煤储层渗透率测试、模拟与预测研究进展

渗透率是煤层气开发的重要参数，煤储层较强的非均质性使得现场少量试井结果难以反映区域性渗透率规律，不同仪器、方法、样品尺寸、压力、温度及介质条件下获得的实验渗透率对比性也较差。对比分析了不同试井方法(钻杆测试、水罐测试、段塞测试、注入/压降测试)、不同实验测试方法(稳态法、非稳态法)的优缺点、适用条件及渗透率测试标准的演化历程，系统评述了单轴应变条件、恒定体积条件以及三轴应力条件下渗透率模拟模型的适用性，分析了基于裂隙、煤体结构、地应力、构造曲率等单一主控因素预测渗透率及人工智能(BP神经网络、灰色关联分析、支持向量回归机、多层次模糊综合评价)多因素预测的可靠性，总结了煤储层渗透率在测试、模拟和预测方面存在的问题，并提出了进一步研究的展望。研究结果表明现场注入测试是获取原位煤储层渗透率的主要方法，实验室非稳态法渗透率测试适合我国低渗煤储层；单轴应变条件下的P-M模型和S-D模型适用于恒定垂直外部应力条件下的模拟，恒定体积条件下的Ma模型对于多数煤类输入的参数均可测量，模拟结果可靠性较高，三轴应力条件下的Connell模型和Zhou模型更有利于通过实验室测定对模拟渗透率进行验证；基于煤层气...     

火电机组一次调频性能实时监测系统

为了实时监测和评价火电机组一次调频性能，开发了火电机组一次调频性能实测监测系统。该系统具有一次调频参数异动感知、一次调频性能量化预测及自适应校正等关键功能。某机组的实际应用表明，该系统能够实现火电机组一次调频关键参数的实时监测和调频性能的准确预测。     

基于近红外光谱的橙汁中酸土脂环酸芽孢杆菌的生长预测

酸土脂环酸芽孢杆菌（Alicyclobacillus acidoterrestris）是引起橙汁劣变的主要微生物，为研究酸土脂环酸芽孢杆菌在橙汁中的生长规律，利用近红外光谱获取橙汁中酸土脂环酸芽孢杆菌含量的信息，采用标准化（autoscale）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、去趋势化（detrend）对光谱进行预处理，结合化学计量学，构建近红外光谱与酸土脂环酸芽孢杆菌含量预测模型。在此基础上，将近红外光谱转换为酸土脂环酸芽孢杆菌预测菌落数据，并采用“一步法”直接基于预测菌落数构建橙汁中酸土脂环酸芽孢杆菌的生长模型。结果表明，利用标准化进行光谱预处理建立的偏最小二乘（partial least squares,PLS）模型对橙汁中酸土脂环酸芽孢杆菌含量的预测效果相对较好，其预测决定系数（prediction determination coefficient,Rp2）与预测均方根误差（root mean square error of prediction...     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

双足机器人五质心模型的预测控制实现方法

为提高双足机器人的步行性能，提出了基于五质心模型的预测控制实现方法。该方法按照机器人的结构，将机器人质量分配在躯干、双臂、双腿中的五个质心，并推导出基于机器人腰部的零力矩点变换公式。应用模型预测控制方法，控制机器人在线跟踪优化的行走轨迹。为验证算法正确性，进行了3D动态仿真实验和现实环境中步行实验。实验结果与基于单质心模型和三质心模型的模型预测控制算法对比，证明这里算法具有更高的步行轨迹跟踪精度。     

基于多通道的ICU脑血管疾病死亡风险预测模型

死亡风险预测指根据病人临床体征监测数据来预测未来一段时间的死亡风险。对于ICU病患，通过死亡风险预测可以有针对性地对病人做出临床诊断，以及合理安排有限的医疗资源。基于临床使用的MEWS和Glasgow昏迷评分量表，针对ICU病人临床监测的17项生理参数，提出一种基于多通道的ICU脑血管疾病死亡风险预测模型。引入多通道概念应用于BiLSTM模型，用于突出每个生理参数对死亡风险预测的作用。采用Attention机制用于提高模型预测精度。实验数据来自MIMIC [Ⅲ]数据库，从中提取3?080位脑血管疾病患者的16?260条记录用于此次研究，除了六组超参数实验之外，将所提模型与LSTM、Multichannel-BiLSTM、逻辑回归（logistic regression）和支持向量机（support vector machine, SVM）四种模型进行了对比分析，准确率Accuracy、灵敏度Sensitive、特异性Specificity、AUC-ROC和AUC-PRC作为评价指标，实验结果表明，所提模型性能优于其他模型，AUC值达到94.3%。     

基于模型预测控制算法的智能密度控制系统在选煤厂的应用

为解决三河口选煤厂重介质旋流器分选过程中PID控制对合格介质密度控制调节能力有限等问题，采用系统辨识构建合格介质密度与精煤灰分数学模型，建立了基于模型预测控制(MPC)算法的智能密度控制系统，提高了合格介质密度控制精度，改善了重介质旋流器分选效果。现场应用表明：该系统在合格介质密度控制中应用效果良好，有效抑制了重介质选煤环节随机性干扰，实现了合格介质密度的稳定、动态调节，使精煤质量得到了显著提高，大大降低了精煤灰分波动幅度，稳定了产品质量，提高了经济效益。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

爱柯迪宁波工厂将引入“压铸AI解决方案”

2020年11月16日,在浙江宁波爱柯迪上市三周年暨领爱菁英启动会上,爱柯迪与SK电讯、联通时科签订了构建“智慧工厂”战略合作协议。通过此次合作,爱柯迪宁波工厂将引入“压铸AI解决方案”。“压铸AI解决方案”是通过大数据建模,实现对压铸件的缺陷预警,可以提前预测压铸件是否存在缺陷以及识别缺陷类型,只把“合格品”传递给后续加工流程,明显地提高了生产效率。