Auf der Basis der Vibrationen der Kohlemühle eines 1.000-MW-Kohlekraftwerks als Objekt der Soft-Messung wurde ein Modell für die Vibrationen der Kohlemühle entwickelt, das die Rekonstruktion des Phasenraums und die Extreme Learning Machine (ELM) kombiniert, und der Effekt der Vorhersage der Vibrationen der Mühle mit und ohne Informationen über die Kohle verglichen wurde. Dieses Modell berücksichtigt viele Betriebsparameter der Kohlemühle und Änderungen der Kohlesorten, indem die Rekonstruktion des Phasenraums zur Rekonstruktion der Vibrationsintensität in eine Matrix der Dimension m mit einer Verzögerung von τ verwendet wird, wobei die ersten m-1 Dimensionen mit anderen Parametern kombiniert werden, um die Eingangsmatrix der ELM zu bilden, und wobei die m-te Dimension als Ausgang verwendet wird. Die Testergebnisse zeigen, dass der durchschnittliche relative Fehler der Vorhersage der Mühlevibrationen 6,27% beträgt, was besser ist als bei traditionellen ELM- und Support-Vektor-Maschinen (SVM)-Modellen; und die Informationen über die Kohlesorten beeinflussen die Vibrationen der Mühle.

Vibrationen der Kohlemühle; ELM; Rekonstruktion des Phasenraums; viele Betriebsparameter; Änderung der Kohlesorten; sanfte Messung