基于单端BOTDA的油气管道在线监测系统

为了进一步提高油气管道监测效率与可靠性,提出了一种基于单端布里渊光时域分析的油气管道在线监测方法。对油气管道进行了泄漏点温度测量模拟实验研究。实验结果表明,基于布里渊散射的分布式光纤传感技术能够准确监测并识别管道的温度变化,在25km的传感光纤中,温度测量分辨率达3℃,空间定位分辨率达到1m。     

燃气管道泄漏引发的温度变化研究

研究燃气管道泄漏引发的温度变化,可以构建燃气管道泄漏的光纤传感探测技术的理论基础。该文对燃气管道泄漏处产生的温度变化进行理论分析,对实际数据和物理模型进行了仿真分析。分析结果表明,基于泄露温度变化信号的光纤传感器检测技术具有两个优点:1)对处于不同环境下的燃气管道存在一定的普适性;2)由于内部压力大而更容易发生泄漏的地方,极易被监测到。该研究对于分布式光纤传感器在油气管道故障监测中的应用有一定的指导意义。     

结合Adam拟合算法的WRFG-BOTDR应变检测系统

提出了一种基于WRFG的BOTDR应变检测系统,首次结合了Adam曲线拟合算法,进行应变远程监测和关键部位应变精确拟合测量。将BOTDR和弱反射光纤光栅阵列传感部件集成到一个系统中。实现了长距离分布式应变检测、传感光纤的应变分布测量和点对点的精确应变检测。系统沿10 km的距离,BOTDR部分的空间分辨率精度良好,并且应变发生源点的布里渊频移测量误差仅为0.1%。     

BOTDR光纤测量桩身应变试验

结合某工程大直径、后注浆超长桩现场静载荷试验,采用BOTDR分布式光纤测量技术,跟踪测量其在9级静载荷试验中桩身应变分布,确定不同荷载下桩身轴力及各土层侧阻力变化趋势。表明分布式光纤测量技术相对于传统钢筋应力计方法可以得到更精细的试验数据,为设计提供更丰富的信息。     

多芯光纤安防工程一体化同步感知系统

光纤传感技术可用于安防工程中的各类扰动探测。然而,常规单模光纤安防系统无法同步实现感知入侵模式、量化扰动强度、火灾预警等重要功能。本研究提出基于空分复用多芯光纤的一体化同步感知系统,将多种光纤传感技术复用于一根七芯光纤,其中光纤光栅纤芯监测结构点式应变与细部温度,相位敏感纤芯实现扰动定位与强度定量,同时拉曼纤芯测量分布式温度场。面向安防实际需求,在后处理阶段通过高阶中心矩、信号极差、空间平均峰度与特征频率等四种方法实现了多参量入侵定位;提出扰动量化算法,利用瑞利散射模型与多参数优化方法,根据光强信号图样求解分布式应变场,以此构建扰动强度指标,实现多指标扰动定量评估及模式区分;通过拉曼温度场实现火灾预警,同时提供温度补偿。在防护围栏上通过五种模拟工况测试了系统的工作性能,结果表明本系统能准确定位各工况事件（定位误差<1 m）,定量识别出15种强度的冲击荷载,可同步感知光纤沿线温度场并定位过热点。本系统解决了传统安防系统监测信息单一、容易误漏报、可信度不足的问题,突破了温度应变交叉敏感、缺乏定量感知能力等技术瓶颈。     

双膜盒式光纤压力传感器设计

设计并研究了一种利用双膜片位移进行压力测量的光纤传感器.这种光纤传感器是在通用光纤传感设计实验系统的基础上,利用了三光纤反射调制技术,它可以实现光源强度的变化和光纤中光功率损耗的变化以及反射率的变化自动补偿.理论上,分析了这种传感器的补偿特性,建立并推导了输入输出关系,给出了理论模拟结果.实验上,制作并实现了光纤压力传感器,分别测试了两接收光纤的位移与输出光强度的对应关系曲线,给出了对应两输出光强比值与位移的实验测试结果,验证了理论的正确性.最后,对所设计的光纤压力传感器进行了标定实验,给出了线性输入输出工作特性曲线.     

分布式光纤传感网络在边坡变形监测中的应用

介绍了测量边坡变形的新方法——分布式光纤传感监测技术,具体叙述了线型分布式光纤传感器、螺旋型分布式光纤传感器和BOTDR光纤传感网络的传感机理及埋设工艺,利用这3种方法对边坡变形进行监测,可以及时掌握边坡的安全稳定状态信息。     

分布式光纤测温系统在特高拱坝真实温度场监测中的应用

以溪洛渡特高拱坝为例,阐述现场布设分布式光纤系统,进而确定特高拱坝真实温度场的方法与流程.分析特高拱坝混凝土真实温度场研究的必要性与可行性,建议现场布设分布式光纤进行试验研究的有效途径.基于所提方法,在溪洛渡特高拱坝的施工现场布设分布式光纤,构建分布式光纤测温系统,并进行真实温度场的相关测试.实测成果表明分布式光纤测温系统能快捷、准确地监测大坝混凝土结构内部温度场的变化,为有效地评价大坝安全提供了可靠的科学依据.研究结果表明:采用在施工现场布设分布式光纤,并进行基于实时温度场的试验,可更为准确地确定特高拱坝的真实温度状况.     

基于光纤传感技术对天然气储罐泄漏温度场变化的监测

为了研究立式天然气储罐的泄漏扩散温度变化规律,基于分布式光纤温度传感技术定位原理,对立式天然气储罐进行模拟光纤缠绕布置.通过光-电信号的转化将泄漏时期立式天然气储罐表面的温度场变化情况展现出来.然后根据温度曲线变化图,得出当储罐中发生液态天然气泄漏时储罐外壁温度场的变化规律.最后进行分析并得出结论:通过光纤监测所得的温度曲线在储罐泄漏时刻出现明显下降.由于只有液化天然气泄漏发生气化吸热,才会导致储罐外壁温度出现明显降低,因此可以判定该时刻立式液化天然气储罐发生泄漏,并且可以准确找出泄漏区域.     

基于神经网络的气体管道泄漏检测与定位

针对建立气体管道准确机理模型比较困难的问题,提出基于压力时间序列的神经网络来进行气体管道泄漏检测与定位的方法。针对管道的流量测量的精度较低且安装流量计会破坏管道原流场的问题,提出采用主动施扰法检测气体管道不同位置的压力信号,利用压力时间序列神经网络获取泄漏点的位置信息和泄漏量信息,并通过实验分析泄漏位置不同和泄漏量大小对检测精度的影响。实验结果表明,该方法能实现气体管道泄漏检测与定位,并且精度较高。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

大体积混凝土BIM智能温控系统的研究与应用

传统大体积混凝土通水冷却施工多采用人工监控温度,存在数据采集处理不及时、监测数据准确性差、温度控制效率低等问题,针对这些问题,开发一种BIM智能温控系统。具体方法为:选择Revit、Navisworks等BIM软件进行二次开发;利用控制计算机、温度数据采集设备、自控阀门循环水泵、无线网络通讯及桥接设备、工业集成软件服务器及客户机等搭建温度测控系统;建立温度预警机制并搭载人工智能控制算法,通过无线传输接收测温元件传递的数据,系统自动判别温度异常情况并控制冷却水管阀门的开关;在BIM实体模型中标记实际测温点的相对应位置,使系统以三维形式同步直观反映相应测温点位置混凝土温度曲线变化,并提供预警功能。系统在寸滩长江大桥中进行了测试,结果表明,系统采集数据准确灵敏且预警及时,温度采集的精确度和效率均得到提高,温度控制较为理想。     

ANN model of subdivision error based on genetic algorithm

According to the test data of subdivision errors in the measuring cycle of angular measuring system, the characteristics of subdivision errors generated by this system are analyzed. It is found that the subdivision errors are mainly due to the rotary-type inductosyn itself. For the characteristic of cyclical change, the subdivision errors in other measuring cycles can be compensated by the subdivision error model in one measuring cycle. Using the measured error data as training samples, combining GA and BP algorithm, an ANN model of subdivision error is designed. Simulation results indicate that GA reduces the uncertainty in the training process of the ANN model, and enhances the generalization of the model. Compared with the error model based on the least-mean-squared method, the designed ANN model of subdivision errors can achieve higher compensating precision     

基于MATLAB和BP网络的公路软基沉降量预测模型

人工神经网络具有强大的非线性映射能力,文章利用BP神经网络建立了公路软土地基沉降量预测模型,并用MATLAB人工神经网络工具箱进行了实现。根据实测资料,对此预测模型进行训练和预测,试验表明,预测模型具有较好的预测精度,操作简单,具有广阔的工程应用前景。     

考虑漏失和用户用水的供水管网PDD模型构建及应用

管网的微观水力模型通常将所有水量依据管段的长度分配到各个节点.通过研究这种供水管网传统水力模型,针对该模型忽略节点流量类别直接将总漏失量平均分配到管网中的问题,将传统水力模型中的节点流量分为用户用水量和漏失水量,并运用改进的一致漏损模型将管段的漏失量按管段长度分配,构建漏失水量与压力之间的关系式,建立压力驱动节点的水力模型(PDD).模型形成后,根据实际测压点数据对模型进行校核,以达到模型校核标准.将该模型应用于Y市实际管网,根据Y市实际管网数据得到的平均漏失率,建立计算供水量与实际供水量的适应度函数,计算供水管网模型中的漏失系数,最终实现基于压力驱动节点流量的供水管网漏失模拟.结果表明,校核后的PDD模型与实际供水管网运行压力情况吻合良好,可以进行管网漏失控制研究及评估.     

基于神经网络的微合金钢热轧奥氏体晶粒尺寸预报模型

基于神经网络原理，对微合金钢热轧控制参数的选取进行了研究。制订了一套获取样本数据的实验方案。该方案利用Gleeble-1500热力模拟机提取了轧制温度、应变量、应变速率和相应的应力应变曲线，并通过显微观察获取了实验后样品断面的奥氏体晶粒尺寸。通过归一化把实验所得数据进行必要的处理。采用改进BP算法训练网络，对热轧控制参数（轧制温度、应变量、应变速率）和描述微合金钢组织性能的参数（奥氏体晶粒尺寸）之间的映射关系进行了函数逼近，建立了奥氏体晶粒尺寸流变应力神经网络模型，实践证明，将该神经网络模型运用于热轧控制预报，提高了预测精度并取得较好的效果。     

燃气管线大孔亚临界流泄漏实验

为了研究燃气管线大孔亚临界流泄漏的计算方法,对燃气管线大孔泄漏的泄漏特征进行分析,以小孔泄漏模型和管道破裂模型为基础,建立了大孔亚临界流泄漏模型,给出了大孔亚临界流泄漏强度的计算公式.为考察计算公式的正确性和适用性,搭建了燃气管线泄漏强度测定实验台,测试了不同泄漏孔径和入口压力下大孔泄漏强度的变化.将实验测试结果与理论...     

Artificial neural network modeling of mechanical properties of armor steel under complex loading conditions

An artificial neural network (ANN) model is established to predict plastic flow behaviors of the 603 armor steel,based on experiments over wide ranges of strain rates ( 0.001 - 4 500 s -1 ) and tempera...     

BOTDR技术监测GFRP锚杆应变的试验研究

为掌握玻璃纤维增强塑料(GFRP)锚杆的变形特性,采用布里渊光时域反射测量计(BOTDR)技术,对沿光纤的轴向应变进行分布式监测,得到试验锚杆通体的轴向应变.阐述了BOTDR技术的工作原理以及对GFRP锚杆的张拉应变监测试验过程.试验结果表明:光纤能与锚杆同步变形,BOTDR技术对锚杆体轴向应变的监测效果好,可以替代传统的锚杆应变计.     

Compressive Measurement Identification of Linear Time-Invariant System Application in DC Motor

In traditional system identification (SI), actual values of system parameters are concealed in the input and output data; hence, it is necessary to apply estimation methods to determine the parameters. In signal processing, a signal with N elements must be sampled at least N times. Thus, most SI methods use N or more sample data to identify a model with N parameters; however, this can be improved by a new sampling theory called compressive sensing (CS). Based on CS, an SI method called compressive measurement identification (CMI) is proposed for reducing the data needed for estimation, by measuring the parameters using a series of linear measurements, rather than the measurements in sequence. In addition, the accuracy of the measurement process is guaranteed by a criterion called the restrict isometric principle. Simulations demonstrate the accuracy and robustness of CMI in an underdetermined case. Further, the dynamic process of a DC motor is identified experimentally, establishing that CMI can shorten the identification process and increase the prediction accuracy.