针对二次风机状态监测故障的预警问题,提出了一种基于混沌向量加权平均(chaos weighted mean of vectors, CINFO)算法的长短期记忆(long short-term memory, LSTM)网络多输出回归方法。首先,使用Spearman相关系数分析方法筛选出与二次风机轴承温度、二次风机轴承振动相关性系数较高的特征参数,对输入数据进行降维。然后,通过CINFO确定多输出LSTM网络的最优超参数,提高了神经网络的预测精度。随后,根据序贯概率比检验(sequential probability ratio test, SPRT)法确定了设备的故障阈值。最后,将选定的特征参数作为CINFO-LSTM网络的输入,使用序贯概率比检验法实现了二次风机的故障预警。实验结果验证了该方法的可行性和有效性。
针对受非零均值高斯噪声干扰的双率Hammerstein输出误差系统,提出一种基于偏差补偿的递推最小二乘(bias compensation based recursive least squares, BCRLS)辨识算法。首先,利用多项式变换技术将目标系统转换为可直接采用双率采样数据进行辨识的模型,并利用递推最小二乘(recursive least squares, RLS)算法进行辨识。其次,为了对RLS算法给出的有偏参数估计进行有效补偿,在偏差补偿原理的基础上,通过引入非奇异矩阵和扩展信息向量求解偏差项中的参数,推导得到BCRLS辨识算法。最后,通过数值仿真实验表明,BCRLS算法能够获得双率Hammerstein输出误差系统的无偏参数估计;且具有较强的鲁棒性,其辨识精度不容易受到噪声均值和方差变化的影响。