CN112990435A - 一种长短时记忆网络电站风机故障预警方法及*** - Google Patents
一种长短时记忆网络电站风机故障预警方法及*** Download PDFInfo
- Publication number
- CN112990435A CN112990435A CN202110301338.0A CN202110301338A CN112990435A CN 112990435 A CN112990435 A CN 112990435A CN 202110301338 A CN202110301338 A CN 202110301338A CN 112990435 A CN112990435 A CN 112990435A
- Authority
- CN
- China
- Prior art keywords
- induced draft
- early warning
- draft fan
- similarity
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000015654 memory Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种长短时记忆网络电站风机故障预警方法及***。该方法包括：获取电站引风机在设定跨度时间段内的运行数据；根据LSTM技术网络的基本结构确定引风机状态预测模型；将运行数据的训练集数据输入引风机状态预测模型进行训练，得到优化后的引风机状态预测模型；基于运行数据的验证集数据计算预测相似度，并根据预测相似度确定预警阈值；基于优化后的引风机状态预测模型对引风机各状态变量的取值进行预测，得到预测值；计算预测值与测量值的相似度；根据相似度与预警阈值进行预警。本发明能够进行有效参数选取，快速高效地实现电站风机状态故障预警。
Description
技术领域
本发明涉及电站风机故障预警领域，特别是涉及一种长短时记忆网络电站风机故障预警方法及***。
背景技术
风机作为燃煤电站重要的辅机设备，参与烟气循环、设备密封、脱硝脱硫等多个过程，运行条件恶劣，故障率和维修成本均较高。电站风机的故障预警有助于提升电站运行安全和经济效益。建立精确的风机状态预测模型是实现故障预警的前提。
长短时记忆网络(Long Short Term Memory network,LSTM)是一种具有长期记忆能力的循环神经网络，它通过引入三个门控开关对输入时间序列中的信息进行筛选和保存，利用LSTM对风机进行状态预测建模能够充分利用电站储存的风机运行数据。电站风机的LSTM模型预测精度取决于超参数的设置，包括输入序列的长度、隐藏层的层数及神经元数、学习率的大小，目前没有有效的超参数的选取方法。
发明内容
本发明的目的是提供一种长短时记忆网络电站风机故障预警方法及***，能够进行有效参数选取，快速高效地实现电站风机状态故障预警。
为实现上述目的，本发明提供了如下方案：
一种长短时记忆网络电站风机故障预警方法，包括：
获取电站引风机在设定跨度时间段内的运行数据，所述运行数据包括引风机电机电流、引风机后轴承温度、引风机腰侧轴承垂直振动、腰侧轴承水平振动、端侧轴承垂直振动和端侧轴承水平振动；
根据LSTM技术网络的基本结构确定引风机状态预测模型；
将所述运行数据的训练集数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型；
基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值；
基于所述优化后的引风机状态预测模型对引风机各状态变量的取值进行预测，得到预测值；
计算所述预测值与测量值的相似度；
根据所述相似度与所述预警阈值进行预警。
可选地，所述将所述运行数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型，具体包括：
将所述运行数据中的训练集数据输入所述引风机状态预测模型，将LSTM网络的输入序列长度、隐藏层神经元数及初始学习率这三组超参数作为优化变量，将LSTM网络输出的预测值与测量值的均方误差最小作为目标函数，利用遗传算法对输入序列长度、隐藏层神经元数及初始学习率进行搜索寻优，得到最优超参数组合；
根据所述最优超参数组合调整所述引风机状态预测模型，得到优化后的引风机状态预测模型。
可选地，所述基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值，具体包括：
将所述运行数据的验证集数据输入所述引风机状态预测模型，得到验证集数据预测值；
根据所述验证集数据预测值与测量值之间的偏差，构造基于欧氏距离的相似度函数；
根据所述欧氏距离相似度函数，确定预警阈值。
可选地，所述根据所述相似度与所述预警阈值进行预警，具体包括：
若所述相似度小于或等于所述预警阈值，则发出报警信号；
若所述相似度大于所述预警阈值，则不发出报警信号。
一种长短时记忆网络电站风机故障预警***，包括：
运行数据获取模块，用于获取电站引风机在设定跨度时间段内的运行数据，所述运行数据包括引风机电机电流、引风机后轴承温度、引风机腰侧轴承垂直振动、腰侧轴承水平振动、端侧轴承垂直振动和端侧轴承水平振动；
引风机状态预测模型确定模块，用于根据LSTM技术网络的基本结构确定引风机状态预测模型；
模型训练模块，用于将所述运行数据的训练集数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型；
预警阈值确定模块，用于基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值；
预测值确定模块，用于基于所述优化后的引风机状态预测模型对引风机各状态变量的取值进行预测，得到预测值；
相似度计算模块，用于计算所述预测值与测量值的相似度；
预警模块，用于根据所述相似度与所述预警阈值进行预警。
可选地，所述模型训练模块，具体包括：
最优超参数组合优化单元，用于将所述运行数据中的训练集数据输入所述引风机状态预测模型，将LSTM网络的输入序列长度、隐藏层神经元数及初始学习率这三组超参数作为优化变量，将LSTM网络输出的预测值与测量值的均方误差最小作为目标函数，利用遗传算法对输入序列长度、隐藏层神经元数及初始学习率进行搜索寻优，得到最优超参数组合；
优化后的引风机状态预测模型确定单元，用于根据所述最优超参数组合调整所述引风机状态预测模型，得到优化后的引风机状态预测模型。
可选地，预警阈值确定模块，具体包括：
验证集数据预测值计算单元，用于将所述运行数据的验证集数据输入所述引风机状态预测模型，得到验证集数据预测值；
相似度函数构造单元，用于根据所述验证集数据预测值与测量值之间的偏差，构造基于欧氏距离的相似度函数；
预警阈值计算单元，用于根据所述欧氏距离相似度函数，确定预警阈值。
可选地，所述预警模块，具体包括：
第一预警单元，用于当所述相似度小于或等于所述预警阈值时，发出报警信号；
第二预警单元，用于当所述相似度大于所述预警阈值时，不发出报警信号。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)风机状态的预测精度提高，在电厂中的适用性好。现有研究中的风机状态预测模型不能实现对输入信息的动态存储和利用，本发明基于LSTM网络建立风机的状态模型，对输入时间序列中的信息进行筛选和储存，能够有效提高预测精度，降低干扰等随机因素的影响，适用于火电厂复杂多变的运行环境。
(2)利用遗传算法优化LSTM网络超参数，提高了模型的计算速度和精度，改善了模型的预测性能，是一种有效可行的超参数选取方案。
(3)故障预警的准确性和及时性提高。利用遗传算法优化的LSTM网络进行风机的状态预测，能够充分利用电站储存的风机运行数据和LSTM网络在处理长时间输入序列时的优势，预测精确性增加，故障预警的准确性和及时性提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明长短时记忆网络电站风机故障预警方法流程图；
图2为本发明优化的引风机状态预测模型中引风机后轴承温度预测结果图；
图3为本发明优化的引风机状态预测模型中引风机后轴承温度相对预测误差图；
图4为本发明长短时记忆网络电站风机故障预警***结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种长短时记忆网络电站风机故障预警方法及***，能够进行有效参数选取，快速高效地实现电站风机状态故障预警。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明长短时记忆网络电站风机故障预警方法流程图。如图1所示，一种长短时记忆网络电站风机故障预警方法包括：
步骤101：获取电站引风机在设定跨度时间段内的运行数据。
采集电站引风机跨度时间一周的运行数据，采样周期为1min。对采集的数据集进行预处理，将相关变量的前80％样本数据作为训练样本集，后20％作为验证样本集。
利用机理分析与定量分析相结合的方法，选择模型输入变量，包括：引风机电机电流I、引风机后轴承温度t1、引风机腰侧轴承垂直振动l1、腰侧轴承水平振动l2、端侧轴承垂直振动l3、端侧轴承水平振动l4。
变量选择基于机理分析与定量分析相结合的方法得到，首先基于机理分析确定相关的变量集合P，通过对引风机常见故障的故障原理进行分析，与故障现象及特征进行比较，确定与各类故障相关程度较高的变量构成集合P。然后基于这些变量的样本数据计算皮尔逊相关系数，作为衡量变量间相关程度的指标。皮尔逊系数是统计学中一种度量变量间线性相关性的函数，其表达式如下：
xi、yi是集合P中的任意两个变量x、y对应的第i点样本观测值，n是样本总数，
是变量y的样本平均值，
是变量x的样本平均值。
将皮尔逊相关系数大于0.8的两强相关变量中的一个冗余变量去掉。最终选取引风机电机电流I、引风机后轴承温度t1、引风机腰侧轴承垂直振动l1、引风机腰侧轴承水平振动l2、引风机端侧轴承垂直振动l3、引风机端侧轴承水平振动l4作为建模变量。将步骤1采集的样本中建模变量的前80％样本作为训练样本集，后20％作为验证样本集，用于后续步骤中引风机LSTM状态预测模型的训练及验证。
步骤102：根据LSTM技术网络的基本结构确定引风机状态预测模型。
根据LSTM网络的基本结构确定引风机状态预测模型的基本结构，其中包含1层输入层、1层隐藏层和1层输出层。输入变量为6维，包含引风机电机电流、引风机后轴承温度、引风机腰侧轴承水平振动、腰侧轴承垂直振动、端侧轴承水平振动、端侧轴承垂直振动；输出变量为6维，包含变量和输入变量相同，基于输入的历史时刻变量数据来预测未来时刻的变量取值；隐藏层参数将通过遗传算法进行优化。
步骤103：将所述运行数据的训练集数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型，具体包括：
步骤1031：将所述运行数据中的训练集数据输入所述引风机状态预测模型，将LSTM网络的输入序列长度、隐藏层神经元数及初始学习率这三组超参数作为优化变量，将LSTM网络输出的预测值与测量值的均方误差最小作为目标函数，利用遗传算法对输入序列长度、隐藏层神经元数及初始学习率进行搜索寻优，得到最优超参数组合。
步骤1031中基于遗传算法进行LSTM网络超参数寻优主要包括以下步骤：
(1)将训练集数据输入模型，将LSTM网络的输入序列长度、隐藏层神经元数及初始学习率这三组超参数作为优化变量，进行种群初始化。设置种群规模为50，迭代次数为30。输入序列长度的搜索范围为1～20，隐藏层神经元数为1～50，初始学习率为0.01～0.1。
(2)将LSTM网络输出的预测值与测量值的均方误差最小作为目标函数。
(3)对种群中的个体进行遗传、交叉、变异操作并记录每一代最优染色体组合的适应度函数值及相应参数值。
(4)若目标函数值达到最优或达到预设的迭代次数则结束搜索，否则返回(3)。
(5)保存优化后得到的最优超参数组合，在步骤1032中输入LSTM模型并对其进行训练。
步骤1032：根据所述最优超参数组合调整所述引风机状态预测模型，得到优化后的引风机状态预测模型。
将优化后的超参数即最优超参数组合输入LSTM模型即引风机状态预测模型，基于训练集数据进行梯度下降寻优计算，将误差反向传播以更新权重和偏置，得到精确的风机状态预测模型，即优化后的引风机状态预测模型。
步骤104：基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值，具体包括：
步骤1041：将所述运行数据的验证集数据输入所述引风机状态预测模型，得到验证集数据预测值。
步骤1042：根据所述验证集数据预测值与测量值之间的偏差，构造基于欧氏距离的相似度函数。
采用滑动窗口技术对原相似度序列S(Xobs,Xest)＝[S1,S2,S3,···,SN,SN+1,···,Sp]进行处理，得到平均相似度序列
相似度函数及滑动窗口处理公式如下：
其中sim(Xobs,Xest)是相似度函数，
是测量值向量Xobs和预测值向量Xest的分量，n是Xobs和Xest的维度。
其中p是样本数量，N是滑动窗口长度。
步骤1043：根据所述欧氏距离相似度函数，确定预警阈值。
基于验证集数据的预测相似度计算预警阈值，可采用固定阈值或自适应阈值等形式。
步骤105：基于所述优化后的引风机状态预测模型对引风机各状态变量的取值进行预测，得到预测值；
步骤106：计算所述预测值与测量值的相似度；
步骤107：根据所述相似度与所述预警阈值进行预警，具体包括：
步骤1071：若所述相似度小于或等于所述预警阈值，则发出报警信号；
步骤1072：若所述相似度大于所述预警阈值，则不发出报警信号。
图4为本发明长短时记忆网络电站风机故障预警***结构图。如图4所示，一种长短时记忆网络电站风机故障预警***包括：
运行数据获取模块401，用于获取电站引风机在设定跨度时间段内的运行数据，所述运行数据包括引风机电机电流、引风机后轴承温度、引风机腰侧轴承垂直振动、腰侧轴承水平振动、端侧轴承垂直振动和端侧轴承水平振动。
引风机状态预测模型确定模块402，用于根据LSTM技术网络的基本结构确定引风机状态预测模型。
模型训练模块403，用于将所述运行数据的训练集数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型。
预警阈值确定模块404，用于基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值。
预测值确定模块405，用于基于所述优化后的引风机状态预测模型对引风机各状态变量的取值进行预测，得到预测值。
相似度计算模块406，用于计算所述预测值与测量值的相似度。
预警模块407，用于根据所述相似度与所述预警阈值进行预警。
所述模型训练模块403，具体包括：
最优超参数组合优化单元，用于将所述运行数据中的训练集数据输入所述引风机状态预测模型，将LSTM网络的输入序列长度、隐藏层神经元数及初始学习率这三组超参数作为优化变量，将LSTM网络输出的预测值与测量值的均方误差最小作为目标函数，利用遗传算法对输入序列长度、隐藏层神经元数及初始学习率进行搜索寻优，得到最优超参数组合；
优化后的引风机状态预测模型确定单元，用于根据所述最优超参数组合调整所述引风机状态预测模型，得到优化后的引风机状态预测模型。
预警阈值确定模块404，具体包括：
验证集数据预测值计算单元，用于将所述运行数据的验证集数据输入所述引风机状态预测模型，得到验证集数据预测值；
相似度函数构造单元，用于根据所述验证集数据预测值与测量值之间的偏差，构造基于欧氏距离的相似度函数；
预警阈值计算单元，用于根据所述欧氏距离相似度函数，确定预警阈值。
所述预警模块407，具体包括：
第一预警单元，用于当所述相似度小于或等于所述预警阈值时，发出报警信号；
第二预警单元，用于当所述相似度大于所述预警阈值时，不发出报警信号。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种长短时记忆网络电站风机故障预警方法，其特征在于，包括：
获取电站引风机在设定跨度时间段内的运行数据，所述运行数据包括引风机电机电流、引风机后轴承温度、引风机腰侧轴承垂直振动、腰侧轴承水平振动、端侧轴承垂直振动和端侧轴承水平振动；
根据LSTM技术网络的基本结构确定引风机状态预测模型；
将所述运行数据的训练集数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型；
基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值；
基于所述优化后的引风机状态预测模型对引风机各状态变量的取值进行预测，得到预测值；
计算所述预测值与测量值的相似度；
根据所述相似度与所述预警阈值进行预警。
2.根据权利要求1所述的长短时记忆网络电站风机故障预警方法，其特征在于，所述将所述运行数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型，具体包括：
将所述运行数据中的训练集数据输入所述引风机状态预测模型，将LSTM网络的输入序列长度、隐藏层神经元数及初始学习率这三组超参数作为优化变量，将LSTM网络输出的预测值与测量值的均方误差最小作为目标函数，利用遗传算法对输入序列长度、隐藏层神经元数及初始学习率进行搜索寻优，得到最优超参数组合；
根据所述最优超参数组合调整所述引风机状态预测模型，得到优化后的引风机状态预测模型。
3.根据权利要求1所述的长短时记忆网络电站风机故障预警方法，其特征在于，所述基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值，具体包括：
将所述运行数据的验证集数据输入所述引风机状态预测模型，得到验证集数据预测值；
根据所述验证集数据预测值与测量值之间的偏差，构造基于欧氏距离的相似度函数；
根据所述欧氏距离相似度函数，确定预警阈值。
4.根据权利要求1所述的长短时记忆网络电站风机故障预警方法，其特征在于，所述根据所述相似度与所述预警阈值进行预警，具体包括：
若所述相似度小于或等于所述预警阈值，则发出报警信号；
若所述相似度大于所述预警阈值，则不发出报警信号。
5.一种长短时记忆网络电站风机故障预警***，其特征在于，包括：
运行数据获取模块，用于获取电站引风机在设定跨度时间段内的运行数据，所述运行数据包括引风机电机电流、引风机后轴承温度、引风机腰侧轴承垂直振动、腰侧轴承水平振动、端侧轴承垂直振动和端侧轴承水平振动；
引风机状态预测模型确定模块，用于根据LSTM技术网络的基本结构确定引风机状态预测模型；
模型训练模块，用于将所述运行数据的训练集数据输入所述引风机状态预测模型进行训练，得到优化后的引风机状态预测模型；
预警阈值确定模块，用于基于所述运行数据的验证集数据计算预测相似度，并根据所述预测相似度确定预警阈值；
预测值确定模块，用于基于所述优化后的引风机状态预测模型对引风机各状态变量的取值进行预测，得到预测值；
相似度计算模块，用于计算所述预测值与测量值的相似度；
预警模块，用于根据所述相似度与所述预警阈值进行预警。
6.根据权利要求5所述的长短时记忆网络电站风机故障预警***，其特征在于，所述模型训练模块，具体包括：
最优超参数组合优化单元，用于将所述运行数据中的训练集数据输入所述引风机状态预测模型，将LSTM网络的输入序列长度、隐藏层神经元数及初始学习率这三组超参数作为优化变量，将LSTM网络输出的预测值与测量值的均方误差最小作为目标函数，利用遗传算法对输入序列长度、隐藏层神经元数及初始学习率进行搜索寻优，得到最优超参数组合；
优化后的引风机状态预测模型确定单元，用于根据所述最优超参数组合调整所述引风机状态预测模型，得到优化后的引风机状态预测模型。
7.根据权利要求5所述的长短时记忆网络电站风机故障预警***，其特征在于，预警阈值确定模块，具体包括：
验证集数据预测值计算单元，用于将所述运行数据的验证集数据输入所述引风机状态预测模型，得到验证集数据预测值；
相似度函数构造单元，用于根据所述验证集数据预测值与测量值之间的偏差，构造基于欧氏距离的相似度函数；
预警阈值计算单元，用于根据所述欧氏距离相似度函数，确定预警阈值。
8.根据权利要求5所述的长短时记忆网络电站风机故障预警***，其特征在于，所述预警模块，具体包括：
第一预警单元，用于当所述相似度小于或等于所述预警阈值时，发出报警信号；
第二预警单元，用于当所述相似度大于所述预警阈值时，不发出报警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301338.0A CN112990435A (zh) | 2021-03-22 | 2021-03-22 | 一种长短时记忆网络电站风机故障预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301338.0A CN112990435A (zh) | 2021-03-22 | 2021-03-22 | 一种长短时记忆网络电站风机故障预警方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112990435A true CN112990435A (zh) | 2021-06-18 |
Family
ID=76332787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110301338.0A Pending CN112990435A (zh) | 2021-03-22 | 2021-03-22 | 一种长短时记忆网络电站风机故障预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990435A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554085A (zh) * | 2021-07-20 | 2021-10-26 | 云南电力试验研究院(集团)有限公司 | 一种感知引风机振动安全态势的***和方法 |
| CN113761795A (zh) * | 2021-08-17 | 2021-12-07 | 浙江工商大学 | 一种飞机发动机故障检测方法和*** |
| CN114139591A (zh) * | 2021-06-23 | 2022-03-04 | 核动力运行研究所 | 一种机械设备状态预警方法 |
| CN114166509A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 一种电机轴承故障预测方法 |
| CN114418191A (zh) * | 2021-12-21 | 2022-04-29 | 浙江永基智能科技有限公司 | 高速公路摄像设备状态预测及故障预警方法、相关装置 |
| CN117032120A (zh) * | 2023-08-16 | 2023-11-10 | 广东超级龙节能环保科技有限公司 | 集成一体式空压站智能云控制***及控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647575A (zh) * | 2018-04-10 | 2018-10-12 | 西北工业大学 | 基于光学视觉分析的溺水预警方法 |
| CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
| US20190287005A1 (en) * | 2018-03-19 | 2019-09-19 | Ge Inspection Technologies, Lp | Diagnosing and predicting electrical pump operation |
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
| CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
| CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN111804146A (zh) * | 2020-06-29 | 2020-10-23 | 远光软件股份有限公司 | 一种智能喷氨控制方法以及智能喷氨控制装置 |
| CN112418406A (zh) * | 2020-12-09 | 2021-02-26 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
| CN113011656A (zh) * | 2021-03-22 | 2021-06-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站辅机故障预警方法及*** |
-
2021
- 2021-03-22 CN CN202110301338.0A patent/CN112990435A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190287005A1 (en) * | 2018-03-19 | 2019-09-19 | Ge Inspection Technologies, Lp | Diagnosing and predicting electrical pump operation |
| CN108647575A (zh) * | 2018-04-10 | 2018-10-12 | 西北工业大学 | 基于光学视觉分析的溺水预警方法 |
| CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
| CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
| CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN111804146A (zh) * | 2020-06-29 | 2020-10-23 | 远光软件股份有限公司 | 一种智能喷氨控制方法以及智能喷氨控制装置 |
| CN112418406A (zh) * | 2020-12-09 | 2021-02-26 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
| CN113011656A (zh) * | 2021-03-22 | 2021-06-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站辅机故障预警方法及*** |
Non-Patent Citations (4)
| Title |
|---|
| CHEN, YAORAN等: "Short-term wind speed predicting framework based on EEMD-GA-LSTM method under large scaled wind history", ENERGY CONVERSION AND MANAGEMENT, vol. 227, 8 January 2021 (2021-01-08) * |
| WEI WEI等: "An Early Fault Detection Method of the Induced Draft Fan Based on Long-Short Term Memory Network and Double Warning Thresholds", IEEE, 14 February 2023 (2023-02-14), pages 5262 - 5267 * |
| 费珊珊: "改进遗传算法优化GA-LSTM网络的时序预测模型", 计算机工程与应用, 28 May 2020 (2020-05-28) * |
| 魏玮: "基于深度学习的电站设备健康状态评估方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 30 April 2024 (2024-04-30), pages 042 - 1079 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139591A (zh) * | 2021-06-23 | 2022-03-04 | 核动力运行研究所 | 一种机械设备状态预警方法 |
| CN113554085A (zh) * | 2021-07-20 | 2021-10-26 | 云南电力试验研究院(集团)有限公司 | 一种感知引风机振动安全态势的***和方法 |
| CN113554085B (zh) * | 2021-07-20 | 2023-04-18 | 云南电力试验研究院(集团)有限公司 | 一种感知引风机振动安全态势的***和方法 |
| CN113761795A (zh) * | 2021-08-17 | 2021-12-07 | 浙江工商大学 | 一种飞机发动机故障检测方法和*** |
| CN114418191A (zh) * | 2021-12-21 | 2022-04-29 | 浙江永基智能科技有限公司 | 高速公路摄像设备状态预测及故障预警方法、相关装置 |
| CN114166509A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 一种电机轴承故障预测方法 |
| CN117032120A (zh) * | 2023-08-16 | 2023-11-10 | 广东超级龙节能环保科技有限公司 | 集成一体式空压站智能云控制***及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990435A (zh) | 一种长短时记忆网络电站风机故障预警方法及*** | |
| CN111798051B (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
| CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN106250988B (zh) | 基于样本特性的相关向量回归增量学习算法及*** | |
| CN107725283A (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
| CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
| CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
| CN114676822B (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
| CN116167527B (zh) | 纯数据驱动的电力***静态安全运行风险在线评估方法 | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| Suryo et al. | Improved time series prediction using LSTM neural network for smart agriculture application | |
| CN114897103A (zh) | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 | |
| CN114166509A (zh) | 一种电机轴承故障预测方法 | |
| Ismail et al. | Adaptive neural network prediction model for energy consumption | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
| CN116882299A (zh) | 一种基于增强局部感知自注意力的动态软测量建模方法 | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
| CN116485015A (zh) | 一种基于Conv-LSTM-RA网络的空气质量指数预测方法 | |
| CN115936236A (zh) | 一种卷烟厂能耗预测方法、***、设备及介质 | |
| CN115688865A (zh) | 面向脱硫工艺烟气的长短期记忆网络工业软测量方法 | |
| CN115296298A (zh) | 一种风电场功率预测方法 | |
| CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
| Panda et al. | Forecasting temperature anomalies of planet earth: A comparative analysis of ai models | |
| Jin et al. | Research on multi-sensor information fusion algorithm of fan detection robot based on improved BP neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |