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

低温阀门技术协议（模板）

4.1 通用要求 4.1.1 本技术协议适用于低温条件下使用的碳钢和不锈钢闸阀、截止阀、止回阀、蝶阀、球阀，使用介质为乙烯、丙烯等。 4.1.2 发到现场的阀门应是装配完整、性能良好的阀门，买方不需要再进行其它工作就可直接使用。 4.1.3 带有轴承和齿轮传动的阀门，装配前应充装足够的润滑油，并将采用的润滑油物理性能和牌号告知买方。 4.1.4 低温阀门应适用XX地区的气候环境影响，除易损件外，阀门的设计使用寿命不低于15年。 4.1.5 采购订单中闸阀执行机构为蜗轮蜗杆的，表示阀门为伞齿轮驱动。带齿轮箱的阀门，齿轮箱应完全封闭全天候的，并填充超过二分之一箱体体积的润滑油，保证操作顺畅。所有带有齿轮箱操作的阀门，都应配有防尘罩保护露出的阀杆。

  • 2025-03-10
  • 阅读483

基于多保真度深度神经网络的偶然不确定性量化

传统的不确定性量化( uncertainty quantification，UQ )方法在处理高维问题时会遭遇维数灾难，解决这一挑战的一种方法是利用深度神经网络 ( deep neural networks，DNNs ) 强大的近似能力。然而，传统的 DNNs 通常需要大量高保真度 ( high-fidelity，HF) 数据训练来确保精确的预测，但由于计算或实验成本限制，此类数据可得性有限。为了减少训练费用，本研究引入了多保真度深度神经网络 ( multi-fidelity deep neural networks，MF？DNNs )，其中构建了一个子网络来同时捕获高保真度和低保真度 ( low-fidelity，LF ) 数据之间的线性和非线性相关性。MF？DNNs 的有效性最初通过准确近似各种基准函数来证明。随后，考虑输入不确定性的均匀分布或高斯分布，首次使用开发的MF？ DNNs来模拟1维、32维和100维环境中的偶然不确定性传播，UQ 结果证实，MF？ DNNs 能够熟练地预测兴趣参量 ( quantities of interest，QoI ) 的概率密度分布及其统计矩，而不会显著降低准确性。此外，MF？DNN 被用于模拟飞机推进系统内部的物理流动，同时考虑源自实验测量误差的偶然不确定性，基于二维欧拉流场和少量实验数据点，利用MF-DNNs对等熵马赫数分布进行了精确预测。总之，提出的 MF？DNN 框架在解决实际工程应用中的 UQ 和稳健优化挑战方面表现出巨大的潜力，尤其是在处理多保真度数据源时。

  • 2024-09-27
  • 阅读703

基于物理信息残差网络的滚动轴承故障诊断

近年来学者们开发了多种用于机器状态监测的深度学习方法，在轴承故障诊断方面取得了令人瞩目的成功。尽管能够有效地诊断轴承故障，但大多数深度学习方法都非常依赖大量的数据，在工业应用中并不总是可获取到的。在实际工程中，轴承通常安装在经常发生速度和负载变化的旋转机械中，导致难以在所有操作条件下收集大型训练数据集。此外，在大多数深度学习算法中，物理信息常常会被忽略，有时会导致生成的结果不符合物理定律。为了应对这些挑战，本文提出了一种新的物理信息残差网络（PIResNet），用于学习嵌入在训练和测试数据中的底层物理信息，从而为不完美的数据提供符合物理规律的解决方案。在所提出的方法中，首先采用物理模态特性主导生成层来生成模态特性主导特征。然后，构建域转换层，以实现在不同运行速度条件下提取能够判别轴承故障的特征。最后，建立了一个并行双通道残差学习架构，可以自动提取轴承故障特征。使用可变运行速度和可变负载以及时变运行速度下的实验数据集进行验证，证明了PIResNet在非平稳运行条件下的优越性。

  • 2024-09-27
  • 阅读976

郝峰杰高工：混合多类型储能的分布式能源系统运行优化方法

对于含多类型混合储能系统的运行优化，通常将所有设备等效为一个整体，并未考虑各储能系统的运行特性差异等因素，最终导致设备利用率低，经济运行能力差。为此，首先以最大可再生能源消纳以及最小电网交换电量为目标，构建了优化函数模型。其次，考虑到多类型储能系统在充放电动态特性、运行成本特征以及SOC设定等方面差异，提出了一种结合能量型储能SOC一致性约束的双层解耦式运行优化方法，以适应分布式能源系统中的多类型储能协同运行。最后，以某个在建的分布式可再生能源系统工业示范园区数据为基础，对所提方法进行了算例验证与分析。结果证明，所提方法在保证分布式能源系统内多个能量型储能系统充放电同步性的同时，能够对具有相同运行特性的储能系统进行聚类，有效了降低计算复杂性，完成多类型储能协调与优化，并最终促进分布式能源系统的新能源消纳。

  • 2024-09-27
  • 阅读447

【AEI】先验知识增强无监督形状学习用于工业过程中未知的正常工作条件发现

未知异常工况的发现是精细化工业生产的关键，集群工业时间序列是发现未知工况类型的有效方法。然而，从工业时间序列中发现未知的异常工作状态对现有的时间序列聚类方法来说是一个挑战。本研究提出了一种新的先验知识增强无监督形状集学习方法，通过可解释的子序列发现异常和有意义的工作状态。提出了一种先验特征提取模块，将先验知识转化为数据模型的可识别形式。先验知识包含异常工作状态信息，知识增强聚类模块可以通过将先验特征与数据特征相结合来学习表示异常工作状态的信息形状集。此外，先验知识和数据的偏好在学习阶段会自我调整。对实际铝电解过程、模拟田纳西伊斯曼过程和连续搅拌槽加热器过程的数值试验结果验证了所提出方法的优越性能。所提出的方法为先验知识和数据模型的融合提供了新的视角。它还为解决工业过程中异常未知工况发现问题提供了一种新方法。关键词：先验知识，铝电解，时间序列，Shapelet，聚类

  • 2024-10-08
  • 阅读463

基于摄像头的3D物体检测：用于自动驾驶汽车的BEVFormer和BEVFormerv2

3D 视觉感知对于自动驾驶和机器人等应用至关重要。虽然基于摄像头的 3D 物体检测方法因其成本效益和检测远距离物体的能力而受到关注，但它们在效率和准确性方面存在困难，尤其是在处理跨多个摄像头视图的信息时。鸟瞰图 (BEV)是自动驾驶中的一种常见表示，因为它可以提供对周围环境的清晰空间理解。但是，从 2D 图像生成强大的 BEV 特征以用于 3D 物体检测等任务具有挑战性。BEVFormer 论文介绍了一种使用时空变换器生成 BEV 特征的新方法 BEVFormer 。与以前的方法不同，BEVFormer 不依赖深度信息，可以动态聚合空间和时间信息。

  • 2024-12-03
  • 阅读316

【ESWA】通过揭示数据潜在交互的残差感知深度注意力图卷积网络用于工业过程中的产品质量预测

基于深度学习的数据驱动建模对于工业过程中的在线产品质量预测至关重要。从传感器变量中提取潜在的数据交互是各种数据驱动建模应用的核心。通常，由于操作条件的变化和传感器调谐问题，观察到的变量表现出非平稳特性。这些波动不可避免地影响了传统特征提取方法的可靠性，从而阻碍了它们的应用。因此，本文提出了一种名为横向感知深度注意力图卷积网络（RaDA-GCN）的新方法来探索传感器变量之间的潜在相互作用，RaDA-GPN巧妙地将注意力机制融入图卷积层中，根据其重要性提取非线性变量相关特征，然后设计了一种新的残差感知连接模块来减少数据不确定性并减轻过度平滑。通过巧妙地堆叠多个注意力图卷积层并集成残差感知连接，可以获得深层结构特征，从而有效地量化和揭示数据变量之间的潜在关系。最后，基于所提出方法的预测建模框架的应用验证了其在实际工业过程数据中的有效性。“实验结果表明，与传统的图卷积网络方法相比，所提出的RaDA-GCN方法的R平方（R'）指标提高了23%，均方根误差（RMSE）降低了13%。 关键词：深度学习、质量预测、图卷积网络、注意力机制、残差感知连接、工业过程

  • 2024-12-03
  • 阅读379

【ASC】基于自适应残差CNN的小型模块化电抗器故障检测与诊断系统

随着工业4.0技术的发展，降低维护成本并结合深度学习（DL）技术确保新型核系统的安全是一种流行趋势。本文提出了一种基于设计的自适应残差卷积神经网络（ARCNNs）的小型模块化反应堆（SMR）智能故障检测与诊断系统（lFDD）。不同噪声水平下的特征被学习为残差，并通过设计的网络传递。此外，自适应残差处理（ARP）模块中组装的软阈值（ST）方法提高了学习效率。采用贝叶斯优化（B0）方法提高设计网络的学习衰减率（LDR），以获得更好的诊断性能。从已建立的中国铅基核反应堆（CLEAR）平台上收集了11种不同操作场景下三种不同噪声水平的1760个实验数据点，以验证所提出的LFDD的有效性。与以往工作中采用的传统RCNN和CNN的比较突显了所提出的诊断方法的优越性。使用B0方法进一步提高了lfDD的性能。作为SlMR智能研究的首次尝试，该方法将为无人值守条件下的核操作员提供远程决策支持。此外，该通用方法也可应用于其他无噪声环境下的诊断系统。关键词：故障检测与诊断、深度学习、残差CNN、贝叶斯优化、小型模块化反应堆。

  • 2024-10-08
  • 阅读401