基于预警控制限自学习的滚动轴承早期故障预测

传统滚动轴承故障预警通常采用固定阈值分级报警,存在较多的误报警和漏报警。如何有效地从振动信号里学习能表征其健康状态的指标,自学习故障预警控制限,是解决该问题的关键所在。因此,提出一种预警控制限自学习的轴承早期故障预测方法。首先,采用短时傅里叶变换提取振动数据的故障特征;其次,提出基于矩阵变量高斯卷积深度置信网络的健康指标构建方法,在不破坏二维样本空间内部结构的同时将故障特征组合抽象成高层特征,通过全连接层构建健康指标;再次,拟合正常运行状态健康指标的概率分布的及检验拟合优度,并以上侧分位数作为故障预警控制限;最后,以国际标准轴承数据集验证了所提方法的有效性。

强化财务内部控制提升建筑企业财务管理水平

近年来,建筑企业存在施工成本升高、财务风险增多、内部管理混乱无序等问题,在这一背景下注重财务内部控制建设和实施,能够抵御内外部风险、保证资产的完整性和安全性、提高财务会计信息质量等,辅助建筑企业科学决策,创造更为可观的经济效益。基于此,本文首先阐述了建筑企业财务内部控制建设的重要价值,客观分析了这项工作中所面临的问题,主要表现在财务内部控制环境不佳、财务内控活动执行不到位、财务内控未能应用互联网技术等,并结合这些问题提出解决策略,包含优化财务内控环境、保证财务内控活动执行到位、注重财务内控信息化建设等。

基于自适应多尺度注意力机制的CNN-GRU矿用电动机健康状态评估

利用多传感器信息融合技术进行电动机健康状态评估时,矿用电动机监测数据中存在异常值和缺失值,而卷积神经网络和循环神经网络等深度学习模型在数据质量下降严重的情况下难以有效提取数据特征和更新网络权重,导致梯度消失或爆炸等问题。针对上述问题,提出了一种基于自适应多尺度注意力机制的CNN-GRU(CNN-GRU-AMSA)模型,用于评估矿用电动机健康状态。首先,对传感器采集的电动机运行数据进行填补、剔除和标准化处理,并以环境温度变化作为依据对矿用电动机运行数据进行工况划分。然后,根据马氏距离计算出电动机电流、电动机三相绕组温度、电动机前端轴承温度和电动机后端轴承温度等健康评估指标的健康指数(HI),采用Savitzky–Golay滤波器对指标HI进行降噪、平滑、归一化处理,并结合主成分分析法计算的不同指标对矿用电动机的贡献度,对指标HI进行加权融合得到矿用电动机HI。最后,将矿用电动机HI输入CNN-GRU-AMSA模型中,该模型通过动态调整注意力权重,实现对不同尺度特征的信息融合,从而准确输出电动机健康状态评估结果。实验结果表明,与其他常见的深度学习模型CNN,CNN-GRU,CNN-LSTM,CNN-LSTM-Attention相比,CNN-GRU-AMSA模型在均方根误差、平均绝对误差、准确率、Macro F1及Micro F1等评价指标上更优,且预测残差的波动范围更小,稳定性更优。

纺机车间多源异构数据生产管理系统设计

针对纺织机械制造企业生产过程中的多源异构数据集成、传递和共享问题,结合企业实际生产情况,搭建面向企业业务流程模型,建立车间制造过程数据管理模型,对生产数据进行异常纠正、时间配准、时序数据补足等数据预处理;并采用基于本体的异构数据集成方法,实现纺织机械制造车间智能生产的数据集成与共享,为数字孪生平台、仿真优化决策提供数据支撑;设计和开发了数字化车间数据集成管理系统,通过融合SAP、SCADA等系统数据,实现生产进度跟踪、设备运行监控及生产相关的数据统计分析,并结合三维模型进行三维可视化,满足车间的数据管理需求。

煤气化细渣碳灰分离技术研究进展

基于我国富煤、贫油、少气的能源结构特点,煤炭在相当长的时间内仍然是我国最重要的化石能源。煤气化是现代煤化工发展的前沿技术,是实现煤炭清洁高效利用的有效途径,对实现国家高质量发展具有重要战略意义。煤气化过程中会产生煤气化细渣,煤气化细渣主要通过填埋的方式进行处理,不仅占用土地,污染环境,而且不利于煤化工企业的长远发展,气化细渣的高效处理再利用迫在眉睫。首先对气化细渣的理化特性进行了分析总结,气化细渣残碳含量与煤种、气化工艺条件、运行工况等因素均相关,但气化细渣的物理化学性质差别不大,主要由SiO_(2)、Al_(2)O_(3)、CaO、Fe_(2)O_(3)和C组成。气化细渣残碳含量一般在20%左右,因煤种和气化操作条件等的差异,部分地区气化细渣残碳含量高达50%,具有一定潜在的利用价值。目前,气化细渣的处理方式主要有筛分分级、重力分选和泡沫分选。系统总结了气化细渣的筛分分级、重力分选和浮选技术,通过筛分分级和重力分选技术,均可以无污染、绿色环保实现气化细渣低成本、高效率再利用。通过浮选强化,可以提高捕收剂在气化细渣残碳表面的吸附与铺展,改善气化细渣的疏水性。最后,根据国内外研究现状,提出了气化细渣分选研究方向。

基于多尺度卷积神经网络的轴承剩余寿命预测

针对数据驱动的轴承剩余使用寿命预测方法多基于先验知识来构建退化指标,较为繁琐,且传统卷积神经网络预测特征提取不完全的问题。该研究采用了多尺度卷积神经网络模型预测轴承剩余使用寿命。多尺度卷积神经网络模型以轴承振动数据为输入,避免了依靠先验知识的退化指标构建过程,且依据其多尺度特性可以从不同尺度自动对输入数据并行提取特征,能更加全面地学习振动信号所蕴含的退化规律。最后,为了减少多尺度卷积神经网络预测模型输出的局部波动,采用移动平均法对预测结果进行降噪平滑处理,最终得到预测结果。该研究使用加速轴承寿命实验数据验证了所提方法的有效性和可靠性。

煅烧温度及气氛对浮选尾煤的火山灰活性及固碳性能的影响

经热活化后的浮选尾煤是制备胶凝材料的理想原料,但热活化引起的碳排放极大地限制了其绿色资源化利用。在提高火山灰活性的同时有效减少因热活化产生的碳排放是尾煤大规模工业化利用的前提。利用纯CO_(2)气氛代替烟气中的CO_(2),初步探索了尾煤在烟气中活化同时对CO_(2)捕集的可行性。通过对比空气及CO_(2)气氛煅烧后尾煤的物化性质,分析了活化协同固碳与传统尾煤煅烧的火山灰活性差异以及尾煤的固碳性能。利用XRD、N_(2)吸附及TG分析了2种气氛活化固碳后尾煤的物化结构及固碳性能,利用尾煤与水泥混合后结石体的抗压强度为指标对活化固碳后尾煤的火山灰活性进行了评价,以活化固碳后尾煤中增加的CaCO_(3)质量为指标评价尾煤的固碳性能。通过研究不同龄期结石体的物化结构,揭示了固碳对尾煤水泥水化过程影响的机理。结果表明:空气气氛煅烧尾煤的火山灰活性高于CO_(2)气氛煅烧尾煤。空气及CO_(2)气氛下尾煤最佳活化温度为700℃,火山灰活性贡献率分别为29.98%、15.51%,标准养护至28 d后空气及CO_(2)气氛煅烧后尾煤-水泥结石体的抗压强度较原尾煤-水泥结石体分别增长了29.1%及6.9%;同时,CO_(2)气氛下尾煤在700℃实现最佳固碳效果,固碳率为0.93%。CO_(2)气氛煅烧尾煤参与水泥水化反应,水化后期煅烧尾煤中的活性物质与矿化产物CaCO_(3)对熟料水化及胶凝体系中钙钒石(AFt)的产生起正向促进作用,水化后期结石体比表面积增加、孔隙填充,提高了孔隙密实程度,结石体后期抗压强度显著升高。

旋转磁场作用下磁铁矿粉运移规律与分选研究

为了研究磁铁矿粉在旋转磁场中的运移规律,首先,设计一种中间给料、底端排尾矿、顶端排精矿和部分尾矿的新型螺旋管式磁选设备,并搭建试验平台;其次,采用多物理场仿真软件COMSOL对其流场和磁场进行数值模拟,对螺旋分选管上下部出口截面位置的矿石颗粒进行受力分析与示踪模拟;第三,采用高速相机观察分选管内磁性颗粒的运移规律;最后,进行粗精矿分选试验。研究结果表明:在旋转磁场作用下,螺旋管内的磁性颗粒发生与旋转磁场转向相反的运移;在旋转磁场反向驱动作用下,下行分选管内磁性颗粒被螺旋向上提升进而被“回收”;上行分选管内磁性颗粒在被提升的同时与非磁性颗粒在磁场与离心力的作用下发生径向分离;在给料流量为4.85~6.00 L/min、给矿质量分数为10%的条件下,将原矿TFe品位由61.69%提升至68.15%~68.49%,精矿中SiO_(2)质量分数由10.14%降至5.61%~5.76%,精矿产率为90.03%~90.58%,精矿TFe回收率为98.13%。

基于多动作深度强化学习的纺机制造车间调度方法

纺机制造车间调度问题是一种具有复杂工艺约束和序列相关设置时间的柔性作业车间调度问题,为了保证调度方案的质量,提升企业的订单准时交付能力,提出了一种以最小化最大完工期为优化目标的多动作深度强化学习算法。首先,将调度问题建模为多马尔可夫决策过程。然后,针对纺机制造车间调度的工件选择和机器选择两个子问题,分别设计了用于定义工序选择策略和机器选择策略的两个编码器,以预测选择不同工序和机器的概率分布。其中,在工序选择编码器中,采用图神经网络对析取图进行编码,以降低问题规模对解的质量的影响。其次,提出了一种具有多动作空间的强化学习训练算法,用于学习两个子策略。最后,经某纺机制造企业的实际生产案例验证,该方法的性能受问题规模影响较小,与其他对比算法相比,能够获得较高质量的调度方案,训练的模型具有较好的泛化能力和稳定性。

基于K-CNN和N-GRU的风电机组发电机状态预测

为了检测风电机组发电机异常、减少由故障引起的停机事件发生,基于真实风电场的数据采集与监视控制(Supervisory Control and Data Acquisition,SCADA)系统记录的多维传感器参数,提出一种K-CNN(Convolutional Neural Network,卷积神经网络)和N-GRU(Gated Recurrent Unit,门控循环单元)相结合的深度学习框架,建立风电机组发电机状态预测模型。首先,用Pearson相关系数分析状态参数相关性;之后,通过权重系数加权得到一维融合参数;其次,针对传统特征提取过程中忽略浅层特征的问题,采用CNN分层提取一维融合参数的特征,并利用核主成分分析(Kernel Principal Component Analysis,KPCA)将不同层的特征提取结果降为一维;然后,针对传统GRU算法参数欠优化问题,利用神经网络架构搜索改进GRU算法,得到N-GRU模型,将降维后的特征提取结果输入N-GRU做预测并得到重构误差,通过设定告警阈值实现状态评估;最后,以新疆某风场中2 MW风电机组为例,验证了该模型的有效性与准确性。

煤气化渣基氨氮吸附剂的制备及吸附性能研究

水中氨氮含量过高,会导致“水华”、“赤潮”等现象,破坏生态平衡。为了实现对工业和生活废水中氨氮的高效去除,以煤气化过程中产生的大宗煤气化渣经过水介旋流器分选后,得到富碳细渣(RCS)产物为原料,制备了煤气化基氨氮吸附剂,并对其氨氮吸附性能进行研究。物理吸附结果显示,吸附剂比表面积为311 m^(2)/g。通过X射线衍射(XRD)、扫描电子显微镜(SEM)、傅里叶变换红外吸收(FT-IR)光谱等对吸附剂进行结构表征。RCS水热后生成了较为规整的A型沸石和SAPO-20型分子筛杂晶。氨氮吸附试验表明,在固液比为10 g/L、溶液初始pH=6.8、氨氮初始浓度为60.0 mg/L、接触时间为1 min时,吸附剂对氨氮的平衡吸附量为3.5 mg/g,去除率达51.0%。但同等条件下RCS对氨氮的去除率仅为8.1%。吸附剂对氨氮吸附等温线符合Freundlich方程,吸附剂吸附氨氮行为符合准一级动力学方程。

置于锥部的轴向电磁场对重介旋流器分选效果的影响

为了在线调整重介旋流器二段分选密度,构建了半工业化磁调控重介旋流器分选系统,通过在旋流器锥部设置轴向电磁场,进行了固定入料悬浮液密度下介质分配试验和不同磁场特性下-3 mm粗煤泥分选试验,得到了不同磁系厚度下重介旋流器分选效果,实现了利用外加磁场在保证分选精度基本不变的前提下有效提高重介旋流器分选密度的目的。应用有限元软件ANSYS对所用磁系进行磁场特性模拟分析,初步揭示了磁场作用下提高重介旋流器分选密度的作用机理。认为轴向磁场力提高了磁系作用区域的介质浓度,径向磁场力强化了磁性颗粒向外的离心运动,综合表现为分离区悬浮液密度升高而导致的分选密度升高。在此基础上,提出了利用磁场调控分选密度在选煤厂降低介耗、提高效益及提升自动化水平中的应用前景。

磁铁矿分选设备研究现状与发展趋势

针对目前复杂难选磁铁矿资源开发利用现状,提出关键分选设备的研发与改进是铁矿选矿工艺发展重点之一。以主要分选作用力场结合方式对磁铁矿分选设备进行了分类,概述了磁选、重选、浮选等单力场分选设备及由以上经典分选力场复合而成的复合力场分选设备结构特点、分选原理及其现场应用情况。研究表明:重选能耗低,无污染,处理量大,但分选粒度较粗,分选效果偏低;浮选下限低,但药剂制度复杂,成本较高,且难以满足日益提高的环保要求;磁选对磁性矿物虽更具针对性,但磁性夹杂易导致磁精矿品位偏低。提出了复合力场分选设备作为一种高效节能的选矿设备,具有重选、浮选、磁选等多种选矿方法的优点,提高了设备分选效率、处理量、选择性以及对粒级的适应性等。展望了具有重-磁-浮多重功能的新型多力场复合分选设备将成为未来主要研究方向,替代现有复合力场选别设备成为必然趋势,具有广阔的研究与应用前景。

融合多时段SCADA数据的风电机组风险态势预测

针对传统风电机组静态评估较难准确反映出整机状态的问题,在缺乏历史故障数据支撑的场景下,综合考虑风电机组数据采集与监控(SCADA)系统的历史记录、当前状态以及运行趋势等多时段信息,基于风险的思想开展风电机组态势预测。采用长短期记忆网络构建有功功率短期预测模型,以有功功率预测残差量化风险状态严重度;利用模糊C均值算法构建机组风险状态严重度离群点模型,划分风险状态严重度等级;在此基础上,基于马尔科夫链的状态转移模型,预测机组当前风险状态严重度等级和潜在趋势。以新疆某风场的2MW风电机组为例,验证所提方法的合理性与有效性。

磁力煤泥重介旋流器分选密度强化作用研究

为了提高煤泥重介旋流器分选效果,丰富调控手段,以实验室磁力复合煤泥重介旋流器为研究对象,针对现阶段磁力旋流器励磁方式-空心线圈电磁场,以低碳钢为材料进行了附加磁路结构设计,实现了旋流器分选区磁场的靶向引导与强化。采用有限元模拟分析软件ANSYS对设计磁路进行磁场特性仿真分析,得到附加磁路结构可改变分选作用区磁场形态,提高磁场强度的结论,线圈中心最大磁场强度由无磁路时的4102 A/m提高到大聚磁环作用下的4930 A/m,内聚磁结构因其特殊的结构设计达到14418 A/m。基于磁场仿真结果,对比进行了不同磁路磁场特性下纯磁铁矿粉介质分配试验和-3 mm粗煤泥重介质分选试验,得到不同磁场强度下纯磁铁矿粉底流、溢流分配规律及粗煤泥分选规律。试验结果表明,相比于无磁路磁场,外聚磁磁路结构不改变底流、溢流介质分配规律的总体趋势;内聚磁结构对磁场积聚作用强,磁场强度高,溢流悬浮液密度较空心线圈降低,底流悬浮液密度较空心线圈升高,精煤、尾煤灰分较空心线圈均有所上升,得到内聚磁结构可强化提高煤泥重介旋流器分选密度的结论。通过对磁力旋流器磁场附加磁路,为磁力旋流器磁场设计提供了一种新方法,为分选效果磁调控方法提供了一种新思路,对优化磁力旋流器磁场特性,充分发掘磁场在煤泥重介旋流器分选工艺的应用潜力、丰富复合力场分选理论具有一定的理论与实践意义。

磁场强度对煤泥重介旋流器分选效果影响研究

基于前期磁场强度对煤泥重介旋流器分选效果的影响规律,为了进一步研究高磁场强度对旋流器分选效果的影响,本文采用提出假设、试验验证与理论计算相结合的方法,在试验假设的前提下,通过对旋流器柱段安装空心圆环定性表征旋流器磁场作用区形成的磁铁矿粉“堆积层”,以空心圆环厚度表征不同磁场强度下形成的“堆积层”厚度,随着空心圆环厚度的增加,可获得精煤灰分逐渐降低,尾煤灰分基本不变,即分选精度提高的结论。试验结论与假设相反,反向验证了在旋流器内流场的高速剪切作用下,磁场作用区域内并未形成具有稳定厚度的磁铁矿粉“堆积层”。充分考虑影响磁团聚体形成与破坏的受力因素,通过公式推导得到磁场作用下磁团聚体粒度与磁场强度、介质悬浮液密度等参数的对应关系。结果表明,磁场强度超过一定值,磁团聚体粒度显著增大,导致介质悬浮液稳定性和流变性变差,进而造成旋流器分选效果变差。以上研究结果对于完善复合力场分选理论,指导煤泥重介旋流器磁调控策略具有意义。

基于超限学习机的风电机组齿轮箱油温趋势预测研究

为减少风电机组齿轮箱故障,提出一种基于数据预处理的超限学习机(ELM)风电机组齿轮箱油温预测方法。鉴于SCADA系统中数据信息质量的不确定性和冗余性,首先通过平滑处理去除噪声,再由相关性分析和信息熵计算,得到复合要求的模型输入变量数据,此数据预处理方法确保了对最终预测贡献的确定性,最后利用ELM预测模型进行齿轮箱油温预测。通过预测结果分析对比,此模型在保证预测精度的同时大幅降低了计算的复杂度,验证了所提算法的优越性。

磁力复合作用下煤泥重介质旋流器分选效果试验研究

为了提高煤泥重介质旋流器分选效果,丰富调控手段,在煤泥重介质旋流器外部同轴配置励磁线圈形成电磁场,通过改变磁场位置、磁场强度研究磁场特性与入料压力、悬浮液密度、安装角度等操作条件协同作用下<3 mm粗煤泥的分选效果。试验结果表明:与改变常规操作参数的方法相比,应优先改变磁场强度来调整煤泥重介质旋流器的分选效果。通过施加磁场优化煤泥重介质旋流器分选效果,揭示了其操作参数与磁场特性的协同作用规律,充分发掘了磁场在煤泥重介质旋流器上的应用潜力,为丰富旋流器调控策略、提高选煤厂机械自动化水平提出了一种新思路。

高斯混合模型下的相关子空间与离群数据挖掘

相关子空间是一种与离群数据有关的属性集维集合,可有效地降低"维灾"的影响.本文利用高斯混合模型重新定义了相关子空间,并且给出了一种相关子空间的离群挖掘算法.该算法首先根据k近邻算法,确定数据集中各数据对象的局部数据集,并依据属性值的稀疏度生成全局的稀疏度矩阵,稀疏度矩阵有效地体现出数据的稀疏性和稠密性;其次,利用高斯混合模型和稀疏度矩阵,识别数据对象的相关子空间和不相关子空间,避免了不相关子空间对度量离群数据的影响;然后,在相关子空间中,利用数据对象每个维度的稀疏度和属性权值,计算数据对象的离群值,并选取离群值较大的若干个对象作为离群数据;最后采用人工和UCI数据集,实验验证了该算法的有效性.

喷射器的结构设计及变工况模拟分析

本文结合喷射器的特性曲线方程,根据喷射器结构尺寸的计算方法编程,计算出初始条件下喷射器的具体尺寸,并根据计算结果建立喷射器模型,依次改变工作流体、引射流体和出口压力,运用Fluent模拟实际运行过程中工况改变对喷射器性能的影响。