【摘要】：燃氣輪機在工業(yè)領域應用廣泛,其結構復雜、運行環(huán)境惡劣、易發(fā)生故障。有效的故障診斷技術對保證機組安全運行,降低生命周期內維修成本具有重要意義�，F有氣路故障診斷大都面向單臺燃機,對于一臺新投運機組歷史數據不足無法建立精確的模型。而對于運行很久的燃氣輪機,積累的大量歷史數據為新投運機組的數據分析提供了一定基礎。然而同型號機組由于制造誤差、檢修時間不同等原因造成個體差異較大,對于不同型號機組功率等級不同更是無法直接利用歷史數據。因此,迫切需要一種新方法能夠有效利用歷史數據中蘊含的經驗和知識來幫助目標任務建立模型并進一步提高氣路故障診斷準確性。本文希望借助遷移學習思想解決新投運燃機有標注數據少及單機故障樣本不完備的氣路故障診斷問題。主要工作和創(chuàng)新點如下:(1)首次在群體的意義上提出新的燃機氣路故障診斷研究方向,給出機群氣路故障診斷問題形象化定義,建立了能夠正確反應機群氣路故障的仿真模型。通過仿真分析獲取數據,從機理上挖掘變工況下典型氣路故障中可平移的知識,通過比較鑒別提出適用于機群故障診斷的Finetune遷移學習方法。(2)對于新投運機組有標注數據少的場景,利用運行數據豐富的機組作為源域,基于卷積神經網絡(CNN)建立預訓練模型提取低層次故障特征,即提取不同機組之間發(fā)生故障時不受工況及環(huán)境變化影響的共性知識(健康參數變化)。之后利用Finetune方法將共享知識遷移到目標域,本文提出的方法在新投運少數據機組能夠實現精確的故障分類,比傳統(tǒng)基于數據方法效果提升明顯。遷移的重要性隨著目標域數據量增加而下降。通過對網絡逐層可視化分析每個類別的固有模式,揭示共性知識提取的合理性。另外從實驗得出:隨著不同機組數據分布差異增加,遷移學習微調的層數增加。(3)通過融合多源域故障樣本利用Finetune模型解決單機故障樣本不完備的問題,對目標域類別不統(tǒng)一及源域來自同型號和不同型號分別建立模型,幫助目標域任務更好學習,同時驗證該遷移模型泛化性能良好。(4)最后,提出考慮時變特性的深度循環(huán)神經網絡(RNN)遷移模型來研究動態(tài)變工況下的機群氣路故障診斷,考慮時間特性的模型優(yōu)于其他方法,另外簡單拼接數據并不能提升分類效果,為遷移學習實際應用提供理論指導。本文通過對不同實際場景分門別類的研究,解決了新投運燃機有標注數據少及單機故障樣本不完備等問題,最終得到在燃機故障診斷過程中如何應用遷移學習方法。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TK478
【圖文】：

哈爾濱工業(yè)大學工學碩士學位論文進行調整如圖 3-4 所示，調整每層網絡輸出數據的分布，使其進入激活函數的作用區(qū)。使數據分布在原點附近的區(qū)域，梯度彌散率低，區(qū)分率高。通過以上參數選擇，在源域劃分 70%作為訓練集，10%作為驗證集來訓練故障分類模型，20%作為測試集，在測試集分類效果達到 100%�；煜仃嚪诸惤Y果如圖 3-3，可見該預訓練模型很好的學習到了各種故障模式特征，使后續(xù)知識遷移任務更好的實現。

哈爾濱工業(yè)大學工學碩士學位論文進行調整如圖 3-4 所示，調整每層網絡輸出數據的分布，使其進入激活函數的作用區(qū)。使數據分布在原點附近的區(qū)域，梯度彌散率低，區(qū)分率高。通過以上參數選擇，在源域劃分 70%作為訓練集，10%作為驗證集來訓練故障分類模型，20%作為測試集，在測試集分類效果達到 100%�；煜仃嚪诸惤Y果如圖 3-3，可見該預訓練模型很好的學習到了各種故障模式特征，使后續(xù)知識遷移任務更好的實現。

【相似文獻】

相關期刊論文 前10條

1 吳云歡;;燃氣輪機氣路故障診斷技術研究[J];科技與企業(yè);2015年02期

2 唐昌盛;曲建嶺;李富榮;高峰;;基于廣義回歸神經網絡的發(fā)動機氣路故障診斷[J];兵工自動化;2008年07期

3 季軍;李熠愫;侯恩敏;;混凝土攪拌站常見氣路故障兩例[J];建筑機械化;2006年11期

4 李一波;張光明;蔣麗英;;航空發(fā)動機氣路故障診斷技術研究現狀[J];航空維修與工程;2009年04期

5 王峗哠;;航空燃氣渦輪發(fā)動機氣路故障診斷現狀與展望[J];價值工程;2014年32期

6 元尼東珠;羅亞鋒;房紅征;楊浩;;基于卷積神經網絡的發(fā)動機氣路故障診斷方法[J];計算機測量與控制;2019年12期

7 姚華廷;賈琳淵;王曦;;渦扇發(fā)動機氣路故障診斷在壽命試驗中的應用[J];燃氣渦輪試驗與研究;2013年02期

8 黃亞男;;國產膠印機氣路故障解析[J];印刷世界;2011年07期

9 黃亞男;;國產膠印機氣路故障解析[J];印刷雜志;2011年10期

10 李明;;民航發(fā)動機氣路故障診斷技術探析[J];硅谷;2013年10期

相關會議論文 前4條

1 梁磊;陳杰;蔣東翔;;航空發(fā)動機常見氣路故障和振動故障特征分析[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

2 曲建嶺;高峰;唐昌盛;李富榮;于建立;;基于概率神經網絡的發(fā)動機氣路故障診斷[A];2008中國儀器儀表與測控技術進展大會論文集（Ⅲ）[C];2008年

3 李小林;屈衛(wèi)東;;基于D-S證據理論的航空發(fā)動機氣路故障融合診斷[A];第37屆中國控制會議論文集（D）[C];2018年

4 姜繁生;孫志巖;陳仲光;邱明星;;航空發(fā)動機預測健康管理關鍵技術分析[A];第十五屆中國科協年會第13分會場：航空發(fā)動機設計、制造與應用技術研討會論文集[C];2013年

相關博士學位論文 前3條

1 蒲星星;基于模型的重型燃氣輪機氣路故障診斷研究[D];清華大學;2013年

2 劉鵬鵬;航空發(fā)動機氣路故障靜電監(jiān)測方法及系統(tǒng)研究[D];南京航空航天大學;2013年

3 陳煜;基于非線性模型的渦噴發(fā)動機氣路故障診斷研究[D];南京航空航天大學;2014年

相關碩士學位論文 前10條

1 楊緒升;燃氣輪機機群氣路故障診斷研究[D];哈爾濱工業(yè)大學;2019年

2 付松;基于深度特征挖掘的民航發(fā)動機氣路故障診斷技術研究[D];哈爾濱工業(yè)大學;2018年

3 劉元芳;航空發(fā)動機氣路故障的智能診斷方法研究[D];廈門大學;2018年

4 顧嘉輝;基于卡爾曼濾波的商用渦扇發(fā)動機氣路故障診斷[D];南京航空航天大學;2018年

5 單晨晨;基于深度置信網絡的發(fā)動機狀態(tài)監(jiān)控研究[D];中國民航大學;2017年

6 蔡鼎;融合先驗知識的燃氣輪機欠定氣路故障診斷方法研究[D];哈爾濱工業(yè)大學;2015年

7 李輝;燃氣輪機氣路故障診斷技術研究[D];哈爾濱工程大學;2012年

8 彭淑宏;航空發(fā)動機氣路故障診斷技術研究[D];上海交通大學;2012年

9 歐惠宇;船舶燃氣輪機氣路故障診斷技術研究[D];哈爾濱工程大學;2013年

10 侯鳳陽;基于人工神經網絡的燃氣輪機氣路故障診斷研究[D];南京航空航天大學;2007年

本文編號：2721747