NT网在计算机实验室的实现与应用

本文从教学需求的角度,减轻机房管理员维护工作量的角度,并考虑到性能／价格比的因素,论述了NT网在计算机实验室的设计与实现以及它的功能与应用。     

燃气轮机燃烧室预混喷嘴排放性能的试验和数值研究

为了研究当量比、值班燃料量和压力对燃气轮机燃烧室预混喷嘴排放指标的影响,在环境压力下按照等速模化原理进行了燃烧室预混喷嘴的燃烧试验,基于化学反应网络法构建了污染物预测模型,开展了试验和数值对比研究。结果表明:在带值班燃料的情况下该预混喷嘴当量比φ在0.35～0.5时可满足国标排放要求,但是值班燃料量增大会使NO_x排放升高;在φ0.4时,压力对纯预混燃烧NO_x生成无影响,φ0.4时,NO_x会随压力升高而增多;带有值班燃料的预混燃烧时,NO_x对压力变化敏感,压力升高导致NO_x增多;该预混喷嘴混合性能对空气流速不敏感、燃料兼容性强,排放达标当量比范围宽,经进一步设计开发后有潜力应用于燃气轮机低排放燃烧室中。该化学反应器网络模型依赖经验较少,当值班燃料比例≤0.17时,对污染物预测与试验数据符合较好。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

模块化永磁直线游标电机等效磁网络及漏磁分析

在模块化永磁直线游标电机的初始设计及优化设计中,使用有限元方法(FEM)计算漏磁系数时需要耗费大量的建模和计算时间。针对这一问题,建立该种电机的等效磁网络模型,在建模期间,考虑气隙中的边缘效应,并计算永磁体组与定子齿在不同相对位置时的等效磁导,得到该种电机在一个周期内不同相对位置时的漏磁磁导和漏磁系数的数学解析表达式。采用FEM验证了该数学解析表达式的准确性。研究结果为模块化永磁直线游标电机的设计提供了理论依据。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。     

高密度永磁同步电机的变参数等效磁网络分析

针对双“I”型转子结构的内置式高密度永磁同步电机(PMSM),基于MATLAB/Simulink平台提出了一种变参数等效磁网络法,充分考虑转子漏磁,且通过变参数环节,自动调节各部分磁导率,计算铁心饱和,提高了变参数等效磁网路法的计算准确性。利用该磁网络,分析了转子尺寸参数对电机空载电磁性能以及气隙磁密波形的影响,为高密度PMSM初步设计提供了一种有效快速的分析手段。     

基于二进制粒子群算法的战时航空网络规划研究

领空作为国家资源的一部分,其使用、调配关系到国家的安全与发展,在战时,将更多的空中资源调配给军航使用,有利于保障军事行动的顺利进行。基于此,提出一种基于二进制粒子群算法(BPSO)的战时航空网络规划方法。首先,对航空网络建模,收集航班数据;其次,建立航空网络性能评价体系;然后,以使用尽可能少的民航机场维持预期网络性能为目标,以作战意图和战场环境为约束条件,通过BPSO 算法进行求解;最后,进行仿真分析。结果表明:该方法能够结合作战意图、反映战场环境、合理调配航空资源,为战时航空管制工作提供决策依据。     

基于DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。      

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。