基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取,而深度神经网络模型复杂度高、构建难度大,以及单源信号信息不完备等问题,提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点,选择全矢谱技术与深度森林多粒度扫描相结合,用于接收同源双通道信号输入,增强了数据的完备性,并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性,分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究,结果表明,该方法在不同旋转设备上都有很好的诊断效果,并可以实现端到端故障诊断。此外,该方法在小训练数据集上的故障识别准确率也非常高。     

俄制500 MW单元机组工艺信号系统

简要介绍我国第一台引进的俄供５００ＭＷ超临界参数机组的工艺信号系统。该系统结构复杂、功能齐全、信号种类繁多，在国内大型机组中并不多见，因此具有一定的参考价值。除介绍了典型的УКТС柜的结构和功能以外，还介绍了相应的调试方法和调试规律，指出了调试中遇到的问题及对该系统的改进意见。     

小断块油田撬装化高效污水处理技术研究

根据吉林油田小断块油田采出水及工艺特点,通过对小断块油田撬装化高效污水处理技术进行研究,并在几个小断块油田上实施应用。从实际应用情况的分析可以看到,撬装化高效污水处理技术对小断块油田含油污水处理工程有着很好的经济效益和社会效益。     

关于对多参数监护仪检定的思考

本文介绍了多参数监护仪在临床的应用和在实际检测中还存在的一些问题.并提出了将其列为强检项目的必要性的依据.     

基于神经网络的旋转机械监测参数的信息融合技术

本文考虑到旋转机械故障诊断中监测多个参数,且各参量之间又有主次之分,提出将传统神经网络分解为多个子网络方法.不但可以突出各参量对不同故障的敏感程度,还可防止不同征兆域的诊断结论不一致甚至相反的情况.该融合结构可通过子网络连接权值的修正实现针对不同诊断对象的信息最优分化和融合.最后用D-S推理融合得到最终的诊断结果.该融合结构被应用在试验中取得了良好的效果,进一步验证了其可行性和优越性.     

在集上吃晌饭的婆婆

正桂花一早生火做饭时,婆婆也起来了,梳洗了一番,拉开衣橱选了好几件衣服在镜子前试穿,摇摇头,拿不定主意穿哪件。"媳妇,你帮我看看穿这件怎样?"婆婆站在门槛里问桂花。"妈,您这是要去哪?"桂花往灶內添了柴禾。婆婆支支吾吾地说:"今儿……不是乡里集市吗?我去溜达溜达,买点啥。"婆婆连早饭也没吃,就坐屯子里赶大集卖小百货的王大根货车走了。公公才过三周年祭日,婆婆就     

PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析（PCA）提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络（GRNN）的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。     

丁烯_(-1)的生产及应用

丁烯-1是重要的石油化工单体,用途广泛,生产分离技术不断改进。一、应用丁烯-1的应用很广,主要用作乙烯的共聚单体,生产高密度聚乙烯和线性低密度聚乙烯。也可以与丙烯、乙烯共聚生产柔软、抗撕裂、耐粘结的包装用薄膜。还可与异丁烯共聚,生产平均分子量为500～2500     

基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

基于大数据简约及PCA改进RBF网络的短期电力负荷预测

针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择（Lasso）算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集。为避免输入空间严重自相关及网络维数较高,造成径向基函数（RBF）神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率。 经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性。