摘要详情

ID / 提交时间

22 / 2024-05-30 19:42:29

标题

Short term Forecasting for Safety Performance Parameters of Marine Supercharged Boilers Based on Neural networks

关键字

Neural networks,Feature engineering,Trend forecast,Health management,Deep learning

主题及专题

TRACK 1: SAFETY & RISK

状态

摘要录用

作者

Shengchao Jiang / Harbin Engineering University；College of Power and Energy Engineering

摘要

摘要

增压锅炉技术成熟，可靠性高，是大型远洋船舶电厂的首选。然而，增压锅炉中的大多数设备在高温高压的复杂环境中运行，切换运行条件会导致过热蒸汽温度、转鼓压力、转鼓水位等安全性能参数波动，容易导致故障。预测增压锅炉安全性能参数的变化趋势，可以有效地告警故障，有助于实现稳健的系统控制。然而，由于增压锅炉结构复杂、设备众多，基于机理模型的健康管理方法实施困难重，泛化性能较差。基于深度学习的增压锅炉安全性能参数趋势预测方法，能够及时检测设备安全隐患，助力控制系统实现船舶安全稳定运行。

本文提出了一种基于神经网络的高级数据驱动建模框架。为了检验变负荷过程中趋势预测模型的预测能力，利用增压锅炉实验平台开展了负荷切换操作实验，收集了变负荷过程中的运行数据。经过数据预处理和数据特征工程，筛选出适合本研究的参数及其数据，并将其绘制成数据集，以便有效收集增压锅炉运行数据。为了克服外部噪声和非平稳性的挑战，本文引入了局部加权回归（LWR）和差分方法来提高模型性能。卷积神经网络（CNN）和长短期记忆网络（LSTM）已被证明是神经网络建模的实用选择。将处理后的数据输入神经网络模型进行训练，并将测试集数据的趋势预测性能绘制成图像。在同一图像中比较使用特征选择和微分、仅使用微分而不进行特征选择以及既不使用特征选择也不使用微分的结果。同时，采用不同的误差指标进行评价，通过比较选择最优解作为最终趋势预测解。

建立增压锅炉主蒸汽温度（MST）、汽包压力（DP）和电蒸汽液位（DL）三个安全指标的短期预测模型。CNN和LSTM在这项研究中都表现良好。然而，从计算成本的角度来看，CNN模型的表现优于LSTM模型。这些模型在包含多个动态过程的真实数据集上表现出优异的性能：基于多特征工程技术和深度学习方法的三参数趋势预测模型在测试集上表现良好：过热蒸汽温度预测模型的平均预测误差为0.0041%，汽包压力预测模型的预测误差为0.0355%，汽包水位预报模型的预报误差为0.0221%。同时使用特征选择和差异的模型具有最佳预测结果，如下所示d 仅通过差值，不使用差值和特征选择的模型具有最差的预测。该结果可以预测未来的 60 个时间步长，并分析神经网络模型对异常值的敏感性。

结果表明，在数据量大、预测范围和精度要求较高的情况下，CNN被认为在时间序列预测任务中具有优于LSTM神经网络模型的性能。然而，特征选择和区分对安全性能参数的趋势预测具有显著的改善作用。分析最佳预测方案并将其用作最终预测方案。所提出的框架和方法可以作为船舶电力系统中小型增压锅炉预测和建模的优先解决方案。

关键词：神经网络;特征工程;趋势预测;健康管理;深度学习