大型抽水蓄能电站首机首次启动试验方式选择研究——水泵工况启动试验方式关注的主要技术问题

对大型抽水蓄能电站首机首次水泵工况启动试验方式关注的主要技术问题,重点研究了9个技术难点和特点问题,提出分析意见和风险性评估。     

发动机初级工况对冷却夹套隔片损伤影响分析

针对可重复使用液体火箭发动机推力室冷却夹套隔片的损伤问题,为确保发动机的工作寿命,对建立了冷却夹套隔片的夹芯梁结构模型、粘塑性模型和细化损伤模型,发动机起动过程中初级工况给冷却夹套隔片损伤发展的影响进行了仿真计算。结果表明:初级工况过高,压力等性能参数振荡明显,振幅也较大,但引起的冷却夹套隔片损伤较小;初级工况选择过低,引起的冷却夹套隔片损伤较大,且压力等性能参数振荡也比较明显,但振幅较小。通过对比分析给出了用于发动机起动的合适初级工况,采用此工况使发动机起动过程中引起的损伤较小,而且压力等性能参数的振荡也较小。     

一种SSAE+BPNN的变工况飞灰含碳量软测量方法

火电机组变工况运行使数据呈现多模态特征,导致基于浅层网络结构的回归软测量模型的预测精度下降。研究一种改进的BP神经网络(back propagation neural network,BPNN)软测量方法：首先利用堆叠稀疏自编码器(stacked sparse autoencoder,SSAE)强大的深度学习能力提取原始数据特征,然后再利用BPNN对提取特征进行回归分析。经实验验证,SSAE+BPNN软测量方法的均方误差为0.135 8×10^–3,平方相关系数为0.983 2,其预测精度和泛化能力显著优于BPNN。将其应用于某台灵活调峰的超超临界660 MW发电机组飞灰含碳量软测量中,预测结果的平均相对误差为0.91%,总体相对误差控制在±5%以内,具有良好的工程应用价值。     

瞬态变工况下电厂燃气轮机气路故障诊断方法研究

为避免失修和过修,提高电厂燃气轮机可靠性和可用性,降低运维成本,确保其安全稳定、绿色高效运行,提出了一种适用于瞬态变工况且包含可变几何压气机的电厂燃气轮机气路故障诊断方法。推导了压气机IGV开度变化对压气机流量特性线和效率特性线的影响数学关系式,建立了以燃气轮机性能分析与气路故障诊断为目的高精度燃气轮机热力模型,并提出了适用于瞬态变工况且包含可变几何的电厂燃气轮机气路故障诊断策略。通过现场实际机组运行测试,验证了所提出的方法具有良好的诊断准确性与实时性,实现了在瞬态变工况下的故障辨识。     

基于一维RepVGG协同领域自适应的电机滚动轴承故障诊断

在使用传统机器学习类方法对电机滚动轴承故障进行诊断时,电机运行工况的变化以及采集信号时的噪声干扰,会出现源域训练集和目标域测试集分布不一致的问题。提出了基于一维RepVGG协同领域自适应的故障诊断方法。RepVGG具有精度高和速度快的特点,使用一维RepVGG实现对电机滚动轴承信号的特征提取;基于提取的特征,在网络顶层结构中使用集成优化目标函数来实现域自适应,并完成轴承故障诊断。基于凯斯西储大学轴承数据集,对该方法进行了实验验证。实验结果表明,在电机变工况运行时,改进方法为诊断性能优于现有其他诊断方法。     

高压涡轮非对称叶冠表面热负荷特性研究

高压涡轮带冠叶片工作于高温、高压和高转速的恶劣环境中,导致叶冠容易发生掉块现象,这严重威胁到燃气涡轮发动机的安全运行。因此,有必要研究不同参数对涡轮叶冠表面热负荷变化的影响以及作用机制,该文着重分析不同叶冠结构、宽变工况对叶冠表面热负荷变化的影响,同时,根据叶冠表面壁面热流密度的分布和变化规律,对叶冠结构形状进行改进,最终达到降低叶冠表面热负荷的目的。研究结果表明：由于篦齿的密封作用,叶冠后缘容腔内的泄漏流流动比叶冠前缘稳定,导致叶冠后缘的壁面热流密度分布比前缘更加规律。宽变工况条件下,主要通过影响叶冠前缘的壁面热流密度分布进而改变叶冠表面的热负荷。最后发现对叶冠后缘切削10%的面积,可以降低叶冠表面热负荷高达19.2%,这为今后新型涡轮带冠叶片设计提供参考。     

基于深度神经网络的变工况下综合能源系统低碳经济调度

设备变工况特性给综合能源系统(integrated energy system,IES)经济调度的准确性带来了严峻挑战。为此,提出了一种基于深度神经网络(deep neural network,DNN)的变工况下IES低碳经济调度方法。首先,基于能量枢纽模型(energy hub,EH)和效率修正模型,建立具有可变效率的动态能量枢纽模型(dynamic energy hub,DEH)。其中,EH模型刻画多能源之间的耦合关系,基于DNN的效率修正模型提取设备效率的非线性特征。在此基础上,提出了以总运行成本最小为目标函数的IES低碳经济调度模型。算例分析表明,所提方法能实现IES低碳经济运行,有效提高调度模型的求解速度和精度。     

轴流泵偏工况压力脉动和内流特性分析

轴流泵在偏离设计工况特别是小流量工况马鞍区附近运行时,流道内部强烈涡旋会造成剧烈的压力脉动,影响了泵组的安全稳定运行。本文以高比转速轴流泵为研究对象,对轴流泵5个流量工况点进行了整体流道三维流动计算,探讨该轴流泵运行时的非定常流动特性。数值计算采用RNG k-ε湍流模型,5个定常工况点计算的外特性曲线与轴流泵性能特点研究结果一致。对0.2Q_d和1.0Q_d工况进行非定常计算,结果显示,相同位置测点间的压力脉动混频幅值和频率均存在明显差异,0.2Q_d工况下相同位置测点间的压力脉动峰峰值最大超过1.0Q_d工况下4倍,说明此时流道内的流态分布很不均匀。测点离叶轮和导叶越近,低频脉动的主频受动静干涉引起的3fn和5fn脉动幅值就会明显增强,0.2Q_d工况下流道内测点受动静干涉作用的影响更强,脉动幅值为1.0Q_d工况下相同位置测点的3～5倍,且在转轮和导叶流道内影响的范围更广。结果表明,0.2Q_d小流量工况运行时压力脉动比1.0Q_d     

基于电能质量监测数据的企业环保异常工况识别

针对目前污染企业环保工况异常监测实施困难、识别误差大、结果易被篡改等问题,提出了一种基于电能质量监测数据的环保异常工况识别方法。区别于对每个设备安装分表进行用电监测的现有方案,使用企业设备公共用电入口处非侵入式负荷监测所得的多维电能质量数据进行工况分类模型训练,实现异常工况识别。首先,对表征生产情况的特征数据进行时序变点检测与聚类计算,实现企业生产工况的划分;然后,结合环保设备运行情况得到用于分类的环保工况类别;进而,采用Stacking集成学习模型对环保相关的工况场景进行分类学习;最后,利用所训练的分类模型识别出企业存在的环保异常工况。利用仿真测试数据与实际企业数据验证了所提方法的有效性。     

多小波系数增强动态聚合联邦深度网络的多工况故障诊断

针对分布式场景下单节点样本有限、多节点间工况分布不平衡等导致的深度学习故障诊断精度低的问题,提出一种多小波系数增强动态聚合联邦深度网络用于分布式小样本下的多工况机械故障诊断。提出多小波系数增强动态聚合联邦深度网络的诊断框架,单终端节点从本地样本中提取小波系数特征,提出多小波系数深度网络融合的特征增强方法,局部模型从多样性小波系数集合中提取更具判别性故障特征;聚合节点通过对多终端节点局部模型的聚合以构建全局联邦深度网络模型,并用于多工况故障诊断;为降低多节点间数据非独立同分布的影响,提出平衡模型贡献度的联邦动态加权聚合算法。轴承振动数据分析结果表明,所提方法能在分布式小样本条件下实现高精度的多工况故障诊断。