【技术实现步骤摘要】
本专利技术涉及核电厂反应堆冷却剂泵在线状态监测，具体涉及基于主成分和深度学习算法的主泵故障诊断方法及系统。
技术介绍
1、反应堆冷却剂泵(简称“主泵”)是核电厂反应堆及一回路系统的重要安全设备，能够确保反应堆中核裂变以及衰变产生的热量源源不断输出到二回路系统，并且是反应堆冷却剂系统压力边界的一部分，其运行状态直接关系到核反应堆系统的性能与安全。但是随着设备服役年限的增长和组件间的耦合影响，主泵机械部件却面临着潜在的性能退化和安全问题，例如振动过高、轴承损伤、机械磨损以及轴封泄漏等。根据combustionengineering公司对美国压水堆核电厂事故的统计分析，由主泵部件失效所引起的年均停机检修时长约为200.6小时，贡献了1.67％的核电厂不可用时长，每年平均引发0.19次的紧急停机。因此，亟需采取措施了解并监测评估主泵设备的健康状态，以提高核动力装备运行的整体可用性。
2、然而，现有的核电厂主泵设备运维主要依靠人工方式，对核电厂关键设备的状态监控主要是依赖于设置的在线传感器的阈值报警，并没有实现多源监测传感信息的有效分析与集成，无法进行早期异常状态的发现和预警，主泵等关键设备的运行可靠性差，并且出现故障后的诊断也主要靠基于经验的专家知识判断，主观性强，故障排查效率低，主泵在线状态监测和故障诊断工作的实时性差、可靠性不高和准确性不高。
3、有鉴于此，特提出本申请。
技术实现思路
1、本专利技术所要解决的技术问题是现有的主泵状态监测方法主要依靠人工方式，依
2、本专利技术目的在于提供基于主成分和深度学习算法的主泵故障诊断方法及系统，可进一步提高主泵在线状态监测和故障诊断工作的可靠性和准确性，提高核电厂主泵设备运行的智能化水平和可靠性，降低因主泵设备异常故障停机造成的电厂经济损失具有重要的经济意义。
3、本专利技术通过下述技术方案实现：
4、第一方面，本专利技术提供了基于主成分和深度学习算法的主泵故障诊断方法，该方法包括：
5、获取主泵设备的实时运行数据，并将主泵设备的实时运行数据进行存储；
6、根据主泵设备的实时运行数据，采用基于主成分分析与多源数据预测的主泵运行状态循环监测法，监测主泵设备当前时刻和后续预设时间长度内的主泵状态，得到监测状态；监测状态包括正常状态和异常状态；
7、根据监测状态和主泵设备的实时运行数据，采用时频域分析法和专家知识库，并结合非安全级dcs系统采集的过程参数，进行典型故障模式的诊断与判别。
8、进一步地，主泵设备的实时运行数据指的是利用主泵设备自身的数据接口采集传感器的实时运行数据；
9、主泵设备的实时运行数据包括专用高频采集装置获取的第一数据、非安全级dcs系统采集的第二数据；第一数据包括主泵设备的振动和轴位移原始数字信号，第二数据包括主泵设备的温度、流量、转速、电流和压力等信号。
10、进一步地，基于主成分分析与多源数据预测的主泵运行状态循环监测法包括基于主成分分析的主泵在线状态监测法，步骤为：
11、步骤a1，通过获取主泵设备正常运行工况下的历史运行数据，构成n×m维的数据矩阵，其中n为样本数，m为测点个数；对历史运行数据计算均值与方差，并进行标准化处理，形成标准化样本；
12、步骤a2，通过计算获得标准化样本的协方差矩阵，并进行特征矢量分解，获得特征值和特征向量，及采用累积方差百分比法获取主元个数t；计算特征向量在特征空间上的投影，完成t2和spe两个统计指标量控制限的计算；
13、步骤a3，建立离线主元模型，利用实际设备运行数据进行过程监测步骤：将第i时刻的实时运行数据向量进行标准化得到向量xi，并将向量xi代入主元模型，得到估计向量
14、步骤a4，计算向量xi的统计量t2和spe，得到实时统计量；并将实时统计量与离线主元模型确定的控制限进行比较，判断主泵设备的监测状态；若实时统计量超出控制限，则说明被监测主泵设备发生异常，否则说明被监测主泵设备正常运行。
15、进一步地，基于主成分分析与多源数据预测的主泵运行状态循环监测法还包括基于自回归移动平均的多源参数预测，步骤为：
16、步骤b1，对历史运行数据进行预处理，得到预处理后的历史运行数据；
17、步骤b2，对预处理后的历史运行数据进行平稳性检验，并计算预处理后的历史运行数据的自相关函数和偏自相关函数；
18、步骤b3，结合平稳性检验选择，确定基于自回归移动平均模型中的相关参数；
19、步骤b4，将实时运行数据输入到训练好的基于自回归移动平均模型中进行预测，达到实时数据预测结果。
20、进一步地，基于主成分分析与多源数据预测的主泵运行状态循环监测法还包括基于循环神经网络gru的多源参数预测，步骤为：
21、步骤c1，将历史运行数据形成的数据集划分为训练集和测试集，使用minmaxscaler估计器对数据集进行归一化和预处理，得到处理后的训练数据和测试数据；
22、步骤c2，将处理后的训练数据数据输入循环神经网络进行训练，待损失函数达到预设的标准后保存循环神经网络中现有的权重和偏置；
23、步骤c3，将处理后的测试数据输入循环神经网络进行前馈计算，得到预测输出；并使用minmaxscaler估计器对预测输出进行反归一化，得到预测结果。
24、进一步地，根据监测状态和主泵设备的实时运行数据，采用时频域分析法和专家知识库，并结合非安全级dcs系统采集的过程参数，进行典型故障模式的诊断与判别，包括：
25、步骤d1，根据监测状态，通过对转子轴承系统不平衡故障、碰摩故障以及基座松动故障的故障机理进行分析，构建不同故障模式下的仿真动力学模型；
26、步骤d2，通过对不同故障模式下的仿真动力学模型进行求解，计算振动等典型故障下的激励响应，得到仿真结果；
27、步骤d3，通过对振动等的仿真计算结果进行时域波形、轴心轨迹和振动特征值的分析，建立主泵设备典型故障模式下的故障专家知识库；
28、步骤d4，通过对实时运行信号进行数据预处理，获取实时运行信号的时域波形、轴心轨迹以及频谱图，并分析其特征频率，得到实时运行信号的相关频谱；将实时运行信号的相关频谱和对应同时间的非安全级dcs系统采集的第二数据的数据特征，与故障专家知识库进行对比分析，实现主泵典型故障模式的诊断与判别；
29、其中，非安全级dcs系统采集的过程参数包括高压泄漏流量、轴封出口压力、轴承温度、电机电流和转速等。
30、第二方面，本专利技术又提供了基于主本文档来自技高网...
【技术保护点】
1.基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述主泵设备的实时运行数据指的是利用主泵设备自身的数据接口采集传感器的实时运行数据；
3.根据权利要求1所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述基于主成分分析与多源数据预测的主泵运行状态循环监测法包括基于主成分分析的主泵在线状态监测法，步骤为：
4.根据权利要求3所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述基于主成分分析与多源数据预测的主泵运行状态循环监测法还包括基于自回归移动平均的多源参数预测，步骤为：
5.根据权利要求3所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述基于主成分分析与多源数据预测的主泵运行状态循环监测法还包括基于循环神经网络的多源参数预测，步骤为：
6.根据权利要求1所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，根据所述监测状态和所述主泵设备的实时运行数据，采用时频域分
7.基于主成分和深度学习算法的主泵故障诊断系统，其特征在于，该系统使用如权利要求1至6中任一所述的基于主成分和深度学习算法的主泵故障诊断方法；该系统包括：
8.根据权利要求7所述的基于主成分和深度学习算法的主泵故障诊断系统，其特征在于，所述主泵设备的实时运行数据指的是利用主泵设备自身的数据接口采集传感器的实时运行数据；
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于主成分和深度学习算法的主泵故障诊断方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于主成分和深度学习算法的主泵故障诊断方法。
...【技术特征摘要】
1.基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述主泵设备的实时运行数据指的是利用主泵设备自身的数据接口采集传感器的实时运行数据；
3.根据权利要求1所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述基于主成分分析与多源数据预测的主泵运行状态循环监测法包括基于主成分分析的主泵在线状态监测法，步骤为：
4.根据权利要求3所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述基于主成分分析与多源数据预测的主泵运行状态循环监测法还包括基于自回归移动平均的多源参数预测，步骤为：
5.根据权利要求3所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在于，所述基于主成分分析与多源数据预测的主泵运行状态循环监测法还包括基于循环神经网络的多源参数预测，步骤为：
6.根据权利要求1所述的基于主成分和深度学习算法的主泵故障诊断方法，其特征在...
【专利技术属性】
技术研发人员：崔怀明，王岩，张显均，李海颖，任云，匡成骁，毛远帆，谭鑫，苏舒，
申请(专利权)人：中国核动力研究设计院，
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。