为提高控制系统在线辨识能力,实现NOx、SO2的超净排放,研发了脱硫脱硝除尘一体化设备的数字化控制技术。首先将脱硫率、脱硝率设定值作为设备控制系统的输入,采用减聚类算法优化RBF神经网络,构建动态RBF辨识器,使控制输出值无限接近脱硫率、脱硝率设定值;然后将获得的Jacobian信息输入人工神经网络PID控制器,整定控制器参数,实现脱硫率、脱硝率精准控制。实验结果表明改进后的RBF辨识器具有较强的抗噪声干扰能力,可实现脱硫脱硝除尘一体化设备的数字化控制,控制时间更短、超调量更小,平方积分误差(ISE)、绝对积分误差(IAE)、控制增量累计平方和(CSCI)等指标值均更低,且NOx、SO2排放浓度低于设定值。

在分析转台故障类型和机理的基础上,针对故障与征兆之间的复杂非线性映射关系,提出了一种基于减聚类的T-S型模糊神经网络故障诊断方案。首先建立了转台故障底事件与征兆信号的明确对应关系,并以清晰数值形式表述专家的诊断经验;然后在减聚类算法中引入权值的概念,获得简约规则表;接着利用抗噪声训练方法训练网络,使其能够克服一定幅值内的噪声干扰;最后利用含噪声数据和测试数据分别试验。试验结果表明：该方法能有效减少诊断规则的数目,准确地实现故障识别,对噪声的容错能力强,有很强的工程实用性。