一种基于深度迁移学习的燃气轮机故障预测诊断方法
本发明涉及燃气轮机故障诊断技术领域，更具体的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，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；S2：源域数据集和目标域数据集可迁移性分析；S3：利用源域数据集训练深度神经网络；S4：利用目标域数据集对深度神经网络进行调整；S5：利用调整后的网络实现燃气轮机故障预测诊断；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。
发明专利
CN202311653737.9
2023-12-05
CN117588312A
2024-02-23
F02C9/00(2006.01)
哈尔滨工程大学
敖冉;曹云鹏;李淑英;任得志
150001 黑龙江省哈尔滨市南岗区南通大街145号
黑龙江龙权知识产权代理有限公司
侯俊俊
黑龙江;23
1.一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：该方法包括以下步骤： 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； S2：源域数据集和目标域数据集可迁移性分析； S3：利用源域数据集训练深度神经网络； S4：利用目标域数据集对深度神经网络进行调整； S5：利用调整后的网络实现燃气轮机故障预测诊断。 2.根据权利要求1所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：所述S1具体包括以下步骤： 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； 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。 3.根据权利要求1所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：所述S2中，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。 4.根据权利要求3所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：所述S2中，采用最大均值差异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； 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： 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。 5.根据权利要求1所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：所述S3具体包括以下步骤： 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； 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； S303：利用源域数据集训练深度神经网络。 6.根据权利要求5所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：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/> 7.根据权利要求6所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：所述S4具体包括以下步骤： 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； S402：保存目标域深度神经网络输出层结构参数； S403：冻结源域数据集训练深度神经网络除输出层外其他层； 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； S405：得到目标域故障预测诊断网络模型。 8.根据权利要求7所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：所述S5具体包括以下步骤： 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； 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。 9.根据权利要求8所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：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。 10.根据权利要求9所述的一种基于深度迁移学习的燃气轮机故障预测诊断方法，其特征在于：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： SFC,FC＝GC,cor/G0C,cor (2) SFT,FC＝GT,cor/G0T,cor (3) SFPT,FC＝GPT,cor/G0PT,cor (4) SFC,EFF＝ηC/η0C (5) SFT,EFF＝ηT/η0T (6) SFPT,EFF＝ηPT/η0PT (7)。