發(fā)布時間：2020-06-20 02:49

【摘要】：燃?xì)廨啓C(jī)在工業(yè)領(lǐng)域應(yīng)用廣泛,其結(jié)構(gòu)復(fù)雜、運(yùn)行環(huán)境惡劣、易發(fā)生故障。有效的故障診斷技術(shù)對保證機(jī)組安全運(yùn)行,降低生命周期內(nèi)維修成本具有重要意義�，F(xiàn)有氣路故障診斷大都面向單臺燃機(jī),對于一臺新投運(yùn)機(jī)組歷史數(shù)據(jù)不足無法建立精確的模型。而對于運(yùn)行很久的燃?xì)廨啓C(jī),積累的大量歷史數(shù)據(jù)為新投運(yùn)機(jī)組的數(shù)據(jù)分析提供了一定基礎(chǔ)。然而同型號機(jī)組由于制造誤差、檢修時間不同等原因造成個體差異較大,對于不同型號機(jī)組功率等級不同更是無法直接利用歷史數(shù)據(jù)。因此,迫切需要一種新方法能夠有效利用歷史數(shù)據(jù)中蘊(yùn)含的經(jīng)驗(yàn)和知識來幫助目標(biāo)任務(wù)建立模型并進(jìn)一步提高氣路故障診斷準(zhǔn)確性。本文希望借助遷移學(xué)習(xí)思想解決新投運(yùn)燃機(jī)有標(biāo)注數(shù)據(jù)少及單機(jī)故障樣本不完備的氣路故障診斷問題。主要工作和創(chuàng)新點(diǎn)如下:(1)首次在群體的意義上提出新的燃機(jī)氣路故障診斷研究方向,給出機(jī)群氣路故障診斷問題形象化定義,建立了能夠正確反應(yīng)機(jī)群氣路故障的仿真模型。通過仿真分析獲取數(shù)據(jù),從機(jī)理上挖掘變工況下典型氣路故障中可平移的知識,通過比較鑒別提出適用于機(jī)群故障診斷的Finetune遷移學(xué)習(xí)方法。(2)對于新投運(yùn)機(jī)組有標(biāo)注數(shù)據(jù)少的場景,利用運(yùn)行數(shù)據(jù)豐富的機(jī)組作為源域,基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)建立預(yù)訓(xùn)練模型提取低層次故障特征,即提取不同機(jī)組之間發(fā)生故障時不受工況及環(huán)境變化影響的共性知識(健康參數(shù)變化)。之后利用Finetune方法將共享知識遷移到目標(biāo)域,本文提出的方法在新投運(yùn)少數(shù)據(jù)機(jī)組能夠?qū)崿F(xiàn)精確的故障分類,比傳統(tǒng)基于數(shù)據(jù)方法效果提升明顯。遷移的重要性隨著目標(biāo)域數(shù)據(jù)量增加而下降。通過對網(wǎng)絡(luò)逐層可視化分析每個類別的固有模式,揭示共性知識提取的合理性。另外從實(shí)驗(yàn)得出:隨著不同機(jī)組數(shù)據(jù)分布差異增加,遷移學(xué)習(xí)微調(diào)的層數(shù)增加。(3)通過融合多源域故障樣本利用Finetune模型解決單機(jī)故障樣本不完備的問題,對目標(biāo)域類別不統(tǒng)一及源域來自同型號和不同型號分別建立模型,幫助目標(biāo)域任務(wù)更好學(xué)習(xí),同時驗(yàn)證該遷移模型泛化性能良好。(4)最后,提出考慮時變特性的深度循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)遷移模型來研究動態(tài)變工況下的機(jī)群氣路故障診斷,考慮時間特性的模型優(yōu)于其他方法,另外簡單拼接數(shù)據(jù)并不能提升分類效果,為遷移學(xué)習(xí)實(shí)際應(yīng)用提供理論指導(dǎo)。本文通過對不同實(shí)際場景分門別類的研究,解決了新投運(yùn)燃機(jī)有標(biāo)注數(shù)據(jù)少及單機(jī)故障樣本不完備等問題,最終得到在燃機(jī)故障診斷過程中如何應(yīng)用遷移學(xué)習(xí)方法。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TK478
【圖文】：

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文進(jìn)行調(diào)整如圖 3-4 所示，調(diào)整每層網(wǎng)絡(luò)輸出數(shù)據(jù)的分布，使其進(jìn)入激活函數(shù)的作用區(qū)。使數(shù)據(jù)分布在原點(diǎn)附近的區(qū)域，梯度彌散率低，區(qū)分率高。通過以上參數(shù)選擇，在源域劃分 70%作為訓(xùn)練集，10%作為驗(yàn)證集來訓(xùn)練故障分類模型，20%作為測試集，在測試集分類效果達(dá)到 100%�；煜仃嚪诸惤Y(jié)果如圖 3-3，可見該預(yù)訓(xùn)練模型很好的學(xué)習(xí)到了各種故障模式特征，使后續(xù)知識遷移任務(wù)更好的實(shí)現(xiàn)。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文進(jìn)行調(diào)整如圖 3-4 所示，調(diào)整每層網(wǎng)絡(luò)輸出數(shù)據(jù)的分布，使其進(jìn)入激活函數(shù)的作用區(qū)。使數(shù)據(jù)分布在原點(diǎn)附近的區(qū)域，梯度彌散率低，區(qū)分率高。通過以上參數(shù)選擇，在源域劃分 70%作為訓(xùn)練集，10%作為驗(yàn)證集來訓(xùn)練故障分類模型，20%作為測試集，在測試集分類效果達(dá)到 100%�；煜仃嚪诸惤Y(jié)果如圖 3-3，可見該預(yù)訓(xùn)練模型很好的學(xué)習(xí)到了各種故障模式特征，使后續(xù)知識遷移任務(wù)更好的實(shí)現(xiàn)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳云歡;;燃?xì)廨啓C(jī)氣路故障診斷技術(shù)研究[J];科技與企業(yè);2015年02期

2 唐昌盛;曲建嶺;李富榮;高峰;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)氣路故障診斷[J];兵工自動化;2008年07期

3 季軍;李熠愫;侯恩敏;;混凝土攪拌站常見氣路故障兩例[J];建筑機(jī)械化;2006年11期

4 李一波;張光明;蔣麗英;;航空發(fā)動機(jī)氣路故障診斷技術(shù)研究現(xiàn)狀[J];航空維修與工程;2009年04期

5 王峗哠;;航空燃?xì)鉁u輪發(fā)動機(jī)氣路故障診斷現(xiàn)狀與展望[J];價值工程;2014年32期

6 元尼東珠;羅亞鋒;房紅征;楊浩;;基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)氣路故障診斷方法[J];計(jì)算機(jī)測量與控制;2019年12期

7 姚華廷;賈琳淵;王曦;;渦扇發(fā)動機(jī)氣路故障診斷在壽命試驗(yàn)中的應(yīng)用[J];燃?xì)鉁u輪試驗(yàn)與研究;2013年02期

8 黃亞男;;國產(chǎn)膠印機(jī)氣路故障解析[J];印刷世界;2011年07期

9 黃亞男;;國產(chǎn)膠印機(jī)氣路故障解析[J];印刷雜志;2011年10期

10 李明;;民航發(fā)動機(jī)氣路故障診斷技術(shù)探析[J];硅谷;2013年10期

相關(guān)會議論文 前4條

1 梁磊;陳杰;蔣東翔;;航空發(fā)動機(jī)常見氣路故障和振動故障特征分析[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

2 曲建嶺;高峰;唐昌盛;李富榮;于建立;;基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)氣路故障診斷[A];2008中國儀器儀表與測控技術(shù)進(jìn)展大會論文集（Ⅲ）[C];2008年

3 李小林;屈衛(wèi)東;;基于D-S證據(jù)理論的航空發(fā)動機(jī)氣路故障融合診斷[A];第37屆中國控制會議論文集（D）[C];2018年

4 姜繁生;孫志巖;陳仲光;邱明星;;航空發(fā)動機(jī)預(yù)測健康管理關(guān)鍵技術(shù)分析[A];第十五屆中國科協(xié)年會第13分會場：航空發(fā)動機(jī)設(shè)計(jì)、制造與應(yīng)用技術(shù)研討會論文集[C];2013年

相關(guān)博士學(xué)位論文 前3條

1 蒲星星;基于模型的重型燃?xì)廨啓C(jī)氣路故障診斷研究[D];清華大學(xué);2013年

2 劉鵬鵬;航空發(fā)動機(jī)氣路故障靜電監(jiān)測方法及系統(tǒng)研究[D];南京航空航天大學(xué);2013年

3 陳煜;基于非線性模型的渦噴發(fā)動機(jī)氣路故障診斷研究[D];南京航空航天大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 楊緒升;燃?xì)廨啓C(jī)機(jī)群氣路故障診斷研究[D];哈爾濱工業(yè)大學(xué);2019年

2 付松;基于深度特征挖掘的民航發(fā)動機(jī)氣路故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

3 劉元芳;航空發(fā)動機(jī)氣路故障的智能診斷方法研究[D];廈門大學(xué);2018年

4 顧嘉輝;基于卡爾曼濾波的商用渦扇發(fā)動機(jī)氣路故障診斷[D];南京航空航天大學(xué);2018年

5 單晨晨;基于深度置信網(wǎng)絡(luò)的發(fā)動機(jī)狀態(tài)監(jiān)控研究[D];中國民航大學(xué);2017年

6 蔡鼎;融合先驗(yàn)知識的燃?xì)廨啓C(jī)欠定氣路故障診斷方法研究[D];哈爾濱工業(yè)大學(xué);2015年

7 李輝;燃?xì)廨啓C(jī)氣路故障診斷技術(shù)研究[D];哈爾濱工程大學(xué);2012年

8 彭淑宏;航空發(fā)動機(jī)氣路故障診斷技術(shù)研究[D];上海交通大學(xué);2012年

9 歐惠宇;船舶燃?xì)廨啓C(jī)氣路故障診斷技術(shù)研究[D];哈爾濱工程大學(xué);2013年

10 侯鳳陽;基于人工神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)氣路故障診斷研究[D];南京航空航天大學(xué);2007年

本文編號：2721747