燃气轮机在工业领域应用广泛,其结构复杂、运行环境恶劣、易发生故障。有效的故障诊断技术对保证机组安全运行,降低生命周期内维修成本具有重要意义。现有气路故障诊断大都面向单台燃机,对于一台新投运机组历史数据不足无法建立精确的模型。而对于运行很久的燃气轮机,积累的大量历史数据为新投运机组的数据分析提供了一定基础。然而同型号机组由于制造误差、检修时间不同等原因造成个体差异较大,对于不同型号机组功率等级不同更是无法直接利用历史数据。因此,迫切需要一种新方法能够有效利用历史数据中蕴含的经验和知识来帮助目标任务建立模型并进一步提高气路故障诊断准确性。本文希望借助迁移学习思想解决新投运燃机有标注数据少及单机故障样本不完备的气路故障诊断问题。主要工作和创新点如下:(1)首次在群体的意义上提出新的燃机气路故障诊断研究方向,给出机群气路故障诊断问题形象化定义,建立了能够正确反应机群气路故障的仿真模型。通过仿真分析获取数据,从机理上挖掘变工况下典型气路故障中可平移的知识,通过比较鉴别提出适用于机群故障诊断的Finetune迁移学习方法。(2)对于新投运机组有标注数据少的场景,利用运行数据丰富的机组作为源域,基于卷积神经网络(CNN)建立预训练模型提取低层次故障特征,即提取不同机组之间发生故障时不受工况及环境变化影响的共性知识(健康参数变化)。之后利用Finetune方法将共享知识迁移到目标域,本文提出的方法在新投运少数据机组能够实现精确的故障分类,比传统基于数据方法效果提升明显。迁移的重要性随着目标域数据量增加而下降。通过对网络逐层可视化分析每个类别的固有模式,揭示共性知识提取的合理性。另外从实验得出:随着不同机组数据分布差异增加,迁移学习微调的层数增加。(3)通过融合多源域故障样本利用Finetune模型解决单机故障样本不完备的问题,对目标域类别不统一及源域来自同型号和不同型号分别建立模型,帮助目标域任务更好学习,同时验证该迁移模型泛化性能良好。(4)最后,提出考虑时变特性的深度循环神经网络(RNN)迁移模型来研究动态变工况下的机群气路故障诊断,考虑时间特性的模型优于其他方法,另外简单拼接数据并不能提升分类效果,为迁移学习实际应用提供理论指导。本文通过对不同实际场景分门别类的研究,解决了新投运燃机有标注数据少及单机故障样本不完备等问题,最终得到在燃机故障诊断过程中如何应用迁移学习方法。