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。     

基于正交试验法的新能源汽车电机热仿真研究

新能源汽车所用永磁同步电机,大功率、小体积的使用条件和严酷的工作环境对其散热效率要求较高,故电机需要优良的散热性能,从而提高电机的使用寿命和工作安全性。以额定功率为65 kW的液冷电机为研究对象,采用正交试验法,应用Ansys-Fluent软件进行电机温度场仿真,研究冷却介质、进口流速以及进口温度对电机散热性能的影响规律,确定电机散热性能影响因素的主次顺序,并由各因素水平的影响趋势,得出较优的水平组合。最后,在正交试验结果的基础上,进一步研究了冷却液进口流量对电机散热性能的影响。研究结果表明,较好的使用因素方案组合,可以提高电机整体散热效率。     

变转速下滚动轴承的阶频谱相关域微弱故障特征增强与提取

滚动轴承是旋转机械常用且故障率较高的部件之一,其故障的及时发现,对于设备安全、稳定运行具有重要意义。滚动轴承的早期故障特征十分微弱,容易被强背景噪声干扰所掩盖。同时,滚动轴承往往在变转速工况下运行,故障特征的时变特性导致特征提取较为困难。针对上述问题,提出一种变转速下滚动轴承的阶频谱相关(OFSC)域微弱故障特征增强与提取方法。首先,利用变转速下滚动轴承故障信号的角度时间域循环平稳特性,将故障信号转换到阶频谱相关域。然后,采用鲁棒主成分分析(RPCA)的低秩稀疏分解方法,将轴承振动信号的阶频谱相关矩阵分解为表征轴承故障特征的稀疏成分,并去除表征噪声的低秩成分,进一步提高稀疏分量的分辨率。最后对分解出的稀疏分量构建增强包络阶次谱(EEOS)来检测滚动轴承的故障特征。仿真和实验分析验证了该方法对于变转速工况轴承微弱故障特征增强和提取的有效性和鲁棒性。     

基于轮速UKF的摩托车ABS车速估计算法研究

针对实际摩托车轮速时序离散信号易受干扰、车速估计误差大的问题,提出了一种在不同工况下基于轮速UKF的ABS车速估计算法。通过Matlab/Simulink构建车辆轮胎和制动模型,基于无迹卡尔曼滤波算法进行轮速滤波,对不同工况下摩托车单轮制动、双轮制动场景的车速估计算法进行数值模拟计算。实验结果表明,基于轮速UKF的摩托车ABS参考车速算法能较好地实现车速估计。