基于深度极限学习机的燃气轮机气路故障诊断技术研究

摘要

为提高输气管道设备中燃气轮机的可靠性和可用性，在稳态仿真模型的基础上，形成包含现场可测量参数、健康状态参数和故障类型的故障数据库。从参数动态调整和空气质点混沌初始化两个方面对风驱动(wind driven optimization, WDO)算法进行改进，再利用改进算法(improved wind driven optimization, IWDO)对深度极限学习机(deep extreme learning machine, DELM)的超参数进行寻优，并试算不同模型结构对分类效果的影响，最终形成最优IWDO-DELM组合模型。结果表明，仿真模型的热力和水力参数准确，可以为故障数据库的生成提供基础；最优DELM的模型结构为9-81-44-1,激活函数均为Sine; IWDO-DELM模型在训练集和测试集上的故障分类准确率分别为99.12%、98.83%,优于支持向量机(support vector machine, SVM)、反向传播神经网络(back propagation, BP)、相关向量机(relevance vector machine, RVM)和极限学习机(extreme learning machine, ELM)等模型的计算结果。通过现场验证，证明了IWDO-DELM模型可有效识别燃气轮机气路上的单故障和多故障类型。研究结果可为输气管道的安全平稳运行提供实际参考。

关键词

深度极限学习机 / 风驱动算法 / 燃气轮机 / 气路故障 / 分类准确率