-
公开(公告)号：CN117648774A
公开(公告)日：2024-03-05
申请号：CN202311712443.9
申请日：2023-12-13
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/27 , G06N3/0475 , G06N3/094 , G06F111/04
Abstract: 本发明公开了一种基于Bezier‑GAN的燃气轮机叶型优化方法，包括步骤：1.原始叶型数据归一化，训练Bezier‑GAN网络，生成叶型；2.随机均匀采样，考虑设计需求，进行数值模拟，生成样本；3.基于样本数据搭建基于深度学习的物理场预测模型并训练；4.结合生成的叶型和物理场预测模型进行梯度优化，最后获得设计需求下的最优型线。本发明优化方法具有几何形状约束小、优化范围大、代理模型精度高、优化速度快、节省计算资源及时间的优势，具有重要的工程意义及广阔的应用前景。
-
公开(公告)号：CN117312936A
公开(公告)日：2023-12-29
申请号：CN202210708839.5
申请日：2022-06-21
Applicant: 上海电气电站设备有限公司 , 西安交通大学
IPC: G06F18/241 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于ResNet的汽轮机组轴系多故障检测方法、系统及装置，在汽轮机组轴系上构造预设数量和预设种类的故障，在汽轮机组轴系上布置传感器，获得传感器采集的振动数据；将初始振动数据进行数据处理获得长度相等的振动信号，按照振动信号的来源为所述振动信号添加标签；数据融合；对添加标签的振动信号进行归一化处理获得样本集，将样本集按照预设比例分为训练集样本和验证集样本；为训练集样本添加环境噪声，基于自适应更新网络学习率的策略，利用训练集样本和验证集样本建立ResNet神经网络故障检测模型；使用ResNet神经网络故障检测模型对所述汽轮机组轴系进行故障检测，获得检测精度。本发明用于快速、准确、便捷的实现界汽轮机组轴系多故障检测。
-
公开(公告)号：CN115758614A
公开(公告)日：2023-03-07
申请号：CN202211478348.2
申请日：2022-11-23
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/23 , G06F30/27 , G06N3/048 , G06N3/084 , G06F111/04 , G06F119/14
Abstract: 本发明公开了一种基于GCN的燃气轮机轮盘端面齿结构参数优化方法，该方法通过构建轮盘强度计算模型的仿真计算，获得大量的结构参数下的端面齿强度数据，建立图卷积神经网络和深度学习的结构参数优化模型，对轮盘接触端面齿的位移、应力和应变等信息进行学习、训练和重构，实现轮盘接触端面齿的结构优化设计，为大型化燃气轮机盘式轮盘结构设计及其优化奠定基础。
-
公开(公告)号：CN115688317A
公开(公告)日：2023-02-03
申请号：CN202211387360.2
申请日：2022-11-07
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/23 , G06F30/27 , G06N3/0464 , G06N3/08
Abstract: 本发明基于贝叶斯优化和GCN的燃机透平轮盘形状优化设计方法，包括：步骤一，采用Bezier曲线参数化燃气轮机透平轮盘，确定并构建设计变量优化空间；步骤二，在优化空间内采样，利用样本数据建立几何模型并分别进行有限元计算分析，获取最大径向变形量、最大应力值和质量数据，构建优化设计数据库；步骤三，将数据库中的子数据集分别进行前处理；步骤四，构建图卷积神经网络，使用步骤三所得的数据集进行训练，得到由几何参数到位移场、应力场分布的轮盘预测模型；步骤五，采用贝叶斯优化方法结合训练好的轮盘预测模型进行自动寻优及目标优化，得到轮盘几何结构最终优化设计方案。本发明具有重要的工程应用效益和推广价值。
-
公开(公告)号：CN112761740B
公开(公告)日：2022-02-18
申请号：CN202110008771.5
申请日：2021-01-05
Applicant: 西安交通大学
Abstract: 本发明公开了一种透平叶片故障测试系统及其智能故障诊断方法，测试系统包括供气系统、透平主体系统、润滑系统以及测量控制系统。系统运行时，供气系统为透平主体系统提供气源，润滑系统为透平主体系统提供润滑工质，测量控制系统用来控制整个系统的运行安全性，并测量所需的性能参数。本发明通过搭建透平叶片故障测试系统，实现对透平运行时的气动参数和振动参数的精确测量，获得大量的故障叶片的测试数据，建立基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习、训练和测试，并将其迁移应用至真实透平机组，为大型发电机组透平叶片的在线故障诊断奠定基础。
-
Patent Agency Ranking
公开(公告)号：CN117634084A
公开(公告)日：2024-03-01
申请号：CN202311664816.X
申请日：2023-12-06
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/23 , G06F30/27 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06F119/14
Abstract: 本发明公开了一种基于info‑GAN的燃气轮机透平叶根轮槽型线优化方法，包括：该方法通过对燃气轮机透平叶根轮槽区域建立型线模型，并通过info‑GAN方法，基于型线图像建立生成对抗网络，用于预测不同叶根轮槽型线造型的性能参数，并基于该型线模型，结合优化算法，建立基于info‑GAN的燃气轮机透平叶根轮槽型线优化模型，实现燃气轮机透平叶根轮槽的高效、自动化优化。本发明可以实现对指定燃气轮机透平叶片，实现从实际叶片模型，到叶根轮槽型线，通过优化方法计算后，返回优化后的叶根轮槽型线，并进一步进行叶片重建。
-
公开(公告)号：CN109781378A
公开(公告)日：2019-05-21
申请号：CN201811565809.3
申请日：2018-12-20
Applicant: 西安交通大学
IPC: G01M10/00
Abstract: 本发明公开了一种水洞水槽两用实验系统，包括水洞实验段、水泵系统以及依次连通的前置水箱、水槽实验段和后置水箱；该实验系统为竖式上下两层布置，两个水箱与水槽实验段均位于上层，且上层结构均顶部开口，水泵系统位于下层，下层结构为闭式管路；上下两层之间的前竖直段为管路过渡段，后竖直段为水洞实验段，且前置水箱的底部进水口通过管路过渡段与水泵系统的出水口连通，后置水箱的底部出水口通过水洞实验段与水泵系统的进水口连通。本发明结构紧凑，运行平稳安全，采用的水动力学设计保证了实验段流场的高品质，实现水洞和水槽两种用途，适用于多种工程领域的水动力学相关问题研究，这对水动力学领域广泛而深入的研究具有极大的促进作用。
-
公开(公告)号：CN115034016B
公开(公告)日：2024-10-25
申请号：CN202210736989.7
申请日：2022-06-27
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/20 , G06F111/06 , G06F111/08 , G06F111/10
Abstract: 本发明公开了一种自适应的燃气轮机轮盘型线优化方法，属于系统设计优化应用领域；其首先根据系统设计的要求，提取设计变量，确定目标变量，建立系统的高精度模型和低精度近似模型，并初始化；其次基于区间缩减策略，从已知点中采样出新点，并计算新点的低精度模型的目标函数值；接着训练一个高斯过程回归模型，用于学习高精度模型和低精度模型之间的误差，并用此模型预测新点的目标函数误差；然后根据建立的低精度接受模型，以一定概率接受低精度模型的结果，减少优化过程对高精度模型的依赖；最后基于Metropolis‑Hastings算法下的能量下降法，进一步优化采样结果，通过迭代过程完成最终的优化。
-
公开(公告)号：CN117634095A
公开(公告)日：2024-03-01
申请号：CN202311731309.3
申请日：2023-12-15
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/23 , G06F30/27 , G06F119/14
Abstract: 本发明公开了一种基于WGAN的透平机械轮盘型线优化方法，包括步骤：S1：构建透平机械轮盘的参数化模型；S2：轮盘结构样本生成；S3：数据预处理；S4：构建基于Graph‑Based CNN的物理场预测模型；S5：构建基于WGAN的轮盘形状生成模型；S6：采用梯度下降法对轮盘进行多目标优化。本发明提供的一种基于WGAN的透平机械轮盘型线优化方法，对于透平机械轮盘具有广泛的适用性，极大地提高了透平机械轮盘设计优化的效率及优化效果，具有优化效率高、寻优范围宽、设计变量连续、可解释性强等优点。
-
公开(公告)号：CN115034016A
公开(公告)日：2022-09-09
申请号：CN202210736989.7
申请日：2022-06-27
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/20 , G06F111/06 , G06F111/08 , G06F111/10
Abstract: 本发明公开了一种自适应的燃气轮机轮盘型线优化方法，属于系统设计优化应用领域；其首先根据系统设计的要求，提取设计变量，确定目标变量，建立系统的高精度模型和低精度近似模型，并初始化；其次基于区间缩减策略，从已知点中采样出新点，并计算新点的低精度模型的目标函数值；接着训练一个高斯过程回归模型，用于学习高精度模型和低精度模型之间的误差，并用此模型预测新点的目标函数误差；然后根据建立的低精度接受模型，以一定概率接受低精度模型的结果，减少优化过程对高精度模型的依赖；最后基于Metropolis‑Hastings算法下的能量下降法，进一步优化采样结果，通过迭代过程完成最终的优化。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.021 seconds)
