排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
机器学习方法已经在生物质气化建模中展现出广阔的应用前景。然而,机器学习模型主要依赖于实验数据,并不考虑气化中的反应机理,在数据样本不充分的情况下模型所表现出的实际关联特性与机理规律之间存在严重偏差。为此,提出一种基于物理信息神经网络(PINN)的生物质气化产物分布预测方法,该方法将真实实验数据与先验机理进行无缝衔接,在人工神经网络(ANN)模型中嵌入边界约束和关键参数间的单调性关系,通过自动微分技术进行辅助优化,实现模型的高效训练。结果表明:PINN模型的决定系数大于0.89,均方根误差小于4%,其总体预测精度要优于随机森林(RF)、支持向量机(SVM)和ANN 3种纯拟合机器学习模型;PINN模型能够严格服从边界约束和先验机理单调性关系,表现出更好的可解释性和泛化能力。 相似文献
2.
基于重构的故障分离方法能够抑制残差污染影响,有效降低误诊率,但该类方法计算量会随系统维度和故障变量数量呈指数级上升,难以直接应用于高维复杂工业过程的在线故障诊断。因此,提出的主成分分析法是一种基于序列特征选择算法的重构主成分分析故障诊断方法,该方法基于历史数据建立主成分分析监测模型,利用综合指标对实时数据进行故障检测,在故障分离过程中引入序列特征选择方法来定位故障变量,并〖JP2〗采用数学仿真算例和实际工程算例对该方法的诊断性能进行验证。结果表明:所提方法可以在较小计算量的情况下保证高诊出率和低误诊率,在诊断精度和诊断效率之间达到良好平衡,能够有效处理高维系统复杂故障,满足了在线诊断需求。 相似文献
3.
采用变频启动、自启动、串电阻启动等方式启动的异步电机内的组成部件中的电磁场分布并不相同,因此各组成部件的损耗分析方法也应各不相同.各种形式的斯坦梅茨方程可分析计算铁心损耗,且斯坦梅茨方程中的系数可由硅钢片制造商提供的损耗曲线获得,然而,硅钢片制造商提供的损耗曲线仅能在几个固定的频率下获得.采用了一种曲线拟合技术,可计算... 相似文献
4.
1