一种基于变分模态分解的动力设备异常检测方法及系统技术方案

本发明专利技术公开了一种基于变分模态分解的动力设备异常检测方法及系统。所述基于变分模态分解的动力设备异常检测方法，包括：获取待测动力设备的运行数据；运行数据为非平稳随机数据；对待测动力设备的运行数据进行变分模态分解，得到多个待测本征模态函数；对各待测本征模态函数进行相空间重构，得到多个待测重构特征参数；计算各待测重构特征参数的排列熵和样本熵，并对待测重构特征参数的排列熵和待测重构特征参数的样本熵进行合并，得到待测特征；将待测特征输入至训练好的卷积自编码器中，得到待测动力设备的故障诊断结果。本发明专利技术能及时快速地检测出非平稳、非线性的早期微小异常，提高检测的准确性和检测效率。

【技术实现步骤摘要】
一种基于变分模态分解的动力设备异常检测方法及系统
本专利技术涉及动力设备检测领域，特别是涉及一种基于变分模态分解的动力设备异常检测方法及系统。
技术介绍
核动力装置结构复杂，且具有放射性危险，对于安全性有着极高的要求。同时核动力系统长期连续工作，极容易发生故障，如若设备出现故障而不能及时检测和发现，可能会导致严重的放射性释放后果，危害公众安全和环境条件。目前，对核动力系统与关键设备的异常检测技术大多采用传统的阈值分析和人工经验进行判断。但是，这些传统技术并不能完全适应复杂系统与关键设备的可靠性要求，随着人工智能技术的不断发展以及其他领域的应用经验，采用高效准确的统计分析技术对运行参数的异常状态进行及时检测，可以避免危害较大的故障甚至是严重事故的发生，能够有效提高核动力系统与关键设备的运行保障能力，降低安全隐患，实现自主保障。状态监测技术与故障诊断的内涵既相互区别又相互联系，状态监测技术就是利用对采集到的数据进行信号降噪、数据处理，然后显示异常的参数并报警，并由此判断系统与设备的运行状态，为故障分析提供数据和信息。r>国际上，美国阿贡本文档来自技高网...

【技术保护点】
1.一种基于变分模态分解的动力设备异常检测方法，其特征在于，包括：/n获取待测动力设备的运行数据；所述运行数据为非平稳随机数据；/n对所述待测动力设备的运行数据进行变分模态分解，得到多个待测本征模态函数；/n对各所述待测本征模态函数进行相空间重构，得到多个待测重构特征参数；/n计算各所述待测重构特征参数的排列熵和样本熵，并对所述待测重构特征参数的排列熵和所述待测重构特征参数的样本熵进行合并，得到待测特征；/n将所述待测特征输入至训练好的卷积自编码器中，得到待测动力设备的故障诊断结果；所述训练好的卷积自编码器是以运行状态已知的动力设备的运行数据为输入，以对应的运行状态为输出训练而成；所述运行状态...

【技术特征摘要】
1.一种基于变分模态分解的动力设备异常检测方法，其特征在于，包括：
获取待测动力设备的运行数据；所述运行数据为非平稳随机数据；
对所述待测动力设备的运行数据进行变分模态分解，得到多个待测本征模态函数；
对各所述待测本征模态函数进行相空间重构，得到多个待测重构特征参数；
计算各所述待测重构特征参数的排列熵和样本熵，并对所述待测重构特征参数的排列熵和所述待测重构特征参数的样本熵进行合并，得到待测特征；
将所述待测特征输入至训练好的卷积自编码器中，得到待测动力设备的故障诊断结果；所述训练好的卷积自编码器是以运行状态已知的动力设备的运行数据为输入，以对应的运行状态为输出训练而成；所述运行状态包括正常状态和故障状态。


2.根据权利要求1所述的一种基于变分模态分解的动力设备异常检测方法，其特征在于，所述对所述待测动力设备的运行数据进行变分模态分解，得到多个待测本征模态函数，具体包括：
对所述待测动力设备的运行数据进行变分模态分解，构造受约束的变分模型；
在所述受约束的变分模型中，引入惩罚参数以及惩罚因子，根据拉格朗日函数以及傅里叶变换法确定所述受约束的变分模型的最优解；所述最优解包括最优待测模态函数以及最优待测模态函数对应的中心频率；
根据所述最优解确定待测模态分量，并对所述待测模态分量进行筛选，确定待测本征模态函数。


3.根据权利要求2所述的一种基于变分模态分解的动力设备异常检测方法，其特征在于，所述受约束的变分模型为






其中，uk为第k个待测模态函数，k为待测模态函数的序号，k＝1,2,3，ωk为待测模态函数对应的中心频率，为求导符号，为求导函数，t为时间，j为虚数，f(w)为待测动力设备的运行数据，uk(t)为t时刻的第k个模态分量。


4.根据权利要求1所述的一种基于变分模态分解的动力设备异常检测方法，其特征在于，所述计算各所述待测重构特征参数的排列熵和样本熵，并对所述待测重构特征参数的排列熵和所述待测重构特征参数的样本熵进行合并，得到待测特征，具体包括：
对所述待测重构特征参数中每个向量对应的所有元素均按照升序排列，得到多个时间序列；
计算各所述时间序列的出现概率；
基于所述时间序列得到待测重构特征参数的排列熵；
计算所述待测重构特征参数中任意两个向量对应的最大元素值之间的距离；
统计大于相似容限的距离的个数；
基于所述个数确定待测重构特征参数的样本熵；
将所述待测重构特征参数的排列熵和所述待测重构特征参数的样本熵合并，得到待测特征。


5.根据权利要求1所述的一种基于变分模态分解的动力设备异常检测方法，其特征在于，所述训练好的卷积自编码器的确定方法为：
获取运行状态已知的动力设备的运行数据和对应的运行状态，得到训练数据；
构建卷积自编码器模型；所述卷积自编码器模型包括卷积编码层和卷积解码层；所述卷积编码层包括多层卷积层和多层池化层；所述卷积解码层包括多层上采样层和多层反卷积层；
以所述训练数据中的运行数据作为输入，以所述训练数据中的运行状态作为输出，以交叉熵函数作为损失函数，采用随机梯度下降法对所述卷积自编码器模型进行训练，得到初始卷积自编码器；
采用N折交叉验证法对所述初始卷积自编码器进行调节，得到训练好的卷积自编码器。


6.一种基于变分模态分解的动力设备异常检测系统，其特征在于，包括：
数据获取模块，用于获...

【专利技术属性】
技术研发人员：王航，彭敏俊，王晓昆，夏庚磊，夏虹，刘永阔，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23