В данной статье подробно анализируется использование нейронной сети обучения векторного количества (LVQ) и алгоритма глубокого рекуррентного обучения с длинной краткосрочной памятью (LSTM) для анализа состояния оборудования электростанции. Была использована нейронная сеть LSTM для анализа состояния угольного мельницы, при этом последний скрытый слой нейронной сети LSTM был установлен как функция Softmax, чьи выходные значения показывают степень здоровья состояния оборудования и вероятность возникновения аварии, и проведено сравнение анализа состояния оборудования между нейронной сетью LSTM и нейронной сетью LVQ. Результаты показали, что обученная модель, полученная с использованием нейронной сети LSTM, может обеспечить более высокую точность классификации состояния оборудования, уменьшив при этом отношение ложноотрицательных и ложноположительных результатов в оценке состояния оборудования.

оборудование электростанции; машинное обучение; глубокое обучение; анализ состояния; угольная мельница; нейронная сеть LSTM; нейронная сеть LVQ