10.11857/j.issn.1674-5124.2019100074
CEEMDAN-WOA-ELM模型风机振动趋势预测
在火电厂中,风机的故障通常会引起风机振动幅值异常,因此对风机振动趋势的准确预测可以有效降低风机故障发生概率.由于原始的风机振动数据具有较强的随机性和波动性,传统预测方法很难直接进行有效预测,因此需要对原始风机振动数据进行预处理,并应用先进的机器学习算法来进一步提高风机振动预测精度.该文采用完备经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)对原始数据进行预处理,将原始振动数据分解为一系列固态模量(intrinsic mode function,IMF),从而降低原始振动信号的非平稳性.其次使用经过鲸鱼算法(whale optimization algorithm,WOA)优化的极限学习机(extreme learning machine,ELM)来预测所有IMF序列.最后将所有IMFS预测结果叠加得到最终预测值.为评估模型的预测性能,该研究采集某火电厂风机机组的振动数据进行多组对比试验.结果表明,该文提出的模型SSE平均降低39.58％,RMSE平均降低31.73％,验证CEEMDAN-WOA-ELM模型具有优越的数据处理和预测能力,适用于火电厂中风机振动的趋势预测.
振动、完备经验模态分解、极限学习机、预测
46
TG659
国家能源江苏公司科技项目JSKJ-2019-01
2020-08-04（万方平台首次上网日期，不代表论文的发表时间）
共7页
146-152
