【技术实现步骤摘要】
本专利技术涉及燃气—蒸汽联合循环机组故障诊断领域，更具体的说是一种燃气—蒸汽联合循环机组故障诊断模型混合学习方法。
技术介绍
1、造成燃气—蒸汽联合循环机组故障的原因众多，涉及压气机和涡轮等多个设备。依靠单一传感器数据进行故障诊断的精度较差，因此必须依赖多个传感器测量数据，如压力和温度等。然而，传感器数量过多会使得它们对应的多变量时间序列数据维度成倍增长。傅里叶变换、小波变换、经验模态分解和经验模态分解等传统时间序列分析方法，可以获取数据的时域和频域信息，可以有效提取故障特征。但将传统时间序列分析方法应用于多变量时间序列，即对每一变量进行时频分析会使故障样本数据维度进一步扩大，造成分类问题中的维数灾难。维数灾难是指数据维度增加造成的计算消耗呈指数增长，但分类器性能在达到峰值后却随之下降的现象。维数灾难不仅反映数据的维度问题，也影响着诊断模型的结构设计。这种对每个变量的独立分析忽略了多变量之间的关联性。而且，燃气—蒸汽联合循环机组多数传感器采样步长过大使得数据具有低频特性，传统时频分析方法的特征提取效果并不明显。由此，造成现有研究中更多使...
【技术保护点】
1.燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：故障网络诊断模型使用FCNN或CNN模型。
3.根据权利要求1所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：传感器的数量为6至18个。
4.根据权利要求1所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：
5.根据权利要求4所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：
6.根据权利要求4所述...
【技术特征摘要】
1.燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：故障网络诊断模型使用fcnn或cnn模型。
3.根据权利要求1所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：传感器的数量为6至18个。
4.根据权利要求1所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：
5.根据权利要求4所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：
6.根据权利要求4所述的燃气—蒸汽联合循环机组故障诊断模型混合学习方法，其特征在于：每个样本长度为512，每个传感器参数都进行归一化处理，处理方式为对...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。