基于神经网络的燃气轮机可靠性预计研究

本文根据采集的实际运行数据,利用神经网络的较好的高度非线性映射性能,通过对BP网络和RBF网络的优化设计,来预计各型燃气轮机实际运行中的可靠度。通过算法实现和结果的对比分析,结果表明：BP网络和RBF网络都能够解决高度非线性问题,但在训练时间和精度上,RBF网络显示出更为优良的逼近能力。神经网络方法为燃气轮机的可靠性预计提供了有力的工具。     

基于数据和神经网络的压气机性能预测研究

由于缺乏相关实验数据,压气机的全转速性能曲线往往难以获得。从有限的数据点出发,搭建了不同的神经网络预测模型并做了相关讨论,同时提出了能有效处理特性线的新建模思路。结果表明,RBF神经网络能够更好地吻合实验样本,而BP神经网络则预测性能更佳。最后提出了考虑IGV的处理方法,并利用燃气轮机的实际运行数据对预测模型进行了检验,证明该方法能够很好地描述压气机的动态性能,可为燃气轮机的动态过程模拟提供参考。     

基于遗传算法的压气机性能曲线拟合方法研究

为了研究人工神经网络在压气机性能曲线拟合中的应用,分别利用BP神经网络、RBF神经网络、极限学习机以及BP-GA神经网络对某微型燃气轮机压气机的性能映射关系进行模拟,分析了不同网络模型在压气机特性曲线拟合上的优劣,以及样本容量对不同神经网络模型性能的影响。结果表明:BP-GA神经网络模型不仅收敛速度快,而且精度高;相比传统BP神经网络模型,其平均绝对百分比误差可控制在0.189%以内,训练时间可缩短至19.07 s;当样本容量较少时,传统BP神经网络模型不再适用,而基于遗传算法的BP-GA模型仍然保持较高的精度。     

重型发电燃气轮机的建模与状态监测研究

为了建立燃机整体的性能预测模型,采用BP神经网络和基于思维进化算法的神经网络(MEA-BP算法)对压气机特性曲线进行预测和分析,得到了各部件的特性和基于热力学原理的数学表达式,搭建了燃机的整体仿真模型,建立了GE9F型重型燃气轮机的性能监测及耗差分析模型,分析不同工况条件下机组的性能参数和经济性指标。对机组的运行数据进行了多元线性回归分析,可以实现压气机和燃机的性能预测,为运行人员的运行调整提供参考。     

基于混合算法下RBF神经网络的执行机构非线性特性在线辨识与补偿

针对控制系统中执行机构非线性特性在线辨识及补偿问题,研究了一种基于变步长核最小均方(SVSKLMS)和遗传算法结合的混合径向基(VHRBF)神经网络。利用径向基(RBF)神经网络不依赖于精确的数学模型即可得到被控对象信息的特点,建立了控制系统执行机构的非线性特性模型;为解决传统RBF神经网络辨识性能差的问题,使用遗传算法(GA)对神经网络的中心向量和方差进行优化,利用SVSKLMS算法对RBF神经网络模型中的权重进行优化,进而得到最佳的RBF神经网络。基于VHRBF神经网络及其逆模型补偿器对执行机构非线性特性进行在线辨识及补偿。仿真结果表明：与其他算法训练下的RBF神经网络相比,所提出的VHRBF神经网络能够精确辨识并补偿执行机构的非线性特性,并且具有更快的收敛速度、更优的收敛性能。     

船用分轴燃气轮机主要部件变工况性能的初步研究

建立燃气轮机大负荷范围、准确的变工况模型是燃气轮机热力系统建模研究的一个重要方向。其难点之一在于如何获得准确的部件变工况性能曲线。由于各种原因,一般研究人员只能获得少量的燃气轮机运行数据,因此如何利用这些数据获得准确的部件变工况性能曲线就成为需要解决的问题。在这种情况下,作者以某船用分轴燃气轮机为研究对象,利用少量运行数据对燃气轮机部件变工况通用解析解进行修正,并利用拟合的方法得到了大负荷范围内该燃气轮机主要部件较为准确的变工况性能曲线及其表达式。     

基于BP和RBF神经网络的乙烷脉动热管对比研究

为研究BP和RBF神经网络对脉动热管热阻的预测及改善脉动热管性能,将加热功率、倾角及工作温区作为输入参数,热阻作为输出参数,建立BP和RBF神经网络模型。利用大量实验数据对BP及RBF神经网络进行训练并预测,将预测值与实验值比较,以验证BP和RBF神经网络预测性能。结果表明:BP和RBF神经网络均能较好地预测热阻;采用RBF神经网络,训练数据及测试数据线性回归决定系数R~2分别为0.999 44和0.969 76,预测结果相对误差分别为0.89%和2.97%,均方误差分别为1.43×10~(-7)和3.13×10~(-6);与BP神经网络相比,线性回归决定系数R~2更接近1,相对误差和均方误差更小,能更精确地预测热阻。     

基于ROLS算法的RBF神经网络燃料电池电特性建模

提出了一种基于ROLS算法的RBF神经网络辨识建立直接甲醇燃料电池(DMFC)电特性模型的新方法。以电池的工作温度为输入量,电池的电压／电流密度为输出量,利用1200组实验数据作为训练和测试样本,建立了在不同工作温度下,电池的电压／电流密度动态响应模型,仿真结果表明采用RBF神经网络辨识建模的方法是有效的,建立的模型精度较高。     

工质加湿后简单燃气涡轮循环的动态响应

在传统燃气轮机循环的动态仿真研究中，对涡轮部件的处理一般都采用涡轮特性图或曲线的方法来完成；但如果进入涡轮的工质发生变化，由纯燃气变成高温高压高湿的燃气，那么涡轮特性图或曲线在无法获得的情况下要建立湿工质循环的动态仿真模型，对涡轮部件需作特殊处理。本文根据涡轮的工作原理建立了基于逐级计算的涡轮部件性能仿真模块：利用此涡轮模块，搭建完成了发电用简单燃气轮机循环动态仿真模型，同时燃烧室考虑注湿，计算在不同注湿情况下涡轮部件的性能变化以及整个循环的动态响应过程。     

基于混沌RBF神经网络的汽油机瞬态工况油膜参数辨识研究

提出了基于混沌径向基(RBF)神经网络的汽油机瞬态工况油膜参数辨识方法。利用混沌优化算法确定隐含层高斯函数径向基中心和输出层连接权值,使其达到全局最优,有效地提高RBF神经网络的收敛速度;同时,利用混沌算法训练RBF神经网络,使目标函数取全局最小值或逼近全局最小值,有效地提高辨识模型的辨识精度,并与BP神经网络模型及最小二乘法辨识进行了分析和比较。仿真结果表明:混沌RBF神经网络模型收敛速度快,具有更强的非线性辨识能力,能够有效地提高油膜动态参数的辨识精度,进而得出不同工况下的油膜参数动态特征。     

基于Bagging神经网络集成的风功率预测

鉴于准确预测风功率对风电并网系统安全、稳定运行具有重要意义,提出了基于Bagging神经网络集成的风功率预测模型。先利用拉伊达(3σ)准则对数据进行预处理得到有效的风机数据,结合灰色关联度和Relief算法对数据进行特征提取;其次在Bagging集成学习中使用Bootstrap抽样,随机产生K个训练集并用自组织RBF神经网络(ErrCor-RBF)分别对风功率进行预测;最后叠加K个预测结果取均值得到最终预测结果。仿真结果表明,Bagging神经网络集成的风功率预测模型性能更好、预测精度较高。     

基于径向基函数神经网络的汽轮机转子等效应力计算模型

为解决汽轮机转子应力的在线监测问题,建立了基于径向基函数(RBF)神经网络的汽轮机转子等效应力计算模型,对比了用有限元和RBF神经网络模型两种方法计算得出的冷态、温态、热态和极热态4种启动工况下转子调节级叶轮根部圆角处的等效应力.计算结果表明:RBF神经网络模型计算结果与有限元法解的结果非常相近,且计算简便、耗时少,可以应用于汽轮机转子等效应力的在线计算,为汽轮机转子寿命在线管理提供依据.     

基于径向基函数神经网络的风力机结构适应性评估

提出一种基于径向基函数神经网络(radial basis function,RBF)的风力机结构适应性评估方法,综合考虑多个载荷分量对风力机结构应力响应的影响。该新型适应性评估方法与当前采用的单变量、线性插值预测方法相比精度更高更可靠,与有限元方法相比更高效。采用该评估方法,1 min内可完成风力机机头部件及关键连接螺栓强度评估,最大应力预测误差不超过1%。     

一种可扩展的燃气轮机高精度建模技术

针对燃气轮机模型的高精度要求,基于实测运行数据,提出了一种可扩展的建模技术.通过BP神经网络方法获取正常运行数据,消除了因运行环境改变、测量误差等因素带来的影响.基于设计状态的热力性能原始模型,引入部件性能修正因子,并提出了一个修正因子更新算法,以最小均方根残差为目标函数,从而构建基于实测运行数据的自适应算法,最终得到...     

基于神经网络的燃气轮机动态过程仿真

燃气轮机数字仿真具有高性能价格比,高仿真精度等优点。但以往的建模方法难以同时满足燃气轮机仿真精度和实时性的要求。本文对大样本空间的神经网络构造及网络学习加速方法进行了大量探索及新的有益尝试,并成功将神经网络技术引入燃气轮机仿真构造新的仿真模型,不仅获得了更高的仿真精度,而且保持了系统原有的光滑性,能满足系统仿真实时性的要求。     

基于BP神经网络的9F燃气轮机压气机离线水洗周期优化

基于BP神经网络,对某9F燃气轮机机组历史运行数据进行了建模与分析,提出了一种燃气轮机压气机叶片积垢导致其性能下降的分析方法,得到了燃气轮机压气机效率、压气机压比、压气机流量、燃气轮机功率四个性能参数偏差值随燃气轮机实际运行小时的变化曲线。结果表明,可将上述四个性能参数的实际运行值与理想状态下的运行值(神经网络预测值)偏差3%、3%、4%、5%作为压气机离线水洗的判据。据此,对9F燃气轮机机组现有的离线水洗周期进行优化,得出当前燃气轮机压气机积垢状态实际运行指导小时数为3 000 h。该方法为燃气轮机离线水洗周期优化提供了一种思路,具有一定的工程应用价值。     

一种基于主成分分析与支持向量机的风电齿轮箱故障诊断方法

为解决风电齿轮箱状态监测数据样本量较少,特征指标间存在相互干扰且具有非线性难以分类等问题,本文提出了一种基于主成分分析结合支持向量机的风电齿轮箱故障诊断方法。首先,采用主成分分析法(PCA)对原始数据进行降维,做出第1,2主成分二维图及前3个主成分三维图,表明PCA对监测状态数据具有一定的分类效果。其次,提取累计贡献率80%以上的前5个主成分作为数据集。最后,采用支持向量机(SVM)比较4种不同核函数的诊断准确度,并加入噪声验证。分析结果表明：径向基核函数构建的支持向量机总体分类精度达到97%,准确率最高;在含噪的情况下,线性核函数与径向基核函数分类精度达到94%;与MLP神经网络进行对比发现,支持向量机更适应小样本分析且测试精度较高。实例分析表明,主成分分析结合支持向量机有较好的分类效果,适用于风电齿轮箱故障诊断的工程应用。     

基于SMIV-1DCNN的燃气轮机剩余使用寿命预测方法研究

为了实现船用燃气轮机剩余使用寿命的预测,对燃气轮机健康监测参数进行斯皮尔曼(Spearman)相关关系分析,采用平均影响值(Mean Impact Value, MIV)进一步分析监测参数对性能退化的敏感性,筛选出敏感特征;对得到的燃气轮机特征参数进行预处理,以消除外界环境的影响;研究了一维卷积神经网络(One Dimension Convolutional Neural Networks, 1DCNN),挖掘滑窗特征参数与运行时间的映射关系,实现燃气轮机剩余使用寿命预测。基于美国国家航天局发布的航空发动机退化数据集,验证了SMIV-1DCNN剩余使用寿命预测方法的有效性;开展了船用燃气轮机性能退化剩余使用寿命预测仿真试验。仿真试验结果表明,该方法不受燃气轮机初始状态影响,剩余使用寿命预测绝对误差56.10、平均绝对百分误差107.87、均方误差70.95,预测性能优于BP神经网络、LSTM神经网络与GRU神经网络。