针对火电机组故障预测准确率低的问题,提出基于BERT-STAM1DCNN的火电机组故障预测模型。在预处理阶段,利用随机森林算法对原始数据进行处理,筛选重要的特征,提高故障预测准确率;利用BERT(bidirectional encoder representations from tr...针对火电机组故障预测准确率低的问题,提出基于BERT-STAM1DCNN的火电机组故障预测模型。在预处理阶段,利用随机森林算法对原始数据进行处理,筛选重要的特征,提高故障预测准确率;利用BERT(bidirectional encoder representations from transformers)模型对特征数据进行训练,并提出一种融合二次加权时空注意力机制的一维卷积神经网络(STAM1DCNN)模型,提高关键信息对预测结果的影响程度。以火电机组实际运行数据作为数据集,与其他模型相比,所提出的模型具有良好的性能和稳定性。展开更多
传统的机器学习方法在行星齿轮箱故障诊断方面存在识别率低、特征提取操作繁琐等问题。为提高行星齿轮箱的诊断效率,提出基于一维深度卷积神经网络(One-dimensional deep convolutional neural network,1-DCNN)的故障诊断方法,将原始信...传统的机器学习方法在行星齿轮箱故障诊断方面存在识别率低、特征提取操作繁琐等问题。为提高行星齿轮箱的诊断效率,提出基于一维深度卷积神经网络(One-dimensional deep convolutional neural network,1-DCNN)的故障诊断方法,将原始信号直接输入到网络中进行诊断。通过对行星齿轮箱行星轮5种故障信号进行训练验证,精度可达100%,且在诊断精度和效率上优于其他常用算法。展开更多
文摘针对火电机组故障预测准确率低的问题,提出基于BERT-STAM1DCNN的火电机组故障预测模型。在预处理阶段,利用随机森林算法对原始数据进行处理,筛选重要的特征,提高故障预测准确率;利用BERT(bidirectional encoder representations from transformers)模型对特征数据进行训练,并提出一种融合二次加权时空注意力机制的一维卷积神经网络(STAM1DCNN)模型,提高关键信息对预测结果的影响程度。以火电机组实际运行数据作为数据集,与其他模型相比,所提出的模型具有良好的性能和稳定性。
文摘传统的机器学习方法在行星齿轮箱故障诊断方面存在识别率低、特征提取操作繁琐等问题。为提高行星齿轮箱的诊断效率,提出基于一维深度卷积神经网络(One-dimensional deep convolutional neural network,1-DCNN)的故障诊断方法,将原始信号直接输入到网络中进行诊断。通过对行星齿轮箱行星轮5种故障信号进行训练验证,精度可达100%,且在诊断精度和效率上优于其他常用算法。
