基于LSTM循环神经网络的汽轮机转子表面应力预测模型

• 作者: 唐成顺 孙丹 唐威 曹世裕 李剑钊 荆建平
• 来源期刊: 中国电机工程学报
• 关键词: 有限元方法 转子表面应力 循环神经网络 长短期记忆 超参数
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 智慧汽轮机|Intelligent Steam Turbine
• 页码范围: 451-460,中插7
• 页数: 11页
• 分类号: TM62
• 语种: 中文
• DOI: 10.13334/j.0258-8013.pcsee.200626

摘要

汽轮机转子启动过程中的寿命管理与评估问题非常关注转子表面应力,而应用有限元计算应力时间代价较大,循环神经网络(recurrent neural network,RNN)可快速准确地计算预测汽轮机启动过程中转子表面应力,大大提高在线评估效率.然而传统RNN神经网络存在梯度消失或爆炸以及无法解决长时依赖的问题,影响其实际应用.针对该问题,建立了基于长短期记忆(long short-term memory,LSTM)循环神经网络的汽轮机转子表面应力预测模型.在超参数的多组实验中,发现时间步长为3、dropout比例为0.2、隐藏层单元数为6时预测精度达到最佳,验证了预测模型的合理性.通过预测模型与有限元计算模型的耗时对比,发现预测模型耗时大大缩短,验证了预测模型的高效性.对预测模型的普适性分析表明:预测模型可拓展应用于类似时序序列问题的预测中.