-
题名燃气轮机气流激振深度置信网络故障诊断模型
被引量：11
- 1
-
-
作者
蒋龙陈
王红军
张顺利
-
机构
北京信息科技大学机电工程学院
北京信息科技大学
北京信息科技大学机电系统测控北京市重点实验室
中国航发西安航空发动机集团有限公司设计所
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2021年第2期115-121,共7页
-
基金
国家自然科学基金(51975058)资助项目。
-
文摘
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%。
-
关键词
燃气轮机
气流激振
故障诊断
深度置信网络
-
Keywords
gas turbine
airflow excitation
fault diagnosis
deep belief network
-
分类号
TK477
[动力工程及工程热物理—动力机械及工程]
-
-
题名基于改进DQN燃气轮机转子故障诊断方法
被引量：6
- 2
-
-
作者
崔英杰
王红军
张顺利
王星河
-
机构
北京信息科技大学机电工程学院
北京信息科技大学高端装备智能感知与控制北京市国际科技合作基地
北京信息科技大学机电系统测控北京市重点实验室
中国航发西安航空发动机集团有限公司设计所
-
出处
《噪声与振动控制》
CSCD
北大核心
2023年第4期109-115,199,共8页
-
基金
国家自然科学基金资助项目(51975058)。
-
文摘
燃气轮机转子系统作为燃气轮机关键部件,由于难以获取敏感故障特征导致故障诊断精度不高,影响设备的安全服役。针对以上问题,提出一种改进深度Q网络(DQN)深度强化学习燃气轮机转子系统故障诊断方法。首先,以采集的一维工况原始振动信号为输入,该DQN模型的环境状态采用故障样本集组成,转子故障类型为当前模型输入的动作集合;然后,DQN模型的智能体使用一维宽卷积神经网络(WDCNN)拟合得到Q网络,并使用ε-贪婪策略做出决策动作,反馈奖励和下一状态并存储到经验池内;智能体内采用时间差分误差(TD-error)优先经验回放,使得算法更加稳定和训练收敛;智能体与环境不断交互决策出最大奖励,输出最优策略故障诊断结果。将该模型应用于西储大学轴承数据集与燃气轮机试车台数据集中,分别达到99.2%与98.7%的准确率,可以用于快速有效地进行故障诊断。结果表明该改进DQN模型具有较高的故障诊断准确性与通用性。
-
关键词
故障诊断
燃气轮机转子
深度强化学习
DQN
-
Keywords
fault diagnosis
gas turbine rotor
deep reinforcement learning
DQN
-
分类号
TK47
[动力工程及工程热物理—动力机械及工程]
TP206.3
[自动化与计算机技术—检测技术与自动化装置]
-
