基于EMD-SE-LSTM模型的火电机组振动预测

在电厂中,汽轮机发生故障时通常会出现轴承振动异常的情况。为了在故障发生之前采取预防措施,准确预测汽轮机轴承振动成为预防故障的基础。然而,振动数据的强烈波动性导致了难以进行准确的预测。为解决这一问题,首先利用经验模态分解(EMD)将振动信号分解成多个分量,然后利用样本熵(SE)对这些分量进行分析,并将所得到的分量重构为趋势信号和波动信号。接着,利用具有注意力机制的长短时记忆网络(LSTM-Attention),将轴承振动相关的测点数据作为辅助变量输入,分别对趋势信号和波动信号进行预测。最后,将所得到的趋势信号和波动信号结果相叠加,得出预测的振动数据。为验证该模型的可行性和准确性,我们以西北某电厂的真实运行数据为例进行了实验。实验结果显示,所提出的模型相较于传统模型具有更小的误差。     

基于Transformer的汽轮机滚动轴承早期微弱故障检测方法研究

为了应对滚动轴承早期微弱故障的挑战本文提出了一种新的方法。该方法首先采用PCA（主成分分析）对振动信号进行特征筛选，以降低数据维度，有效地简化了振动数据的结构，增强了特征的表达力。接着，使用CEEMDAN（完全自适应噪声集合经验模态分解）算法来分解被背景噪声干扰的微弱故障振动信号，它通过在经验模态分解（EMD）的基础上引入自适应噪声，增强了对微弱特征的识别能力，有够效地分离出趋势和噪声数据，显著提高了故障诊断的准确性。最后，引入Transformer模型，进一步优化了特征的提取和表征，实现对长序列数据的高效处理，用于微弱故障特征的提取和表征。这一综合方法具有降维、噪声抑制和长序列处理等多重优势，有望在滚动轴承故障检测中取得显著成果。