Cet article analyse en détail l'utilisation du réseau neuronal d'apprentissage vectoriel quantitatif (LVQ) et de l'algorithme de récurrence récurrente à mémoire courte (LSTM) pour l'analyse de l'état de l'équipement de la centrale électrique. Le réseau neuronal LSTM a été utilisé pour analyser l'état du broyeur à charbon, en définissant la fonction d'activation de la dernière couche cachée du réseau neuronal LSTM comme une fonction Softmax, dont les valeurs de sortie indiquent le degré de santé de l'équipement et la probabilité d'accident, et une comparaison de l'analyse de l'état de l'équipement entre le réseau neuronal LSTM et le réseau neuronal LVQ a été réalisée. Les résultats ont montré que le modèle d'apprentissage obtenu à l'aide du réseau neuronal LSTM peut obtenir une précision de classification de l'état de l'équipement plus élevée, réduisant ainsi les taux de fausses alarmes et de faux positifs dans l'évaluation de l'état de l'équipement.

équipement de la centrale électrique; apprentissage automatique; apprentissage profond; analyse de l'état; broyeur à charbon; réseau neuronal LSTM; réseau neuronal LVQ