Resumen

La turbina de gas se utiliza ampliamente por sus ventajas de arranque y parada rápidos, ausencia de contaminación y alto rendimiento térmico. Sin embargo, el entorno de trabajo de alta temperatura, alta presión y alta velocidad hace que la turbina de gas sea propensa a los fallos. El esquema tradicional de diagnóstico inteligente de fallos en la ruta del gas de la turbina de gas tiene los problemas de un pobre efecto de control y una baja precisión de programación. El experimento estudia la aplicación de la red neuronal y el algoritmo de aprendizaje de refuerzo en el diagnóstico inteligente de fallos en la trayectoria del gas de la turbina de gas. El control preciso de la planificación del diagnóstico de fallos se realiza a partir del diagnóstico de fallos en la trayectoria del gas, el mantenimiento diario, la supervisión del estado de servicio, la tasa de utilización de la energía y otros aspectos de la turbina de gas. El modelo de aprendizaje de refuerzo puede realizar el diagnóstico inteligente y el registro de la falla de la trayectoria del gas de la turbina de gas, para lograr un análisis diversificado y un esquema de diagnóstico inteligente. A través del algoritmo de la red neuronal y la tecnología de aprendizaje profundo, se realiza la supervisión de todo el proceso de la turbina de gas, y se reduce la tasa de fallos de la turbina de gas en el proceso de trabajo. Los resultados experimentales muestran que, en comparación con el método de diagnóstico de fallas térmicas y el método de diagnóstico de fallas del taladro eléctrico de percusión, utilizando imágenes térmicas, el modelo de diagnóstico inteligente de fallas de la ruta de gas de la turbina de gas basado en el algoritmo de aprendizaje de refuerzo puede completar la información de datos en el proceso de transmisión de datos en tiempo real. La conversión y el procesamiento cuantificados del sistema tienen las ventajas de una mayor precisión de control y una mayor velocidad de respuesta, lo que puede mejorar eficazmente la eficiencia y la precisión del diagnóstico.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:turbina de gas, fallo en la trayectoria del gas, esquema de diagnóstico inteligente, métodos de diagnóstico de fallos, algoritmo de aprendizaje por refuerzo, diagnóstico inteligente, efectos de control deficientes, modelo de diagnóstico inteligente, planificación del diagnóstico de fallos, supervisión de las condiciones de servicio
• Keywords:gas turbine, gas path fault, intelligent diagnosis scheme, fault diagnosis methods, reinforcement learning algorithm, intelligent diagnosis, poor control effects, intelligent diagnosis model, fault diagnosis planning, services conditions monitoring