基于LSTM网络的汽轮机转子热应力预测方法

摘要：

在电厂灵活运行期间,转子内部因温度梯度较大而产生热应力,导致转子疲劳损伤.而传统有限元分析热应力的方法无法满足实时监测的需求.研究了一种基于数据驱动的LSTM神经网络模型.模型具有从历史序列数据中学习深度信息的能力.通过多组超参数对比实验,发现在神经元数量6,单元节点28,学习率0.005,Dropout比例0.5时网络预测效果较好;在冷态启动过程下使用LSTM神经网络模型的热应力预测数据与有限元样本数据相比,RMSE为7.8740MPa,最大热应力误差9.7480MPa.结果表明,上述模型相比传统有限元计算时间大大缩短,在保证较高精度同时,也能够满足未来实时在线监测的需要.

关键词：汽轮机转子、热应力、长短期记忆、超参数

所属期刊栏目：40

分类号：TP183(自动化基础理论)

在线出版日期：2023-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：123-127,202