+ Szabadalom +

+ Ötletistálló +

Erre igazán büszkék vagyunk! close

+ MY-X DVD +

2021.XII.
Sikeres PhD-védés a My-X team támogatásával!

2021.XI.
A MY-X team-et is képviselve ETDK-szekciógyőzelem a KJE-n! Irány az OTDK!

2020.XI.
A MY-X team-et is képviselve BME ETDK-szekciógyőzelem! Irány az OTDK!

2020.XI.
A MY-X team új tagjai (a BPROF-képzés I. éves Hallgatói) ETDK-I. és II. helyezést, ill. 2 OTDK-továbbjutást értek el!

2020.III-VI.
Angolul oktató avatárok a QuILT-ben!

2020.VI.
Már angolul is gyűlnek az egyre minőségibb publikációk a nemzetközi képzések keretében!

2019.IX.
A Liebig-elv felfedezése a közlekedésben!

2018.IX.
Sikeres részvétel a III. Gazdálkodás és menedzsment tudományos konferencián, avagy versenyképesség és innováció, mint kulcsszavak és a 2DM-játék!

2018.VI.
Díjak az MMO 2018 konferenciáról (a szekció legjobb előadása a 2DM-ről, a szekció legjobb publikációja a Rosling-animációkról)!



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