特征融合级联神经网络

气路故障高精度诊断

一种用于燃气轮机气路故障诊断的级联神经网络，结合特征分析与生成的特征融合方法，提升渐变与突变故障的诊断精度。

Bosheng, Yu · Li'ang, Cao · Daxing, Xie · Chen, Jinwei · 张会生

Energy 2025

参数信息

渐变故障诊断误差低于2×10⁻⁴的比例

52.56 %

突变故障诊断误差低于2×10⁻⁴的比例

51.18 %

技术优势

不用假设均匀退化

多工况法假定相邻工况退化水平一致，而本方法通过特征融合级联网络直接学习故障特征，无需此假设，对突变故障同样有效。

诊断误差极低

在2×10⁻⁴以下的误差占比超过一半，说明绝大多数诊断结果高度精确，减少误判和漏判带来的维护成本。

比同类模型更准

与其它数据驱动模型相比，本方法在SEC指标上预测精度更高，更适合高精度监测场景。

应用场景

• 燃气轮机运维：在不停机情况下快速识别渐变与突变故障，减少误判和漏判，降低非计划停机风险。
• 工业设备健康监测：为燃气轮机气体路径提供高精度故障诊断，提升设备健康监测的准确性和及时性。
• 工业物联网：模型可直接集成到监控系统，处理传感器数据输出诊断结果，实现智能化远程运维。