白明亮，張冬雪，劉金福*，劉嬌，于達(dá)仁,

基于深度自編碼器和支持向量數(shù)據(jù)描述的燃?xì)廨啓C(jī)高溫部件異常檢測(cè)

白明亮1，張冬雪2，劉金福2*，劉嬌3，于達(dá)仁1,2

（1．哈爾濱工業(yè)大學(xué)控制科學(xué)與工程系，黑龍江省 哈爾濱市 150001；2．哈爾濱工業(yè)大學(xué)能源科學(xué)與工程學(xué)院，黑龍江省 哈爾濱市 150001；3．中國(guó)航空工業(yè)集團(tuán)公司沈陽飛機(jī)設(shè)計(jì)研究所，遼寧省 沈陽市 110035）

開展燃?xì)廨啓C(jī)高溫部件的異常檢測(cè)能有效提高其運(yùn)行安全性和可靠性。隨著人工智能技術(shù)的興起，數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法已經(jīng)越來越流行。然而，在實(shí)際應(yīng)用中，燃?xì)廨啓C(jī)故障數(shù)據(jù)很少甚至幾乎沒有。針對(duì)僅有正常數(shù)據(jù)場(chǎng)景下的燃?xì)廨啓C(jī)高溫部件異常檢測(cè)問題，提出了一種基于深度自編碼器(deep autoencoder，DAE)和支持向量數(shù)據(jù)描述(support vector data description，SVDD)融合的DAE-SVDD異常檢測(cè)方法。該方法利用正常數(shù)據(jù)訓(xùn)練深度自編碼器，并利用深度自編碼器的重構(gòu)誤差來訓(xùn)練支持向量數(shù)據(jù)描述。與傳統(tǒng)異常檢測(cè)方法相比，該方法顯著提高了異常檢測(cè)精度，能實(shí)現(xiàn)更靈敏魯棒的燃?xì)廨啓C(jī)高溫部件異常檢測(cè)。

燃?xì)廨啓C(jī)；高溫部件；深度自編碼器(DAE)；支持向量數(shù)據(jù)描述(SVDD)；異常檢測(cè)；故障診斷

0 引言

燃?xì)廨啓C(jī)是一種廣泛應(yīng)用于電力、航空動(dòng)力、船舶動(dòng)力等諸多領(lǐng)域的動(dòng)力設(shè)備[1-2]。燃?xì)廨啓C(jī)的工作環(huán)境惡劣，易發(fā)生故障，一旦發(fā)生故障會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失。開展燃?xì)廨啓C(jī)的在線健康狀態(tài)監(jiān)測(cè)與異常檢測(cè)能夠?qū)崟r(shí)監(jiān)測(cè)燃?xì)廨啓C(jī)的健康狀態(tài)，在故障發(fā)生初期及時(shí)檢測(cè)出燃?xì)廨啓C(jī)故障，避免嚴(yán)重故障的發(fā)生，從而能夠大幅度提高燃?xì)廨啓C(jī)的運(yùn)行安全性與可靠性，同時(shí)能夠大幅減少維修費(fèi)用[3-7]。燃?xì)廨啓C(jī)的高溫部件包括燃燒室、燃料噴嘴、渦輪前幾級(jí)葉片等部件，是燃?xì)廨啓C(jī)最為關(guān)鍵、最為重要的部件之一。燃?xì)廨啓C(jī)高溫部件長(zhǎng)期工作在高溫環(huán)境下，工作環(huán)境尤為惡劣，相比于燃?xì)廨啓C(jī)其他部件更容易發(fā)生故障。因此開展燃?xì)廨啓C(jī)高溫部件的異常檢測(cè)研究具有極其重要的意義。

目前，燃?xì)廨啓C(jī)異常檢測(cè)與故障診斷的研究主要可以分為兩大類：基于模型的診斷方法和基于數(shù)據(jù)的診斷方法[8]?；谀Ｐ偷姆椒ㄒ蕾囉诰_的燃?xì)廨啓C(jī)數(shù)學(xué)模型，在實(shí)際應(yīng)用中建立精確的數(shù)學(xué)模型往往是比較困難的?；跀?shù)據(jù)的診斷方法只需利用燃?xì)廨啓C(jī)的歷史數(shù)據(jù)，無需建立精確的模型。因此，基于數(shù)據(jù)的診斷方法受到了研究人員的廣泛關(guān)注[9]。

隨著人工智能和大數(shù)據(jù)技術(shù)的發(fā)展，眾多研究人員利用各種人工智能算法開展了燃?xì)廨啓C(jī)異常檢測(cè)與故障診斷研究。目前，極限學(xué)習(xí)機(jī)、支持向量機(jī)、隨機(jī)森林、粗糙集等各種人工智能算法已經(jīng)被廣泛應(yīng)用于燃?xì)廨啓C(jī)的故障診斷中，取得了良好的故障診斷效果。Wong等[10]提出了一種基于極限學(xué)習(xí)機(jī)的燃?xì)廨啓C(jī)故障診斷方法。Maragoudakis等[11]利用隨機(jī)森林進(jìn)行了燃?xì)廨啓C(jī)的故障診斷。Wang等[12]基于粗糙集方法進(jìn)行了燃?xì)廨啓C(jī)的故障診斷，取得了良好的診斷效果。

深度學(xué)習(xí)算法是人工智能領(lǐng)域的最新突破性技術(shù)。目前，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于圖像識(shí)別、語音識(shí)別、自動(dòng)駕駛等領(lǐng)域，取得了前所未有的成功[13]。隨著深度學(xué)習(xí)的興起，研究人員已經(jīng)開始嘗試將深度學(xué)習(xí)方法引入燃?xì)廨啓C(jī)的故障診斷中。Yan等[14]利用深度信念網(wǎng)絡(luò)進(jìn)行燃?xì)廨啓C(jī)故障診斷，取得了良好的診斷效果。Fu等[15]提出了一種基于分組卷積去噪自編碼器的燃?xì)廨啓C(jī)故障診斷方法。Mulewicz等[16]比較了深度學(xué)習(xí)和幾種傳統(tǒng)機(jī)器學(xué)習(xí)方法在燃?xì)廨啓C(jī)故障診斷上的診斷效果，驗(yàn)證了深度學(xué)習(xí)的優(yōu)越性。

雖然上述各種故障診斷方法已經(jīng)取得了比較好的故障檢測(cè)與診斷效果，但是目前的研究主要集中在故障數(shù)據(jù)比較充足的場(chǎng)景。在燃?xì)廨啓C(jī)的實(shí)際運(yùn)行中，故障數(shù)據(jù)往往很少。對(duì)于新投入運(yùn)行的燃?xì)廨啓C(jī)，其運(yùn)行初期往往只有正常數(shù)據(jù)而沒有故障數(shù)據(jù)。目前，在僅有正常數(shù)據(jù)的場(chǎng)景下進(jìn)行燃?xì)廨啓C(jī)故障檢測(cè)的研究相對(duì)較少。同時(shí)，目前的燃?xì)廨啓C(jī)故障診斷主要集中在燃?xì)廨啓C(jī)的氣路故障診斷上，對(duì)于燃?xì)廨啓C(jī)中最為關(guān)鍵、最為重要的部件之一——高溫部件的故障診斷研究，仍然相對(duì)較少。

本文針對(duì)僅有正常數(shù)據(jù)場(chǎng)景下的燃?xì)廨啓C(jī)高溫部件故障檢測(cè)問題，提出了深度自編碼器(deep autoencoder，DAE)和支持向量數(shù)據(jù)描述(support vector data description，SVDD)融合的DAE-SVDD故障檢測(cè)方法，大幅度提升了燃?xì)廨啓C(jī)高溫部件的故障檢測(cè)精度。

1 燃?xì)廨啓C(jī)高溫部件異常檢測(cè)的挑戰(zhàn)

燃?xì)廨啓C(jī)高溫部件包括燃燒室、燃料噴嘴、渦輪前幾級(jí)葉片等部件，是燃?xì)廨啓C(jī)最為重要的部件之一。燃?xì)廨啓C(jī)的高溫部件工作溫度高，一般的熱電偶很難對(duì)其進(jìn)行長(zhǎng)期的健康狀態(tài)監(jiān)測(cè)。因此，燃?xì)廨啓C(jī)高溫部件的健康狀態(tài)常常通過 均勻分布在透平出口處的多個(gè)熱電偶進(jìn)行監(jiān)測(cè)，如圖1所示。

圖1 透平出口處的熱電偶示意圖

本文研究的燃?xì)廨啓C(jī)為某單軸重型燃?xì)廨啓C(jī)，具有27個(gè)火焰筒，在其透平出口處均勻布置了27個(gè)熱電偶來測(cè)量透平的排氣溫度，其熱電偶的布置如圖2所示[17]。當(dāng)燃?xì)廨啓C(jī)的高溫部件處于健康狀態(tài)時(shí)，透平排氣溫度的周向分布會(huì)相對(duì)比較均勻，圖2中各個(gè)熱電偶的示數(shù)相差不大。當(dāng)燃?xì)廨啓C(jī)的高溫部件發(fā)生故障時(shí)，透平排氣溫度的周向分布變得不再均勻，圖2中各個(gè)熱電偶的示數(shù)之間會(huì)出現(xiàn)較大的偏差。因此，通過透平排氣溫度可以有效監(jiān)測(cè)燃?xì)廨啓C(jī)高溫部件的健康狀態(tài)。

圖2 熱電偶的布置示意圖

然而，高溫部件的故障并不是導(dǎo)致透平排氣溫度周向分布不均勻的唯一因素，工況的變化、環(huán)境條件的變化、燃?xì)獾膿交炫c旋轉(zhuǎn)等諸多干擾因素也會(huì)導(dǎo)致透平排氣溫度周向分布不均勻。 圖3和圖4展示了燃?xì)庑D(zhuǎn)對(duì)透平排氣溫度周向分布的影響。因此，在僅有正常訓(xùn)練數(shù)據(jù)的場(chǎng)景下，如何能夠有效消除各種干擾因素對(duì)異常檢測(cè)的影響并實(shí)現(xiàn)靈敏魯棒的異常檢測(cè)，是燃?xì)廨啓C(jī)高溫部件異常檢測(cè)的關(guān)鍵問題。

圖3 燃?xì)庑D(zhuǎn)示意圖

圖4 燃?xì)庑D(zhuǎn)對(duì)透平排氣溫度的影響

2 DAE-SVDD異常檢測(cè)方法

2.1 深度自編碼器算法

深度自編碼器是一種目前常用的無監(jiān)督學(xué)習(xí)方法[18]，廣泛應(yīng)用于數(shù)據(jù)降維[19]、特征提取[20]等領(lǐng)域。深度自編碼器包括編碼器和解碼器2部分，其結(jié)構(gòu)如圖5所示。

圖5 深度自編碼器的原理圖

2.2 支持向量數(shù)據(jù)描述算法

本文利用支持向量數(shù)據(jù)描述算法確定DAE的重構(gòu)誤差閾值。支持向量數(shù)據(jù)描述算法由Tax等[21]提出，是一種常見的異常檢測(cè)算法，其基本原理如圖6所示。

圖6 高維空間內(nèi)的超球體

該算法通過引入核函數(shù)將數(shù)據(jù)映射到高維空間中，在該高維空間中尋找一個(gè)半徑盡可能小的超球體，使得盡可能多的正常樣本落在超球體內(nèi)。支持向量數(shù)據(jù)描述算法旨在最小化公式(4)所示的目標(biāo)函數(shù)：

在利用正常的訓(xùn)練樣本對(duì)DAE進(jìn)行訓(xùn)練后，通過支持向量數(shù)據(jù)描述將訓(xùn)練樣本與其重構(gòu)值之間的誤差映射到高維空間中，并壓縮至圖6所示的最小超球體內(nèi)。

2.3 基于DAE-SVDD的異常檢測(cè)流程

1）數(shù)據(jù)劃分。將正常訓(xùn)練數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用來訓(xùn)練DAE-SVDD模型，驗(yàn)證集用來調(diào)整算法的參數(shù)，測(cè)試集用來檢測(cè)算法效果。

圖7 DAE-SVDD異常檢測(cè)算法流程

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)描述

本文采用某200 MW級(jí)單軸重型燃?xì)廨啓C(jī)的實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行燃?xì)廨啓C(jī)高溫部件的異常檢測(cè)研究。該燃?xì)廨啓C(jī)具有27個(gè)火焰筒，在其透平出口處均勻布置了27個(gè)熱電偶來測(cè)量透平的排氣溫度。該燃?xì)廨啓C(jī)的測(cè)量數(shù)據(jù)包括31個(gè)測(cè)量參數(shù)：功率、轉(zhuǎn)速、壓氣機(jī)入口溫度、27個(gè)熱電偶測(cè)量的透平排氣溫度及其平均值。測(cè)量數(shù)據(jù)包括3 000個(gè)正常樣本和500個(gè)異常樣本。本文所采用的數(shù)據(jù)中，其功率變化范圍為0.8~195.0 MW，壓氣機(jī)入口溫度的變化范圍為-6.7~17.8 ℃。在本文的實(shí)驗(yàn)數(shù)據(jù)中，異常樣本發(fā)生故障的原因?yàn)闇u輪第1級(jí)葉片發(fā)生了比較嚴(yán)重的磨損。

實(shí)驗(yàn)中將正常樣本按照時(shí)間順序依次劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，分別用于訓(xùn)練DAE-SVDD算法、調(diào)整DAE-SVDD算法參數(shù)和評(píng)估DAE-SVDD算法在正常數(shù)據(jù)上的檢測(cè)效果，詳細(xì)數(shù)據(jù)描述如表1所示。圖8展示了正常數(shù)據(jù)訓(xùn)練集中前500個(gè)樣本的工況參數(shù)變化。

表1 數(shù)據(jù)集描述

圖8 訓(xùn)練集中前500個(gè)樣本的工況參數(shù)變化

3.2 DAE-SVDD異常檢測(cè)實(shí)驗(yàn)

利用DAE-SVDD算法開展燃?xì)廨啓C(jī)高溫部件異常檢測(cè)研究，首先利用燃?xì)廨啓C(jī)高溫部件的正常樣本對(duì)深度自編碼器進(jìn)行訓(xùn)練，算法參數(shù)通過驗(yàn)證集進(jìn)行調(diào)整。訓(xùn)練完成后，正常樣本的測(cè)試集和故障數(shù)據(jù)被輸入到深度自編碼器中，以比較其對(duì)正常數(shù)據(jù)和故障數(shù)據(jù)的重構(gòu)誤差。本文用公式(5)所示的均方根誤差來衡量重構(gòu)誤差的 大小。

本文利用深度自編碼器對(duì)故障數(shù)據(jù)以及正常數(shù)據(jù)的訓(xùn)練集、驗(yàn)證集和測(cè)試集進(jìn)行重構(gòu)，利用RMSE評(píng)價(jià)重構(gòu)誤差，在故障數(shù)據(jù)以及正常數(shù)據(jù)的訓(xùn)練集、驗(yàn)證集和測(cè)試集上的RMSE如表2所示。由表2可見，深度自編碼器在故障數(shù)據(jù)上的RMSE明顯大于其在正常數(shù)據(jù)的訓(xùn)練集、驗(yàn)證集和測(cè)試集上的RMSE。因此設(shè)置一個(gè)合適的重構(gòu)誤差閾值，即可實(shí)現(xiàn)靈敏的異常檢測(cè)。

表2 深度自編碼器訓(xùn)練結(jié)果

表3 DAE-SVDD異常檢測(cè)精度

3.3 DAE-SVDD與其他方法的實(shí)驗(yàn)比較

將本文提出的DAE-SVDD算法與SVDD方法進(jìn)行比較，以驗(yàn)證DAE-SVDD算法的優(yōu)越性。利用正常數(shù)據(jù)的訓(xùn)練集對(duì)SVDD進(jìn)行訓(xùn)練，并通過驗(yàn)證集對(duì)算法進(jìn)行調(diào)參，訓(xùn)練好的SVDD模型的故障檢測(cè)效果由正常數(shù)據(jù)的測(cè)試集和故障數(shù)據(jù)進(jìn)行評(píng)價(jià)。圖10(a)—(d)分別展示了正常數(shù)據(jù)的訓(xùn)練集、驗(yàn)證集、測(cè)試集以及故障數(shù)據(jù)中樣本到球心距離與超球半徑的關(guān)系。因此，SVDD方法也能比較好地區(qū)分正常與故障數(shù)據(jù)。

本文提出的DAE-SVDD方法與SVDD的異常檢測(cè)精度對(duì)比如表4所示。由表4可知，DAE-SVDD在正常數(shù)據(jù)的訓(xùn)練集、驗(yàn)證集、測(cè)試集以及故障數(shù)據(jù)上的精度均明顯優(yōu)于SVDD方法，由此驗(yàn)證了本文提出方法的優(yōu)越性。

表4 DAE-SVDD與SVDD的異常檢測(cè)精度比較

4 結(jié)論

針對(duì)僅有正常訓(xùn)練樣本場(chǎng)景下的燃?xì)廨啓C(jī)高溫部件異常檢測(cè)問題，提出了基于深度自編碼器和支持向量數(shù)據(jù)描述融合的DAE-SVDD異常檢測(cè)算法。該方法利用深度自編碼器對(duì)數(shù)據(jù)進(jìn)行壓縮與重構(gòu)，通過支持向量數(shù)據(jù)描述確定重構(gòu)誤差閾值并進(jìn)行異常檢測(cè)。所提出的方法相比于支持向量數(shù)據(jù)描述能夠明顯提升燃?xì)廨啓C(jī)高溫部件的異常檢測(cè)精度，實(shí)現(xiàn)了靈敏魯棒的燃?xì)廨啓C(jī)高溫部件異常檢測(cè)，大幅度提高了燃?xì)廨啓C(jī)高溫部件的運(yùn)行安全性與可靠性。

[1] 薛曉東，韓巍，王曉東，等．適合分布式冷熱電聯(lián)供系統(tǒng)的中小型發(fā)電裝置[J]．發(fā)電技術(shù)，2020，41(3)：252-260．

XUE X D，HAN W，WANG X D，et al．Small and medium-scale power generation devices suiting for distributed combined cooling, heating and power system[J]．Power Generation Technology，2020，41(3)：252-260．

[2] 丁繼偉，李巖．基于彈塑性理論的燃機(jī)轉(zhuǎn)子壽命分析[J]．發(fā)電技術(shù)，2020，41(2)：202-205．

DING J W，LI Y．Analysis on gas turbine rotor life based on elastoplastic theory[J]．Power Generation Technology，2020，41(2)：202-205．

[3] 蘇燁，丁俊宏，丁寧，等．全國(guó)燃?xì)廨啓C(jī)聯(lián)合循環(huán)機(jī)組熱控系統(tǒng)典型故障分析及預(yù)控措施建議[J]．浙江電力，2020，39(8)：95-102．

SU Y，DING J H，DING N，et al．Typical fault analysis and proposals of pre-control measures for thermal control system of national gas turbine combined cycle units[J]．Zhejiang Electric Power，2020，39(8)：95-102．

[4] 楊衛(wèi)國(guó)，祝鐵軍，王慶韌，等．燃?xì)廨啓C(jī)組壓氣機(jī)失速引發(fā)的不穩(wěn)定振動(dòng)分析[J]．廣東電力，2019，32(7)：37-43．

YANG W G，ZHU T J，WANG Q R，et al．Analysis on unstable vibration caused by stall of gas turbine compressor[J]．Guangdong Electric Power，2019，32(7)：37-43．

[5] 朱俊杰，王曉維，董玉亮，等．基于工況辨識(shí)的重型燃?xì)廨啓C(jī)性能評(píng)價(jià)方法研究[J]．智慧電力，2020，48(7)：24-29．

ZHU J J，WANG X W，DONG Y L，et al．Performance evaluation method of heavy duty gas turbine based on condition identification[J]．Smart Power，2020，48(7)：24-29．

[6] 白明亮．故障案例稀缺場(chǎng)景下的燃?xì)廨啓C(jī)智能故障檢測(cè)及診斷研究[D]．哈爾濱：哈爾濱工業(yè)大學(xué)，2020．

BAI M L．Study on intelligent fault detection and diagnosis of gas turbine under the scarcity of fault cases[D]．Harbin：Harbin Institute of Technology，2020．

[7] 劉嬌．燃?xì)廨啓C(jī)高溫部件故障早期預(yù)警研究[D]．哈爾濱：哈爾濱工業(yè)大學(xué)，2019．

LIU J．Research on early warning of gas turbine high temperature components fault[D]．Harbin：Harbin Institute of Technology，2019．

[8] TAHAN M，TSOUTSANIS E，MUHAMMAD M，et al．Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: a review[J]．Applied Energy，2017，198： 122-144．

[9] LIN X S，LI B W，YANG X Y．Engine components fault diagnosis using an improved method of deep belief networks[C]//7th International Conference on Mechanical and Aerospace Engineering(ICMAE). IEEE，2016：454-459．

[10] WONG P K，YANG Z，VONG C M， et al．Real-time fault diagnosis for gas turbine generator systems using extreme learning machine[J]．Neurocomputing，2014，128(3)：249-257．

[11] MARAGOUDAKIS M，LOUKIS E，PANTELIDES P P．Random forests identification of gas turbine faults[C]//19th International Conference on Systems Engineering．IEEE，2008：127-132．

[12] WANG L，LI Y G，ABDUL GHAFIR M F，et al．A rough set-based gas turbine fault classification approach using enhanced fault signatures[J]．Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2011，225(8)： 1052-1065．

[13] LECUN Y，BENGIO Y，HINTON G，et al．Deep learning[J]．Nature，2015，521(7553)：436-444．

[14] YAN L P，DONG X Z，WANG T，et al．A fault diagnosis method for gas turbines based on improved data preprocessing and an optimization deep belief network[J]．Measurement Science and Technology， 2019，31(1)：151-162．

[15] FU X Y，LUO H，ZHONG S，et al．Aircraft engine fault detection based on grouped convolutional denoising autoencoders[J]．Chinese Journal of Aeronautics，2019，32(2)：296-307．

[16] MULEWICZ B，MARZEC M，MORKISZ P，et al．Failures prediction based on performance monitoring of a gas turbine: a binary classification approach[J]．Schedae Information，2018，38(26)：9-21．

[17] LIU J，LIU J，YU D，et al．Fault detection for gas turbine hot components based on a convolutional neural network[J]．Energies，2018，11(8)：2149-2158．

[18] 趙志宏，李樂豪，楊紹普，等．一種頻域特征提取自編碼器及其在故障診斷中的應(yīng)用研究[J/OL]．中國(guó)機(jī)械工程：1-8[2021-03-16].http://kns.cnki.net/kcms/detail/42.1294.th.20210316.1534.006.html．

ZHAO Z H，LI L H，YANG S P，et al．A frequency domain feature extraction auto-encoder and its application on fault diagnosis[J/OL]．China Mechanical Engineering：1-8[2021-03-16].http://kns.cnki.net/kcms/detail/42.1294.th.20210316.1534.006.html．

[19] 顧珉，施華君．基于降噪自編碼器降維的汽車行駛工況分析[J]．計(jì)算機(jī)系統(tǒng)應(yīng)用，2021，30(1)：38-44．

GU M，SHI H J．Analysis of vehicle driving condition based on de-noise autoencoder[J]．Computer Systems & Applications，2021，30(1)：38-44．

[20] 周云成，鄧寒冰，許童羽，等．基于稠密自編碼器的無監(jiān)督番茄植株圖像深度估計(jì)模型[J]．農(nóng)業(yè)工程學(xué)報(bào)，2020，36(11)：182-192．

ZHOU Y C，DENG H B，XU T Y，et al．Unsupervised deep estimation modeling for tomato plant image based on dense convolutional auto-encoder[J]．Transactions of the Chinese Society of Agricultural Engineering，2020，36(11)：182-192．

[21] TAX D M J，DUIN R P W．Support vector data description[J]．Machine learning，2004，54(1)：45-66．

Anomaly Detection of Gas Turbine Hot Components Based on Deep Autoencoder and Support Vector Data Description

BAI Mingliang1, ZHANG Dongxue2, LIU Jinfu2*, LIU Jiao3, YU Daren1,2

(1. Department of Control Science and Engineering, Harbin Institute of Technology, Harbin 150001, Heilongjiang Province, China; 2. School of Energy Science and Engineering, Harbin Institute of Technology, Harbin 150001, Heilongjiang Province, China; 3. AVIC Shenyang Aircraft Design & Research Institute, Shenyang 110035, Liaoning Province, China)

Anomaly detection of gas turbine hot components can ensure its operational safety and reliability. With the boom of artificial intelligence, data-driven fault diagnosis is becoming increasingly popular. However, in actual applications, fault data of gas turbines are rare or even unavailable. Aiming to solve the anomaly detection problem of gas turbine hot components in the case of only normal data available, this paper proposed an anomaly detection method based on the fusion of deep autoencoder and support vector data description. This method uses normal data to train deep autoencoder and then uses the reconstruction errors of deep autoencoder to train support vector data description. Experiments show that, compared with conventional anomaly detection methods, the proposed method can significantly improve the anomaly detection accuracy and realize more sensitive and robust anomaly detection of gas turbine hot components.

gas turbine; hot components; deep autoencoder (DAE); support vector data description (SVDD); anomaly detection; fault diagnosis

2021-03-23。

10.12096/j.2096-4528.pgt.21021

TK 05

國(guó)家自然科學(xué)基金項(xiàng)目(51976042)；國(guó)家重大科技專項(xiàng)(2017-I-0007-0008)。

Project Supported by National Natural Science Foundation of China (51976042); National Science and Technology Major Project of China (2017-I-0007-0008).

(責(zé)任編輯 辛培裕)