一种多策略融合的核动力关键设备故障诊断方法及系统技术方案

本发明专利技术涉及一种多策略融合的核动力关键设备故障诊断方法及系统。该方法包括获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；对每个测点的原始故障信号进行经验模态分解，得到每个测点的原始故障信号的各阶本征模态函数分量；对各阶本征模态函数分量进行相空间重构，得到特征参数；根据特征参数，采用排列熵算法，得到排列熵特征；根据排列熵特征，采用核主元分析，确定异常检测模型；根据排列熵特征以及故障数据的类型构建故障分类模型；确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；利用异常检测模型和故障分类模型实现数据的检测和故障分类。本发明专利技术提高故障诊断的准确率，并提供诊断结果的出现概率排序。

【技术实现步骤摘要】
一种多策略融合的核动力关键设备故障诊断方法及系统
本专利技术涉及核动力装置的故障诊断领域，特别是涉及一种多策略融合的核动力关键设备故障诊断方法及系统。
技术介绍
核动力装置是典型的复杂系统工程，具有结构复杂、强耦合和非线性的特点，同时具有运行时间长、功率大、潜在放射性释放风险等特性。基于以上特性，核动力系统在长期运行过程中发生失效的风险亦逐步增大，核动力关键设备在长期连续工作过程中容易发生故障，如若设备出现故障而不能及时采取措施则会导致严重的后果。智能故障诊断与分析技术主要研究如何准确、有效地分析运行中出现的故障，以便及时支持后续决策。而当前，核动力系统与关键设备的运行状态判断和故障诊断大多采用传统的阈值监测法或依赖人工经验。这些技术并不能完全适应复杂系统与关键设备的故障诊断任务。随着人工智能技术的不断发展、核行业对数据价值和数据积累的不断重视以及其他领域故障诊断应用的一些经验，进一步研究关键设备的智能故障诊断技术是非常有必要的。相关研究可以有效提高核动力系统与关键设备维护保障能力，降低运维费用，对保障人员安全、故障排除、事故的缓解起着至关重要的作用。在1967年，由美国海军研究室成立了机械故障预防小组，从此开始了故障诊断技术的研究工作；国的故障诊断技术相关研究起步于80年代初，目前已经形成了相对完善的理论体系。21世纪初，美国专家VenkatV.将故障诊断方法重新划分为基于定量模型方法、基于定性模型方法及基于历史数据方法三类。国外方面，Santosh研究了神经网络在核电厂始发事件识别上的应用，并对比了几种学习算法，得出了弹性BP算法为最优学习算法的结论，Marseguerra研究了核电厂瞬态的模糊识别，Zio提出改进的模糊聚类方法用于对核电厂设备的瞬态进行分类识别；Gome等采用高斯径向基神经网络对压水堆电厂事故进行分析，Sinuhe应用基于人工神经网络检测钠冷快堆的堆芯组件堵塞故障，提出一种“jump”型的多层神经网络，利用两个神经网络分别用来动态识别和验证识别的结果。Seker提出应用Elman神经网络监测高温气冷堆的异常。Jose研究粒子群优化算法在核电厂中的故障识别。国内方面，哈尔滨工程大学的辛成东研究了BP神经网络在核动力装置故障诊断中的应用，刘永阔将径向基函数神经网络和模糊神经网络引入核动力装置故障诊断系统中，并应用数据融合做全局诊断，提出分布式诊断策略。邓伟采用遗传算法进行系统级故障诊断。华北电力大学的马良玉等在高压给水系统故障诊断中研究Elman神经网络对特征参数应达值进行实时预测方法研究，白士红研究了蚁群算法在故障诊断中的应用，段孟强研究了基于入侵野草算法的核动力装置故障诊断算法。伴随着计算机及人工智能技术的发展、核动力装置数字化和信息化的普及、核工业对于数据积累和数据价值的重视，数据驱动的智能故障诊断方法逐渐成为主流。目前，设备故障诊断研究主要集中在以下两个方面：(1)多种诊断策略的融合；对于复杂设备而言，对其进行综合诊断，需要多种参数共同分析，才能对其运转状况做出诊断。诊断参数主要可以从振动、噪声、油液、温度、电力等多种信息实施诊断。因此，单一模型很难达到最优性能，因此需要组合或集成多种方法形成多策略混合模型，相比于单一模型，可以获得更优的性能。而近年来，典型的成果如：模糊理论、故障树、神经网络、分形技术等理论技术相互结合形成了小波神经网络、分型神经网络、专家系统与神经网络等多种诊断方法。这些理论之间的相互借鉴融合，提高了故障诊断的精度。(2)基于深度学习的智能故障诊断。深度学习具有强大的特征学习能力，在数据足够多的情况下能够对原始数据更深度地挖掘其中隐含的信息，因此不需要像机器学习算法那样人为选定特征，可以避免人为选定特征不确定性过大的问题。多名学者采用自编码器或卷积神经网络进行了故障模式分类并取得了一定的效果，但是没有考虑故障后的时序特性；研究人员也将近年来比较流行的单向或双向长短时记忆网络应用到设备故障诊断中，取得了比机器学习准确率高很多的结果。由于核动力关键设备的数据复杂，造成采用上述方法故障的诊断准确率不是很高。
技术实现思路
本专利技术的目的是提供一种多策略融合的核动力关键设备故障诊断方法及系统，提高故障诊断的准确率，并提供诊断结果的出现概率排序。为实现上述目的，本专利技术提供了如下方案：一种多策略融合的核动力关键设备故障诊断方法，包括：获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门；对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量；对各阶本征模态函数分量进行相空间重构，得到特征参数；根据所述特征参数，采用排列熵算法，得到排列熵特征；根据所述排列熵特征，采用核主元分析，确定异常检测模型；所述异常检测模型用于检测异常数据；根据所述排列熵特征以及所述故障数据的类型构建故障分类模型；所述构建故障分类模型用于对异常数据进行故障分类；确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；根据所述实时数据的排列熵特征和所述异常检测模型判断所述实时数据是否为异常数据；若所述实时数据是异常数据，则利用所述故障分类模型进行故障分类；若所述实时数据不是异常数据，则返回所述确定每一个核动力关键设备的每个测点的实时数据的排列熵特征的步骤。可选的，所述对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量，具体包括：在所述原始故障信号中多次加入同等幅值的随机白噪声，得到多个加入随机白噪声后的信号；对每一个所述加入随机白噪声后的信号进行经验模态分解，得到对应的各阶本征模态函数分量；将所有的相同阶数的本征模态函数分量进行加权平均，得到原始故障信号的各阶本征模态函数分量。可选的，所述根据所述排列熵特征，采用核主元分析，确定异常检测模型，之前还包括：根据每一个核动力关键设备的每个测点的正常数据，确定主元空间统计量和残差空间统计量的基准值。可选的，所述根据所述排列熵特征以及所述故障数据的类型构建故障分类模型，具体包括：根据所述排列熵特征以及所述故障数据的类型，采用支持向量机，构建故障分类模型。一种多策略融合的核动力关键设备故障诊断系统，包括：故障数据信息获取模块，用于获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门；经验模态分解模块，用于对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量；特征参数确定模块，用于对各阶本征模态函数分量进行相空间重构，得到特征参数；排列熵特征确定模块，用于根据所述特征参数，采用排列熵算法，得到排列熵本文档来自技高网...

【技术保护点】
1.一种多策略融合的核动力关键设备故障诊断方法，其特征在于，包括：/n获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门；/n对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量；/n对各阶本征模态函数分量进行相空间重构，得到特征参数；/n根据所述特征参数，采用排列熵算法，得到排列熵特征；/n根据所述排列熵特征，采用核主元分析，确定异常检测模型；所述异常检测模型用于检测异常数据；/n根据所述排列熵特征以及所述故障数据的类型构建故障分类模型；所述构建故障分类模型用于对异常数据进行故障分类；/n确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；/n根据所述实时数据的排列熵特征和所述异常检测模型判断所述实时数据是否为异常数据；/n若所述实时数据是异常数据，则利用所述故障分类模型进行故障分类；/n若所述实时数据不是异常数据，则返回所述确定每一个核动力关键设备的每个测点的实时数据的排列熵特征的步骤。/n

【技术特征摘要】
1.一种多策略融合的核动力关键设备故障诊断方法，其特征在于，包括：
获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门；
对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量；
对各阶本征模态函数分量进行相空间重构，得到特征参数；
根据所述特征参数，采用排列熵算法，得到排列熵特征；
根据所述排列熵特征，采用核主元分析，确定异常检测模型；所述异常检测模型用于检测异常数据；
根据所述排列熵特征以及所述故障数据的类型构建故障分类模型；所述构建故障分类模型用于对异常数据进行故障分类；
确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；
根据所述实时数据的排列熵特征和所述异常检测模型判断所述实时数据是否为异常数据；
若所述实时数据是异常数据，则利用所述故障分类模型进行故障分类；
若所述实时数据不是异常数据，则返回所述确定每一个核动力关键设备的每个测点的实时数据的排列熵特征的步骤。


2.根据权利要求1所述的一种多策略融合的核动力关键设备故障诊断方法，其特征在于，所述对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量，具体包括：
在所述原始故障信号中多次加入同等幅值的随机白噪声，得到多个加入随机白噪声后的信号；
对每一个所述加入随机白噪声后的信号进行经验模态分解，得到对应的各阶本征模态函数分量；
将所有的相同阶数的本征模态函数分量进行加权平均，得到原始故障信号的各阶本征模态函数分量。


3.根据权利要求1所述的一种多策略融合的核动力关键设备故障诊断方法，其特征在于，所述根据所述排列熵特征，采用核主元分析，确定异常检测模型，之前还包括：
根据每一个核动力关键设备的每个测点的正常数据，确定主元空间统计量和残差空间统计量的基准值。


4.根据权利要求1所述的一种多策略融合的核动力关键设备故障诊断方法，其特征在于，所述根据所述排列熵特征以及所述故障数据的类型构建故障分类模型，具体包括：
根据所述排列熵特征以及所述故障数据的类型，采用支持向量机，构建故障分类模型。


5.一种多策略融合的核动力关键设备故障诊断系统，其特征在于，包括：
故障数据信息获取模...

【专利技术属性】
技术研发人员：王航，彭敏俊，夏庚磊，夏虹，邓强，王晓昆，
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