基于深度學(xué)習(xí)的空氣預(yù)熱器轉(zhuǎn)子形變量預(yù)測(cè)方法研究.pdf

1、回轉(zhuǎn)式空氣預(yù)熱器是火力發(fā)電廠里常用的鍋爐尾氣熱量回收裝置，其工作原理是利用鍋爐里待排放的熱煙氣，來(lái)加熱即將進(jìn)入爐膛里助燃的冷空氣，這樣可以有效地提高能源的利用率?？諝忸A(yù)熱器因其結(jié)構(gòu)的原因，普遍存在漏風(fēng)的問(wèn)題，當(dāng)熱態(tài)運(yùn)行時(shí)，轉(zhuǎn)子會(huì)受熱應(yīng)力作用而發(fā)生變形，此時(shí)，會(huì)造成大量已經(jīng)預(yù)熱過(guò)的空氣泄露，從而導(dǎo)致巨大的能源浪費(fèi)和經(jīng)濟(jì)損失，甚至?xí)仁拐麄€(gè)機(jī)組降負(fù)荷地運(yùn)行。又因?yàn)榭諝忸A(yù)熱器內(nèi)部環(huán)境惡劣，密封間隙測(cè)量探頭故障時(shí)有發(fā)生，為消除故障對(duì)間隙控制系統(tǒng)

2、的影響有必要進(jìn)行轉(zhuǎn)子形變量預(yù)測(cè)。
　　本文的主要工作如下：
　　利用棧式自編碼網(wǎng)絡(luò)（Stacked Auto-encoder，SAE）、深度信任網(wǎng)絡(luò)（Deep Belief Network，DBN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）以及經(jīng)典神經(jīng)網(wǎng)絡(luò)（Neural Network，NN），分別對(duì)MNIST數(shù)據(jù)庫(kù)的手寫數(shù)字圖片進(jìn)行識(shí)別，結(jié)果表明深度學(xué)習(xí)模型學(xué)習(xí)能力明顯優(yōu)于經(jīng)典神經(jīng)網(wǎng)絡(luò)。

3、
　　基于熱彈性力學(xué)理論，分析徑向隔板水平方向和豎直方向的熱應(yīng)力以及剪應(yīng)力，分別建立了徑向隔板的熱應(yīng)力和熱應(yīng)變模型，進(jìn)而求解轉(zhuǎn)子熱態(tài)運(yùn)行過(guò)程中，蘑菇狀變形的形變量，通過(guò)定量的計(jì)算，結(jié)果表明，模型合理，但精度不高。
　　將新興的深度學(xué)習(xí)（Deep Learning）理論引入到預(yù)測(cè)模型中，提出一種基于深度學(xué)習(xí)的空氣預(yù)熱器轉(zhuǎn)子熱應(yīng)力變形形變量預(yù)測(cè)模型，即 SAE-Elman模型，本文是通過(guò)構(gòu)建含有多個(gè)隱藏層的網(wǎng)絡(luò)，并使用大量的數(shù)據(jù)

4、來(lái)訓(xùn)練模型，以便能夠?qū)W習(xí)得到更有用的特征，進(jìn)而提高模型預(yù)測(cè)的準(zhǔn)確性。該模型是將棧式自編碼網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過(guò)棧式自編碼網(wǎng)絡(luò)學(xué)習(xí)得到隱含在煙氣和空氣側(cè)進(jìn)出口溫度數(shù)據(jù)內(nèi)部的特征信息，再利用棧式自編碼網(wǎng)絡(luò)學(xué)習(xí)到的特征和實(shí)測(cè)形變量值訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)，最終得到SAE-Elman預(yù)測(cè)模型。
　　仿真數(shù)據(jù)來(lái)自某電廠600MW機(jī)組，分別采用SAE-Elman、BP、Elman神經(jīng)網(wǎng)絡(luò)方法建立轉(zhuǎn)子熱變形預(yù)測(cè)模型，并對(duì)結(jié)果進(jìn)行了