基于深度學習的空氣預熱器轉(zhuǎn)子形變量預測方法研究.pdf

1、回轉(zhuǎn)式空氣預熱器是火力發(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，來加熱即將進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熱器因其結(jié)構(gòu)的原因，普遍存在漏風的問題，當熱態(tài)運行時，轉(zhuǎn)子會受熱應力作用而發(fā)生變形，此時，會造成大量已經(jīng)預熱過的空氣泄露，從而導致巨大的能源浪費和經(jīng)濟損失，甚至會迫使整個機組降負荷地運行。又因為空氣預熱器內(nèi)部環(huán)境惡劣，密封間隙測量探頭故障時有發(fā)生，為消除故障對間隙控制系統(tǒng)

2、的影響有必要進行轉(zhuǎn)子形變量預測。
　　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MNIST數(shù)據(jù)庫的手寫數(shù)字圖片進行識別，結(jié)果表明深度學習模型學習能力明顯優(yōu)于經(jīng)典神經(jīng)網(wǎng)絡(luò)。

3、
　　基于熱彈性力學理論，分析徑向隔板水平方向和豎直方向的熱應力以及剪應力，分別建立了徑向隔板的熱應力和熱應變模型，進而求解轉(zhuǎn)子熱態(tài)運行過程中，蘑菇狀變形的形變量，通過定量的計算，結(jié)果表明，模型合理，但精度不高。
　　將新興的深度學習（Deep Learning）理論引入到預測模型中，提出一種基于深度學習的空氣預熱器轉(zhuǎn)子熱應力變形形變量預測模型，即 SAE-Elman模型，本文是通過構(gòu)建含有多個隱藏層的網(wǎng)絡(luò)，并使用大量的數(shù)據(jù)

4、來訓練模型，以便能夠?qū)W習得到更有用的特征，進而提高模型預測的準確性。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，通過棧式自編碼網(wǎng)絡(luò)學習得到隱含在煙氣和空氣側(cè)進出口溫度數(shù)據(jù)內(nèi)部的特征信息，再利用棧式自編碼網(wǎng)絡(luò)學習到的特征和實測形變量值訓練Elman神經(jīng)網(wǎng)絡(luò)，最終得到SAE-Elman預測模型。
　　仿真數(shù)據(jù)來自某電廠600MW機組，分別采用SAE-Elman、BP、Elman神經(jīng)網(wǎng)絡(luò)方法建立轉(zhuǎn)子熱變形預測模型，并對結(jié)果進行了