前沿综述与研究
张泽, 周斌, 董伟, 张鹏, 王涛, 吕蒙, 杨宇星
随着火电机组向着高参数、大容量方向发展,汽轮发电机组运行中需要监测的数据日益增多,目前广泛应用的专家诊断系统已严重影响故障判别精度。为此,基于深度学习技术,提出一种新的汽轮机故障诊断方法。首先,利用自编码网络对原始信号进行重构输出;其次,利用卷积神经网络(CNN),通过卷积和池化操作减少全连接层的输入参数数量,同时提取数据特征,并将它们组合成更深层次、更高维度的数据;最后,通过全连接层进行输出预测分类。工程应用结果表明:该方法能够在多种工况下自适应提取汽轮机系统不同故障位置、不同故障类型的特征,并准确识别设备健康状况,其判别精度显著高于目前广泛应用的专家诊断系统。