深度学习在设备部件监测的研究与应用

火电厂设备的运行状态体现在其关键部件,利用DCS采集的相关数据,通过现代化的数据建模方式,可以准确侦测关键部件运行状态的趋势。本文首先利用SPSS分析其数据分布的特点,其次通过欧式距离算法剔除异常数据,最后利用深度学习的贝叶斯正则化BP神经网络建立关键部件的状态预测模型。实践表明,预测模型的输出值与实测值相似度超过90%,完全达到火电厂运维的标准。