基于视觉信息增强的服役燃机控制系统传感器故障分类方法研究

将一维时间序列数据通过格拉姆角场转换为二维图像,利用方向梯度的直方图完成图像特征提取,利用多分类的支持向量机完成故障分类。基于某电厂9F燃机实际运行数据,在正常数据上叠加带有噪声的5类常见典型故障信号,以验证所提方法的有效性,并采用混淆矩阵进一步对故障分类结果进行可视化。结果表明:所提方法能有效识别微小渐变故障信号,故障的分类准确率为96.6%;格拉姆角场和马尔可夫转换场均具有较高的故障分类准确率。

基于SSA和注意力机制BiLSTM的燃气轮机传感器故障诊断方法研究

提出了一种结合奇异谱分析(SSA)和基于注意力机制的双向长短期记忆(BiLSTM)深度网络的传感器故障诊断方法。首先,利用SSA对传感器信号进行预处理,得到信号的趋势项和周期项;其次,将预处理得到的时间序列输入带有注意力机制的BiLSTM深度网络进行训练,得到分类器模型;最后,采用某9F级燃气轮机运行数据对该方法进行训练、验证和测试。结果表明:测试集的诊断准确率可达96.5%,该方法能有效解决故障信号稀疏性和幅度微弱性造成的传感器故障诊断精度低的问题。