Научные основы повышения энергоэффективности теплотехнологических установок и систем при недостаточном информационном обеспечении

• Автор: Горбунов, Владимир Александрович
• Шифр специальности: 05.14.04
• Научная степень: Докторская
• Год защиты: 2013
• Место защиты: Иваново
• Количество страниц: 511 с. : ил. + Прил. (с. 439-511: с.)

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. Состояние вопроса и задачи исследований
1.1. Печи машиностроения и пути совершенствования их энергетических показателей
1.2. Использование нейросетевых технологий на повышение эффективности процессов и показателей производства
1.3. Методы математического моделирования, используемые в исследованиях влияния различных факторов на энергетическую эффективность
1.3.1. Аналитические методы
1.3.2. Численно-аналитические методы
1.3.3. Численные методы
1.3.4. Методы решения задач внешнего теплообмена
1.4. Методы расчета и моделирования теплотехнологических установок и современные САЕ пакеты их особенности для моделирования
1.4.1. Моделирования теплотехнологических установок с использованием радиационно-конвективного теплообмена
1.4.2. Экспериментально- статистические методы моделирования теплотехнологических установок
1.4.3. Программные комплексы, используемые для моделирования теплотехнологических установок
1.5. Направления повышения энергетической эффективности теплотехнологических установок
1.5.1. Определение точности математических моделей
1.5.2. Повышение эффективности с помощью учета сопряженного с печами оборудования
1.5.3. Влияние переходных процессов в работе ТТУ на энергетические показатели производства и вторичных энергетических ресурсов после ТТУ
1.5.4. Оптимизация режимных и конструктивных параметров и современные программные комплексы по решению задач оптимизации
1.6. Выводы и задачи исследования
2. Научнообоснованный подход применения инструментария нейросетевой технологии для повышения энергетической эффективности ТТУ и систем с недостаточным информационным обеспечением и принципов использования природных алгоритмов для решения задач энергетической эффективности
2.1. Качественный анализ повышения потребительских свойств нейросетевого моделирования по сравнению с традиционным классическим моделированием
2.2. Оценка точности нейросетевого моделирования по сравнению с линейным и множественным регрессионным моделированием
2.3. Признаки, при которых моделирование объектов предпочтительней с использованием нейросетевой технологии
2.4. Анализ этапов разработки нейросетевых моделей и выбор предпочтительного инструментария из нейросетевых технологий
2.5. Принципы использования природных алгоритмов для решения оптимизационных задач по режимам работы теплотехнологических установок
3. Использование нейросетевой технологии для эффективности использования многоцелевых вычислительных комплексов при решении

задач теплообмена и для повышения энергетической эффективности при эксплуатации тепло и энергетических установок
3.1. Повышение эффективности использования многоцелевых вычислительных комплексов при решении задач теплообмена на основе определения точности решения на стадии постановки задачи
3.2. Решение задачи нагрева металла при граничных условиях первого рода и определение точности этого решения с помощью нейросети
3.3. Решение задачи нагрева металла при ГУ второго рода и определение точности этого решения с помощью нейросети
3.4. Решение задачи нагрева металла с переменными теплофизическими свойствами при граничных условиях первого рода и определение точности этого решения с помощью нейросети
3.5. Использование нейросетевых технологий для повышения энергетической эффективности газовой утилизационной бескомпрессорной турбины (ГУБТ)
3.5.1. Краткая характеристика объекта исследования
3.5.2. Оценка режимных параметров, влияющих на энергетическую эффективность работы турбины
3.5.3. Оценка технологических ограничений, влияющих на работу турбоустановки
3.5.4. Сбор информации и исходных данных для составления статистической математической модели по работе турбоустановки
3.5.5. Выбор математического метода по моделированию режимных параметров работы турбины и составление алгоритма и программы моделирования режимов её работы
3.5.6. Разработка режимных карт работы ГУБТ
3.6. Использование нейросетевых технологий для повышения энергетической эффективности камерных кузнечных печей
3.6.1. Экспериментальные данные по нагреву металла
3.6.2. Применение нейросетевой технологии при определении параметров качества нагрева заготовок в камерных печах при недостатке экспериментальных данных
4. Использование нейросетевых технологий при выборе технического решения при реконструкции теплотехнологических установок для повышения их эффективности
4.1. Решение задачи расчета печи, молота и оптимизации режима работы установки
4.1.1. Математическая модель нагревательной печи с непрерывным процессом загрузки выгрузки металла
4.1.2. Математическая модель приводного пневматического молота для свободной ковки
4.1.3. Описание модели, оптимизации режима работы установки
печь -молот
4.1.4. Структура математической модели установки печь -молот, входные данные модели
4.1.5. Результаты работы математической модели установки
печь - молот
4.2. Применение нейросетевой технологии для моделирования установки печь - молот
4.3. Решение задачи расчета печи, молота, рекуператора и оптимизации режима работы установки печь - молот -рекуператор
4.4. Применение нейросетевой технологии для обоснования целесообразности применения в установке печь - молот теплообменника для подогрева воздуха

4.4.1 Применение программы Neuro Pro в решении задачи классификации
4.4.2. Разработка моделирующей программы по вербальному описанию сети после её обучения в Neuro Pro
4.4.3. Верификация программы по принятию решения об установке рекуператора для подогрева воздуха
4.4.4. Применение программы по принятию решения об установке рекуператора для подогрева воздуха
5. Применение нейросетевой технологии при прогнозировании точности вычисления параметров качества нагрева металла в камерных печах в пакете Phoenics
5.1. Математическая модель камерной кузнечной печи № 2 в многоцелевом вычислительном комплексе
5.2. Сопоставление результатов моделирования с экспериментальными данными
5.3. Математическая модель камерной нагревательной печи №5
5.4. Создание базы данных
5.5. Обработка результатов с помощью нейронных сетей
5.6. Проверка адекватности нейросети на печи №3
6. Обучение нейросетей с помощью сложных математических моделей и на этой основе более совершенной организации работы теплотехнологических установок
6.1. Влияние на энергетическую эффективность переходных процессов в теплотехнологических установках
6.1.1. Параметр стабилизации режимов для камерных нагревательных печей с непрерывным процессом загрузки - выгрузки
6.2. Определение производительности нагревательных печей для проектирования нового кузнечного цеха при известной номенклатуре изделий выпускаемых цехом
6.2.1. Исследование выбора типа средневзвешенного параметра стабилизации на определение производительности печей
6.2.2. Метод ускоренного решения задачи оптимизации по определению производительности нагревательных печей
6.3. Использование параметра стабилизации для улучшения организации работы производства действующего кузнечно-штамповочного цеха
6.3.1. Учёт температурных напряжений в начальной стадии нагрева металла
6.4. Оптимизация организации и прогнозирование работы теплотехнологических установок при работе производства с полной загрузкой
6.5. Математическая модель кузнечно-штамповочного производства на основании решения задачи двухуровневой оптимизации
6.6. Тренажёры менеджеров и теплотехнологов машиностроительного производства
6.7. Использование нейросетей для определения технически - обоснованных режимов работы установок
7. Использование природных алгоритмов для решения оптимизационных задач по режимам работы теплотехнологических установок
7.1. Оптимальный нагрев металла с минимальным расходом топлива в камерной термической печи на основе генетического алгоритма
7.2. Математическая модель камерной нагревательной печи с садочной загрузкой
7.3. Сопоставление результатов расчета на математической модели с данными промышленного эксперимента
7.4. Постановка задачи оптимизации работы печи

металла перед обработкой давлением: прокаткой, ковкой, прессованием. И, наконец, теплотехнический режим может определяться технологией предыдущего процесса - как это происходит при нагреве слитков с жидкой сердцевиной в нагревательных колодцах. Таким образом, теплотехнические процессы, проходящие в нагревательных устройствах, тесно связаны и неразделимы с технологическими процессами.
Основные недостатки парка печей для КШП и литейного производства описаны в работах [42, 133, 307, 309]. Кузнечные печи, как правило, камерного типа. Эти печи являются мелкими единичными потребителями топлива в стране, поэтому им уделяется незначительное внимание. В частности в стране отсутствуют заводы по их производству. Большинство печей в КШП морально устарело и не оборудовано устройствами, которые обеспечивают режим нагрева по оптимизированной программе. Поэтому работа печей осуществляется с несовершенной технологией нагрева. Однако количество нагревательных кузнечных печей машиностроительной промышленности очень велико, и совершенствование режимов их работы может обеспечить существенную экономию топлива в стране.
Важнейшей задачей в чёрной металлургии является внедрение энергосберегающих технологий, в том числе использование избыточного давления доменного газа для выработки электроэнергии при установке газовых утилизационных бескомпрессорных турбин (ГУБТ) отмечено В. И. Большаковым и др.[133].
1.2. Использование нейросетевых технологий на повышение эффективности процессов и показателей производства
Освещены проблемы разработок и использования нейросетевых технологий на повышение эффективности процессов и показателей производства в различных отраслях промышленности при решении различных задач. Нейро-сетевые технологии появились на основе нейронных сетей, т.е. программ имеющих структуру схожую с работой мозга [131]. Это направление принадлежит к одному из направлений в развитии искусственного интеллекта. Ней-