融合Mar-GLSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。

高烈度区长联PC连续梁桥减隔震措施分析

为了明确高烈度区长联预应力混凝土(prestressed concrete,PC)连续梁桥滑动摩擦摆式支座的减隔震性能,针对设防烈度为9度的某长联PC连续梁桥,利用CSiBridge软件建立大桥空间梁单元非线性分析模型,以普通球型钢支座地震响应为基准,对比分析铅芯橡胶支座与滑动摩擦摆式支座的减隔震性能,并对滑动摩擦摆式支座的摩擦系数和支座曲率进行参数分析。结果表明:在长联连续梁桥中,相比于铅芯橡胶支座,滑动摩擦摆式支座减隔震效果更好,固定墩内力与变形更小,全桥受力更加均匀合理;对于滑动摩擦摆式支座,摩擦系数越大,长联连续梁固定墩墩底弯矩与墩顶位移越大,摩擦系数变化20%,固定墩墩底弯矩最大值变化约1.67%,墩顶位移极值变化约1.45%;支座曲率半径对长联连续梁地震响应的减隔震性能影响较小,曲率半径增大1.5 m,固定墩墩底弯矩最大值增大约0.97%,固定墩墩顶位移增幅约为0.37%~1.39%。

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法

针对在卫星信号拒止、视觉系统退化场景中无人机MEMS-IMU零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆(LSTM)网络的零偏在线标定方法。首先,为解决MEMS-IMU零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导航过程中使用训练后的网络对MEMS-IMU零偏在线标定,补偿后的IMU量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统LSTM方法减小了6.5%;在EUROC数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统LSTM方法减小了15%。

高速铁路多跨长联矮塔斜拉桥减隔震设计研究

多跨长联连续梁结构存在固定墩地震力大、延性部位震后不易恢复等问题,在高烈度震区抗震设计存在困难。为了解决高速铁路多跨长联矮塔斜拉桥的抗震设计问题,以某(65.65+8×110+65.65) m单索面预应力混凝土矮塔斜拉桥为研究对象,采用非线性时程积分方法,对单固定墩、刚构连续梁和摩擦摆支座隔震3种不同的抗震体系方案进行分析比选。研究结果表明,采用摩擦摆支座隔震体系方案优势明显,在地震作用下,与单固墩体系相比,桥墩横桥向墩底弯矩普遍减小70%以上,固定墩纵桥向墩底弯矩减小约80%;进一步通过摩擦摆隔震支座参数分析,确定了合适的支座参数,获得较好的支座变形量、墩顶剪力,减隔震效果明显。因此,在桥墩剪跨比小、下部结构刚度大的情况下,设置摩擦摆隔震支座后,可显著减小地震时下部结构的地震响应,使各个桥墩受力均匀,同时通过合理的支座设计可满足大震位移需求,并具有足够的自复位能力。

大跨超长联跨海连续梁桥纵向抗震体系研究

为研究大跨超长联跨海连续梁桥的纵向抗震体系,以某长联连续梁桥[(60+22×80+60)m]为研究对象,采用传统隔震体系和减隔震体系进行抗震设计,采用Midas/Civil建立全桥有限元模型,比较采用不同抗震体系及其边界参数时桥墩在罕遇地震作用下的地震响应。计算结果表明:对于传统体系,设置多个固定墩,可以在一定程度上降低结构的内力响应和限制桥梁的纵向位移,但结构内力和位移仍处于较高的水平,因此设置多个固定墩并不是行之有效的抗震结构体系;对于延性设计,塑性铰的耗能特性可以有效降低结构内力响应,其塑性变形特性会增大位移响应,但对于位于水中的桥墩,鉴于震后构件修复的难易程度,当考虑采用延性设计体系时应当予以更多的关注;对于减隔震体系,摩擦摆支座可以有效降低结构内力和限制桥梁的纵向位移,具有良好的减隔震效果,结构的安全性得到了显著提高,结构内力和位移与减隔震支座的个数之间并非简单的线性关系,应通过对结构内力的详细计算后确定。

GPU异构计算环境中长短时记忆网络模型的应用及优化

随着深度学习的广泛应用及算力资源的异构化,在GPU异构计算环境下的深度学习加速成为又一研究热点。文章探讨了在GPU异构计算环境中如何应用长短时记忆网络模型,并通过优化策略提高其性能。首先,介绍了长短时记忆网络模型的基本结构(包括门控循环单元、丢弃法、Adam与双向长短时记忆网络等);其次,提出了在GPU上执行的一系列优化方法,如CuDNN库的应用及并行计算的设计等。最终,通过实验分析了以上优化方法在训练时间、验证集性能、测试集性能、超参数和硬件资源使用等方面的差异。

基于故障树法的氯乙烯氧氯化单元失效影响因素分析

为解决频繁非计划停工问题,利用故障树分析法,对某氯乙烯装置氧氯化单元的危险性因素进行分析,构建氧氯化单元系统异常故障树,确定了催化剂跑损、旋风分离器故障堵塞等为氧氯化单元失效的主要因素,采取针对性措施后效果良好。

梯级泵站事故停机输水明渠水力过渡过程研究

为解决梯级泵站系统因超负荷、大流量、高水位运行出现垮渠、跳闸停机等事故,而导致水力过渡过程中出现进水前池被抽干或漫顶等问题,以甘肃省景泰川电力提灌二期工程长距离输水明渠为研究对象,在多梯级泵站事故停机产生溢流的工况下,基于Realizable k-ε和VOF模型进行数值模拟计算,分析景电二期工程1#~7#干渠在调蓄系统作用下,不同渠长、坡降的水面线以及水力振荡分布规律。结果表明:泵站停机后水位出现升降交替的水力振荡现象,影响各泵站波峰水位高度不一致的主要原因是渠道坡降;不同参数特征的渠道壅水波运动的回溯距离不同,溢流堰上发生溢流的时间主要在第一次水位振荡过程中。

基于核主成分分析与长短时记忆网络的水电机组监测预警

水电机组的可靠稳定运行对于区域电力系统安全极为重要,该文提出了一种基于核主成分分析(kernel principal component analysis, KPCA)和长短时记忆网络(long short-term memory, LSTM)的水电机组智能预警方法。开展水电机组多通道振动信号数据融合研究,通过KPCA方法去除了多通道信号间冗余,实现了原始数据的压缩表征,并获得了机组在稳态运行工况的T2(Hotelling’s Fsquared)和SPE(square prediction error)控制限,将其作为预警阈值对融合后信号进行异常状态识别。以LSTM为基础构建了时序预测模型,结合异常状态识别结果实现了水电机组状态预警功能。研究通过案例实施验证了所提方法的有效性,并与KPCA-RNN和KPCA-Informer等模型进行了对比,所提出KPCA-LSTM模型预测结果的R2系数大于0.97,预测偏差处于极低水平,性能优于对比模型。

考虑天气影响的火电机组空冷系统性能预测方法

【目的】直接空冷机组是一部分缺水地区常用的火力发电形式,由于其采用空气作为冷却介质,因此运行受到诸多限制。为解决直接空冷机组受环境影响大和耗煤量高的问题,对空冷岛换热性能进行预测研究。【方法】基于河北省某超临界2×600 MW机组的历史运行数据,利用MATLAB软件计算历史空冷岛性能,将历史数据作为训练集和测试集,通过长短期记忆(long short-term memory,LSTM)神经网络机器学习算法,实现对未来一段时间内的空冷岛性能预测。在不改变模型参数的条件下,通过去除各项特征的方式确定特征重要性排名,基于此确定最佳特征选择策略,进一步优化模型。考虑到空冷岛性能受天气影响大,为提升模型在特殊天气下的预测能力,将原数据集结合历史天气预报数据,编写考虑天气因素的预测程序,以预测空冷岛未来一段时间性能,并对预测结果进行可视化分析。【结果】所采用的预测模型预测准确度明显高于传统自回归移动平均模型(autoregressive integrated moving average model,ARIMA),对未来1 h以内的直接空冷机组换热性能预测拟合优度均在0.90以上。【结论】模型所采用的数据特征及算法可以为直接空冷机组的稳定运行提供数据支撑,为智慧电厂的建设提供技术基础。

油田区块机采井综合能源利用及效果分析

随着油田开发进入“双高”阶段,区块机采系统出现运行参数调整难度大、低产低效井增多等问题,为了有效解决生产中存在的问题。文中通过对区块采用塔架式抽油机、长冲程抽油机等先进的节能技术,按照“地上与地下一体化、技术与管理协同化”的工作思路,开展区块综合能源利用工程建设,可实现年节电1408.61×104 kWh,实现减少碳排放10943.49 t。同时对形成的典型经验做法进行推广,探索机采井提质增效模式,使模式具有可推广、可复制,发挥示范引领作用,推动油田绿色低碳、节能减排之路,实现高质量发展。

柴油加氢改质装置长周期运行影响因素分析

针对某企业原料性质劣质化,分析了原料柴油的密度、馏程95%温度点及硫含量升高对催化剂的影响,以及脱硫塔塔盘堵塞、反应流出物蒸汽发生器铵盐结晶问题等影响装置长周期运行的因素,提出优化原料性质、改善胺液质量和探索使用新型抗堵塞塔盘及在线水洗解决铵盐结晶等方案,以实现装置长周期运行。

面向工业流程异常检测的均衡循环神经网络

智能制造的迅速发展给网络安全防护带来了巨大的机遇与挑战,各类安全威胁会造成严重的损失甚至灾难,已成为工业互联网亟待解决的问题。鉴于此,提出一种新的均衡循环神经网络,利用神经网络的适应性特点,采用长短期记忆网络(LSTM)的门电路特性,针对工业互联网流数据随着时间推移异常检测准确性较低的问题,通过不同权重与当前输入数据重构得出遗忘门控、输入门控和输出门控。随后通过sigmoid激活函数求得预测结果,并将该结果作为门控循环单元网络(GRU)的网络层输入,由GRU网络层促使当前网络快速拟合,从而较快地获得较优的参数。本方法结合LSTM和GRU的优势,保留LSTM最后时刻的隐藏状态,作为下一层网络GRU的输入,使网络层的连接更加平滑,最大程度地保留LSTM所学习到的参数,获取隐藏特征,既可提高神经网络的精度,又可高效、快速地检测工业互联网络的异常。

DCC装置长周期运行工艺核算及技术分析

中海油东方石化有限责任公司(简称东方石化)增强型催化裂解(DCC-plus)装置的第二个生产运行周期内,装置原料性质变化频繁、操作工况调整较大,基于原料性质和催化剂性质,通过定期开展工艺核算及技术分析,调控原料预热温度、蒸汽注入量、反应苛刻度、重点部位线速,稳定油浆系统操作参数,优化设备管理等,确保该装置在第二运行周期内未发生非计划停工情况,并成功实现了DCC-plus装置检修周期由3年延长至4年的突破。

指向核心素养的数学体验式单元长作业设计

作业是课堂的延伸,是检验和反馈学生学习效果的重要途径,但传统数学作业存在形式单一、实践活动较少、缺乏单元整体设计、脱离生活实际等问题。本文围绕某一单元主题,以学生体验为主,开发包含深层次认知和各类探索活动的体验式单元长作业。通过作业目标、作业内容、作业实施和作业评价阐述高中数学体验式单元长作业的设计思路与实施策略,引导学生在作业中整合单元知识,领悟数学思想方法,培养科学精神和创新意识,促进学科核心素养的培育。

基于GWO-GRU的光伏发电功率预测

针对长短期记忆网络(LSTM)应用于光伏发电功率预测时存在的耗时长或精准度低的问题,提出基于灰狼算法(GWO)优化门控循环单元(GRU)的光伏发电功率预测模型。通过GWO算法优化GRU模型的超参数,以近似最优参数建立光伏发电功率预测模型。结果表明,长时功率预测时,GWO-GRU模型的均方根误差更低、拟合系数更高、耗时更少,比传统LSTM模型的平均绝对误差降低10.20%;短时功率预测时,GWO-GRU模型在3种典型天气条件下不仅预测的平均误差最低、稳定性最强,而且比GWO-LSTM模型的平均用时节省17.24%。不同时长的功率预测表明,GWO-GRU相对于LSTM光伏功率预测效果更佳。

超临界机组长期服役后P91钢微观组织演变研究

P91钢因优异的高温强度和抗蠕变性能,作为高温承压部件材料被广泛应用于超临界火电机组中。然而,长期在高温环境中服役会导致材料微观组织的退化,进而影响其力学性能及机组的安全运行。采用光学显微镜、扫描电子显微镜、电子探针显微分析仪和透射电子显微镜等多种表征技术,分析和对比了P91钢管道在超临界火电机组中长期(66000—68000 h)服役前后的微观组织变化,并探讨了微观组织转变的机理。结合P91钢显微硬度的变化情况,研究了微观组织转变对其力学性能的影响。研究结果表明,服役前后的P91钢管道金相组织均保持典型的板条马氏体结构,但服役后P91钢中马氏体板条内的位错密度下降,且部分板条出现宽化。在析出相方面,服役前的P91钢中主要存在富Cr的M_(23)C_(6)相、富V、Nb的MX相,而服役后的P91钢中除了原有的析出相外,还在原奥氏体晶界和板条边界发现了富Mo的Laves相。另外,服役后析出相的面积分数相比服役前增加了3.06%,但析出相的数量却减少了28.1%,这主要归因于M_(23)C_(6)相的Ostwald熟化和Laves相析出长大。析出相的粗化与聚集减弱了对位错和晶界的钉扎作用,导致板条合并宽化,以及亚晶粒的形成更加容易发生。服役后的P91钢,其平均显微硬度下降了20.70 HV0.5,直接反映为力学性能的降低。一系列的微观组织的演变,是导致P91钢力学性能下降的主要原因。本研究为P91管道的长期安全服役提供了基础数据,具有非常重要的理论和工程应用意义。

基于SVD与混合神经网络模型的自动调制识别

随着现代无线通信环境中调制类型复杂性和多样性的显著增加,对自动调制识别技术的性能提出了更高要求。文章提出一种由卷积神经网络、挤压与激励模块、长短期记忆网络、门控循环单元和全连接层网络组成的混合神经网络模型,提升AMR技术的效率和准确性。首先,针对低信噪比环境下调制信号识别精度受限的问题,引入奇异值分解算法对接收的I/Q信号进行去噪,在提高信号质量的基础上提高低信噪比下调制信号的识别精度。然后,利用卷积神经网络对去噪后的信号进行多通道空间特征提取,随后加入挤压与激励模块提升特征提取的针对性,将门控循环单元和长短期记忆网络相结合,捕获信号的时间序列特征,最后,通过全连接层网络将提取的特征映射到调制方式的分类空间进行分类识别。实验结果表明,提出的网络模型在低信噪比环境下显著提高了调制识别精度,在RadioML2016.10b数据集上的平均识别准确率达到了64.63%,同时增强和提高了对QAM16与QAM64的区分与识别精度。

基于深度学习的基坑开挖引起地表位移时序预测

为更精准预测基坑工程中数据的时间特性,结合卷积神经网络CNN模型与两种单一时间序列神经网络模型长短期记忆网络LSTM模型、门控循环单元GRU模型,建立混合时间序列神经网络CNN-LSTM模型、CNN-GRU模型。基于杭州某邻近既有车站基坑开挖工程,采用滚动预测方法建立基坑开挖引起邻近地铁车站地表沉降数据集。通过平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE3种评价指标对预测结果进行评价。结果表明:CNN-GRU模型预测效果最优,CNN-LSTM模型次之,其次是GRU模型,最后是LSTM模型。CNN-LSTM混合网络模型相较于LSTM模型对3种评价指标分别降低了24.4%,53.8%,4.1%,CNN-GRU混合网络模型相较于GRU模型分别降低了13.9%,49.1%,1%。