【技术实现步骤摘要】
本专利技术涉及设备检修，特别涉及一种故障预测方法、装置、存储介质以及电子设备。
技术介绍
1、核电站主泵是核电站介质输运、热量交换的重要动力源，同时也是反应堆能安全停堆的重要安全设施，其安全可靠性直接影响反应堆的功能完整性和安全可靠性。当前对核电站主泵开展状态评估仅仅完成对主泵是否有故障以及与故障对应的故障类型，没有对主泵特征变化趋势进行预测的方法，使得检修人员只能凭借已出现的故障进行设备的检修，使得设备检修不及时，影响设备的使用寿命，并同时造成非常大的经济损失。
技术实现思路
1、有鉴于此，本专利技术提供了一种故障预测方法、装置、存储介质以及电子设备，主要目的在于解决目前存在的无法预测设备故障类型而导致的设备检修不及时，影响设备的使用寿命的问题。
2、为解决上述问题，本申请提供一种故障预测方法，包括：
3、基于各特征数据集，采用预设神经网络算法进行预测，得到未来各预测时刻的预测特征数据集，各所述特征数据集是对待检修设备的各采样时刻采集的振动信号数据进行特征提取得到的；
4、采用各预设支持向量机模型分别对各所述特征数据集以及各所述预测特征数据集进行故障类型识别，得到与各所述特征数据集对应的各故障类型的概率值以及与各预测特征数据集对应的各故障类型的预测概率值；
5、基于各所述概率值采用因果指数法进行故障筛选，得到待检测设备的一次故障类型，以提示检修人员针对主生故障进行检修处理；
6、基于预定检修时刻以及与所述预定检修时刻对应
7、可选的，所述基于各特征数据集，采用预设时间序列算法进行预测，得到未来各预测时刻的预测特征数据集，具体包括：
8、实时采集获得待检修设备的各采样时刻对应的振动信号数据，所述振动信号数据包括振动速度信号数据以及振动位移信号数据中的一种或几种；
9、对各所述振动信号数据进行特征提取，获得各所述采样时刻对应的所述特征数据集，所述特征数据集包括振动烈度、峭度、1倍频幅值、1/2倍频幅值、2倍频幅值、4倍频幅值、8倍频幅值、1k～2k频段能量以及相对传感器信号的相对相位中的一种或者几种；
10、基于各所述特征数据集采用预设神经网络算法对未来各预测时刻的特征数据进行预测，得到各所述预测时刻对应的预测特征数据集。
11、可选的，在采用各预设支持向量机模型分别对各所述特征数据集以及各所述预测特征数据集进行故障类型识别之前，所述方法还包括：构建各所述预设支持向量机模型，具体包括：
12、确定待检修设备的各故障类型，所述故障类型包括：导轴承磨损、转子偏心故障、屏蔽套刮磨故障中的至少两种；
13、针对各所述故障类型，分别构建各所述故障类型对应的初始支持向量机模型；
14、获取用于训练各所述初始支持向量机模型的历史样本数据集；对各所述历史样本数据集进行标注，得到各初始标签数据集；
15、采用预设人工合成数据算法对各所述标签数据集进行样本集扩充，得到各标签数据集；基于各所述标签数据集对各所述初始支持向量机模型进行训练，得到各所述预设支持向量机模型。
16、可选的，所述基于各所述概率值采用因果指数法进行故障筛选，得到待检测设备的一次故障类型，具体包括：
17、基于各所述概率值采用因果指数法进行计算处理，获得各故障类型间的因果指数值；
18、基于各所述因果指数值确定所述待检测设备的一次故障类型。
19、可选的，所述基于各所述概率值采用因果指数法进行计算处理，获得各故障类型间的因果指数值，具体包括：
20、对各所述概率值进行筛选，获得与各所述故障类型对应的各采样时刻的概率值组成的概率值集合；
21、针对各概率值集合采用自回归算法进行计算处理，获得与各所述故障类型对应的自回归残差数据集；
22、构建各所述故障类型的映射关系；
23、针对同一映射关系对应的各故障类型，采用线性回归算法进行计算处理，获得各所述映射关系对应的线性回归残差数据集；
24、针对同一映射关系对应的线性回归残差数据集以及同一映射关系中各故障类型对应的自回归残差数据集，采用预设因果指数算法进行计算处理，获得与各所述映射关系对应的因果指数值。
25、可选的，所述针对同一映射关系对应的线性回归残差数据集以及同一映射关系中各目标故障类型对应的自回归残差数据集，采用预设因果指数算法进行计算处理，获得与各所述映射关系对应的因果指数值，具体包括：
26、对同一映射关系中各故障类型对应的自回归残差数据集进行方差计算，获得各所述自回归残差数据集对应的第一方差值；
27、计算同一所述映射关系对应的线性回归残差数据集进行方差计算，获得与所述映射关系对应的第二方差值；
28、分别对各所述第一方差值与所述第二方差值进行除法运算处理，得到与各所述故障类型对应的方差比值；
29、对各所述方差比值进行对数计算处理，得到与各所述故障类型分别对应的因果指数值。
30、可选的，所述基于各所述因果指数值确定所述待检测设备的一次故障类型，具体包括：
31、当所述因果指数值大于预设阈值时，则计算得到所述因果指数值的第一方差值对应的故障类型为相对于同一映射关系的另一故障类型的一次故障类型。
32、为解决上述问题本申请提供一种故障预测装置，包括：
33、预测模块：用于基于各特征数据集，采用预设时间序列算法进行预测，得到未来各预测时刻的预测特征数据集，各所述特征数据集是对待检修设备的各采样时刻采集的振动信号数据进行特征提取得到的；
34、故障类型识别模块：用于采用各预设支持向量机模型分别对各所述特征数据集以及各所述预测特征数据集进行故障类型识别，得到与各所述特征数据集对应的各故障类型的概率值以及与各预测特征数据集对应的各故障类型的预测概率值；
35、故障筛选模块：用于基于各所述概率值采用因果指数法进行故障筛选，得到待检测设备的一次故障类型，以提示检修人员针对主生故障进行检修处理；
36、检修模块：用于基于预定检修时刻以及与所述预定检修时刻对应的各所述预测概率值，确定在所述预定检修时刻发生的各二次故障，以提示检修人员针对各所述二次故障进行检修处理。
37、为解决上述问题本申请提供一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述故障预测方法的步骤。
38、为解决上述问题本申请提供一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述所述故障预测方法的步骤。
39、本申请通过对待检修设备的各采样时刻采集的振动信号数据进行特征提取得到各特征数据集，对各特征本文档来自技高网...
【技术保护点】
1.一种故障预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于各特征数据集，采用预设时间序列算法进行预测，得到未来各预测时刻的预测特征数据集，具体包括：
3.如权利要求1所述的方法，其特征在于，在采用各预设支持向量机模型分别对各所述特征数据集以及各所述预测特征数据集进行故障类型识别之前，所述方法还包括：构建各所述预设支持向量机模型，具体包括：
4.如权利要求1所述的方法，其特征在于，所述基于各所述概率值采用因果指数法进行故障筛选，得到待检测设备的一次故障类型，具体包括：
5.如权利要求4所述的方法，其特征在于，所述基于各所述概率值采用因果指数法进行计算处理，获得各故障类型间的因果指数值，具体包括：
6.如权利要求5所述的方法，其特征在于，所述针对同一映射关系对应的线性回归残差数据集以及同一映射关系中各目标故障类型对应的自回归残差数据集，采用预设因果指数算法进行计算处理，获得与各所述映射关系对应的因果指数值，具体包括：
7.如权利要求6所述的方法，其特征在于，所述基于各所述因果指数值
8.一种故障预测装置，其特征在于，包括：
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述故障预测方法的步骤。
10.一种电子设备，其特征在于，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-7任一项所述故障预测方法的步骤。
...【技术特征摘要】
1.一种故障预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于各特征数据集，采用预设时间序列算法进行预测，得到未来各预测时刻的预测特征数据集，具体包括：
3.如权利要求1所述的方法，其特征在于，在采用各预设支持向量机模型分别对各所述特征数据集以及各所述预测特征数据集进行故障类型识别之前，所述方法还包括：构建各所述预设支持向量机模型，具体包括：
4.如权利要求1所述的方法，其特征在于，所述基于各所述概率值采用因果指数法进行故障筛选，得到待检测设备的一次故障类型，具体包括：
5.如权利要求4所述的方法，其特征在于，所述基于各所述概率值采用因果指数法进行计算处理，获得各故障类型间的因果指数值，具体包括：
6.如权利要求5所述的方法...
【专利技术属性】
技术研发人员：罗能，刘才学，蒋兆翔，何攀，王广金，杨泰波，罗婷，周成宁，钟彦杰，李书剑，王进，邹博豪，陈雪莹，
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。