Сравнительная эффективность классификаторов машинного обучения при обнаружении аномалий вибрации в промышленных энергосистемах

Изучены методологии обнаружения отклонений в электростанциях комбинированного цикла посредством применения анализа сигналов вибрации и алгоритмов машинного обучения. Результаты показали, что метод случайного леса, особенно в сочетании с данными вихретоковых датчиков приближения, продемонстрировал превосходную эффективность, достигнув идеальных результатов по всем показателям. Это подчеркивает надежность алгоритма случайного леса при применении к данным вихретоковых датчиков приближения, что делает его наиболее эффективным подходом для обнаружения аномалий вибрации. Классификатор K-NN продемонстрировал удовлетворительную эффективность при применении к данным датчиков ускорения и датчики синхронизации кромки лопатки, достигнув показателей точности 0,49 и 0,52 соответственно; однако он продемонстрировал ограничения при обработке различных распределений данных, что отражено в его более низкой точности 0,44 с данными лазерных доплеровских виброметров. Машина для повышения градиента и метод опорных векторов показали неоптимальные результаты, причем машина для повышения градиента достигла максимальной точности 0,52 с данными датчиков ускорения, в то время как метод опорных векторов достиг наивысшей точности 0,49 с той же методикой. Результаты подчеркивают критическую важность выбора подходящей комбинации моделей машинного обучения и методов измерения вибрации для повышения точности обнаружения аномалий. В итоге алгоритм случайного леса хорошо подходит для сложных наборов данных с разнообразными моделями, в то время как K-NN может служить эффективной альтернативой для более простых и однородных данных.