核电循环水泵在线异常监测及辨识方法技术

公开了一种核电循环水泵在线异常监测及辨识方法，方法中，在线获取循环水泵运行过程中的多源时序数据，通过专家分析模块给定数据标签，进行数据规范化处理并随机划分信号为训练集和测试集样本；在输入数据流仅包含健康数据时，基于特征层约束长短时自编码器的数据融合监测模块，注意力机制及门结构可充分挖掘数据的状态信息和潜在关联特性，实现健康样本下的状态监测；随着监测数据中异常数据出现，基于编码器特征进一步构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数；采用邻近均值分类器实现对已知/未知异常状态的在线监测及辨识。本方法具有较好的兼容性和扩展性，向运行维护人员推送更精准的状态监测结果。监测结果。监测结果。

【技术实现步骤摘要】
核电循环水泵在线异常监测及辨识方法


[0001]本专利技术属于核电循环水泵在线监测
，尤其涉及一种核电循环水泵在线异常监测及辨识方法。

技术介绍

[0002]目前，核电厂针对循环水泵状态评估的主要手段仍为基于阈值报警的方法，该方法存在漏警、误警、反应滞后等严重缺陷。随着人工智能技术的日趋成熟，基于深度学习的在线监测模型可识别设备存在的异常，提升运行的安全性。近年来，国内外诸多学者应用深度学习评估设备关键部件运行状态，取得了较好的成果。然而，无监督状态监测方法无法利用可能产生的异常样本，且仅能对健康或异常进行判断，运维人员仍需开展大量的检修才能定位故障源。
[0003]为了实现对循环水泵行星齿轮箱的状态监测并进一步辨识已知异常，现存方法多依赖于完备离线的数据集以同时训练监测模型和分类模型。随着循环水泵役龄增加，设备会产生新的异常数据进而导致原模型失效，使得方法的应用成本增大、灵活性变差。且现有技术的单源数据对核电循环水泵的行星齿轮箱及其关联部件整体状态评估具有较大的局限性。
[0004]在
技术介绍
部分中公开的上述信息仅仅用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种核电循环水泵在线异常监测及辨识方法，其特征在于，其包括以下步骤：第一步骤，在线获取核电循环水泵运行过程中的多源时序数据并给定数据标签，对多源时序数据依次进行预定长度的不重叠采样，然后划分为训练集样本或测试集样本；第二步骤，在核电循环水泵运行前期采集健康样本，构建长短时自编码器实现健康样本下的状态监测，其中采用最大均值差异作为正则化项用于对齐编码层特征分布和高斯分布，其中，给定潜在表示其中d是潜在空间，h表示一次迭代中的所有时间步长，为h个子样本的对应特征，在再生核希尔伯特空间H中选择高斯分布P
z
作为目标分布，最大均值差异计算如下其中，是样本x
i
的特征；z
(i)
是目标分布为高斯分布的采样结果；φ代表从样本特征空间到再生核希尔伯特空间H的映射；低维表示的分布Z和集合X上的目标分布z
(i)
～P
z
，最大均值差异定义为特征映射φ：X
→
H，其中H是个再生核希尔伯特空间，在一次迭代中计算集合X上的最大均值差异，其中X的数量等于训练批量大小B与数据长度的乘积；第三步骤，在核电循环水泵运行过程中监测到异常数据出现，基于长短时自编码器的编码器作为特征提取器并结合全连接神经网络作为分类器构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数使得在学习新的数据时保留对旧数据的记忆，将长短时自编码器的编码器构建为异常辨识网络的特征提取器，联合损失函数中；交叉熵L
CE
为：其中，x
i
为样本输入；y为类别；y
i
为第i个样本的预测标签；s为新类别的样本标签；log为指数函数；g
y
为分类器；δ为判别函数，当且仅当y＝y
i
时输出为1，否则为0；蒸馏损失L
DL
用于在新模型中复现旧样本在原模型的输出，以抑制对已学习知识的遗忘：其中，q
i
是原模型对旧样本的预测输出；s
‑
1代表已学习类别数；三元组损失函数Loss
TN
为：L
TN
＝max(0，||N(x1)
‑
N(x2)||2‑
||N(x1)
‑
N(x3)||2+m)其中，N(x
i
)为神经网络对样本x
i
的输出；m为设定的最小边界距离，C类的x1称为锚，x2来自C类称为正样本，x3来自其他类分别称为负样本；第四步骤，采用邻近均值分类器对核电循环水泵的实时数据在线监测及辨识，对异常辨识网络输出第y类健康状态样本特征，求平均特征向量μ
y
：
其中，P
y
是类别y的范例集合；为特征提取器的映射函数；m为类别y的样本个数；用欧氏距离区分样本类别，并将待分类样本归类到与平均特征向量最邻近的类别中：其中，t是最终学习的类别总数；为类别预测值；基于健康样本的重构误差设定异常监测阙值，当重构误差高于异常监测阙值时认定为异常数据。2.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，优选的，多源时序数据包括电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移和齿轮箱输出轴Y向位移。3.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，预定长度为2048，分割后的单个数据长度为2048，通道为6通道，单个数据为6
×
2048的二维数据。4.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，对训练集样本或测试集样本中的样本x1，x2，x3，
…
，x
n
进行如下变换：其中，为对应样本最小数据值...

【专利技术属性】
技术研发人员：成玮，王松，栗琳颖，刘一龙，陈雪峰，张乐，聂泽琳，高琳，邢继，张荣勇，黄倩，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：