文献类型：期刊文章

作　　者：崔建国[1,2] 刘瑶[1] 于明月[1] 江秀红[3]

CUI Jian-guo;LIU Yao;YU Ming-yue;JIANG Xiu-hong(School of Automation,Shenyang Aerospace University,Liaoning Shenyang 110136,China;Aviation Key Laboratory of Science and Technology on Fault Diagnosis and Health Management,Shanghai 201601,China;School of Electronic and Information Engineering,Shenyang Aerospace University,Liaoning Shenyang 110136,China)

机构地区：[1]沈阳航空航天大学自动化学院,辽宁沈阳110136 [2]航空工业上海航空测控技术研究所故障诊断与健康管理技术航空科技重点实验室,上海201601 [3]沈阳航空航天大学电子信息工程学院,辽宁沈阳110136

出　　处：《机械设计与制造》

基　　金：国家自然科学基金(51605309);辽宁省自然科学基金(2014024003);航空科学基金(20153354005);航空科学基金(20163354004)

年　　份：2019

卷　　号：0

期　　号：12

起止页码：28-31

语　　种：中文

收录情况：BDHX、BDHX2017、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为有效、准确地诊断出燃气轮机健康状态,在燃气轮机专用试验平台对其进行试车试验,获取主泵、喷口加力调节器、滑油压差传感器等关键部件的原始信息,采用核主元分析(Kernel Principal Component Analysis,简称KPCA)方法对原始信息进行处理,提取燃气轮机关键部件状态表征参数的核主元,创建特征向量空间。由于深度学习可以构建含多隐层的学习模型,实现逐层的特征变换,从而自适应地捕获隐藏于故障数据内部的有用信息,增强诊断过程的智能性,因此由核主元特征向量创建深度学习故障诊断模型,对燃气轮机进行了故障诊断技术研究。与此同时,亦创建了极限学习机(Extreme Learning Machine,简称ELM)故障诊断模型并进行了诊断,结果表明深度学习正确诊断率明显优于极限学习机。在此基础上,尚采用信息融合技术对以上两种方法的诊断结果进行决策层融合,进一步提升了故障诊断准确率。研究表明,该方法能有效诊断出燃气轮机关键部件健康与故障状态,具有很好的工程应用前景。

关 键 词：燃气轮机 核主元分析 深度学习  信息融合 故障诊断

分 类 号：TH16] TH133.3