引入注意力机制时空深度神经网络的再热器温度偏差预测方法

锅炉再热器是将低压蒸汽再进行加热至一定温度的蒸汽过热器,其稳定运行对于燃煤机组的安全和高效生产具有重要意义。在锅炉运行过程中,由于炉膛出口和水平烟道中存在残余旋转动量,造成再热器两侧出口温度产生偏差,偏差过大时有可能导致爆管事故的发生。为实现再热器温度偏差的提前预测,设计一种基于注意力机制的时空融合深度神经网络模型,分别采用卷积神经网络和门控循环神经网络提取空间和时间信息,同时引入注意力机制对各类特征进行赋权,以提升预测精度。该模型同时发挥卷积神经网络在空间信息处理和门控循环神经网络在时间信息处理方面的优势,并充分利用特征图上通道注意力机制的全局信息,解决单个模型特征信息提取不充分问题。在燃煤电厂实际数据中的应用结果表明,与其他深度学习方法相比,所提出的方法具有更高的预测精度,其均方根误差、决定系数、预测准确率分别为0.962、1.342、0.985。

关于Granville猜想的一个推广

1999年,Granville和Roesler提出了一个有关两个正整数序列A和B的猜想:mi,ajx{a i(a i,bj),bj(a i,bj)}≥min{|A|,|B|}.本文考虑了类似的问题:mi,aj x[(a i+bj)(a i,bj)]≥|A|+|B|?1,ai∈A,b j∈B.得到了序列A和B是个位数的正整数序列时的最值情况.

基于去噪自编码器的故障隔离与识别方法

针对现有基于自编码器(AE)的过程监测方法在故障隔离和识别方面存在的缺陷,提出了一种基于去噪自编码器(DAE)的故障隔离与识别方法,其主要思路是通过在DAE的优化目标函数中引入未知的故障子空间实现故障的隔离和识别.考虑到故障的特性,引入了l;正则化项以实现稀疏隔离,并设计了基于自适应矩估计(ADAM)的优化问题求解方法.与传统方法相比,基于去噪自编码器的故障隔离与识别方法在非线性过程故障诊断中具有更好的效果.在Tennessee Eastman(TE)过程和高炉炼铁过程中的应用验证了所提出方法的可行性.