CCPP湿煤气热力学性质分析和简捷计算方法

针对联合循环机组煤气系统模拟中湿煤气热力学性质的计算方法进行了研究.分析结果表明当压力小于732kPa时,湿煤气仍可近似看做理想气体混合物,理想气体混合物热力学性质的计算方法仍然适用,计算误差较小.将湿煤气看成干煤气和水蒸气的混合物,给出了湿煤气热力学性质的计算步骤和通用计算公式.通过数值计算分析了湿煤气各成分体积分数、水分析出和温度变化对湿煤气热力学性质的影响,并基于上述分析结果给出了在联合循环机组煤气系统变工况模拟时湿煤气热力学性质的简捷计算方法.     

煤气锅炉燃料系统的运行管理

煤气锅炉运行中煤气事故的发生频率较高.结合安泰集团煤气锅炉的实践,从燃料输送、煤气点火、运行控制、检修管理等方面对锅炉燃料系统的运行提出一些建议.     

基于MA-FOSELM-OTF的海洋养殖环境数据在线预测

为降低过时海洋养殖环境数据对后续学习的影响和解决单一模型随机初始化输入权重的问题,提出一种基于MA-FOSELM-OTF的海洋养殖环境在线预测模型.采用模型平均化(model averaging, MA)算法对全在线顺序极限学习机(fully online sequential extreme learning machine, FOSELM)进行集成,以降低输入权重初始化引起的随机性;在FOSELM中引入过时遗忘机制(obsolete to forget, OTF),对过时的数据进行遗忘加权,降低其对顺序学习的影响;利用FOSELM递推计算所得输出结果集成所有输出结果,取其平均值作为MA-FOSELM-OTF在线预测模型的最终输出.结果表明,MA-FOSELM-OTF在海洋养殖环境数据在线预测任务中的预测性能优于其他对比模型,可为海洋养殖预警平台提供参考.     

基于CPA-OSELM的热轧带钢厚度在线预测

为解决自动厚度控制（automatic gauge control,AGC）系统反馈滞后、耦合强、厚度偏差大等问题,本文提出了一种基于食肉植物算法（carnivorous plant algorithm, CPA）的在线顺序极限学习机（online sequential extreme learning machine, OSELM）预测算法。首先,基于从现场采集的相关数据,建立了OSELM在线厚度预测模型。然后为了提高模型的准确性及稳定性,采用CPA方法优化OSELM的权重和偏置。在此基础上,运用自学习方法进一步提高模型的预测精度。最后,通过实验验证基于CPA-OSELM预测模型的有效性。实验结果表明：基于CPA-OSELM的方法能够对不同规格带钢的出口厚度进行高精度在线预测,预测结果可用于提升AGC模型的控制精度,为提升带钢产品质量奠定基础。     

基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.      

炼钢过程中煤气预测及优化系统

利用灰色关联度分析方法,研究了与石钢煤气发生、消耗相关联的因素,根据煤气发生、消耗量与其相关影响因素间的关系建立了石钢煤气预测模型,并在此基础上开发了石钢煤气优化系统,实现了煤气资源的合理利用与分配.     

基于LS-SVM的煤气发生炉关键参数预测

根据煤气炉现场采集的数据,建立一种基于最小二乘向量机(LS-SVM)的预测模型,预测煤气炉关键参数炉出温度、CO2含量。模型以主要工艺参数作为影响因素,以炉出温度、CO2含量为影响对象,建立影响因素和影响对象之间的复杂非线性关系,构造煤气炉参数LS-SVM预测模型,再运用奇异值分解的方法辨识模型参数,最后将模型用于煤气炉参数预测。研究结果表明:该模型能及时跟踪炉况参数的变化,预测结果与实测值较吻合,准确度与处理速度都优于神经网络预测模型,实际预测误差小于2%,可用于煤气炉生产过程的现场操作指导。     

基于OS-ELM和SDAE的Wi-Fi入侵检测方法

为解决大多数Wi-Fi网络入侵检测方法实时性差、误报率高等问题,提出一种基于在线序列极限学习机(OS-ELM)的实时Wi-Fi网络入侵检测系统模型.首先,考虑到实验样本数据中正常与异常数据极不平衡的问题,采用SMOTE算法对数据样本中的异常数据和正常数据进行平衡处理操作,使分类器的分类效果不受样本数据集中多数类样本的影响.然后使用栈式降噪自编码网络(SDAE)对平衡后的数据进行降维,消除无关或冗余特征降低检测建模规模,避免维度灾难.最后,在AWID数据集进行处理并输入到OS-ELM分类器中,结果表明:与其他基于浅层学习算法的检测方法相比,所提方法可有效地精简数据特征,降低了检测时间,同时在检测精度和误报率方面也体现出了更优性能.     

5G移动通信系统性能分析与预测方法研究

由于复杂多变的通信环境,第五代(5G)移动通信面临着严峻挑战.为了实现5G移动通信质量的增强,分析和预测移动通信系统的平均符号误码率(average symbol error probability,ASEP)性能就非常重要.因此,分析与预测了移动通信系统ASEP性能.首先推导了ASEP的精确闭合表达式,对系统的ASE...     

GE 9FA联合循环机组仿真系统的研制

为了更好地了解GE 9F级联循环机组运行特点和M ark V I控制系统特点,对运行人员进行上岗前的仿真机培训,该文开发了一套仿真系统。该仿真系统基于完全模拟仿真的技术方案,为保证模拟的控制系统的精确度,采用“翻译”技术和“虚拟”技术,逼真复现了参考机组的O vation控制系统、M ark V I控制系统;电厂过程模型则基于具备工程分析精度的P roTRAX图形化建模系统开发。仿真计算机系统全部由微机构成,配置灵活。配备了和电厂完全相同的DCS工程师站和M ark V I工程师站,精确仿真参考机组的运行,具有对热控人员培训、工程分析等多种用途。     

基于误差修正EOS-ELM的滑坡位移预测

提出了一种基于误差修正在线贯序超限学习机集成(EOS-ELM)的滑坡位移预测模型.预测过程中对滑坡位移时间序列进行了趋势项和周期项分解,分别考虑了不同的影响因子对滑坡趋势项位移和周期项位移的影响.利用在线贯序超限学习机(OS-ELM)算法分别对趋势项位移和周期项位移建模预测.采用集成预测的思想提高OS-ELM模型的泛化能力,同时为了进一步提高预测精度,提出了一种在线误差修正预测方法.该方法通过对误差序列进行建模预测,修正最终的预测结果.以三峡库区白水河滑坡为例,实验验证了提出方法的有效性.     

基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.     

网络协议流不平衡环境下基于机器学习算法的在线流量分类方法研究

随着时间的推移,网络协议流将出现不平衡的现象,经常出现不可预知的在线流量种类,传统在线流量分类模型无法对未知的流量种类进行分类,导致整体分类精度低,适应能力差。为此提出一种新的基于机器学习算法的在线流量分类方法,针对不同类别的在线流量样本流集合筛取出若干最近邻样本流,求出各个样本流特征权重,确定各个特征与类别的相关性,将相关性大的特征当成在线流量特征。依据得到的特征选取部分标识在线流量数据,确定K中值聚类的起始中心,构造映射关系,获取未知的在线流量种类。实验结果表明,所提方法有很高的分类精度,且扩展性和适应能力较强。     

基于在线连续极限学习机的图像分类改进算法

结合LBP算子提取图像的局部纹理特征,在分类阶段根据优化解进行矩阵逆的区别计算并加入正则因子,最后结合在线学习方法,提出准确在线连续极限学习机的图像分类改进算法.实验结果表明,改进算法在图像分类方面比传统的极限学习机有更快的学习速度,更好的泛化性能.     

基于机器学习方法的地震破坏预测

地震破坏预测研究对于建筑结构减灾规划、震前风险预测、震后应急评估有着重要意义。传统的方法因为受到震害资料数量的限制以及计算精度和能力的制约,一般基于经验只考虑少数因素对结构破坏的影响。通过使用随机森林算法,设计了一个综合考虑地震动、结构和场地等多维度信息的分类方法,用以预测建筑物的地震破坏程度。本文研究框架基于新西兰国家地震委员会所收集的27次地震详细破坏资料,处理得到14.2万条高质量建筑物损失数据,考虑了谱加速度、建筑形状、层数等16个影响因素,将4种不同的损伤状态作为模型的学习标签进行地震破坏预测训练。结果表明,随机森林算法在6种分类算法中性能最佳,经过学习曲线法调参、代价敏感学习之后,经过优化得到的随机森林模型对于测试集的整体预测精确率可以达到75.4%,对4种损伤标签的召回率分别达到了88.2%、55.0%、60.7%和70.8%,远好于其他方法。当只考虑对结果影响最重要的前12个因素,该模型的预测精度仍然能够达到73.7%。可见,基于此框架所训练的预测模型具有良好的精度与适用性,同时该框架对于中国震害资料大数据库的研究具有较高的参考价值。     

基于建构主义学习理论的Java网络学习系统的设计与开发

由于编程语言类课程的多样性、普遍性和实用性,研究这类课程的网络学习系统的功能需求特点及设计方法具有重要意义。结合所承担的教学改革研究项目中研究工作实践,介绍了Java网络学习系统的设计开发过程。基于建构主义学习理论分析了Java网络学习系统所需的功能特点,设计了该网络学习系统的功能结构,介绍了系统的开发技术,重点介绍了该网络学习系统中的程序网络自动评判子系统的设计开发,对其它类似课程的网络学习系统的设计开发工作具有借鉴意义。     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.     

基于机器学习算法的输电线路工程投资预测

技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切。针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting, XGBoost)算法的输电线路工程投资预测方法。通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine, SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高。     

基于样本冗余控制的材料属性机器学习预测模型

当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性样本的算法,从数据集中选择具有代表性样本;通过使用多种机器学习算法预测材料属性并进行比较,结果表明如果没有实行基准数据集的冗余控制,即使是随机原始数据集也可以由于高冗余样本而得到很好的预测性能指标;研究还发现使用具有代表性样本进行训练实际可以帮助训练出具有更高泛化能力和更具预测性的模型。因此,提出降低冗余度是评估材料性能预测模型的必要步骤。     

基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测

提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU...