CEEMDAN-WOA-ELM模型风机振动趋势预测

发布时间：2024-07-07 02:32

　　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CE...

【文章页数】：7 页


本文编号：4003015