机理-数据融合驱动的互联变流系统故障诊断方法

三电平中点钳位型互联变流器,因其大容量、高电能质量等优势,已逐渐成为交直流混联配电网系统的主流能量变换装备。但其长期工作于大功率、时变负载、有限散热等恶劣工况,功率器件开路故障率高。同时,现有故障诊断方法多为单一机理或数据依赖,无法克服系统模型结构复杂、运行工况多变的难题,诊断准确性与快速性较差。为此,提出了一种机理-数据融合驱动的互联变流系统故障诊断方法。首先,基于三电平变流系统的机理模型,结合神经网络观测器,构建机理-数据融合模型以提高故障诊断精度。随后,分析了电流残差量在不同器件开路故障后的变化轨迹,总结出电流残差故障特征表进行开路故障诊断。最后,实验与硬件在环测试结果验证了所提方法的有效性。

单颗磨粒磨削机理与数据融合驱动的磨削过程建模分析

实现磨削过程的精准预测对于实现我国节能减排的目标具有重要意义。针对现有磨削能耗研究无法准确表征出磨削能量流动情况和未考虑能耗动态变化数据等问题,提出一种基于单颗磨粒磨削机理与数据融合驱动的磨削过程建模分析方法。建立了考虑磨粒的尺寸、位置、角度、出刃高度的砂轮表面形貌模型,推导了磨粒与工件材料接触分析情况的数学表述模型,探讨了基于不同磨粒形状的磨削力与能耗模型的建立方法;在此基础上,建立了零件磨削机理与数据分析相融合的动态自学习能耗预测模型。实验结果表明融合模型的相对误差平均值为3.630 7%,不仅可以揭示磨削过程能量的生成和演变机制,更能够实现对磨削结果的精准预测。

钻柱摩阻扭矩智能预测模型与解释

钻井管柱力学的准确表征和动态分析是保证安全高效钻井的关键。现有经典的钻井管柱摩阻扭矩软杆/刚杆模型中,钻柱摩阻系数通过经验估算或钻后反演来确定,其准确性和时效性有待提升。本研究基于人工智能技术在复杂非线性映射问题中的有效性,通过预测摩阻系数建立机理-数据融合的钻柱摩阻扭矩预测方法。首先利用已钻录井数据和软杆模型反演摩阻系数,为摩阻系数智能预测提供数据基础,通过对74口井数据处理和特征量化分析,建立考虑数据序列特征的LSTM(Long Short-Term Memory)网络,并通过摩阻扭矩预测和SHAP(SHapley Additive exPlanation)可解释性分析验证模型合理性。结果表明:摩阻系数预测误差为5.89%,摩阻扭矩预测误差降低了4.41%,模型表征的输入特征与摩阻系数的映射关系符合管柱力学机理,具备较强稳定性和可解释性。该方法可为钻井管柱力学的准确表征与动态分析提供理论与技术支撑。

机理与数据融合的机器人制孔毛刺预测方法

针对机器人制孔系统刚性差,制孔加工时会发生颤振、易产生毛刺的问题,提出了机理与数据融合的预测方法对机器人制孔出口毛刺高度进行预测,构建了基于钻削力及颤振模型的钻削毛刺高度预测静态物理模型,进行毛刺高度的初步预测,并在其基础上采用数据动态更新模型对其修正更新.通过机器人制孔实验对所建立模型进行验证,实验表明该预测方法对制孔毛刺高度分类准确率达到94.74%,为实现制孔毛刺主动控制及提升制孔系统加工质量奠定了基础.

基于人工智能技术的新型电力系统建设研究

近年来,随着电网规模持续扩大、系统节点爆炸式增长,提高电力系统的智能化水平、运维效率,减少故障发生概率,保障用户用电需求显得尤为重要。文章引入人工智能(Artificial Intelligence,AI)技术,利用数据增强技术、数据机理融合技术和优化决策技术的支持,通过建立数学模型和算法来解决现实问题,借助人工智能技术辅助电力系统,做出合理决策,为电网运行提供有效解决方案。

水利工程智能建造进展及关键技术

智能建造成为近年来工程建设领域的研究热点和发展趋势,通过集成人工智能、大数据和云计算等新一代信息技术,进一步推进了水利工程的安全、高效、高质、经济和绿色建设。简要回顾了水利工程智能建造的发展历程,从大坝智能建造的角度总结了智能碾压、智能温控、智能灌浆、智能安全监测和大坝智能施工机械5个方面的关键技术进展,并从隧洞智能建造的角度总结了围岩条件智能感知、地质灾害智能预测预警、TBM智能掘进、智能支护、隧洞智能施工机械5个方面的关键技术进展。目前,水利工程智能建造已逐渐由探索阶段向系统化发展阶段过渡,且已在一些工程中取得了良好的示范,但仍存在一些挑战和局限性。最后,从4个方面探讨了水利工程智能建造中的技术难点及展望,包括专业机理知识和数据驱动模型的融合、少样本条件下跨工程/工况的迁移学习、多源多模态异构互补数据信息的融合和基准数据集开发与数据标准化。

基于多源数据和多模型融合的板形CPS系统研究与应用

宽厚板板形控制具有多变量、强耦合、非线性和遗传性等特点,过程输入条件、状态变量和控制目标之间的关系复杂,传统机理模型在提高中厚板板形控制精度方面效果不理想。为解决轧制力、轧辊磨损等参数设定精度差引起的板形控制精度低的问题,引入宽厚板生产过程数据融合机理模型的建模思想,利用机器学习算法的非线性拟合能力,构建了基于ELM的轧制力设定模型和基于GA-ANN的轧辊磨损模型,然后将轧制力预测结果和轧辊磨损预测结果作为板凸度预测的输入变量,同时引入基于机理模型的轧辊辊系变形模型及弯辊力模型计算结果作为输入量,构建了基于机理和数据驱动融合的板凸度CNN模型。在此基础上,开发了基于多源数据与多模型融合的板形智能控制CPS系统,板凸度的命中率由90.4%提升至96.5%以上,因板形问题导致的产品降级比例下降35.5%。