基于图像对抗卷积自编码的燃烧稳定性定量监测

燃烧稳定性的准确监测对于优化燃烧状态具有重要意义。传统燃烧稳定性监测方法不仅高度依赖先验专家知识,而且难以实现定量评估。为了克服这些局限性,该文提出一种新的燃烧稳定性定量评价方法。该方法建立一种对抗卷积自编码(adversarial convolutional autoencoder,ACAE)提取火焰图像的深层特征,并利用一种定量评价指标进行特征分析。其中,ACAE采用一种新型对抗机制来提高训练效率,从而增强特征学习能力;定量评价指标的数值区间为[0,1],且当评价指标低于0.5时,燃烧状态稳定。通过乙烯燃烧实验测试了稳定性监测方法的可行性。结果表明,由ACAE提取的深层图像特征能够用于定量估计燃烧稳定性。此外,该监测方法具有较强的泛化性能,能够准确识别训练数据集范围以外的火焰图像。

同步发电机混沌振荡的精确线性化控制

在周期性负荷扰动情况下,同步发电机可能诱发混沌振荡现象,严重威胁电网运行安全性;为解决此问题,采用精确线性化控制方法来设计混沌控制器;首先,系统的数学模型经过状态变换,对非线性系统进行线性化处理,然后结合配置反馈增益方法,设计出相应控制器;仿真结果表明,所设计的控制器能够有效抑制混沌振荡,发电机转子运行角和发电机相对转速由无规则的运动转变为稳定运行,提高了电力系统稳定性。

基于集成学习模型的大学生体测成绩预测

大学生体测成绩是衡量身体素质和健康状况的重要指标,关系到日常生活与学习。通过体测成绩预测,有助于及早发现潜在健康问题,并提供个性化锻炼建议。传统体测成绩预测方法主要基于主观经验和统计策略,存在较大不确定性。为了弥补现有技术不足,本研究提供了一种基于集成学习模型的体测成绩预测新方法。在该模型中,体质特征(如年龄、身高、体重和肺活量)作为输入,极限学习机和决策树作为预测引擎,支持向量回归作为堆栈模型。在模型训练过程中,通过交叉验证方法对超参数进行优化,从而获得最佳预测性能。实践测试表明,集成学习模型能够准确预测体测成绩,其性能明显优于单一预测引擎,展现出良好应用前景。

基于火焰成像和堆栈降噪自编码的燃烧工况识别

提出一种基于深度神经网络的燃烧监测方法.该方法利用具有深层结构的堆栈降噪自编码(SDAE)提取火焰图像特征,并将其输入到高斯过程分类器(GPC)中,从而识别燃烧工况.针对SDAE训练集中未出现的新燃烧工况,使用少量新工况的标签图像对GPC进行重新训练,即可扩大监测模型的识别范围.在重油燃烧试验装置上开展了试验研究,利用获得的火焰图像对SDAE-GPC网络进行模型训练以及性能测试.结果表明,所提出的监测方法对训练集所包含的燃烧工况具有99.3%的识别精度,对新工况具有98.2%的识别精度,且对图像噪声具有良好的鲁棒性,在燃烧工况识别中具有潜在的应用前景.

基于深度学习和光场成像的火焰三维温度场重建算法

提出一种基于深度学习和光场成像的火焰三维温度场快速重建算法.该算法利用卷积神经网络对火焰光场图像进行深层特征提取,建立了光场图像与三维温度场之间的映射关系,从而实现火焰三维温度场的快速重建;利用视在光线法构建了火焰光场图像和三维温度场数据集,对卷积神经网络进行训练,利用测试集对训练结果进行了验证和评价,并将卷积神经网络算法与传统非负最小二乘(NNLS)算法的重建结果进行了对比.结果表明,基于深度学习和光场成像的火焰三维温度场重建算法可准确重建火焰温度场,同时具有较高的计算效率(火焰的网格划分为10×8×15,NNLS算法的重建时间为4759 s,深度学习算法的重建时间为830μs),平均相对误差为0.14%,且对于图像噪声具有良好的鲁棒性.

基于深度卷积神经网络和支持向量机的NO_(x)浓度预测

NO_(x)浓度的准确预测对于燃烧优化控制至关重要,有利于提高能源利用效率和减少环境污染。提出了一种基于深度卷积神经网络(deep convolution neural network,DCNN)和支持向量机(support vector machine,SVM)的NO_(x)浓度预测方法。该方法首先利用DCNN对火焰图像的深层特征进行提取,然后采用支持向量机对所提取到的深层特征进行分析,从而实现NO_(x)浓度预测。通过采集4.2MW重油燃烧锅炉不同燃烧工况下的火焰图像与NO_(x)浓度,对所提出的预测方法的有效性进行测试。试验结果表明,在不同燃烧工况下,DCNN-SVM的均方根误差为1.58mg/m^(3),低于基于静态物理特征的预测模型(7.96mg/m^(3))。表明DCNN-SVM具有较高的预测精度,不仅克服了静态物理特征表达能力的不足,而且摆脱了繁琐的特征设计过程。

基于数据驱动的卷积神经网络电容层析成像图像重建

针对电容层析成像技术的图像重建问题,提出了基于数据驱动的卷积神经网络图像重建方法。根据气固两相流的流型特点,通过数值模拟的方法随机生成了60000组介质分布图像,并利用有限元法计算了与之对应的电容向量,从而建立了一个"电容向量-介质分布"数据集;然后根据电容层析成像图像重建特点建立了卷积神经网络模型,对数据集中的训练集进行学习和训练,并利用测试集对训练结果进行了验证与评价。在此基础上,对获得的ECT图像重建卷积神经网络模型进行了静态实验和流化床测试实验研究。模拟和实验结果表明:所建立的卷积神经网络能较好地实现ECT图像重建,可直接用于流化床内的颗粒浓度分布测量。

浅谈FF总线仪表在DCS中的应用

本文介绍了FF仪表与DCS基本知识,并讲述了FF仪表在DCS系统中应用时需要注意的事项。

基于火焰图像和卷积稀疏自编码的燃烧工况监测

提出了一种基于火焰图像和卷积稀疏自编码(CSAE)的燃烧工况监测方法。该方法利用具有深层结构的CSAE网络提取火焰图像的关键特征,并将其输入到Soft-max分类器中进行燃烧工况识别。利用在300 MW电站锅炉上获取的火焰图像验证了该方法的可行性。结果表明:CSAE-Soft-max模型的识别精度达到98.9%,说明该方法是可行的。

基于等效控制的同步发电机混沌振荡的神经网络滑模控制

在周期性负荷扰动情况下,同步发电机可能诱发混沌振荡现象,严重威胁电网运行安全性。为解决此问题,本文提出了基于等效控制的神经网络滑模控制策略。首先系统利用等效控制方法设计滑模控制器,然后结合神经网络理论以及自适应控制原理来逼近滑模控制器中的非线性项,设计出神经网络滑模控制器。在该控制器的作用下,系统的输出渐近跟踪目标轨迹,由混沌运行状态转变为稳定运行状态。理论分析与仿真结果表明,所设计的控制器能够有效抑制电力系统的混沌振荡,且具有一定的鲁棒性。