In diesem Artikel wird die detaillierte Verwendung des neuronalen Netzwerks des quantitativen Vektorlernens (LVQ) und des LSTM-Rekurrent-Deep-Learning-Algorithmus mit kurzer Langzeitgedächtnis (LSTM) zur Analyse des Zustands der Ausrüstung des Kraftwerks untersucht. Ein LSTM-Neuronales Netzwerk wurde zur Analyse des Zustands der Kohlemühle verwendet. Dabei wurde die letzte versteckte Schicht des LSTM-Neuronalen Netzwerks als Softmax-Funktion festgelegt, deren Ausgangswerte den Gesundheitszustand der Ausrüstung und die Unfallwahrscheinlichkeit anzeigen, und ein Vergleich der Analyse des Ausrüstungszustands zwischen dem LSTM-Neuronalen Netzwerk und dem LVQ-Neuronalen Netzwerk durchgeführt. Die Ergebnisse zeigen, dass das Training mit dem LSTM-Neuronalen Netzwerk eine höhere Genauigkeit bei der Klassifizierung des Ausrüstungszustands ermöglichen kann und somit die Fehlalarmraten und Fehlerraten bei der Zustandseinschätzung der Ausrüstung reduziert werden.

Kraftwerksausrüstung; Maschinelles Lernen; Deep Learning; Zustandsanalyse; Kohlemühle; LSTM-Neuronales Netzwerk; LVQ-Neuronales Netzwerk