来源：期刊VIP网 时间：
作者：王远鑫;陈鸿伟;杨新;申赫男;钟凯;
单位：中国大唐集团科学技术研究院有限公司华东电力试验研究院;设备状态监测与控制教育部重点实验室(华北电力大学);河北工程大学水利水电学院;安徽大学物质科学与信息技术研究院;
摘要：磨煤机是火电机组的重要辅机之一，其运行状态对机组的稳定出力和安全运行发挥着重要影响，所以研究故障预警方法可以有效降低磨煤机的故障停机概率，提升机组的整体可靠性。结合多种深度学习方法的优势，提出了基于注意力机制的卷积神经网络-双向长短期记忆神经网络(CNN-BiLSTM)的故障预警方法。通过CNN学习数据的空间特征，通过BiLSTM学习数据的时间特征，最后通过注意力机制为提取到的时空特征根据重要度分配不同的权重，增强重要特征在计算过程中的作用，从而提升模型的预测性能。使用某660 MW火电机组的磨煤机运行数据进行验证，结果表明所提方法在正常阶段相比对比方法具有更高的预测精度，在故障阶段预测残差的上升趋势更加明显。为了进一步提升故障预警效果，引入相对熵指标对残差进行处理，实验结果表明相对熵指标解决了残差控制图的缺点，有效提升了故障预警效果和预警时间。所提方法提前33 min预警了磨煤机轴承故障。
关键词：磨煤机;;故障预警;;注意力机制;;CNN;;BiLSTM
基金资助：河北省高等学校科学技术研究项目(Z02020182);; 邯郸市科技项目(19422121008-37)
