5000t/d生产线窑系统锚固件的改进措施

我公司5000t/d生产线,2005年点火生产后,篦冷机、窑头罩、三次风管和预热器等部位,多次发生浇注料脱落,导致钢板烧红、烧透,造成漏风、漏料,严重时被迫停车检修。为此,对以上各部位锚固件的结构     

TJB型旋流式四风道煤粉燃烧器的使用体会

我公司首条5000t/d生产线由天津水泥工业设计研究院设计。采用双系列五级预热器和TSD型分解炉,燃料采用低挥发分无烟煤,窑头燃烧器采用TC型四通道燃烧器。2005年4月投产后,窑头燃烧器拢焰罩磨损严重,导致火焰形状不完整,不能适应工艺要求、检修次数过于频繁。2008年2月5日开始使用TJB—KP－14型旋流式四风道煤粉燃烧器。为节约资金,改造时要求新燃烧器按原燃烧器的外形图设计制造,保留了原有的移动小车和燃油助燃系统,保证了顺利更换和正常使用。     

入窑生料分料不均的紧急处理方法

我公司5000t／d生产线2008年7月因电气故障,导致人窑生料不能分到A列,通过采取措施,避免了预热器堵塞,并很快恢复了正常生产。     

预热器内筒挂片脱落的处理

我公司首条5000t／d水泥熟料生产线采用双系列五级预热器和TSD型分解炉,燃料采用低挥发分煤,配用TC型四通道燃烧器,2005年4月投产。2007年3月9日开始,窑尾预热器系统的C5、C4级挂片式内简发生挂片大量脱落,不仅导致停产,且散落的挂片堆积在预热器底部很难取出,对企业的正常生产和经济效益都造成了一定的影响。本文对内筒挂片脱落的判断及处理方法做了简单介绍,希望能给同行一些借鉴。     

江西省新干县小水电安全与管理现状调研分析

为深入了解我国小水电工程水工建筑物的安全与管理现状,水利部大坝安全管理中心组织相关人员对江西省新干县小水电工程进行了现场调研。通过发放问卷、现场调查、与相关人员座谈沟通等方式了解到水库大坝在经过除险加固后基本能保证安全运行,而其它的水工建筑物如渠道、压力前池、压力管道、厂房则存在着较多的安全隐患。渠道无衬砌或衬砌已不起作用;压力前池漏水、淤积、老化严重;厂房老化以及周围边坡未采取抗滑措施等都属普遍现象。分析认为小水电水工建筑物建设年代早、管理资金不足、很多业主只注重眼前利益、电站管理水平低下以及小水电上网电价偏低是导致这一现状的主要原因。     

农村水电站水工建筑物运行状态综合评价模型研究

农村水电站水工建筑物的运行状态直接关系到水电站的经济效益与下游生命财产的安全,因此,对水工建筑物运行状态进行综合评价显得尤为重要。目前,国内外对大坝安全综合评价的相关研究成果颇多,但将各类水工建筑物作为一个整体进行综合评价的研究明显不足。在对农村水电站安全生产进行大规模调查的基础上,归纳整理出影响水工建筑物安全运行的最主要因素,然后建立综合评价其运行状态的指标体系。对各指标进行量化,同时结合层次分析法计算出各指标的权重系数,最后采用加权综合评价的方法对小水电水工建筑物运行状态进行等级分类。图1幅,表3个。     

病险小水电水工建筑物除险加固排序方法研究

基于风险对病险小水电的水工建筑物除险加固优先级进行排序,有助于节约除险资金,提高小水电更新改造效率。小水电风险量化是水工建筑物除险加固排序的前提,风险量化分初步量化和最终量化。在实际排序过程中,首先进行病险小水电的识别,然后按风险初步量化值排序,只有当小水电风险处于同一等级,初步风险量化值不足以区分两者风险高低时,才将风险最终量化来排定次序。该方法应用到江西省新干县6座病险小水电水工建筑物除险加固排序中,取得了很好的效果。图1幅,表1个。     

非侵入式负荷识别的电流序列可视化方法

以单一特征为标签的用电设备识别,因特征携带的信息量不足,在区分性质相似的负荷时易产生误判,为此,提出一种将电流序列编码为图像的二维可视化方法,通过计算机视觉技术对负荷进行分类识别。利用Fryze功率理论提取电流的非有功分量,通过格拉姆角场(GAF)将一维电流序列转换成二维图像,借助数据扩充的方式进行升维,并赋予矩阵颜色特征来提升负荷标签的辨识度;基于迁移学习的思想,利用预训练模型Inception_v3提取并学习GAF图像特征,并以该特征为标签对负荷类型进行分类识别。在2个公开数据集上的实验验证了所提方法在高频采集场景下的准确性和有效性。     

基于颜色编码的非侵入式负荷细粒度识别方法

在非侵入式负荷识别任务中,仅使用单一负荷特征对设备进行辨识时,存在特征重叠现象,无法满足对设备进行细粒度分类的需求。为此,该文提出一种基于颜色编码的非侵入式负荷细粒度识别方法。首先,采用Fryze功率理论将高频采样电流分解为有功、无功电流,并对高频采样电压与无功电流进行标准化处理以构建二维U-I轨迹图像。然后,利用颜色编码技术对轨迹图像进行处理,在R、G、B三通道中分别融合有功电流、轨迹变化信息及瞬时功率,得到彩色U-I轨迹图像。最后,构建卷积神经网络,对彩色U-I轨迹图像进行特征提取,实现对设备的分类。在此基础上,文中提出了一种自主学习方法,实现对负荷识别模型自主更新。使用PLAID和WHITED数据集对本算法的识别效果及自主学习方法进行测试。结果表明,文中方法使得U-I轨迹所携带的信息量增加,增强了负荷特征的独特性,从而实现对设备的细粒度识别;自主学习方法能够学习新型电器并更新模型,提升了负荷识别模型场景适应能力。