排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
[目的]为了提升压气机设备安全、稳定运行的水平,提出一种基于混合深度学习参数辨识的喘振状态快速诊断方法,以及一种用于实现压气机退喘的自抗扰控制策略。[方法]首先,采用长短期记忆神经网络（LSTM）处理压气机参数辨识输入输出数据的时序关系,并融入高斯过程回归（GPR）的区间概率估计能力,提出一种基于LSTM和GPR结合（LSTM-GPR）的混合深度学习参数辨识算法,进而实现对压气机喘振状态的快速诊断;然后,基于自抗扰控制方法对压气机的节流阀参数进行控制,通过控制量对压气机节流阀参数的补偿,实现对压气机喘振状态的准确控制。[结果]结果表明,混合深度学习参数辨识算法可以实现对压气机临界Greitzer参数的准确辨识,能快速、准确地判断出压气机是否处于喘振状态,并且基于自抗扰控制的控制策略,可以使压气机有效退出喘振状态,相比传统的PID控制和非线性反馈控制等控制方法,所提方法快速、有效,可保证压气机的工作范围。[结论]提出的参数辨识和自抗扰控制方法能够用于压气机的喘振诊断和主动控制,可提升压气机的安全性与稳定性。 相似文献
2.
[目的]为克服燃气轮机非线性时变特性对动态控制及性能监测的影响,通过长短期记忆神经网络(LSTM)的时序记忆、非线性关系表达与高斯过程回归(GPR)的区间概率估计能力三者的结合,提出一种基于LSTM-GPR混合深度学习模型的关键动态参数在线辨识算法。[方法]首先,建立燃气轮机的动态机理模型,以燃料热值、压气机效率及负载电力矩为待辨识参数,生成大量训练数据;然后,构建LSTM-GPR参数辨识网络模型,并输入训练数据进行网络训练和权重系数学习;最后,使用训练好的LSTM-GPR混合模型对燃气轮机动态运行参数进行在线辨识,经分析辨识结果来验证所提算法的有效性。[结果]仿真结果表明,所提算法辨识结果准确,误差小于1%,实时性好,相比于LSTM单一模型能获得更好的均值估计效果,并给出可靠的结果置信区间。[结论]所提算法能有效应用于燃气轮机模型的关键动态参数在线辨识,为进一步应用于实际机组奠定了基础。 相似文献
1