基于最大灵敏度指标的分数阶PID参数最优整定方法

主要研究分数阶PID控制器参数整定问题,给出了一种基于最大灵敏度指标的分数阶PID参数最优整定方法。首先用D分割原理求得系统的参数稳定域,然后由灵敏度约束指标在参数稳定域内得到满足指标要求的参数解集。进而对参数进行优化,根据超调和调节时间定义分数阶PID控制器的优化函数,在所得的满足灵敏度约束指标的参数解集中求得一组最优的参数解。最后通过进行数值仿真,验证算法效果。     

循环流化床防磨材料的磨损和施工工艺

着重介绍循环流化床锅炉的磨损机理，分析耐磨耐火材料的脱落原因，说明耐磨耐火材料的性能是循环流化床锅炉使用寿命的一个重要因素。     

钢渣花岗岩复合水泥的研制

为了克服钢渣水泥只能生产低标号水泥问题以及实现废弃资源的再利用,通过改变钢渣、花岗岩掺量,研究了钢渣、花岗岩复合水泥的不同配比、水化机理以及物理性能。结果表明：掺钢渣35%、熟料35%、花岗岩25%可以成功制得42.5R的复合水泥。     

基于相关积分优化方法的裂解炉优化

裂解炉是石油化工产业中重要设备,优化裂解炉运行状态对提升乙烯装置绩效至关重要。由于裂解反应机理复杂,裂解炉模型难以确定且扰动频繁,运用传统优化方法难以解决裂解炉运行优化问题。提出将相关积分优化方法应用于裂解炉运行优化,以解决裂解炉优化需要裂解炉具体模型、传统优化方法的自适应性与抗干扰性不满足裂解炉优化需求的两大问题。首先,分析影响裂解炉运行的主要操作参数,选取合适的操作变量,并构建优化目标函数;然后,采集操作变量与优化目标函数数据,建立裂解炉历史数据库。最后,基于相关积分优化方法,利用历史数据进行迭代计算以对裂解炉进行优化。仿真结果验证了相关积分优化方法在裂解炉优化中的有效性。     

基于Ms-NIPLS-GPR的化工过程性能等级评估方法

针对化工过程中因输入输出数据间非线性关系造成在线性能评估准确度不足的问题,提出一种基于多数据空间非线性迭代偏最小二乘和高斯过程回归（multi-space nonlinear iterative partial least squares and Gaussian process regression,Ms-NIPLS-GPR）的性能分级评估方法。首先将性能相近的过程历史数据划分成不同性能等级的集合,利用Ms-NIPLS方法提取不同性能等级训练数据的特征子空间,然后用GPR获得特征子空间与性能等级标签之间的非线性映射结构,建立输入数据与性能等级之间的离线模型。得到模型后,在线评估当前过程性能等级,同时通过构造过渡性能系数来区分稳态性能等级和稳态性能等级间的过渡性能状态。最后,将该方法应用到乙烯裂解过程在线性能评估中,说明该性能评估方法的有效性和准确性。     

透明导电氧化物镀膜玻璃的光伏应用前景

一、透明导电氧化物镀膜玻璃简介1.透明导电氧化物镀膜玻璃的定义透明导电氧化物镀膜(Transparent Conductive Oxide,TCO)玻璃,是在平板玻璃表面通过物理或者是化学镀膜的方法均匀镀上一层透明导电氧化物薄膜,主要包括铟(In)、锡(Sn)、锌(Zn)和镉(Cd)氧化物及     

设备监理在某电力工程项目中的应用实例

<正>1某电力工程的概况该电力工程为2×135MW燃煤电站项目,地点位于东南亚A国某地区,采用EPC工程总承包的形式由中国B公司承建。B公司在国内采购锅炉、汽轮机、发电机三大主机设备和相关辅机设备,为保证供货商所供设备质量和交付进度,该公司与各供货商签署的技术协议中注明了设备监理条款,并与哈尔滨电站设备成套设计研究所(简称哈成套所)     

乙烯装置裂解炉智能控制技术

以神经网络、模糊逻辑、专家系统等为代表的一类智能方法在许多领域得到了应用,由于借鉴了人类思维方式、方法,对研究对象先验知识要求少,使用灵活,为解决复杂控制系统的瓶颈提供了崭新的思路和方法。本文针对乙烯生产过程的关键操作单元——裂解炉,阐述了智能控制技术在乙烯装置中的设计思路和实施效果。工业现场的成功应用说明了智能控制技术在过程控制领域具有广阔的应用前景。     

利用水泥窑协同处置河道底泥工艺的研究与应用

针对含有超标污染物的河道底泥,利用回转窑协同处置技术生产水泥熟料是一种比较好的资源化途径.本文在对河道底泥的成分分析基础上,结合回转窑协同处置技术,对其进行了工艺改进研究.通过实际应用,在保证产品质量的前提下完成了6万m3河道底泥的减量化、资源化、无害化处置.     

基于STA-BiLSTM-LightGBM组合模型的多步预测软测量建模

在复杂工业生产过程中,为提高产品质量,建立关键变量多步预测模型非常必要,但传统软测量建模方法难以聚焦工业数据复杂特性,导致预测不准。本文提出一种基于时空注意力机制的双向长短时记忆网络与轻量级梯度提升机(spatial-temporal attention mechanism bi-directional long short-term memory network and light gradient boosting machine,STA-BiLSTM-LightGBM)的多步预测软测量模型。首先训练STA-BiLSTM,时空注意力机制从时间和空间维度为输入特征分配权重,BiLSTM捕捉数据时序特征;其次使用BiLSTM最后一个时间步的隐状态扩充原始输入数据后,训练LightGBM,利用弱学习器迭代训练得到最优模型;进而将STA-BiLSTM和LightGBM的预测输出按照误差倒数法变权求和得到预测结果。最后将该方法在工业数据集上仿真验证,结果表明组合模型预测效果优于BiLSTM和LightGBM,且随着预测步数增大,仍保持较高的预测精度。