Resumen

El diagnóstico de fallas es muy importante para mantener la operación de un sistema generador de turbina de gas (GTGS) en plantas de energía, donde cualquier situación anormal interrumpirá el suministro de electricidad. El diagnóstico de fallas del GTGS enfrenta el principal desafío de que los datos adquiridos, vibración o señales de sonido, contienen una gran cantidad de información redundante que extiende el tiempo de identificación de fallas y degrada la precisión diagnóstica. Para mejorar el rendimiento diagnóstico en el GTGS, se propone un marco efectivo de extracción de características de falla para resolver el problema del desorden de la señal e información redundante en la señal adquirida. El marco propuesto combina la extracción de características con un método general de aprendizaje automático, máquina de vectores de soporte (SVM), para implementar un diagnóstico de fallas inteligente. El método de extracción de características adopta la transformada de paquetes de ondas y características estadísticas en dominio temporal para extraer las características de fallas de la

• Materias:Degradación acelerada Fatiga estructural Proceso de compresión Metodología de detección Movimiento caótico
• Subjects:Accelerated degradation Structural fatigue Compression process Detection methodology Chaotic motion
• Palabras claves:Diagnóstico de fallas; Sistema de generador de turbina de gas; Extracción de características de falla; Máquina de vectores de soporte; Transformación de paquete de wavelet; Análisis de componentes principales del núcleo
• Keywords:Fault diagnosis; Gas turbine generator system; Fault feature extraction; Support vector machine; Wavelet packet transform; Kernel principal component analysis