg ezek a gondolatok...
Ami másnak pl. a Facebook: MYX-team-hírek
(Utolsó módosítás: 2015.VII.19.14:08 - MIAÚ-RSS)
Égések zaj alapú elemzése mesterséges intelligenciával
Vezércikk: 2021. November (MIAU No. 279.)
(Előző cikk: MIAU No. 278.)
Kulcsszavak: fizika, modell, hasonlóságelemzés
Kivonat: Előzmények: Jelen TDK dolgozat előzményeként már készült a témában a
szerző által egy TDK [1] és egy szakdolgozat [2]. A már ott is megfogalmazott
célhoz vezető úton történt meg a következő lépés, aminek eredményeit ez a
dolgozat ismerteti.
Kihívások: A tüzelőberendezések üzemeltetésére egyre szigorúbb rendeletek
[3] írnak elő a károsanyag kibocsátás kapcsán. A kívánt károsanyag kibocsátást
eddig főként különböző passzív szabályzó elemekkel próbálták meg elérni. Ilyen
passzív szabályzó elem lehet a fúvóka átmérője, az alkalmazott diffúzor [4]
geometriája. Ezen passzív szabályzó elemek hatását pedig a füstgáz
visszamérésével határozták meg. Emellett ismert, hogy különböző
lángalakokhoz jól megkülönböztethető mennyiségű károsanyag kibocsátás
tartozik. A dolgozatban is bemutatott kísérleti berendezés esetében már eddig is
ismertek voltak a tüzelés egyéb paraméterei, mint a lángalak, különböző
rendszernyomások (pl.: porlasztó-nyomás), égéslevegő hőmérséklete stb. Ezen
paraméterek optimális beállítása lesz az aktív szabályzókör feladata. A
legfontosabb paraméter a károsanyag-emisszió, hiszen erre vonatkoznak a
törvényi előírások. Ha ezt továbbra is füstgázból szeretnénk visszamérni, akkor
nem valósulhatna meg a kvázi valós idejű szabályzás, mivel ez a mérés kémiai
úton történik, amihez akár 1 perces késleltetést is jelenthet.
Feladatok: A kvázi valós idejű tüzelés szabályzáshoz kvázi valós idejű input
adatokra van szükség. Ehhez a tüzelés akusztika jeléből kell tudni levezetni
függvényszerű kapcsolaton keresztül a füstgáz komponenseket. Majd a már
korábban bemutatott [2] módon a füstgáz komponensekből mesterséges
intelligenciával (MI) levezetett idealitás-index genetikai potenciál keretében
feltárt mozgástér alapján lehet meghatározni, az ideális paramétereket, amik
adott teljesítmény és láng alak mellett a legkisebb károsanyagkibocsátást
eredményezik.Az MI bevonása a mért adatok értelmezésébe azért szükséges,
mert így lehet a legmagasabb minőségbiztosítási szinten a szabályozáshoz
szükséges termelési függvényeket (Y=f(X1;...;Xi) automatizáltan előállítani.
Eredmények: Az akusztikai jelek gyors Fourier-transzformációja (FFT) után
létrejött magyarázó változókkal (Xi), mint az akusztikai jel amplitúdója és a hozzá
tartozó frekvencia kvázi tetszőleges pontosságú modellezés/tanulás érhető el a
folyamat-szenzor adatok (nyomás, hőmérséklet, térfogatáram) esetében. Ennek
az igazi jelentősége majd akkor lesz fontos, ha már csak akusztikai jel alapján
szeretnénk szabályozni és nem is áll rendelkezésre ennyi folyamat-szenzor jel,
mint ennél a kísérleti berendezésnél.
A füstgáz komponensek tanulhatósága is magas korrelációról indul (kb. 0.9), amit
hibrid modellek még tovább lehet javítani. A négy füstgáz komponens (CO, NO,
CO2, O2) közül három (NO, CO2, O2) közel mérési hibahatáron belül jelezhető
előre.
Tovább (DOC) ***
Tovább (PDF)
Észrevételeit érdeklődéssel várjuk email-ben!
((Vissza))
miau.my-x.hu
myxfree.tool
rss.services