近日，我校电子信息学院李靖超教授在可靠性工程领域顶级期刊《IEEE Transactions on Reliability》上发表题为“A Novel Machine Learning Based Fault Diagnosis Method for All Gas-Path Components of Heavy Duty Gas Turbines With the Aid of Thermodynamic Model”的论文。我校为论文第一单位，李靖超教授为该论文的第一作者。

 燃气轮机作为国之重器在国民经济和军事国防等领域中具有重要的战略地位。重型燃气轮机是21世纪乃至更长时期内能源高效转换与洁净利用系统的核心动力设备，在“双碳”目标中发挥重要作用，作为动力心脏，确保其安全稳定地运行是关键。但我国燃气轮机的设计与制造技术与世界发达国家相比还很薄弱，尚未完全掌握相关的运维技术，只能开展常规性检修，核心部件的运行维护还被外方牢牢把控，是其垄断燃气轮机发电业务的重要手段。重型燃气轮机运维核心技术开发难度大、周期长、所需投入大，至今无论是国内外制造商还是第三方技术服务商均没有开发出成熟的诊断产品。

 本文结合基于热力模型和基于人工智能的气路诊断方法的两者优点，首次提出基于机器学习的重型燃气轮机全通流部件气路故障方法，主要贡献如下：（1）基于已建立的高精度燃气轮机热力模型，通过全通流部件的故障模拟，全面建立了通流部件内在气路故障模式与外在气路可测参数故障征兆的关系规则库；（2）通过重型燃气轮机全通流部件的故障模式与故障征兆的知识挖掘，从传统非线性气路故障诊断原理出发，建立了适用于机器学习框架的重型燃气轮机全通流部件气路故障诊断数学模型；（3）首次提出了基于机器学习的重型燃气轮机全通流部件性能量化诊断方法，所提出的方法可用于对燃气轮机机组并网后全工况（从最小IGV开度负荷至IGV全开基本负荷）全通流部件（进气系统、压气机、燃烧室、透平和排气系统）的不同故障类型和故障严重程度进行全面诊断。

 本文实现了机组并网后复杂变工况下全通流部件性能实时准确量化诊断，可以给制定恰当合理的优化控制和维修策略提供理论指导，为突破重型燃气轮机运维技术瓶颈提供一定的科学依据和技术支撑。

 论文引用格式：Jingchao Li, Yulong Ying. A novel machine learning based fault diagnosis method for all gas-path components of heavy duty gas turbines with the aid of thermodynamic model [J] IEEE Transactions on Reliability, April, 2024, doi: 10.1109/TR.2024.3383922.（赵莹）