基于SA-2DCNN的涡轮叶片故障诊断方法

为提高燃气轮机故障诊断中预测模型的准确度,提出一种结合了自注意力(Self-Attention,SA)机制的二维卷积神经网络(Two-Dimensional Convolutional Neural Network,2DCNN)诊断方法.相比传统的故障特征提取和样本分类两阶段模式,该方法将两者合二为一:将涡轮传感器的振动信号转为格拉姆角场(Gramian Angular Field,GAF),实现振动信号从一维序列到二维图像的变换,利用SA-2DCNN的卷积层、池化层、注意力层和全连接层分别进行特征构建和样本分类,得到与振动信号对应的故障类型.以某电厂燃气轮机数据进行实验,结果表明SA-2DCNN模型具有强大的特征提取能力,分类准确率达到95.1％,相比传统模型提升了0.05～0.10,能更好地应用于叶片故障诊断.