本发明专利技术涉及一种基于对比编码的中子谱仪样品环境设备故障检测方法，包括如下步骤：步骤一、研究大科学装置样品环境设备的监测信息和性能退化机制，研究对比学习健康监测基础理论；步骤二、构建贫信息条件下基于对比编码的在线单类学习模型；步骤三、采集样品环境设备的健康运行信号，基于对比编码单类学习模型，自动在线识别样品环境设备服役过程中出现的故障；考虑大科学装置样品环境设备的苛刻运行工况，利用对比学习的自监督学习能力，突破样品环境设备健康监测的少样本、少/无标签、少传感信号等贫信息限制，提高大科学装置的安全稳定健康服役的能力。定健康服役的能力。
【技术实现步骤摘要】
一种基于对比编码的中子谱仪样品环境设备故障检测方法
[0001]本专利技术涉及样品环境健康监测领域，尤其涉及一种基于对比编码的中子谱仪样品环境设备故障检测方法。
技术介绍
[0002]样品环境是散裂中子源、同步辐射光源、正负电子对撞机、重离子加速器、自由电子激光装置等大科学装置开展各种科学实验的关键设备，为大科学实验中的样品提供极限温度、极限真空、极限压力、拉/压应力、特殊气体氛围等苛刻环境条件，有时是上述两种或多种条件的组合；一方面，大科学装置需要许多台套样品环境设备提供各种苛刻极端实验条件，只允许安装少数传感器测量少量信号，而且容易产生故障；另一方面，现有样品环境设备主要由英国等少数公司提供，价格昂贵，且基本未配备健康监测系统，获得故障样本的代价很高，处于贫信息服役状态；所以，在大科学装置服役贫信息限制下开展样品环境设备，健康监测研究，对大科学装置的安全稳定高效运行具有重要的价值。
[0003]针对大科学装置样品环境设备健康监测，目前主要存在以下问题：1、大科学装置样品环境设备工作在极端苛刻的环境，又存在少样本、少/无标签、少传感信号的贫信息限制，虽然对样品环境设备的需求越来越大，但其健康监测仍然停留在人工估计和定期检修的阶段；2、已有的机械故障诊断方法大多在常规工况下取得积极的效果，但并不能直接适用于大科学装置样品环境设备的健康监测；目前还缺乏对样品环境设备故障机理及其健康监测的系统研究与归纳。
技术实现思路
[0004]本专利技术的目的是提供一种基于对比编码的中子谱仪样品环境设备故障检测方法，考虑大科学装置样品环境设备的强辐射、极限压力、极限真空、极限温度、应力冲击等苛刻运行工况，利用对比学习的自监督学习能力，突破样品环境设备健康监测的少样本、少/无标签、少传感信号等贫信息限制，提高大科学装置的安全稳定健康服役的能力。
[0005]为了实现以上目的，本专利技术采用的技术方案为：一种基于对比编码的中子谱仪样品环境设备故障检测方法，其特征在于，包括如下步骤：
[0006]步骤一、研究大科学装置样品环境设备的监测信息和性能退化机制，研究对比学习健康监测基础理论；
[0007]步骤二、构建贫信息条件下基于对比编码的在线单类学习模型；
[0008]步骤三、采集样品环境设备的健康运行信号，基于对比编码单类学习模型，自动在线识别样品环境设备服役过程中出现的故障。
[0009]优选的，步骤一的具体如下：在对大科学装置样品环境设备机械结构的研究基础上,系统分析所有可获取的、可直接或间接反映样品环境设备运行状态的少数传感器信号；根据样品环境设备服役状态的贫信息限制，研究少样本、少/无标签、少传感信号的贫信息对健康监测的有效性；由于样品环境设备间歇运行、经常改变运行工况的工作特殊性，采集
到的监测信号具有如下特点：一是由于非连续运行，可采集到的监测数据较少；二是采集到的少数样本中包括苛刻工况，也即健康状态监测数据本身存在差异；然后建立样品环境设备的有限元模型，并分析强辐射、极限真空、极限温度、极限压力、应力冲击等苛刻运行工况对样品环境设备关键部件的服役损伤作用；结合现场调研建立有限元模型,进行力学状态及振动特性分析故障模式和退化机制；考虑不同设备故障模式与故障程度在有限元模型的映射，分析样品环境设备的基本故障模式和退化机制。
[0010]优选的，步骤二具体为：将所有的健康状态监测数据看作正样本集X
+
，对每一个正样本数据，使用加噪声、翻转、随机裁剪等一维信号增强方法构造与其相似但有差异的负样本，建立负样本集X
‑
；然后训练一个由深层神经网络构成的特征提取器(Extractor)从正样本与负样本中提取特征，其训练目标是使得正样本特征间的相似度最大化，而正样本与负样本特征间的相似度最小化；也即对于训练一个特征提取器作为映射函数f，可以把x映射为其特征f(x)，并使得：
[0011]d(f(x),f(x
+
))＞＞d(f(x),f(x
‑
))
[0012]式中，x
+
是任意一个正样本，x
‑
是任意一个负样本，d(
·
,
·
)是一个衡量样本特征间相似度(距离)的函数；于是，特征提取器的训练目标函数可写为:
[0013][0014]由于d(
·
,
·
)为大于零的数，上式在x与x
+
更为相似时趋近于0，而在x与x
‑
更为相似时大于0，因此特征提取器的训练目标是优化其参数使得上式取得最小值；
[0015]使用训练好的特征提取器从样品环境设备少数数据中提取出有效特征,之后使用提取出的特征训练一个在线学习模型M，针对对比学习提取的特征，假设已有学习至t时刻的模型M
t
，在(t,t+Δt]时段采集到新的监测数据，首先使用特征提取器进行特征提取，然后基于在线学习模型的增量学习机制，使用新采集数据的特征将M
t
更新为M
t+Δt
；若新的数据也是在设备健康状态下采集的，则M
t
和M
t+Δt
不应有较大差异，此时由于M
t+Δt
学习了更多的同类数据，可将其用于之后的设备早期故障检测；反之如果模型在更新前后的差异显著，则检测到了设备故障，即：
[0016]d
M
(M
t
,M
t+Δt
)>δ
M
[0017]式中，d
M
(
·
,
·
)是一个衡量在线学习模型间相似度的函数，在线学习模型间的相似度可由其参数的距离来表示，δ
M
是用于判断模型间是否有显著差异的阈值，可通过统计学习健康状态数据时，模型在更新前后的差异来确定。
[0018]本专利技术的技术效果为：
[0019]1、考虑大科学装置样品环境设备的强辐射、极限压力、极限真空、极限温度、应力冲击等苛刻运行工况，利用对比学习的自监督学习能力，突破样品环境设备健康监测的少样本、少/无标签、少传感信号等贫信息限制，提高大科学装置的安全稳定健康服役的能力。
[0020]2、特征提取器的方法由数据增强构造的数据扩充了数据集，增大了数据量；正样本特征间的相似度高，即提取出了不随运行工况变化的健康状态特征；由于负样本与正样本有相似性，因而在特征空间中距离较近；区分正负样本使得正样本特征在特征空间中的边界更为紧凑，有利于后续的早期故障检测任务。
具体实施方式
[0021]为了使本领域技术人员更好地理解本专利技术的技术方案，下面本专利技术进行详细描述，本部分的描述仅是示范性和解释性，不应对本专利技术的保护范围有任何的限制作用。
[0022]本申请一种基于对比编码的中子谱仪样品环境设备故障检测方法，
[0023]1、大科学装置样品环境设备的监测信息本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于对比编码的中子谱仪样品环境设备故障检测方法，其特征在于，包括如下步骤：步骤一、研究大科学装置样品环境设备的监测信息和性能退化机制，研究对比学习健康监测基础理论；步骤二、构建贫信息条件下基于对比编码的在线单类学习模型；步骤三、采集样品环境设备的健康运行信号，基于对比编码单类学习模型，自动在线识别样品环境设备服役过程中出现的故障。2.根据权利要求1所述的一种基于对比编码的中子谱仪样品环境设备故障检测方法，其特征在于，步骤一的具体如下：在对大科学装置样品环境设备机械结构的研究基础上,系统分析所有可获取的、可直接或间接反映样品环境设备运行状态的少数传感器信号；根据样品环境设备服役状态的贫信息限制，研究少样本、少/无标签、少传感信号的贫信息对健康监测的有效性；由于样品环境设备间歇运行、经常改变运行工况的工作特殊性，采集到的监测信号具有如下特点：一是由于非连续运行，可采集到的监测数据较少；二是采集到的少数样本中包括苛刻工况，也即健康状态监测数据本身存在差异；然后建立样品环境设备的有限元模型，并分析强辐射、极限真空、极限温度、极限压力、应力冲击等苛刻运行工况对样品环境设备关键部件的服役损伤作用；结合现场调研建立有限元模型,进行力学状态及振动特性分析故障模式和退化机制；考虑不同设备故障模式与故障程度在有限元模型的映射，分析样品环境设备的基本故障模式和退化机制。3.根据权利要求2所述的一种基于对比编码的中子谱仪样品环境设备故障检测方法，其特征在于，步骤二具体为：将所有的健康状态监测数据看作正样本集X
+
，对每一个正样本数据，使用加噪声、翻转、随机裁剪等一维信号增强方法构造与其相似但有差异的负样本，建立负样本集X
‑
；然后训练一个由深层神经网络构成的特征提取器(Extractor)从正样本与负样本中提取特征，其训练目标是使得正样本特征间的相似度最大化，而正样本与负样本特征间的相似度最小化；也即对于训练一个特征提取器作为映射函数f，可以把x映射为其特征f(x)，并使得：d(f(x),f(x
【专利技术属性】
技术研发人员：黄云伟，杨喆，李川，雷晓彤，龙建宇，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。