基于热力学分析与人工神经网络融合的微燃机故障诊断新策略

针对微燃机(MGT)在智能电网中可靠性监测的难题，伊朗阿米尔卡比尔理工大学团队提出了一种结合热力学分析与人工神经网络(ANN)的混合诊断方案。研究通过构建包含传感器噪声的故障数据库，定义降维转换变量θ，利用ANN识别噪声环境下的故障模式，实现了97.4%的平均故障隔离准确率，显著提升了MGT在变负荷工况下的故障诊断鲁棒性，为分布式能源系统维护提供新思路。

　　

研究背景与意义
微燃机(MGT)因其低排放、高燃料适应性等优势，在分布式发电和智能电网中应用广泛。然而长期运行中，压缩机侵蚀(CE)、涡轮机结垢(TF)等故障会导致性能衰退，甚至引发突发停机。传统诊断方法受限于非线性动态特性和传感器噪声，难以在宽负荷范围内实现精准故障隔离。现有研究多忽略传感器误差或仅针对特定工况，导致实际应用受限。

研究机构与方法
伊朗阿米尔卡比尔理工大学航空航天工程系的S.S. Talebi团队在《Heliyon》发表研究，通过建立包含51种负荷、5类故障（CF/CE/TF/TE/RF）和31种故障强度的数据库，模拟传感器噪声（标准差σ^*），构建转换变量θ=tan^-1(δ_Xm/δ_Xn)降维，并采用双层感知器ANN（4-20神经元结构）进行模式识别。

主要技术

1. 基于相似性方法的故障建模（Eqs.9-14）
2. 传感器噪声模拟（Eq.18，σ^*取0.03%-1.11%）
3. 转换变量θ空间映射（Eq.17）
4. 交叉熵优化的ANN分类器（Softmax输出）

研究结果

1. 故障检测参数筛选
   通过分析δ_X相对偏差（Eq.15），发现N（转速）和P_o2（压缩机出口压力）对初期故障最敏感（图4），在CE强度<40%时仍可识别。

2. 故障隔离策略优化
   转换变量θ_T02-T06-Po2构建的二维空间（图6）显示：

• θ_T06-Po2可区分换热器故障（RCI 99.37%）
• θ_T02-Po2可识别压缩机故障（RCI 94.95%）
  仅需监测T_o2、T_o6、P_o2三个参数（表8行16）

1. ANN性能验证

• 在标准噪声下平均RCI达97.4%（表9）
• 对负荷多样性敏感度<2%（图13）
• 噪声加倍时RCI仅下降4-10.5%（图14）

结论与讨论
该研究创新性地将热力学变量转换与ANN结合，解决了MGT故障诊断中的三大难题：

1. 通过θ空间映射消除负荷变化与噪声干扰（图7）
2. 将监测参数从7个降至3个（T_o2/T_o6/P_o2），降低成本
3. 在0-100%故障强度范围内保持高鲁棒性（RII<5.33%）

未来可扩展至瞬态工况诊断，为智能电网的预测性维护提供关键技术支撑。