基于自注意力CNN-BiLSTM的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命(RUL)预测方法特征提取能力单一,无法充分利用数据中蕴含的时空信息等问题,提出了一种基于自注意力卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的RUL预测方法。将振动信号的不同时域指标输入改进的自注意力CNN模块,提取不同指标间的空间特征信息并进行自注意力加权以强化特征提取效果,然后通过BiLSTM层提取时序数据中的退化特征信息并经过全连接层后输出轴承的RUL预测值。使用FEMTO-ST滚动轴承数据集进行验证的结果表明,相比CNN,BiLSTM和CNN-BiLSTM模型,自注意力CNN-BiLSTM模型的RUL预测误差更低,性能评价指标更好,CNN与BiLSTM的融合以及自注意力机制的应用使模型的预测精度提高且更倾向于进行超前预测,有利于开展预测性维修。

电解铝烟气脱硫脱氟除尘超低排放技术应用

本文介绍了内蒙古霍煤鸿骏铝电有限责任公司应用电解铝烟气脱硫脱氟除尘超低排放技术,建成电解铝烟气污染物超低排放示范工程,并投入运行,提高二氧化硫和粉尘脱除率,降低了氟化物、二氧化硫和粉尘排放浓度,各项污染物排放指标较国家《铝工业污染物排放标准》(GB25465-2010)大幅降低,实现了电解铝烟气超低排放。

铝电解氟化物无组织排放的控制

氟化物是铝电解过程中主要的污染物。在电解过程中,氟化物以有组织排放和无组织排放的形式进入大气,现今有组织排放的烟气已经得到有效处理,减少电解车间无组织排放是氟化物减排的重中之重,亟需有效地监测手段以及系统的减排措施。本文提出了人工监测系统和在线监测系统两种无组织排放监测手段,并针对电解槽启动、大修以及生产过程三个阶段展开论述,提出了电解车间无组织排放系统减排措施。为环保部门的无组织监测提供了方案,为企业的无组织减排提供了综合治理措施。