燃气轮机气流激振深度置信网络故障诊断模型

气流激振故障是燃汽轮机由于工作介质引发的常见故障,针对某型燃气轮机气流激振故障,建立峰值保持降采样算法和粒子群算法优化的深度置信网络故障诊断模型。使用峰值保持降采样法对振动数据进行缩减,并以之作为深度置信神经网络的输入,降低模型训练时间,同时采取粒子群算法对深度置信网络结构参数寻优,搜索诊断性能最好的深度置信模型所对应的网络结构参数。实例结果表明,优化后的模型不仅降低模型训练时间,实现网络结构参数智能寻优,还有效实现燃气轮机气流激振故障诊断,测试准确率约为99.8%。

基于卷积神经网络的燃气轮机故障诊断研究

针对燃气轮机故障信号为变速非平稳信号的特点,使用非线性调频分量分解方法对燃气轮机机匣振动信号进行时频分析,并利用卷积神经网络对燃气轮机转子进行故障诊断。首先使用非线性调频分量分解方法将信号分解成多个频率分量,得到各个频率成分的瞬时频率,并绘制时频图。将时频图经过灰度处理以及尺寸压缩等预处理后作为输入训练卷积神经网络,利用卷积神经网络强大的特征提取能力实现燃气轮机转子故障的有效诊断。实验结果表明,针对燃气轮机转子故障,该模型能够获得很好的诊断效果,测试准确率约为99%。