基于最大熵投影寻踪耦合的燃煤机组节能减排评价方法研究

随着电厂污染物排放标准的严格化,燃煤发电机组采取节能减排调度是一种必然。供电煤耗不能全面反映燃煤机组的节能减排效果。文中综合考虑节煤、节电、节油、节水和减排5方面构建燃煤机组节能减排评价指标体系。最大熵原理构建投影指标函数,消除了投影向量分布不确定性的影响,可提高模型的可靠性。最大熵与投影寻踪方法相耦合用于燃煤机组节能减排综合评价模型中,投影值之间差异明显,评价结果稳健,且该模型基于数据本身,具有较强客观性。     

燃料分配对燃烧室内压力脉动及NOx 生成的影响

采用大涡模拟的方法研究了燃料分配对燃气轮机燃烧室内压力脉动及NO_x生成的影响规律。分析表明:增大值班燃料比使得压力脉动幅值明显降低,脉动频率也有所下降,其降幅则随值班燃料比的增加而减小。这说明,较高值班燃料比条件下,继续增大值班燃料比对燃烧不稳定性的进一步抑制作用减弱。增大值班燃料比使得预混段内温度升高,燃烧反应速率加快,高温区向上游移动,燃烧室内NO_x摩尔分数增大,其增幅随值班燃料比的增加而增大。这说明,较高值班燃料比条件下,继续增大值班燃料比导致NO_x生成速率进一步增大,不利于控制NO_x排放。     

基于Mobile-VIT的旋转机械故障诊断方法

主要提出了一种基于Mobile-VIT神经网络技术的旋转机械故障的识别分析方法：首先，将旋转的机械构件在其各种连续运行工作状态条件下获得的高频振动信号通过短时的傅里叶变换方法转换为时频图像；然后，将图像输入到搭建好的Mobile-VIT网络模型中，通过其对时频图的识别以及特征提取实现旋转机械故障诊断。实验结果表明，提出的方法具有较高的故障识别准确率，能够有效识别旋转机械的运行状态。     

双通道输入LetNet-5卷积神经网络旋转机械故障诊断模型研究

针对旋转机械运行过程中伴随着诸多噪声，现有单通道网络在旋转机械故障诊断过程中抗噪性较差的问题，提出了一种加入并联机制的双通道输入Let Net-5卷积神经网络模型。模型合理性检验过程采用了凯斯西储大学轴承数据集，在此基础上，添加信噪比为–10 d B的高斯白噪声模拟真实噪声情形；采用短时傅里叶变换将电机风扇端和驱动端振动数据进行处理，获得的时频图像传递至双通道输入的Let Net-5卷积神经网络进行训练学习。研究结果表明：双通道输入Let Net-5卷积神经网络模型能够良好捕捉到强噪声环境下的故障特征；相比于多尺度特征融合残差模型、多模态耦合输入神经网络模型、传统的K近邻与决策树模型及单通道输入Let Net-5卷积神经网络模型，双通道输入Let Net-5卷积神经网络具有更高的效率和精度。