一种基于机器学习的聚变装置分子泵故障诊断与预测方法制造方法及图纸

本发明专利技术将提供一种基于机器学习的聚变装置分子泵故障诊断与预测方法，该方法通过对聚变装置中分子泵故障实时进行诊断与预测，并根据诊断预测结果对即将出现故障的分子泵进行更换和维修，从而有效降低分子泵在聚变装置运行过程中发生重大事故的可能性，进而提高聚变装置中真空系统和整个装置的安全性，解决了常规分子泵统一维护时缺乏针对性和分子泵维修发生在事故后的弊端，这对于未来聚变装置的自动化运行具有重要意义，有效解决未来聚变装置预决策和预维护所面临的难题。本发明专利技术采用一种基于支持向量机的故障诊断方法以及改进的双向长短期记忆网络模型的预测方法，可以有效提高对分子泵的故障诊断性能以及预测故障准确性。性。性。

【技术实现步骤摘要】
一种基于机器学习的聚变装置分子泵故障诊断与预测方法


[0001]本专利技术涉及聚变装置真空
，具体涉及一种基于机器学习的聚变装置分子泵故障诊断与预测方法。

技术介绍

[0002]真空抽气系统是聚变装置的核心子系统之一，分子泵是一种用于高真空环境的精密机械。为了提高真空度，抽速等性能指标，分子泵通常在极高的转速下运行。真空系统故障引发的失超会导致聚变装置的磁体局部温度迅速升高，从而破坏超导体内部的结构。因此分子泵是整个真空系统中极为重要的一环，并且影响聚变装置的自动化运行。
[0003]机械设备随着社会发展变得越来越精密，设备失效的风险也不断上升，同时用于设备维护的费用也不断增加。在这种背景下，传统的维护方式，包括当出现故障后进行维修的“事后维修”方式和定时进行设备检修维护的“计划维护”方式均不能满足需求。
[0004]传统的故障诊断方法依据工人个人经验，耗时耗力，不准确，以及无法对故障发生做出预测，导致未能对仪器设备做到预测性维护。
[0005]近年来，人工智能的快速发展，基于机器学习的故障诊断与预测技术取得了高效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于，包括如下步骤：步骤1、采集与存储分子泵实时状态信息数据；步骤2、对分子泵实时状态信息数据进行分析预处理，提取分子泵特征信息；步骤3、基于支持向量机算法的分子泵故障诊断模型，实现多种故障诊断；基于改进的双向长短时记忆网络分子泵故障预测模型，实现分子泵故障预测。2.根据权利要求1所述的一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于：所述步骤1中，采集的分子泵实时状态信息数据包括分子泵转速传感器、加速度传感器、电流传感器、电压传感器、温度传感器采集的数据，通过信号采集卡实现在工控机上数据的采集。3.根据权利要求1所述的一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于：所述步骤2包括：对预处理和特征信息提取后的数据构建矩阵X
Lm
：其中，n代表每次采样的个数，r代表预处理和特征信息提取后的分子泵转速信号，a代表预处理和特征信息提取后的分子泵加速度信号，s代表预处理和特征信息提取后的分子泵振动信号，t代表预处理和特征信息提取后的分子泵温度信号；L代表分子泵物理状态，所述物理状态包括r、a、s、t；m代表采样次数；将上述矩阵X
Lm
进行向量化，作为模型训练的输入；矩阵X
Lm
向量化为：vec(X
Lm
)＝[X
r1
，
…
，X
rn
，X
a1
，
…
，X
an
，X
s1
，
…
，X
sn
，
…
，X
t1
，
…
X
tn
]
T
其中，所述特征信息包括时域特征...

【专利技术属性】
技术研发人员：袁啸林，左桂忠，周阳，江明，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：