在火電廠中,風(fēng)機(jī)的故障通常會(huì)引起風(fēng)機(jī)振動(dòng)幅值異常,因此對(duì)風(fēng)機(jī)振動(dòng)趨勢(shì)的準(zhǔn)確預(yù)測(cè)可以有效降低風(fēng)機(jī)故障發(fā)生概率。由于原始的風(fēng)機(jī)振動(dòng)數(shù)據(jù)具有較強(qiáng)的隨機(jī)性和波動(dòng)性,傳統(tǒng)預(yù)測(cè)方法很難直接進(jìn)行有效預(yù)測(cè),因此需要對(duì)原始風(fēng)機(jī)振動(dòng)數(shù)據(jù)進(jìn)行預(yù)處理,并應(yīng)用先進(jìn)的機(jī)器學(xué)習(xí)算法來(lái)進(jìn)一步提高風(fēng)機(jī)振動(dòng)預(yù)測(cè)精度。該文采用完備經(jīng)驗(yàn)?zāi)B(tài)分解(complete ensemble empirical mode decomposition adaptive noise, CEEMDAN)對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,將原始振動(dòng)數(shù)據(jù)分解為一系列固態(tài)模量(intrinsic mode function,IMF),從而降低原始振動(dòng)信號(hào)的非平穩(wěn)性。其次使用經(jīng)過(guò)鯨魚(yú)算法(whale optimization algorithm, WOA)優(yōu)化的極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)來(lái)預(yù)測(cè)所有IMF序列。最后將所有IMFS預(yù)測(cè)結(jié)果疊加得到最終預(yù)測(cè)值。為評(píng)估模型的預(yù)測(cè)性能,該研究采集某火電廠風(fēng)機(jī)機(jī)組的振動(dòng)數(shù)據(jù)進(jìn)行多組對(duì)比試驗(yàn)。結(jié)果表明,該文提出的模型SSE平均降低39.58%,RMSE平均降低31.73%,驗(yàn)證CE...

【文章頁(yè)數(shù)】：7 頁(yè)


本文編號(hào)：4003015