Um Verluste und Überwartung zu vermeiden, die Zuverlässigkeit und Verfügbarkeit von Gasturbinen zu verbessern, schlägt dieser Artikel eine Methode zur Fehlerdiagnose im Gasweg von Gasturbinen auf der Grundlage eines gemischten Antriebs von Modell und Daten vor. Zunächst wird mit einer adaptiven Wärmebildmodellierungsstrategie ein Wärmebildmodell der zu diagnostizierenden Gasturbine aufgebaut, indem verschiedene Gesundheitsparameter der Komponenten und Eingangsrandbedingungen definiert werden, um einen Datensatz zu erhalten, der den Gesundheitsparametervektoren der Komponenten und den Eingangsrandbedingungen und messbaren Gaswegparametervectoren entspricht. Dann wird mit dem tiefen Lernen eine Regressionsmodellierung durchgeführt und ein Fehlerdiagnosemodell des Gaswegs von Gasturbinen trainiert. Schließlich wird basierend auf den tatsächlichen Eingangsrandbedingungen der Gasturbine und den messbaren Gaswegparametervectoren eine sofortige Diagnose der Gesundheitsparametervektoren der Gaswegkomponenten unter Verwendung eines zuvor geschulten Modells durchgeführt. Die Ergebnisse des virtuellen Experiments zeigen, dass durch die in diesem Artikel vorgeschlagene Methode genau quantifizierte Gesundheitsparameter jedes Durchflusskomponenten erhalten werden können, deren Gesamtwurzelfehler nicht mehr als 0,033% beträgt und deren maximaler relativer Fehler nicht mehr als 0,36% beträgt, was auf große Anwendungspotenziale dieser Methode hinweist.

Gasturbinen; Wärmebildmodell; Gesundheitsparameter von Komponenten; Gaswegdiagnose; tiefes Lernen