基于数学形态学的发电机定子绕组接地保护的研究

针对常用的发电机定子单相接地保护用于扩大单元接线时不具备选择性的问题,利用数学形态学对信号奇异性的检测功能和滤波特性,提出一种比较故障时机端零序电压和零序电流的突变极性来识别故障的新方法,经大量PSCAD仿真验证该保护方法能有效检测定子单相接地故障和准确判断故障发电机,且与发电机中性点接地方式无关。     

南极东方站深冰层及冰下湖钻探技术

自1970年至今,前苏联和俄罗斯在南极东方站持续进行了近50年的冰层钻探活动,先后攻克了包含粒雪层、冰层、冰岩夹层和湖水冻结冰的复杂冰层钻进难题,逐渐形成了一套集热融取芯钻探、电动机械取芯钻探和分支孔钻探等为一体的深冰芯钻探技术。创造了冰层最深干孔钻进深度记录(952.4 m)、最深热融取芯钻进记录(2755 m)、最深冰芯钻探记录(3769.3 m),累计进尺达13000 m,并获取了总长超46 m的含湖水冻结冰样品的冰芯。东方站的钻探活动对极地冰层钻探技术的发展起到了巨大的推动和引领作用,同时积累了宝贵的深冰钻探经验。通过对东方站深冰钻探技术的系统梳理,将为我国正在实施的深冰芯钻探和即将开启的冰下湖科学钻探提供重要的借鉴。     

基于SAE-ConvLSTM深度学习模型的多站城轨短时客流预测

为准确预测多个站点城轨交通短时客流,提出卷积长短时记忆网络（ConvLSTM）与栈式自编码器（SAE）相结合的深度学习模型SAE-ConvLSTM。考虑了13个影响客流量的外部因素,并通过SAE对其进行逐层提取,获得更具代表性的外部特征。通过ConvLSTM充分提取客流量的时间与空间特征,并融合所获得的外部特征对轨道交通网络中多个站点的短时客流量进行同步预测。同时设计了隐动作蒙特卡洛树搜索方法（LA-MCT）,对SAE进行参数寻优。为了验证寻优效果,与遗传算法、粒子群算法,模拟退火算法,以及禁忌搜索算法进行对比。结果表明,LA-MCTS在寻优时间和寻优效果方面均具有优势。此外,以深圳地铁为例进行大量的数值实验,结果显示在预测均方根误差、绝对误差均值、平均绝对百分比误差以及拟合优度方面,所构建的SAE-ConvLSTM模型预测结果均优于浅层机器学习模型—反向传播神经网络、支持向量回归模型、整合移动平均自回归模型,及深度学习模型—长短时记忆网络、卷积神经网络、以及不加入外部特征的ConvLSTM、加外部特征无SAE的ConvLSTM、长短时记忆网络+卷积神经网络（CNN+LSTM）和加外部特征的CNN+LSTM。     

CVD金刚石强化孕镶金刚石钻头的冲击回转钻进试验研究

孕镶金刚石钻头的性能对地质勘探钻进的效率和成本有很大的影响.为了提高钻头的性能,本文设计、制造了一种用CVD金刚石条作为硬支点材料的新型孕镶金刚石钻头.设计了CVD金刚石务的尺寸、数量及在钻头胎体上的排列方式.根据被钻岩样的可钻性及研磨性,设计了钻头胎体硬度、金刚石粒度、浓度及钻头结构.采用中频感应热压法制造了φ59 ...     

面向油色谱化学成分分析的变压器并行诊断研究

针对变压器油色谱分析的智能化需求,提出一种基于大数据和三维场景的变压器油色谱诊断模型。为验证该模型的准确性,首先采用HDFS+HBase完成对诊断架构的搭建;然后引入Storm框架+OAO-RVM的并行化诊断框架;通过obj完成对挖掘结果的可视化。最后,搭建服务集群,对上述方案进行验证,结果表明本方案对变压器DGA数据的挖掘准确率高达95.37%,并可实现大规模的变压器油色谱数据的挖掘,表现出良好的性能。同时通过三维场景,可实时展示变压器的溶解气体成分与比值,为变压器故障的可视化诊断提供了参考。     

CVD金刚石条强化孕镶金刚石钻头的试验研究

本文将经过激光切割的CVD金刚石条镶嵌到传统的孕镶金刚石钻头胎体中,研制了一种新型的硬支点强化型金刚石钻头,以提高钻头在坚硬地层中的钻进效率和使用寿命。介绍了该新型钻头的设计及制造工艺,并进行了室内钻进试验。结果表明：与聚晶金刚石柱强化孕镶金刚石钻头相比,CVD金刚石条强化的孕镶金刚石钻头的钻进效率较高,达5．575m／h,且该钻头的磨损程度更小,使用寿命长。在钻进过程中更加稳定.     

注蒸汽法天然气水合物试采系统高温管路保温设计与试验

基于对天然气水合物分解机理的研究,提出了注蒸汽法开采陆域冻土带天然气水合物。开采原理是通过控制地下水位对水合物层降压的同时,注入高温高压蒸汽对水合物层进行热激发。注蒸汽法试采系统主要包括地表加热装置、地表采气及点火装置和孔内装置。为了提高能量利用率,需对地表和井筒蒸汽流动管路进行保温处理。文章重点对地表蒸汽管路的保温进行设计,首先进行传热理论分析,然后利用ANSYS模拟软件进行数值模拟计算,最终结合现场施工情况,确定蒸汽管路保温层厚为18mm,可以满足保温要求。     

基于卷积长短时记忆神经网络的城市轨道交通短时客流预测

我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,并且相邻站点客流之间存在空间联系.对此,充分考虑以上城轨短时客流的时空特征,基于卷积长短时记忆神经网络(ConvLSTM)与自适应k-means聚类算法,提出城轨短时客流预测的深度学习模型k-ConvLSTM,并通过实验对模型关键参数进行寻优;同时,基于深圳市地铁IC卡的真实客流数据对模型的有效性进行检验.结果表明,k-ConvLSTM在均方根误差、绝对误差均值、绝对误差百分比方面,均优于仅考虑时空特征的深度学习模型-----卷积网络(CNN)与长短时记忆网络(LSTM)的并行混合模型和ConvLSTM内嵌式网络模型,仅考虑时间特征的深度学习模型-----LSTM网络和双向长短时记忆网络(Bi-LSTM),以及浅层机器学习模型-----BP神经网络和支持向量回归模型(SVR).