一种多注意力门控融合与物理信息模型的蒸汽轮机调节级故障检测方法 马远丽 丁刚 张强 周江明 曹月

《Energies》：A Multi-Attention Gated Fusion and Physics-Informed Model for Steam Turbine Regulating-Stage Fault Detection Yuanli Ma, Gang Ding, Qiang Zhang, Jiangming Zhou and Yue Cao

　　

摘要

随着可再生能源比例的增加，涡轮机的负载变化频繁，这使得调节阶段更容易出现退化现象。传统的异常检测方法缺乏足够的敏感性和泛化能力。为了解决这个问题，本研究提出了一种结合多注意力门控融合和物理信息学习的方法。通过门控融合机制，可以自适应地提取和融合关键的时间信息和特征信息。此外，通过引入由压力、温度和阀门位置之间的关系得出的物理约束，提高了模型的泛化能力。最后，使用多输出长短期记忆神经网络建立了动态温度预测模型。使用实际电厂数据的实验表明，所提出的方法有效提高了调节阶段后的温度预测精度和异常检测的敏感性。与直接叠加方法相比，所提出的门控融合方法使预测精度提高了4.6％；而物理信息的融合则将泛化误差降低了6％以上。另外，与传统的深度学习和机器学习模型相比，所提出的方法至少将异常检测精度提高了3.9％。这项研究对于热电厂单元和电网的安全运行具有重要意义。