發(fā)布時間：2024-07-07 02:32

　　在火電廠中,風機的故障通常會引起風機振動幅值異常,因此對風機振動趨勢的準確預(yù)測可以有效降低風機故障發(fā)生概率。由于原始的風機振動數(shù)據(jù)具有較強的隨機性和波動性,傳統(tǒng)預(yù)測方法很難直接進行有效預(yù)測,因此需要對原始風機振動數(shù)據(jù)進行預(yù)處理,并應(yīng)用先進的機器學習算法來進一步提高風機振動預(yù)測精度。該文采用完備經(jīng)驗?zāi)�態(tài)分解(complete ensemble empirical mode decomposition adaptive noise, CEEMDAN)對原始數(shù)據(jù)進行預(yù)處理,將原始振動數(shù)據(jù)分解為一系列固態(tài)模量(intrinsic mode function,IMF),從而降低原始振動信號的非平穩(wěn)性。其次使用經(jīng)過鯨魚算法(whale optimization algorithm, WOA)優(yōu)化的極限學習機(extreme learning machine, ELM)來預(yù)測所有IMF序列。最后將所有IMFS預(yù)測結(jié)果疊加得到最終預(yù)測值。為評估模型的預(yù)測性能,該研究采集某火電廠風機機組的振動數(shù)據(jù)進行多組對比試驗。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%,驗證CE...

【文章頁數(shù)】：7 頁


本文編號：4003015