基于XGBoost-LSTM的离心泵振动趋势预测OA
针对灌区泵站离心泵振动趋势预测中存在多通道高维特征、强非线性和长短期依赖并存等问题,构建基于XGBoost-LSTM的离心泵振动多参数同步预测方法.首先利用极端梯度提升模型(XGBoost)对多源工况参数进行特征选择,再与振动参数构建时间序列样本,输入至长短时记忆神经网络模型(LSTM)中对多通道振动进行同步预测.实例验证本方法较其他传统模型的MAE降低18.1%～69%,MAPE降低17.9%～68.9%,R2 提升8.11%～71.1%,在振动剧烈波动区域的最大绝对误差降低至3.89μm.该方法提高了预测精度与稳定性,为泵站早期故障预警与预测性维护决策提供了可靠的技术支撑.
张健波;李一飞;温利伟;罗亚娟
青海民族大学土木与交通工程学院,青海 西宁 810007天津大学建筑工程学院,天津 300350||青海民族大学土木与交通工程学院,青海 西宁 810007||青海民族大学 双碳研究院,青海 西宁 810007青海民族大学土木与交通工程学院,青海 西宁 810007青海民族大学土木与交通工程学院,青海 西宁 810007
机械制造
离心泵振动趋势预测极端梯度提升模型特征选择预测性维护
《水利规划与设计》 2026 (11)
121-126,6
国家自然科学基金区域联合重点项目(U24A20599)
评论