研究背景與意義
微燃機(MGT)因其低排放、高燃料適應性等優勢，在分布式發電和智能電網中應用廣泛。然而長期運行中，壓縮機侵蝕(CE)、渦輪機結垢(TF)等故障會導致性能衰退，甚至引發突發停機。傳統診斷方法受限于非線性動態特性和傳感器噪聲，難以在寬負荷范圍內實現精準故障隔離�，F有研究多忽略傳感器誤差或僅針對特定工況，導致實際應用受限。

研究機構與方法
伊朗阿米爾卡比爾理工大學航空航天工程系的S.S. Talebi團隊在《Heliyon》發表研究，通過建立包含51種負荷、5類故障（CF/CE/TF/TE/RF）和31種故障強度的數據庫，模擬傳感器噪聲（標準差σ^*），構建轉換變量θ=tan^-1(δ_Xm/δ_Xn)降維，并采用雙層感知器ANN（4-20神經元結構）進行模式識別。

主要技術

1. 基于相似性方法的故障建模（Eqs.9-14）
2. 傳感器噪聲模擬（Eq.18，σ^*取0.03%-1.11%）
3. 轉換變量θ空間映射（Eq.17）
4. 交叉熵優化的ANN分類器（Softmax輸出）

研究結果

1. 故障檢測參數篩選
   通過分析δ_X相對偏差（Eq.15），發現N（轉速）和P_o2（壓縮機出口壓力）對初期故障最敏感（圖4），在CE強度<40%時仍可識別。

2. 故障隔離策略優化
   轉換變量θ_T02-T06-Po2構建的二維空間（圖6）顯示：

• θ_T06-Po2可區分換熱器故障（RCI 99.37%）
• θ_T02-Po2可識別壓縮機故障（RCI 94.95%）
  僅需監測T_o2、T_o6、P_o2三個參數（表8行16）

1. ANN性能驗證

• 在標準噪聲下平均RCI達97.4%（表9）
• 對負荷多樣性敏感度<2%（圖13）
• 噪聲加倍時RCI僅下降4-10.5%（圖14）

結論與討論
該研究創新性地將熱力學變量轉換與ANN結合，解決了MGT故障診斷中的三大難題：

1. 通過θ空間映射消除負荷變化與噪聲干擾（圖7）
2. 將監測參數從7個降至3個（T_o2/T_o6/P_o2），降低成本
3. 在0-100%故障強度范圍內保持高魯棒性（RII<5.33%）

未來可擴展至瞬態工況診斷，為智能電網的預測性維護提供關鍵技術支撐。