数据不完备下基于Informer的离心鼓风机故障趋势预测方法

TH17; 离心鼓风机在运行过程中,监测数据缺失会导致故障趋势预测滞后和预测精度下降.针对该问题,提出一种考虑数据不完备的离心鼓风机故障趋势预测方法.首先,基于张量分解对缺失监测数据进行填补,获得离心鼓风机的完备监测数据;其次,基于填补后的完备监测数据利用深度置信网络(DBN)构建能表征离心鼓风机健康状态的健康指标;最后使用Informer方法预测健康指标的未来走势,实现离心鼓风机的故障趋势预测.案例分析结果表明,相比缺失数据,利用填补后的数据所建立的预测模型能更早预测故障的发生,同时所提出的预测方法较Transformer、长短时记忆(LSTM)和门控循环单元(GRU)等常用传统方法预测精度...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 29; no. 1; pp. 133 - 145
Main Authors 张友, 李聪波, 林利红, 钱静, 易茜
Format Journal Article
LanguageChinese
Published 重庆大学 机械传动国家重点实验室,重庆 400044%重庆大学 机械与运载工程学院,重庆 400044 31.01.2023
Subjects
离心鼓风机
故障趋势预测
Informer方法
不完备数据
张量分解
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2023.01.012

Cover

More Information
Summary:TH17; 离心鼓风机在运行过程中,监测数据缺失会导致故障趋势预测滞后和预测精度下降.针对该问题,提出一种考虑数据不完备的离心鼓风机故障趋势预测方法.首先,基于张量分解对缺失监测数据进行填补,获得离心鼓风机的完备监测数据;其次,基于填补后的完备监测数据利用深度置信网络(DBN)构建能表征离心鼓风机健康状态的健康指标;最后使用Informer方法预测健康指标的未来走势,实现离心鼓风机的故障趋势预测.案例分析结果表明,相比缺失数据,利用填补后的数据所建立的预测模型能更早预测故障的发生,同时所提出的预测方法较Transformer、长短时记忆(LSTM)和门控循环单元(GRU)等常用传统方法预测精度更高.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.01.012