本发明涉及燃气轮机故障诊断,更具体地说是一种基于深度迁移学习的燃气轮机故障预测诊断方法。
背景技术:
1、燃气轮机是一种广泛应用于发电、航空和船舶等领域的重要设备,主要由压气机、燃烧室、涡轮等构成,其性能状态对运行效率和安全性至关重要。在燃气轮机运行过程中,除了遭受高温、高压、高转速等恶劣工况条件外,还可能受到外界条件的影响,其主要部件(如压气机和涡轮)会随着运行时间的增加产生各种不同模式的故障。
2、当前燃气轮机维修策略通常利用先验知识制定维修的方法,如申请专利号cn201911163311.9一种实现燃气轮机维修活动优化的方法、申请专利号cn201510240953.x一种优化燃气轮机维检修方案的分析方法。然而,该方法可能会降低设备可靠性,增加运行维护成本。故障预测诊断能够实时诊断燃气轮机状态,在没有发生重大故障前提前预警。因此,研究燃气轮机故障预测诊断具有重要意义。
3、目前大多数燃气轮机故障预测诊断通常有两种方法:(1)阈值诊断:设定健康阈值,预测燃气轮机状况是否超过阈值,判断是否发生故障。然而,该方法无法定量描述燃气轮机故障程度,仅通过阈值判断是否故障。如申请专利号cn202010786693.7基于秩次相关的因果结构图的燃气轮机故障预测方法、申请专利号cn202110576134.8一种基于混合预测的燃气轮机转子故障预警方法;(2)数据驱动:利用历史燃气轮机机组故障数据,采用数据驱动方法定量描述新投运机组的故障程度。然而,该方法大多未考虑新投运燃气轮机机组可能发生新的故障类别。如申请专利号cn202310640945.9面向燃气轮机发电装备的联邦知识融合与故障诊断方法、申请专利号cn202010925183.3一种基于知识+数据的燃气轮机气路故障预测诊断方法。
技术实现思路
1、本发明的目的在于针对现有技术的不足,提供一种科学合理、适应性强、使用价值高的燃气轮机故障预测诊断方法;
2、该方法能够通过深度迁移学习,利用历史燃气轮机机组有标签故障数据将故障知识迁移到新投运燃气轮机机组上,同时考虑新机组可能发生新的故障类别,利用新投运燃气轮机机组中已知的未覆盖标签故障数据,扩充新投运燃气轮机机组的故障知识,定量描述新投运机组中无标签数据的故障程度。
3、本发明的目的通过以下技术方案来实现:
4、一种基于深度迁移学习的燃气轮机故障预测诊断方法,该方法包括以下步骤:
5、s1:划分燃气轮机深度迁移学习的源域数据集和目标域数据集;
6、s2:源域数据集和目标域数据集可迁移性分析;
7、s3:利用源域数据集训练深度神经网络;
8、s4:利用目标域数据集对深度神经网络进行调整;
9、s5:利用调整后的网络实现燃气轮机故障预测诊断;
10、所述s1具体包括以下步骤:
11、s101:选取历史燃气轮机机组运行数据中的有标签故障数据作为源域数据集;
12、s102:选取新投运燃气轮机机组运行数据作为目标域数据集,目标域数据集中包含已知的未覆盖标签故障数据和无标签数据;
13、所述s2中,由于燃气轮机气路故障机理相似,不同故障模式间存在一定的相似度,深度迁移学习能够利用源域数据集与目标域数据集之间的相似度,使源域数据集与目标域数据集可迁移;
14、所述s2中,采用最大均值差异(maximum mean discrepancy,mmd)描述源域数据集与目标域数据集之间的相似度,最大均值差异为一种度量两个数据集之间的分布差异的非参数方法;
15、若源域数据集ds与目标域数据集dt分别服从概率分布p和q,则mmd定义如下:
16、
17、式(1)中xi来自源域数据集ds,xj来自目标域数据集dt,sup(·)是输入数据的最大值,h表示再生核希尔伯特空间(rkhs),φ(·)表示从原始特征空间到rkhs的非线性映射;rkhs足够丰富,就可以找到一个合适的距离度量。
18、所述s3具体包括以下步骤:
19、s301:将燃气轮机边界条件向量和气路可测量参数向量作为网络输入,将气路部件健康参数向量作为网络输出,建立一个深度神经网络;
20、s302:超参数优化,利用正交试验法设置深度神经网络的超参数,超参数包括:学习率、学习率下降因子、批次大小、最大训练次数、卷积层通道数和随机失活率;
21、s303:利用源域数据集训练深度神经网络;
22、所述边界条件向量和气路可测量参数向量包括:由燃气轮机环境温度t0、环境压力p0和发电功率p组成的边界条件向量由燃气轮机燃气发生器转速ng、压气机出口压力p3、动力涡轮出口温度t6和燃油量gf组成的气路可测量参数向量
23、所述s4具体包括以下步骤:
24、s401:利用目标域数据集中已知的未覆盖标签的数据训练一个目标域深度神经网络;
25、s402:保存目标域深度神经网络输出层结构参数;
26、s403:冻结源域数据集训练深度神经网络除输出层外其他层;
27、s404:将源域数据集训练深度神经网络输出层结构参数调整成目标域深度神经网络输出层结构参数;
28、s405:得到目标域故障预测诊断网络模型;
29、所述s5具体包括以下步骤:
30、s501:将目标域中无标签数据的边界条件向量和气路可测量参数向量输入进目标域故障预测诊断网络模型中;
31、s502:得到无标签数据的网络输出结果健康参数向量实现燃气轮机故障预测诊断;
32、所述健康参数向量包括:燃气轮机压气机流量性能指数sfc,fc、涡轮流量性能指数sft,fc、动力流量性能指数sfpt,fc、压气机效率性能指数sfc,eff、涡轮效率性能指数sft,eff和动力涡轮效率性能指数sfpt,eff;
33、所述压气机流量性能指数sfc,fc、涡轮流量性能指数sft,fc、动力流量性能指数sfpt,fc、压气机效率性能指数sfc,eff、涡轮效率性能指数sft,eff和动力涡轮效率性能指数sfpt,eff定义如下:
34、sfc,fc=gc,cor/g0c,cor (2)
35、sft,fc=gt,cor/g0t,cor (3)
36、sfpt,fc=gpt,cor/g0pt,cor (4)
37、sfc,eff=ηc/η0c (5)
38、sft,eff=ηt/η0t (6)
39、sfpt,eff=ηpt/η0pt。 (7)
40、本发明的有益效果为:
41、一、将历史燃气轮机机组有标签故障数据的故障知识迁移到新投运燃气轮机机组上,同时利用新投运燃气轮机机组中已知的未覆盖标签故障数据,扩充新投运燃气轮机机组的故障知识,解决了新投运燃气轮机机组可能发生新故障模式导致原诊断方法适用性不强的问题;
42、二、利用最大均值差异(maximum mean discrepancy,mmd),实现了对源域与目标域可迁移性分析;
43、三、建立了边界条件向量和气路可测量参数向量和健康参数向量之间的映射关系,用健康参数向量定量描述燃气轮机机组故障程度;
44、四、利用目标域数据对网络结构进行调整,使网络更适用于新投运燃气轮机机组的故障预测诊断中,有利于模型性能的提升;
45、五、在新投运燃气轮机机组中具有已知的未覆盖标签和无标签故障数据场景下,该方法能够实现对燃气轮机的故障预测诊断,提高故障诊断精确度。其科学合理,适用性强,工程应用价值高,可为后续燃气轮机故障诊断、运行维护等提供一定参考。