首页|基于深度学习的燃气发电机组剩余寿命预测

基于深度学习的燃气发电机组剩余寿命预测

Residual life prediction of gas generator set based on deep learning

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
为了保障油气站场关键设备随运行年限增加的安全稳定运行,减少安全生产事故,同时,提高检维修效率降低运行成本,基于深度学习模型与遗传优化算法,针对油气站场的燃气发电机组提出一种新的剩余寿命预测模型.首先,对油气站场采集的燃气发电机组运行工况数据进行预处理,利用主成分分析(PCA)算法分析主成分多维传感器特征,提取出信号主成分作为特征输入;利用一维转置卷积(TransConv1D)与长短期记忆(LSTM)网络构建深度学习剩余寿命预测模型进行训练;针对模型训练过程中特征堆叠冗余的问题,利用量子遗传算法(QGA)优化模型的2个超参数;通过实例验证并与传统方法进行对比分析.结果表明:相比于传统模型,提出的剩余寿命预测模型预测结果的平均绝对误差(MAE)与均方根误差(RMSE)分别降低2.46％与7.85％.所提模型预测误差更小,能够更加准确地预测燃气发电机组的剩余寿命.

gas engine generator setresidual life predictiondeep learningquantum genetic algorithm(QGA)oil and gas station

林青、姚俊名、梁伟、杨放、廖春燕、王有春

展开 >

中油国际管道有限公司,北京 102249

中国石油大学(北京)安全与海洋工程学院,北京 102249

应急管理部油气生产安全与应急技术重点实验室,北京 102249

燃气发电机组 剩余寿命预测 深度学习 量子遗传算法(QGA) 油气站场

中国石油天然气集团有限公司合作项目

DNY-2022-HT-26

2023

10.16265/j.cnki.issn1003-3033.2023.09.0231

中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
年,卷(期)：2023.33(9)
  • 16