許凱，富威，陳世均，孟宇龍，馬佳瑞

1.哈爾濱工程大學(xué)機(jī)電工程學(xué)院，黑龍江哈爾濱150001

2.中廣核蘇州熱工研究院有限公司，江蘇蘇州215000

3.哈爾濱工程大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，黑龍江哈爾濱150001

隨著我國社會(huì)經(jīng)濟(jì)的快速發(fā)展，我國對(duì)電力能源的需求也快速持續(xù)增長(zhǎng)。汽輪發(fā)電機(jī)作為電力系統(tǒng)的核心設(shè)備，一旦發(fā)生故障停機(jī)，將造成巨大的經(jīng)濟(jì)損失與惡劣的社會(huì)影響[1]。

在旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)方面，Raheja D等[2]提出一種基于數(shù)據(jù)融合與數(shù)據(jù)挖掘的狀態(tài)檢修(condition based maintenance，CBM)組合架構(gòu)，能夠顯示設(shè)備的總體健康狀況并制定出關(guān)鍵零部件的最佳維護(hù)方案。Basir O等[3]以D-S證明理論為依據(jù)建立發(fā)動(dòng)機(jī)模型，提出了決策優(yōu)化與信息融合系統(tǒng)性能判據(jù)，并結(jié)合多源傳感器信息實(shí)現(xiàn)了設(shè)備故障診斷。董文婷[4]提出利用機(jī)組出力相關(guān)性信息判斷風(fēng)電機(jī)組運(yùn)行健康狀態(tài)，并給出了風(fēng)電機(jī)組出力相關(guān)性分析與模糊故障Petri 網(wǎng)相結(jié)合的風(fēng)電機(jī)組運(yùn)行性能和診斷故障方法。Jinhyuk S等[5]采用振動(dòng)信號(hào)分析的方法對(duì)風(fēng)力發(fā)電機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)，根據(jù)包絡(luò)譜分析發(fā)現(xiàn)設(shè)備運(yùn)行隱患，系統(tǒng)的應(yīng)用使發(fā)電量提高了1.8%。Xie L 與Zeng J[6]提出了以KL散度(相對(duì)熵)為依據(jù)的復(fù)雜動(dòng)態(tài)系統(tǒng)早期故障監(jiān)測(cè)方法，可通過設(shè)備的運(yùn)行數(shù)據(jù)對(duì)故障進(jìn)行識(shí)別。Jiao W 等[7]采用基于局部均值分解的時(shí)頻表示方法，對(duì)轉(zhuǎn)子系統(tǒng)在不平衡、裂紋、碰摩等多種故障情況下的振動(dòng)響應(yīng)進(jìn)行了深入研究。在國內(nèi)，張德利[8]以汽輪發(fā)電機(jī)組為研究對(duì)象，對(duì)故障診斷網(wǎng)絡(luò)模型和模型知識(shí)表達(dá)進(jìn)行了深入研究，提出了基于貝葉斯網(wǎng)絡(luò)的故障診斷方法。黃乃成等[9]利用支持向量機(jī)對(duì)汽輪機(jī)組振動(dòng)信號(hào)的頻譜特征進(jìn)行故障識(shí)別，搭建的監(jiān)測(cè)系統(tǒng)可在知識(shí)庫中調(diào)取故障原因、故障影響和處理措施。程軍圣等[10]提出了局部特征尺度分解法，這種方法能夠自適應(yīng)地將一個(gè)復(fù)雜信號(hào)分解為若干個(gè)分量。在與經(jīng)驗(yàn)?zāi)B(tài)分解方法的對(duì)比中，局部特征尺度分解法在端點(diǎn)效應(yīng)、迭代次數(shù)和分解時(shí)間等方面上都要優(yōu)于前者，并且經(jīng)過幾年的實(shí)踐努力，成功地應(yīng)用在滾動(dòng)軸承與齒輪箱的故障診斷上[11-12]。劉海蘭等[13]對(duì)時(shí)域平均技術(shù)和Hilbert-Huang 變換的時(shí)頻熵理論及實(shí)驗(yàn)進(jìn)行了深入研究，利用齒輪箱工作時(shí)產(chǎn)生的振動(dòng)信號(hào)實(shí)現(xiàn)對(duì)故障的診斷。李敏通等[14]針對(duì)柴油機(jī)故障，用經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)獲取的振動(dòng)信號(hào)進(jìn)行分解，利用時(shí)頻特征參數(shù)構(gòu)建出柴油機(jī)工作狀態(tài)特征向量，并基于支持向量機(jī)對(duì)實(shí)測(cè)的柴油機(jī)故障進(jìn)行診斷。雷亞國等[15-16]結(jié)合機(jī)械大數(shù)據(jù)的特點(diǎn)對(duì)深度學(xué)習(xí)在狀態(tài)監(jiān)測(cè)中的應(yīng)用進(jìn)行了研究，提出了基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法，并通過實(shí)驗(yàn)驗(yàn)證了這種監(jiān)測(cè)方法的準(zhǔn)確性。黃鄭等[17]采用基于多模型魯棒輸入型神經(jīng)網(wǎng)絡(luò)協(xié)同的故障診斷方法，完成了燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組故障診斷，并通過實(shí)驗(yàn)表明診斷精度要比單一模型方法更高。

隨著信息技術(shù)的快速發(fā)展，更多的狀態(tài)監(jiān)測(cè)方法被提出并推廣應(yīng)用，其中健康預(yù)測(cè)技術(shù)的研究?jī)r(jià)值隨著機(jī)械設(shè)備的日趨復(fù)雜而逐漸凸顯[18-19]。潘作為[20]提出小波和分形結(jié)合的故障特征提取方法，針對(duì)實(shí)測(cè)信號(hào)干擾噪聲強(qiáng)導(dǎo)致故障特征提取效果不明顯等問題具有重要作用。Ahmad A 等[21]提出了一種基于數(shù)據(jù)流的設(shè)備故障預(yù)測(cè)系統(tǒng)，并與線性回歸預(yù)測(cè)方法進(jìn)行了測(cè)試比較，取得了較好的預(yù)測(cè)效果。胡海峰等[22]利用隱半馬爾可夫模型(hidden semi-Markov model，HSMM)進(jìn)行故障診斷和預(yù)測(cè)，針對(duì)傳統(tǒng)HSMM建模算法的缺點(diǎn)，引入快速遞推算法進(jìn)行改進(jìn)，并將改進(jìn)后的算法成功應(yīng)用到直升機(jī)齒輪箱軸承的故障診斷與壽命預(yù)測(cè)中。杜樂[23]以數(shù)控機(jī)床的盤式刀庫自動(dòng)換刀系統(tǒng)為研究對(duì)象，分析盤式刀庫典型故障并搭建監(jiān)測(cè)系統(tǒng)架構(gòu)，提出了基于ARMA 模型的故障預(yù)測(cè)方法?？纶S等[24]將故障預(yù)測(cè)與健康管理（prognostics and health managemen，PHM）技術(shù)應(yīng)用于船舶柴油機(jī)，并提出了系統(tǒng)的實(shí)現(xiàn)路線。

1 學(xué)習(xí)算法及其選擇

1.1 學(xué)習(xí)算法

線性回歸是數(shù)理統(tǒng)計(jì)在機(jī)器學(xué)習(xí)領(lǐng)域進(jìn)一步發(fā)展的產(chǎn)物，作為最基礎(chǔ)的機(jī)器學(xué)習(xí)算法之一，其基本原理雖然簡(jiǎn)單，但是包含概率論、微積分等多種數(shù)據(jù)處理方法。隨著線性回歸算法在各領(lǐng)域應(yīng)用的不斷推廣深入，相關(guān)學(xué)者提出多種函數(shù)模型與求解方法以適應(yīng)新的運(yùn)算環(huán)境，并滿足更高的數(shù)據(jù)分析精度要求。

人工神經(jīng)網(wǎng)絡(luò)是在數(shù)據(jù)處理原理上對(duì)人腦神經(jīng)網(wǎng)絡(luò)的抽象模擬，可以解決數(shù)據(jù)分析中的分類和回歸問題。LSTM 神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)中的一種，是循環(huán)神經(jīng)網(wǎng)絡(luò)的深度改進(jìn)版本，它較為有效地解決了循環(huán)神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中的梯度問題。

1.2 算法實(shí)現(xiàn)與效果對(duì)比

機(jī)器學(xué)習(xí)在實(shí)現(xiàn)的過程中會(huì)遇到各種問題，任何問題的產(chǎn)生均會(huì)對(duì)建立模型的分析預(yù)測(cè)精度產(chǎn)生巨大的影響。通過統(tǒng)計(jì)學(xué)習(xí)大量數(shù)據(jù)獲得的預(yù)測(cè)模型經(jīng)常會(huì)出現(xiàn)欠擬合或過擬合的問題。欠擬合主要是由于選用的算法模型結(jié)構(gòu)過于簡(jiǎn)單，沒能在統(tǒng)計(jì)學(xué)習(xí)中分析出訓(xùn)練數(shù)據(jù)的內(nèi)在聯(lián)系關(guān)系，導(dǎo)致預(yù)測(cè)模型對(duì)于訓(xùn)練數(shù)據(jù)的擬合精度很差；過擬合是過度解讀訓(xùn)練數(shù)據(jù)內(nèi)在聯(lián)系，將訓(xùn)練數(shù)據(jù)局部聯(lián)系特征按照參數(shù)整體特征規(guī)律去學(xué)習(xí)，導(dǎo)致對(duì)那些不具有訓(xùn)練數(shù)據(jù)局部特征的其他同類別數(shù)據(jù)樣本的擬合精度變差。

為了有效避免上述情況的發(fā)生，在算法實(shí)現(xiàn)過程中以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理為模型設(shè)計(jì)搭建原則，以同一個(gè)含有各類型狀態(tài)參數(shù)的長(zhǎng)時(shí)間數(shù)據(jù)樣本為分析依據(jù)，以PyCharm 為程序編寫平臺(tái)完成算法運(yùn)行程序的編寫與調(diào)試運(yùn)行，2種算法均以汽輪發(fā)電機(jī)定子繞組冷卻水入口水溫作為預(yù)測(cè)參數(shù)，最終對(duì)獲得的2個(gè)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。線性回歸算法的參數(shù)預(yù)測(cè)結(jié)果如圖1所示。

圖1 線性回歸預(yù)測(cè)結(jié)果

圖中顯示的是驗(yàn)證樣本中前50 h 數(shù)據(jù)的實(shí)際溫度曲線與預(yù)測(cè)溫度曲線。從圖中可以看出，預(yù)測(cè)誤差在1℃左右，最大溫差約為2℃，模型預(yù)測(cè)誤差率總體控制在5%以內(nèi)，預(yù)測(cè)效果較為良好。

LSTM 神經(jīng)網(wǎng)絡(luò)的參數(shù)預(yù)測(cè)結(jié)果如圖2所示。

圖2 LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖中顯示的是驗(yàn)證樣本中前100 h 內(nèi)數(shù)據(jù)的實(shí)際溫度曲線與預(yù)測(cè)溫度曲線，基本處于上方的曲線為預(yù)測(cè)溫度曲線，另一條曲線表示冷卻水的實(shí)際溫度。在圖2(a)中能夠看到整體的預(yù)測(cè)效果很好；從圖2(b)中能夠看出預(yù)測(cè)誤差在0.3℃左右，最大預(yù)測(cè)誤差約為0.8 ℃，模型預(yù)測(cè)誤差率整體控制在2%以內(nèi)，預(yù)測(cè)效果十分優(yōu)秀。

經(jīng)過2種算法預(yù)測(cè)結(jié)果的分析對(duì)比可知，在汽輪發(fā)電機(jī)狀態(tài)參數(shù)預(yù)測(cè)方面，LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度要明顯高于線性回歸。在現(xiàn)實(shí)生產(chǎn)中，汽輪發(fā)電機(jī)的狀態(tài)參數(shù)之間會(huì)存在一定的聯(lián)系，但這無法用線性表示出來，并且即使監(jiān)測(cè)樣本包含的數(shù)據(jù)種類再多，也難以涵蓋所有與預(yù)測(cè)參數(shù)有關(guān)的數(shù)據(jù)信息。LSTM 神經(jīng)網(wǎng)絡(luò)能更有效地處理長(zhǎng)時(shí)序問題，深入分析數(shù)據(jù)樣本內(nèi)隱含的關(guān)聯(lián)特征。所以在理論上，LSTM 神經(jīng)網(wǎng)絡(luò)會(huì)比線性回歸更加適合汽輪發(fā)電機(jī)狀態(tài)監(jiān)測(cè)與預(yù)測(cè)分析，這與實(shí)際預(yù)測(cè)結(jié)果分析得出的結(jié)論相同。

2 狀態(tài)監(jiān)測(cè)系統(tǒng)的搭建

2.1 預(yù)測(cè)模型的構(gòu)建流程

在確定了選用算法之后，為了使健康預(yù)測(cè)模型能較好地融入到后續(xù)的發(fā)電機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)，需要對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行進(jìn)一步的優(yōu)化，構(gòu)建出推廣性良好的汽輪發(fā)電機(jī)健康預(yù)測(cè)模型，其構(gòu)建流程如圖3所示。

圖3 LSTM 神經(jīng)網(wǎng)絡(luò)健康預(yù)測(cè)模型構(gòu)建流程

原始數(shù)據(jù)樣本讀入后需要進(jìn)行預(yù)處理，在消除噪聲成分與無效數(shù)據(jù)的同時(shí)，將整體數(shù)據(jù)樣本按照3︰1︰1的比例劃分為訓(xùn)練樣本、驗(yàn)證樣本和測(cè)試樣本。訓(xùn)練模型就是確定各個(gè)網(wǎng)絡(luò)變量的過程，變量主要包括各層級(jí)權(quán)重、偏置、dropout 參數(shù)等。其中dropout 參數(shù)的作用為隨機(jī)失活，這種方法能實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的正則化，進(jìn)而降低模型的整體結(jié)構(gòu)風(fēng)險(xiǎn)。當(dāng)模型訓(xùn)練完成后，用驗(yàn)證樣本對(duì)模型的正確率進(jìn)行驗(yàn)證，如果合格則可以進(jìn)一步對(duì)測(cè)試樣本進(jìn)行分析，并顯示出最終的預(yù)測(cè)結(jié)果；如果不合格則需要修改模型參數(shù)，直至模型在驗(yàn)證環(huán)節(jié)得出的正確率合格為止?？梢孕薷牡哪Ｐ蛥?shù)主要有學(xué)習(xí)率、批量尺寸、訓(xùn)練迭代次數(shù)等，模型參數(shù)的設(shè)置將直接影響網(wǎng)絡(luò)整體結(jié)構(gòu)的運(yùn)行狀態(tài)與最終構(gòu)建模型的數(shù)據(jù)預(yù)測(cè)分析效果，經(jīng)過多次嘗試最終確定的神經(jīng)網(wǎng)絡(luò)參數(shù)：學(xué)習(xí)率為0.0006；批量尺寸為200；訓(xùn)練迭代30次。

2.2 系統(tǒng)監(jiān)測(cè)結(jié)果

預(yù)測(cè)模型首先得出的是汽輪發(fā)電機(jī)的一個(gè)或幾個(gè)運(yùn)行狀態(tài)參數(shù)的預(yù)測(cè)值，之后根據(jù)這些預(yù)測(cè)的狀態(tài)參數(shù)對(duì)汽輪發(fā)電機(jī)整體或某關(guān)鍵部件的健康程度進(jìn)行評(píng)估。預(yù)測(cè)參數(shù)將以該狀態(tài)參數(shù)的正常范圍與報(bào)警閾值作為評(píng)估依據(jù)，當(dāng)預(yù)測(cè)參數(shù)在正常范圍內(nèi)時(shí)可判斷為正常狀態(tài)；當(dāng)預(yù)測(cè)參數(shù)接近報(bào)警閾值時(shí)則會(huì)判斷健康程度處于下降趨勢(shì)。最終獲得的汽輪發(fā)電機(jī)健康預(yù)測(cè)結(jié)果將會(huì)以百分比的形式表示，默認(rèn)60%以下為故障狀態(tài)，具體狀態(tài)參照指標(biāo)也可根據(jù)專家意見進(jìn)行修改。

為檢驗(yàn)基于LSTM神經(jīng)網(wǎng)絡(luò)的狀態(tài)監(jiān)測(cè)系統(tǒng)對(duì)汽輪發(fā)電機(jī)的運(yùn)行監(jiān)測(cè)效果，分別以在2種不同工作狀態(tài)下測(cè)得的狀態(tài)參數(shù)為分析依據(jù)，系統(tǒng)得出的監(jiān)測(cè)結(jié)果如圖4所示。

圖4 狀態(tài)監(jiān)測(cè)系統(tǒng)運(yùn)行參數(shù)分析結(jié)果

由2種工況下運(yùn)行狀態(tài)參數(shù)的分析結(jié)果可以看出：工況1的汽輪發(fā)電機(jī)健康監(jiān)測(cè)結(jié)果為96.719%，此時(shí)機(jī)組處于正常的工作狀態(tài)；而汽輪發(fā)電機(jī)在工況2的健康監(jiān)測(cè)結(jié)果為36.956%，并且結(jié)合其他狀態(tài)參數(shù)的變化趨勢(shì)，如發(fā)電機(jī)軸瓦溫度持續(xù)升高、發(fā)電機(jī)轉(zhuǎn)軸振動(dòng)加劇等，可以判斷出此時(shí)機(jī)組處于故障狀態(tài)。

基于LSTM 神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)，以汽輪發(fā)電機(jī)當(dāng)前運(yùn)行狀態(tài)參數(shù)為分析依據(jù)，運(yùn)算出旋轉(zhuǎn)機(jī)組的關(guān)鍵狀態(tài)參數(shù)預(yù)測(cè)結(jié)果，進(jìn)而實(shí)現(xiàn)汽輪發(fā)電機(jī)健康監(jiān)測(cè)分析結(jié)果。為現(xiàn)場(chǎng)工作人員快速掌握汽輪發(fā)電機(jī)或某關(guān)鍵部件的運(yùn)行情況提供有效的參考信息，并對(duì)相關(guān)設(shè)備的日常運(yùn)行維護(hù)、故障維修進(jìn)行指導(dǎo)，實(shí)現(xiàn)預(yù)測(cè)性維護(hù)。

3 系統(tǒng)監(jiān)測(cè)結(jié)果的驗(yàn)證分析

3.1 振動(dòng)信號(hào)的特征提取

為了進(jìn)一步驗(yàn)證汽輪發(fā)電機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)分析結(jié)果的準(zhǔn)確性，現(xiàn)采用振動(dòng)信號(hào)分析這種較為傳統(tǒng)的旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)方法，從前文所用2種工作狀態(tài)下的狀態(tài)參數(shù)中提取出振動(dòng)信號(hào)作為分析依據(jù)。

經(jīng)過預(yù)處理后的振動(dòng)信號(hào)，還需要進(jìn)行信號(hào)分析等處理方法，將信號(hào)特征提取出來，并對(duì)各個(gè)特征參數(shù)指標(biāo)進(jìn)行分析，最終才能得出可靠的狀態(tài)監(jiān)測(cè)結(jié)果。

采用快速傅里葉變換進(jìn)行頻域處理，以預(yù)處理后2工況振動(dòng)信號(hào)為分析樣本，在MATLAB軟件中編寫程序并完成運(yùn)算，獲得的頻譜圖如圖5所示。

圖5 振動(dòng)信號(hào)頻域分析結(jié)果

工況1振動(dòng)信號(hào)的主要頻率為50 Hz，與發(fā)電機(jī)轉(zhuǎn)子轉(zhuǎn)速頻率相同，同時(shí)其他頻率上對(duì)應(yīng)的幅度基本為零，僅在倍頻位置存在較高幅值。此時(shí)轉(zhuǎn)軸運(yùn)行比較平穩(wěn)，無異常沖擊振動(dòng)產(chǎn)生，汽輪發(fā)電機(jī)總體運(yùn)行狀態(tài)良好。工況2振動(dòng)信號(hào)的各頻率振幅均有所上升，其中低倍頻成分突變最為明顯，1/2轉(zhuǎn)速頻率25 Hz 成為除轉(zhuǎn)速頻率50 Hz外振幅最大的頻率成分，同時(shí)100、150 Hz 等高倍頻振幅也有不同程度的增長(zhǎng)，轉(zhuǎn)子的動(dòng)態(tài)平衡被打破，振動(dòng)沖擊加劇，可以判斷出工況2下汽輪發(fā)電機(jī)為故障狀態(tài)。

3.2 結(jié)果的對(duì)比分析

基于LSTM神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)對(duì)2種工況狀態(tài)參數(shù)的分析結(jié)論與傳統(tǒng)的振動(dòng)信號(hào)分析方法得出的狀態(tài)監(jiān)測(cè)結(jié)果基本相同，并且這些狀態(tài)分析結(jié)果均與從現(xiàn)場(chǎng)工作人員了解到的汽輪發(fā)電機(jī)實(shí)際運(yùn)行情況相吻合。

雖然本文采用振動(dòng)信號(hào)分析的方法對(duì)基于LSTM 神經(jīng)網(wǎng)絡(luò)的狀態(tài)監(jiān)測(cè)系統(tǒng)進(jìn)行了結(jié)果的對(duì)比驗(yàn)證，但是相較于傳統(tǒng)的分析方法，LSTM神經(jīng)網(wǎng)絡(luò)對(duì)汽輪發(fā)電機(jī)狀態(tài)參數(shù)的分析處理還是具有無法替代的優(yōu)勢(shì)。振動(dòng)信號(hào)分析主要是對(duì)當(dāng)前的設(shè)備狀態(tài)進(jìn)行監(jiān)測(cè)，一旦發(fā)生故障，所處理分析的信號(hào)也是故障發(fā)生之后產(chǎn)生的異常信號(hào)，并不能實(shí)現(xiàn)設(shè)備狀態(tài)的長(zhǎng)時(shí)預(yù)測(cè)。而運(yùn)用LSTM神經(jīng)網(wǎng)絡(luò)的狀態(tài)監(jiān)測(cè)方法，能夠從大量的監(jiān)測(cè)數(shù)據(jù)中找到內(nèi)部聯(lián)系，實(shí)現(xiàn)對(duì)運(yùn)行狀態(tài)趨勢(shì)的預(yù)測(cè)或判斷，可實(shí)現(xiàn)對(duì)漸發(fā)性故障的監(jiān)測(cè)識(shí)別，用于指導(dǎo)設(shè)備的日常維護(hù)，顯著降低故障的發(fā)生概率。

4 結(jié)論

本文設(shè)計(jì)搭建出了基于LSTM神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)。

1)對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行了篩選，對(duì)比分析了線性回歸算法和LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)汽輪發(fā)電機(jī)某狀態(tài)參數(shù)的預(yù)測(cè)效果，結(jié)果證明LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度更高。

2)在監(jiān)測(cè)系統(tǒng)搭建的過程中，設(shè)計(jì)規(guī)劃了基于LSTM神經(jīng)網(wǎng)絡(luò)健康預(yù)測(cè)模型的構(gòu)建流程，完成了關(guān)鍵參數(shù)的設(shè)置，并得出了健康監(jiān)測(cè)結(jié)果。

3)為了保證監(jiān)測(cè)系統(tǒng)分析結(jié)果準(zhǔn)確無誤，采用振動(dòng)信號(hào)分析的方法對(duì)汽輪發(fā)電機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)，并將得出結(jié)論與監(jiān)測(cè)系統(tǒng)的分析結(jié)果進(jìn)行對(duì)比驗(yàn)證。

基于LSTM 神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)與結(jié)論驗(yàn)證，對(duì)后續(xù)的大型旋轉(zhuǎn)機(jī)械運(yùn)行狀態(tài)監(jiān)測(cè)研究具有一定的參考價(jià)值。