针对二次风机状态监测故障的预警问题,提出了一种基于混沌向量加权平均(chaos weighted mean of vectors, CINFO)算法的长短期记忆(long short-term memory, LSTM)网络多输出回归方法。首先,使用Spearman相关系数分析方法筛选出与二次...针对二次风机状态监测故障的预警问题,提出了一种基于混沌向量加权平均(chaos weighted mean of vectors, CINFO)算法的长短期记忆(long short-term memory, LSTM)网络多输出回归方法。首先,使用Spearman相关系数分析方法筛选出与二次风机轴承温度、二次风机轴承振动相关性系数较高的特征参数,对输入数据进行降维。然后,通过CINFO确定多输出LSTM网络的最优超参数,提高了神经网络的预测精度。随后,根据序贯概率比检验(sequential probability ratio test, SPRT)法确定了设备的故障阈值。最后,将选定的特征参数作为CINFO-LSTM网络的输入,使用序贯概率比检验法实现了二次风机的故障预警。实验结果验证了该方法的可行性和有效性。展开更多
文摘电站辅机设备健康状态评估与故障预警对新型电力系统火电机组的安全运行具有重要意义。以某超临界660 MW火电机组送风机为研究对象,提出了一种基于多重特征参数的送风机故障模型动态记忆矩阵构建方法,该方法可在确保计算结果精度的同时有效提升模型计算速度。同时引入权重系数改进多元状态估计(multivariate state estimation technique,MSET)算法,提出了一种权重系数计算方法;采用总体相似度和参数相似度指标进行故障预警和定位,构建了基于动态记忆矩阵和加权MSET算法的送风机故障预警模型。运用该模型对送风机故障进行仿真,仿真结果表明:加权MSET算法不仅能够有效提高故障工况下异常参数的预测精度,还能降低异常参数对正常参数预测结果的影响,进而在实现送风机故障提前预警的同时准确定位出故障点参数。
文摘针对二次风机状态监测故障的预警问题,提出了一种基于混沌向量加权平均(chaos weighted mean of vectors, CINFO)算法的长短期记忆(long short-term memory, LSTM)网络多输出回归方法。首先,使用Spearman相关系数分析方法筛选出与二次风机轴承温度、二次风机轴承振动相关性系数较高的特征参数,对输入数据进行降维。然后,通过CINFO确定多输出LSTM网络的最优超参数,提高了神经网络的预测精度。随后,根据序贯概率比检验(sequential probability ratio test, SPRT)法确定了设备的故障阈值。最后,将选定的特征参数作为CINFO-LSTM网络的输入,使用序贯概率比检验法实现了二次风机的故障预警。实验结果验证了该方法的可行性和有效性。
