会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

汽轮机现场动平衡一次加准法的实践

随着电力需求的增长，大容量机组的数量日趋庞大，机组轴系越来越复杂，振动问题也越来越突出。大机组进行振动的动平衡处理，需要启动整套汽轮机、锅炉及相关辅助设备，每次启动至少要4个小时以上，按照常规的动平衡过程，一般要启停3次以上，在整个过程中，机组基本都处于烧油状态，仅燃油消耗就达数百吨，短期内的反复启停机对整个机组系统也是很大考验。因此，在动平衡处理中，都力争能用最少的启停次数将振动降低到满意的范围内。一次加准法力求将动平衡所需要的启停次数降低到最少，节约启动费用和开机时间，这对大型机组来说具有非常可观的经济效益。

  • 2025-02-25
  • 阅读317

2025年中国工控系统行业市场规模、竞争格局及发展趋势

随着中国智能创造能力的提升，带动中国工控系统行业快速发展，中国工控系统主要由工业软件组成，根据数据显示，中国工业软件行业市场规模呈现逐年上涨态势，从2012年的728.6亿元上涨至2022年的2407亿元，2012-2022年复合增长率为12.69%，未来随着中国智能创造能力的进一步提升，及信息安全等级的提升，未来中国工控系统市场规模将会呈现持续上涨态势。

  • 2025-02-27
  • 阅读338

航空发动机故障诊断|深度子域对抗网络DSAN让故障诊断更精准

航空发动机被誉为飞机的“心脏”，而高速轴承则是其关键“关节”。一旦轴承故障，轻则影响飞行性能，重则酿成重大事故。然而，传统诊断方法在复杂工况下表现乏力，如何实现精准诊断？南京航空航天大学团队提出深度子域对抗网络（DSAN），为航空安全加装“智能保险9”！DSAN具体来说，为每个子域构建一个单类诊断模型，并带有源域监督信息，以提取故障诊断规则。通过计算目标域数据到各个诊断规则的距离，采用自监督方法生成伪标注，并通过局部最大均值差异实现目标域和源域之间的子域对齐，实现诊断规则的传递。

  • 2025-03-04
  • 阅读324

强度丨北航：航空发动机整机动力学模型建立与振动特性分析

本文针对航空发动机的转子/整机动力学问题，使用两自由度动力学模型对转、静子的振动耦合机理进行了解释，指出传统转子动力学模型将导致最大67%的计算误差，因此需要采用整机动力学模型对发 动机的振动特性进行求解。进一步明确了整机动力学有限元模型的简化原则和模型功用，针对转、静子的 典型结构论述了详细的建模方法。采用整机三维模型对双转子涡扇发动机的固有振动特性进行了计算和评估，结果表明，慢车至最大转速区间内只存在一阶高压转子平动振型，转子系统总应变能不超过20%，共 振裕度大于20%，满足航空发动机的转子动力学设计要求。

  • 2025-03-04
  • 阅读363

李渊研究员：电网友好型微电网构建关键技术

在"配电网/微电网智能化技术及应用”专题会议上南瑞集团研究院李渊研究员作了题为“电网友好型微电网构建关键技术”的专题报告。？？？？征得李研究员同意，特与您分享！

  • 2024-09-26
  • 阅读379

展云鹏博士、侯帅高工：预鉴定试验对220kV交联聚乙烯电缆绝缘材料性能的影响研究

在"高电压与绝缘”专题会议上南网科研院高电压技术研究所研究员展云鹏博士作了题为“预鉴定试验对220kV交联聚乙烯电缆绝缘材料性能的影响研究”的专题报告。？？？？征得展博士同意，特与您分享！

  • 2024-09-26
  • 阅读193

ReliabilityEnginerring&SS||时变转速下旋转机械智能故障诊断的半监督元路径空间扩展图卷积网络

在实际工程场景中，机械设备的运行速度是复杂多变的。然而，现有的智能故障诊断研究大多是在恒速条件下进行的，有限的研究集中在时变速度下的故障诊断上。此外，标记数据的限制给智能故障诊断方法带来了相当大的障碍。因此，在速度时变和标记样本有限的情况下，提出了一种半监督元路径空间扩展图神经网络（ME-GNN）用于故障诊断。首先，提出了一种新的异构图，它将振动数据、故障信息和变量快速信息之间的最近邻关系转换为图。这种图不仅集成了各种物理信息，而且便于异构数据类型之间的消息传递和聚合。为了从不同的特征空间获得异质图的特征信息，实现了元路径空间扩展图卷积网络，以聚合来自不同属性节点的信息。最后，设计的特征融合模块有效地整合了节点特征和拓扑信息，从而进一步扩展了特征空间，增强了模型的诊断能力。一系列对比实验验证了所提出的方法优于现有的故障诊断方法。 关键词：故障诊断、图卷积网络、半监督学习、特征融合，时变速度

  • 2024-12-12
  • 阅读263

POF||最新综述||回顾物理信息神经网络及其在复杂流体力学中的应用

物理信息神经网络 (Physics-informed neural networks, PINNs) 是一种新兴的计算范式，它将观测数据模式和给定问题领域的基本物理定律相结合。这种方法在解决复杂流体动力学领域的多种困难方面提供了显著优势。我们深入研究了 PINNs 的模型架构设计、收敛速度优化以及计算模块的开发。然而，高效且准确地利用 PINNs 来解决复杂流体动力学问题仍然是一项巨大的挑战。例如，从已知数据中快速推导湍流的代理模型并准确表征多相流场中的流动细节，均面临重大困难。此外，在多物理耦合模型中预测参数、在多尺度建模中实现各尺度的平衡、以及开发包含复杂流体动力学问题的标准化测试集，都是亟待技术突破的领域。本文讨论了 PINNs 的最新进展及其在复杂流体动力学中的潜在应用，包括湍流、多相流、多场耦合流以及多尺度流。同时，我们分析了 PINNs 在解决这些流体动力学问题中面临的挑战，并概述了其发展的未来趋势。我们的目标是推动深度学习与复杂流体动力学的整合，促进更现实和复杂流动问题的解决。

  • 2024-12-12
  • 阅读1792