复杂化工过程调控操纵策略的深度学习方法

现代复杂化工过程生产运行记录了大量的过程调控时序数据,如何提取其中有价值的调控操纵经验和规则,对于提升过程运行智能化水平具有重要意义。时间序列聚类是一种挖掘历史调控操纵序列的有效方法,然而由于实际工况经常与历史数据出现偏差,使得重构准确的过程调控操纵策略出现困难。为此,本文提出了一种基于数据碎片化深度学习的过程调控操纵提取方法,采用基于Levenshtein距离的凝聚层次时序聚类获取不同过程扰动状态类别,提取对应的有效操纵序列进行碎片化处理,采用卷积神经网络对调控操纵策略进行深度学习和重构。将此方法在工业换热器过程上进行了应用,获得了满意的结果,表明所提出的方法能够克服常规操纵序列挖掘的工程应用适应性差、对数据源依赖性强等缺点。     

一种新型的基于Levenshtein距离层次聚类的时序操作优化方法

现代流程工业过程中，DCS采集并存储了大量的操作时序数据，若能将其中有价值的操作经验和操作信息提取出来，则可大大提高操作系统的性能。然而，操作经验概念较为模糊，无法具体量化。因此，将具有时序特征的操作数据符号化，使操作经验以区块化形式表示，并提出一种基于Levenshtein距离的时序层次凝聚聚类算法，通过对操纵变量的历史时序操作数据进行相似性搜索，进而获得多种相似的操作模式，并将每种类型的操作模式对应的过程变量进行性能分析，从而得到并保存实际工作过程中所需的操作经验，以达到生产过程操作优化的目的。为了验证所提出方法，将其用于连续组分精馏操作过程，实验结果表明所提出的基于Levenshtein距离层次聚类的操作优化方法的有效性。     

一种新型的基于Levenshtein距离层次聚类的时序操作优化方法

现代流程工业过程中,DCS采集并存储了大量的操作时序数据,若能将其中有价值的操作经验和操作信息提取出来,则可大大提高操作系统的性能。然而,操作经验概念较为模糊,无法具体量化。因此,将具有时序特征的操作数据符号化,使操作经验以区块化形式表示,并提出一种基于Levenshtein距离的时序层次凝聚聚类算法,通过对操纵变量的历史时序操作数据进行相似性搜索,进而获得多种相似的操作模式,并将每种类型的操作模式对应的过程变量进行性能分析,从而得到并保存实际工作过程中所需的操作经验,以达到生产过程操作优化的目的。为了验证所提出方法,将其用于连续组分精馏操作过程,实验结果表明所提出的基于Levenshtein距离层次聚类的操作优化方法的有效性。     

结构参数对转盘轴承承载与润滑性能的影响

转盘轴承的承载和润滑性能是判断其能否满足主机需求的关键指标。以低速重载交叉滚柱式转盘轴承为研究对象,综合ADAMS动力学仿真与弹流润滑理论研究了接触角、滚动体直径和数量等结构参数对转盘轴承承载和润滑性能的影响。结果表明:随着接触角的增大,最大接触载荷和膜压逐渐减小,而膜厚逐渐增大,因此适当增大接触角可以提高转盘轴承的承载和润滑性能。随着滚动体直径的增大与数量的减少,最大接触载荷逐渐增大而最大接触应力逐渐减小,膜厚逐渐增大,膜压逐渐减小,因此在转盘轴承设计中,应综合考虑承载和润滑性能两方面的因素确定合适滚动体直径和数量。