王遠(yuǎn)鑫

(中國(guó)大唐集團(tuán)科學(xué)技術(shù)研究總院有限公司華東電力試驗(yàn)研究院, 安徽 合肥 230011)

0 引言

隨著火力發(fā)電機(jī)組輔機(jī)趨向大型化，輔機(jī)設(shè)備的安全運(yùn)行直接影響到火電廠的安全生產(chǎn)[1]。輔機(jī)設(shè)備發(fā)生故障不但會(huì)影響正常的電力生產(chǎn)，甚至?xí)斐芍卮笕松韨鍪鹿?。因此?duì)輔機(jī)設(shè)備狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)對(duì)于火電廠安全生產(chǎn)具有重大意義。

根據(jù)歷史數(shù)據(jù)建立能反映設(shè)備狀態(tài)參數(shù)的預(yù)測(cè)模型，已成為國(guó)內(nèi)外學(xué)者對(duì)設(shè)備狀態(tài)監(jiān)測(cè)的主要方法之一。Tapan[2]模仿人類專家的判斷行為，對(duì)工廠的復(fù)雜狀態(tài)工作進(jìn)行評(píng)估。文獻(xiàn)[3]基于多變量分析的參數(shù)劣化分析對(duì)風(fēng)機(jī)的振動(dòng)進(jìn)行回歸。文獻(xiàn)[4]基于能量平衡和質(zhì)量平衡建立磨煤機(jī)動(dòng)態(tài)數(shù)學(xué)模型對(duì)磨入口一次風(fēng)溫、磨電流、磨出口溫度進(jìn)行回歸并驗(yàn)證。

近年來(lái)，最小二乘支持向量機(jī)因其具有小樣本、非線性、預(yù)測(cè)精度高等特點(diǎn)越來(lái)越多用于建立電站設(shè)備狀態(tài)參數(shù)預(yù)測(cè)模型。文獻(xiàn)[5]提出了一種基于最小二乘支持向量機(jī)(LS-SVM)模型狀態(tài)估計(jì)的一次風(fēng)機(jī)在線仿真分析。文獻(xiàn)[6]通過(guò)運(yùn)行數(shù)據(jù)對(duì)振動(dòng)值進(jìn)行回歸建模，對(duì)比了LS-SVM與BP神經(jīng)網(wǎng)絡(luò)回歸誤差，LS-SVM均方根誤差(RMSE)小于BP神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[7]基于LS-SVM建立具有較高的建模精度的一次風(fēng)機(jī)狀態(tài)估計(jì)的預(yù)警模型。

輔機(jī)設(shè)備狀態(tài)參數(shù)受同一時(shí)間點(diǎn)系統(tǒng)其它狀態(tài)參數(shù)影響，且參數(shù)在時(shí)間域上具有前后關(guān)聯(lián)性，因此以往僅考慮狀態(tài)參數(shù)在空間域上的關(guān)聯(lián)性不符合設(shè)備參數(shù)演變的實(shí)際規(guī)律。應(yīng)從時(shí)間和空間雙重域上提取參數(shù)特征[8]。文獻(xiàn)[9]提出了基于LSTM的交流電機(jī)系統(tǒng)故障診斷方法，具有較高的故障辨識(shí)準(zhǔn)確率。循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)模型雖然考慮了樣本時(shí)間域的關(guān)聯(lián)性，但記憶能力有限，難以提取長(zhǎng)期數(shù)據(jù)的特征。長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(LSTM)，在RNN基礎(chǔ)上，引入記憶細(xì)胞單元，可學(xué)習(xí)樣本長(zhǎng)期的時(shí)序依賴性。

本文采集的電站一次風(fēng)機(jī)正常運(yùn)行數(shù)據(jù)與x方向軸瓦振動(dòng)異常時(shí)數(shù)據(jù)，預(yù)處理后分為訓(xùn)練、測(cè)試集進(jìn)行LS-SVM、LSTM回歸訓(xùn)練，在測(cè)試集對(duì)比兩種模型均方根誤差(RMSE)，證實(shí)了LSTM在一次風(fēng)機(jī)參數(shù)回歸方面較LS-SVM具有更高回歸精度。對(duì)異常狀態(tài)x方向軸瓦振動(dòng)、y方向軸瓦振動(dòng)、自由端軸承溫度進(jìn)行LSTM回歸訓(xùn)練，計(jì)算三類參數(shù)正常狀態(tài)自適應(yīng)閾值，對(duì)比異常時(shí)數(shù)據(jù)與自適應(yīng)閾值關(guān)系，進(jìn)行一次風(fēng)機(jī)故障診斷。

1 算法模型

1.1 LS-SVM模型

支持向量機(jī)(Support Vector Machines，簡(jiǎn)稱SVM)是一種二分類模型，它的目的是尋找一個(gè)超平面來(lái)對(duì)樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題來(lái)求解。如圖1所示，SVM實(shí)現(xiàn)的即為包含一個(gè)多隱含層的感知器。

圖1 支持向量機(jī)示意圖

SVM估計(jì)模型的目標(biāo)是尋找到一個(gè)最優(yōu)函數(shù)f(x)擬合訓(xùn)練樣本，首先考慮線性回歸函數(shù)，對(duì)于給定的訓(xùn)練數(shù)據(jù)，回歸的目標(biāo)是回歸誤差盡可能小，為此，引入ε不敏感損失函數(shù)，所有訓(xùn)練樣本均在精度下ε無(wú)誤差擬合:

{(xi,yi)|i=1,2,…,n}

(1)

|yi-(wTxi+b)|≤ε

(2)

(3)

|yi-(wTxi+b)|≤ε

(4)

s.t.-(ε+ξi)≤yi-wTxi-b

(5)

(6)

(7)

(8)

將原問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題：

(9)

回歸函數(shù)為：

(10)

1.2 LSTM模型

LSTM模型基礎(chǔ)結(jié)構(gòu)圖如圖2所示，a和b表示輸入和輸出單元。M是記憶單元，通過(guò)與自身的循環(huán)連接，獲得記憶能力。圖中神經(jīng)元包括輸入門(mén)(Input Gate)、輸出門(mén)(Output Gate)和遺忘門(mén)(Forget Gate)。

圖2 LSTM模型示意圖

門(mén)控制單元接受四個(gè)輸入，分別是當(dāng)前時(shí)刻的輸入變量x(t)、前一時(shí)刻Block的輸出以及鄰接Block的輸出h(t-1)、前一時(shí)刻cell的狀態(tài)s(t-1)及自身的偏置向量bk(k=f,o,i)。每一部分對(duì)應(yīng)的輸入輸出如下。

Input Gate:

(11)

Forget Gate:

(12)

Output Gate:

(13)

(14)

記憶單元M的輸入分別來(lái)自輸入門(mén)的輸出和當(dāng)前時(shí)刻的輸入部分乘積及遺忘門(mén)的輸出與上一時(shí)刻對(duì)應(yīng)的Cell狀態(tài)的乘積；輸出門(mén)的輸出與記憶的單元的輸出相乘作為整個(gè)Block的輸出。對(duì)應(yīng)關(guān)系如下。

Cell:

(15)

(16)

Block Output:

(17)

1.3 自適應(yīng)閾值

超過(guò)預(yù)警閾值即設(shè)備發(fā)生故障，但閾值的選取標(biāo)準(zhǔn)會(huì)影響判斷結(jié)果。現(xiàn)有的故障預(yù)警研究往往選取某一一般正常狀態(tài)偏差的最大值或相似度最低值作為預(yù)警閾值。但在實(shí)際中，經(jīng)歷不同變工況階段輔機(jī)的運(yùn)行狀態(tài)會(huì)不同程度偏離正常狀態(tài)。與此同時(shí)，現(xiàn)場(chǎng)測(cè)量、傳輸過(guò)程的干擾也會(huì)引起相似度下降，因此采用原有閾值預(yù)警會(huì)造成誤報(bào)。

由切比雪夫不等式推導(dǎo)可知，對(duì)于任意具有有限均值和有限方差的隨機(jī)變量，其取值范圍為[μ-zδ,μ+zδ]，其中μ和δ分別為隨機(jī)變量的均值和方差。因此在輔機(jī)正常運(yùn)行時(shí)，可推出在N個(gè)時(shí)刻下ε的取值區(qū)間C為[εN-zδN,εN+zδN]，其中εN為N個(gè)時(shí)刻的均值，δN為N個(gè)時(shí)刻的方差。具體表達(dá)式為:

(18)

(19)

由式(18)、(19)可看出，計(jì)算N時(shí)刻的誤差均值只需用到N時(shí)刻的誤差和N-1時(shí)刻的誤差均值；計(jì)算N時(shí)刻的方差只需用N時(shí)刻的誤差，N-1時(shí)刻的方差和N-1時(shí)刻的誤差均值。

文中一次風(fēng)機(jī)數(shù)據(jù)采集自M電廠2號(hào)機(jī)組B一次風(fēng)機(jī)，該一次風(fēng)機(jī)采用雙級(jí)動(dòng)葉調(diào)節(jié)軸流風(fēng)機(jī)，型號(hào)為AP2-17/12，鍋爐最大出力(BMCR)工況設(shè)計(jì)煤種進(jìn)口體積流量104.4 m3/s，風(fēng)機(jī)全壓14 700 Pa，調(diào)節(jié)方式為液壓動(dòng)葉調(diào)節(jié)，葉片調(diào)整范圍為-30°～20°。電機(jī)型號(hào)為YKK630- 4，類型為鼠籠式異步電動(dòng)機(jī)。

2B一次風(fēng)機(jī)DCS采集的測(cè)點(diǎn)包括：一次風(fēng)機(jī)電流、一次風(fēng)機(jī)出口壓力1、一次風(fēng)機(jī)出口壓力2、一次風(fēng)機(jī)出口壓力3、一次風(fēng)機(jī)動(dòng)葉執(zhí)行機(jī)構(gòu)位置、一次風(fēng)機(jī)軸承溫度、一次風(fēng)機(jī)風(fēng)機(jī)端x方向軸瓦振動(dòng)、一次風(fēng)機(jī)風(fēng)機(jī)端y方向軸瓦振動(dòng)、負(fù)荷。各測(cè)點(diǎn)位置如圖3所示。

圖3 一次風(fēng)機(jī)測(cè)點(diǎn)示意圖

2 數(shù)據(jù)預(yù)處理與分析

由于電站數(shù)據(jù)庫(kù)的歷史數(shù)據(jù)存在壞點(diǎn)、噪聲等影響，無(wú)法保證參數(shù)的準(zhǔn)確性。如果存在錯(cuò)誤參數(shù)，會(huì)對(duì)后面的計(jì)算模型造成誤差。與此同時(shí)，部分電站測(cè)量設(shè)備因工作環(huán)境惡劣極易出現(xiàn)故障及失真問(wèn)題，因此在對(duì)數(shù)據(jù)進(jìn)行計(jì)算前必須對(duì)參數(shù)進(jìn)行預(yù)處理。

2.1 狀態(tài)判別

狀態(tài)判別是根據(jù)邏輯判斷采集數(shù)據(jù)當(dāng)前狀態(tài)。若設(shè)備狀態(tài)為GOOD，則保持原值不變；如果狀態(tài)點(diǎn)為BAD，則賦予其一特定值，特定值的選取為該點(diǎn)5 min內(nèi)的平均值。

2.2 插值處理

因設(shè)備類型存在不同，各設(shè)備采集數(shù)據(jù)長(zhǎng)度參差不齊，為建立完整、統(tǒng)一的數(shù)據(jù)集，需對(duì)數(shù)據(jù)進(jìn)行差值處理，進(jìn)而得到同樣時(shí)間點(diǎn)的完整數(shù)據(jù)。對(duì)數(shù)據(jù)處理過(guò)程中，以5 s為插值的間距，采用直線插值法，將數(shù)據(jù)補(bǔ)充完整。

2.3 數(shù)據(jù)濾波

因采集到原始數(shù)據(jù)經(jīng)插值處理后存在干擾與噪聲，需采用濾波對(duì)數(shù)據(jù)中干擾與噪聲濾除?？紤]到歷史數(shù)據(jù)為連續(xù)時(shí)間段平穩(wěn)數(shù)據(jù)集，采用中值濾波更能還原數(shù)據(jù)的真實(shí)性。

中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)處理技術(shù)，其基本原理是把數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，從而消除孤立的噪聲點(diǎn)。

2.4 數(shù)據(jù)分析

為分析各參數(shù)間關(guān)系，計(jì)算各參數(shù)標(biāo)準(zhǔn)相關(guān)系數(shù)(Standard Correlation Coefficient，也被稱作皮爾遜相關(guān)系數(shù))。

相關(guān)系數(shù)衡量隨機(jī)變量X與Y相關(guān)程度的一種方法，相關(guān)系數(shù)的取值范圍是[-1,1]。相關(guān)系數(shù)的絕對(duì)值越大，則表明X與Y相關(guān)度越高。當(dāng)X與Y線性相關(guān)時(shí)，相關(guān)系數(shù)取值為1(正線性相關(guān))或-1(負(fù)線性相關(guān))。

皮爾遜相關(guān)系數(shù)計(jì)算公式如下式所示:

(20)

各參數(shù)皮爾遜相關(guān)系數(shù)見(jiàn)表1所示。

表1 相關(guān)性較大的各參數(shù)系數(shù)表

由表1可知，與y方向軸瓦振動(dòng)相關(guān)參數(shù)相關(guān)性由大到小依次為：出口溫度>自由端軸承溫度>軸承溫度>電流>動(dòng)葉機(jī)構(gòu)執(zhí)行位置>x方向軸瓦振動(dòng)；與自由端軸承溫度相關(guān)性大小由大到小依次為：軸承溫度>出口溫度>y方向軸瓦振動(dòng)>電流>動(dòng)葉機(jī)構(gòu)執(zhí)行位置>x方向軸瓦振動(dòng)>負(fù)荷；與x方向軸瓦振動(dòng)相關(guān)的參數(shù)較少且相關(guān)性較弱，相關(guān)性大小由大到小依次為：y方向軸瓦振動(dòng)>自由端軸承溫度>軸承溫度>出口溫度>負(fù)荷。

因一次風(fēng)機(jī)故障為x方向軸瓦振動(dòng)測(cè)點(diǎn)異常，為使回歸參數(shù)能充分體現(xiàn)故障，選用自由端軸承溫度、x方向軸瓦振動(dòng)、y方向軸瓦振動(dòng)作為回歸參數(shù)。

對(duì)一次風(fēng)機(jī)的總樣本數(shù)據(jù)劃分訓(xùn)練集與測(cè)試集，且訓(xùn)練集與測(cè)試集的比例大小為4∶1。

采集數(shù)據(jù)均為一次風(fēng)機(jī)油箱油位正常時(shí)數(shù)據(jù)，故認(rèn)為油箱油位對(duì)一次風(fēng)機(jī)軸承溫度、自由端軸承溫度無(wú)明顯影響。y方向軸瓦振動(dòng)與多項(xiàng)預(yù)測(cè)參數(shù)呈現(xiàn)強(qiáng)相關(guān)性，因此首先對(duì)y方向軸瓦振動(dòng)參數(shù)進(jìn)行回歸預(yù)測(cè)，選用輸入?yún)?shù)為：出口溫度、電流、動(dòng)葉執(zhí)行機(jī)構(gòu)位置；其次對(duì)自由端軸承溫度進(jìn)行回歸預(yù)測(cè)，選用輸入?yún)?shù)為：出口溫度、回歸的y方向軸瓦振動(dòng)、電流、動(dòng)葉執(zhí)行機(jī)構(gòu)位置、負(fù)荷；最終對(duì)x反向軸瓦振動(dòng)進(jìn)行回歸預(yù)測(cè)，選用輸入?yún)?shù)為：回歸的y方向軸瓦振動(dòng)、回歸的自由端軸承溫度、出口溫度、負(fù)荷。

為防止輸入?yún)?shù)因各參數(shù)量綱不同，造成回歸時(shí)訓(xùn)練速度緩慢甚至無(wú)法收斂，對(duì)輸入?yún)?shù)進(jìn)行標(biāo)準(zhǔn)化處理，公式如下所示。

(21)

3 結(jié)果分析

3.1 LSTM與LS-SVM回歸結(jié)果對(duì)比

以5 s為時(shí)間間隔，共采集1 739條數(shù)據(jù)，其中正常運(yùn)行狀態(tài)750條，故障狀態(tài)989條。將數(shù)據(jù)集按4∶1進(jìn)行劃分，其中訓(xùn)練集數(shù)量為1 393條，測(cè)試集數(shù)量為346條。

3.1.1y方向軸瓦振動(dòng)回歸結(jié)果

在調(diào)整參數(shù)后，選用最大迭代次數(shù)(epochs)=50訓(xùn)練步長(zhǎng)(batch_size)=20，隱含層神經(jīng)元為9，Adam作為訓(xùn)練優(yōu)化算法，雙隱含層的LSTM進(jìn)行回歸訓(xùn)練，測(cè)試集回歸值與原始值對(duì)比如圖4所示。

圖4為測(cè)試集數(shù)據(jù)y方向軸瓦振動(dòng)預(yù)測(cè)回歸值與實(shí)際值對(duì)比，由圖像可看出無(wú)論正常狀態(tài)或故障狀態(tài)，預(yù)測(cè)回歸值變化趨勢(shì)與實(shí)際值變化趨勢(shì)均相同，且兩者偏差較小。為綜合評(píng)價(jià)LSTM預(yù)測(cè)回歸準(zhǔn)確性，引入均方根誤差RMSE計(jì)算公式對(duì)預(yù)測(cè)回歸值進(jìn)行計(jì)算，其大小為0.020 mm。

圖4 LSTM模型y方向軸瓦振動(dòng)測(cè)試集回歸值

LS-SVM回歸模型，存在兩個(gè)參數(shù)C與Gamma。其中C為懲罰系數(shù)，表示對(duì)誤差的容忍度。提高C值，模型誤差容忍度降低，訓(xùn)練集回歸結(jié)果與實(shí)際值越接近，但存在過(guò)擬合風(fēng)險(xiǎn)。反之減小C值，模型易出現(xiàn)欠擬合。Gamma是選擇高斯(RBF)函數(shù)作為核函數(shù)時(shí)，高斯函數(shù)自帶參數(shù)。其決定映射到新的特征空間后分布，Gamma值增大，支持向量數(shù)目越少，致使訓(xùn)練集預(yù)測(cè)結(jié)果準(zhǔn)確率提升，但對(duì)樣本的泛化能力減小，易造成過(guò)擬合。反之減小Gamma值，模型易出現(xiàn)欠擬合。

經(jīng)過(guò)調(diào)整參數(shù)，選取C=24，gamma=170作為y方向軸瓦振動(dòng)LS-SVM回歸模型參數(shù)，測(cè)試集回歸值與實(shí)際值對(duì)比如圖5所示，測(cè)試集樣本預(yù)測(cè)回歸值均方根誤差RMSE為0.047 mm。

圖5 LS-SVM模型y方向軸瓦振動(dòng)測(cè)試集回歸值

3.1.2 自由端軸承溫度回歸結(jié)果

在調(diào)整參數(shù)后，選用(epochs)=2 000，(batch_size)=12，隱含層神經(jīng)元為8的LSTM進(jìn)行回歸訓(xùn)練，測(cè)試集回歸值與訓(xùn)練值對(duì)比如圖6所示。

圖6 LSTM測(cè)試集自由端軸承溫度預(yù)測(cè)回歸值與實(shí)際值對(duì)比

圖6為測(cè)試集數(shù)據(jù)自由端軸承溫度預(yù)測(cè)回歸值與原始值對(duì)比，圖像中兩種狀態(tài)預(yù)測(cè)回歸值與實(shí)際值變化趨勢(shì)相同，個(gè)別樣本點(diǎn)差別較大，最大誤差為0.23 ℃。測(cè)試集樣本預(yù)測(cè)回歸值均方根誤差RMSE為0.068 1 ℃，較y方向軸瓦振動(dòng)預(yù)測(cè)回歸值均方根誤差有明顯增大。

經(jīng)過(guò)調(diào)整參數(shù)，選取C=0.7，gamma=100作為自由端軸承溫度LS-SVM回歸模型參數(shù)，測(cè)試集回歸值與實(shí)際值對(duì)比如圖7所示，測(cè)試集樣本預(yù)測(cè)回歸值均方根誤差RMSE為0.125 ℃。

圖7 LS-SVM測(cè)試集自由端軸承溫度預(yù)測(cè)回歸值與實(shí)際值對(duì)比

y方向軸瓦振動(dòng)、自由端軸承溫度兩種模型平均誤差RMSE對(duì)比如圖8所示。

由圖8可看出LSTM的兩參數(shù)回歸值的RMSE均小于LS-SVM，且LS-SVM兩參數(shù)回歸值的RMSE近乎為L(zhǎng)STM模型的2倍，故認(rèn)為L(zhǎng)STM較LS-SVM更適宜于一次風(fēng)機(jī)參數(shù)的回歸預(yù)測(cè)。

圖8 LS-SVM與LSTM兩種模型兩參數(shù)在測(cè)試集上均方根誤差對(duì)比

3.2 x方向軸瓦振動(dòng)測(cè)點(diǎn)異常故障診斷

基于上述兩種回歸模型對(duì)比結(jié)果，僅采用LSTM對(duì)x方向軸瓦振動(dòng)參數(shù)進(jìn)行回歸，測(cè)試集回歸結(jié)果如圖9所示。

圖9中，正常狀態(tài)區(qū)間回歸參數(shù)與原始參數(shù)較變化趨勢(shì)一致且誤差很小，異常狀態(tài)區(qū)間內(nèi)，回歸參數(shù)與原始參數(shù)發(fā)生明顯偏離。為進(jìn)一步驗(yàn)證LSTM模型對(duì)故障判別診斷，引入前文所述自適應(yīng)閾值計(jì)算三類參數(shù)LSTM回歸值自適應(yīng)閾值區(qū)間?？紤]正常狀態(tài)三類參數(shù)回歸參數(shù)與原始參數(shù)最大誤差，自適應(yīng)閾值Z的取值如表2所示。

圖9 x方向軸瓦振動(dòng)回歸值與原始值正常狀態(tài)及異常狀態(tài)曲線

表2 正常狀態(tài)三類參數(shù)自適應(yīng)閾值參數(shù)選取

三類參數(shù)的自適應(yīng)閾值區(qū)間與實(shí)際參數(shù)如圖10所示。

由圖10(c)可發(fā)現(xiàn)發(fā)生x方向軸瓦振動(dòng)測(cè)點(diǎn)異常時(shí)，原始參數(shù)已超過(guò)閾值上下限，可認(rèn)定x方向軸瓦振動(dòng)存在異常；x方向軸瓦振動(dòng)異?？赡艹霈F(xiàn)風(fēng)機(jī)轉(zhuǎn)子質(zhì)量不平衡、振動(dòng)大造成碰撞磨損、支撐剛度下降、軸承損壞等故障，如若發(fā)生上述故障，則不僅體現(xiàn)在x方向軸瓦振動(dòng)值異常，還會(huì)體現(xiàn)在y方向軸瓦振動(dòng)、自由端軸承溫度異常；對(duì)比圖(a)、(b)中正常狀態(tài)與異常狀態(tài)，可發(fā)現(xiàn)異常狀態(tài)與正常狀態(tài)兩類參數(shù)均處于閾值上下限內(nèi)，故認(rèn)為兩類參數(shù)不存在異常，僅x方向軸瓦振動(dòng)出現(xiàn)異常，故排除上述故障，僅是x方向軸瓦振動(dòng)單個(gè)測(cè)點(diǎn)出現(xiàn)異常，與實(shí)際情況相符。

(a)自由端軸承溫度閾值區(qū)間與原始參數(shù)曲線

(b)y方向軸瓦振動(dòng)閾值區(qū)間與原始參數(shù)曲線

(c)x方向軸瓦振動(dòng)閾值區(qū)間與原始參數(shù)曲線

4 結(jié)論

采集M電廠一次風(fēng)機(jī)正常狀態(tài)與x軸瓦振動(dòng)測(cè)點(diǎn)異常時(shí)DCS數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后在測(cè)試集上對(duì)自由端軸承溫度、y方向軸瓦振動(dòng)進(jìn)行LSTM模型、LS-SVM模型回歸，得到以下結(jié)論：

(1)對(duì)比回歸值均方根誤差認(rèn)為L(zhǎng)STM模型更適用于一次風(fēng)機(jī)參數(shù)回歸預(yù)測(cè)。

(2)使用LSTM對(duì)正常狀態(tài)與異常狀態(tài)數(shù)據(jù)進(jìn)行LSTM模型回歸，根據(jù)回歸值計(jì)算三類參數(shù)自適應(yīng)閾值區(qū)間結(jié)合故障自身特點(diǎn)認(rèn)為L(zhǎng)STM回歸值計(jì)算自適應(yīng)閾值區(qū)間可用于一次風(fēng)機(jī)工作狀態(tài)分析及故障診斷。