基于PLS-SVR的电站锅炉NO_x排放特性建模

针对影响电站燃煤锅炉NO_x排放的热工变量数量较多,且存在较强的耦合相关性的问题,提出一种基于偏最小二乘(PLS)和支持向量回归(SVR)相结合的PLS-SVR建模方法用以建立燃煤锅炉NO_x排放模型。PLSSVR模型首先利用PLS提取输入变量的特征信息消除变量之间的耦合特性并降低输入变量维度,然后将提取的特征信息作为SVR模型的输入。以某超超临界1 000 MW机组锅炉为对象,选取23个相关变量作为模型的输入建立电站锅炉NO_x排放模型(PLS-SVR模型),该模型对测试样本的预测误差指标MRSE为4.072。将PLS-SVR模型的预测结果和建模时间与ANN模型和未经特征提取的SVR模型对比,结果表明PLS-SCR模型具有更好高的预测精度和更快的建模速度。     

基于改进最优觅食算法的锅炉NOx排放预测研究

提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制。利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NO_x的排放特性进行建模。将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较。结果表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度。     

基于改进樽海鞘算法的锅炉NOX排放模型优化研究

为了建立高效的NOx排放质量浓度预测模型,以某330 MW的煤粉锅炉为研究对象,利用自适应樽海鞘算法(ASSA)优化快速学习网(FLN)建立预测模型。首先用8个基准测试函数检测ASSA的性能并与其它3种算法进行对比,结果显示ASSA算法的收敛速度更快,寻优结果更好;将该模型与差分进化算法(DE)、粒子群算法(PSO)和樽海鞘算法(SSA)优化的快速学习网进行比较,结果表明ASSA-FLN模型具有更好的预测精度和泛化能力,可有效准确地预测煤粉炉的NOx排放质量浓度。     

基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法EI北大核心CSCD

针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering,SF)和长短期记忆网络(long and short term memory network,LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks,DNN)、支持向量机(support vector machine,SVM)、降噪自编码器(denoising auto-encoder,DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。     

基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断EI北大核心CSCD

针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题。基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法。采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类。结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76%与5.21%,表明该方法具有良好的鲁棒性和泛化性能。     

基于BiLSTM与注意力机制的剩余使用寿命预测研究EI北大核心CSCD

剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系。该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息。进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值。     

基于WOA-LSSVM模型的近临界区CO_(2)物性预测北大核心CSCD

针对CO_(2)状态方程难以准确预测CO_(2)在近临界区的物性参数的问题,采用以鲸鱼优化算法(WOA)优化最小二乘支持向量机(LSSVM)的组合模型(WOA-LSSVM),对近临界区CO_(2)物性进行预测。预测结果表明:同REFPROP软件与PSO-LSSVM模型相比,WOA-LSSVM模型预测近临界区CO_(2)物性具有更高的精度。相比REFPROP软件,WOA-LSSVM模型将密度与粘度预测结果的均方根误差由133.67、9.33降至35.61、1.58,平均相对误差由31.8%、30.25%降至6.88%、3.88%,决定系数由0.59、0.62提高至0.86、0.83。此外,相对误差在10%以下占比均由0%分别提高到69.23%、92.31%。