[發明專利]一種多策略融合的核動力關鍵設備故障診斷方法及系統

在審

• 申請號: 202010908792.8
• 申請日: 2020-09-02
• 公開（公告）號: CN112036087A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 王航;彭敏俊;夏庚磊;夏虹;鄧強;王曉昆
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F111/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉鳳玲

1.一種多策略融合的核動力關鍵設備故障診斷方法，其特征在于，包括：

獲取每一個核動力關鍵設備的每個測點的故障數據以及故障數據的類型；將所述故障數據作為原始故障信號；所述核動力關鍵設備包括離心泵、軸流泵、汽車輪機以及電動閥門；

對每個測點的所述原始故障信號進行經驗模態分解，得到每個測點的所述原始故障信號的各階本征模態函數分量；

對各階本征模態函數分量進行相空間重構，得到特征參數；

根據所述特征參數，采用排列熵算法，得到排列熵特征；

根據所述排列熵特征，采用核主元分析，確定異常檢測模型；所述異常檢測模型用于檢測異常數據；

根據所述排列熵特征以及所述故障數據的類型構建故障分類模型；所述構建故障分類模型用于對異常數據進行故障分類；

確定每一個核動力關鍵設備的每個測點的實時數據的排列熵特征；

根據所述實時數據的排列熵特征和所述異常檢測模型判斷所述實時數據是否為異常數據；

若所述實時數據是異常數據，則利用所述故障分類模型進行故障分類；

若所述實時數據不是異常數據，則返回所述確定每一個核動力關鍵設備的每個測點的實時數據的排列熵特征的步驟。

2.根據權利要求1所述的一種多策略融合的核動力關鍵設備故障診斷方法，其特征在于，所述對每個測點的所述原始故障信號進行經驗模態分解，得到每個測點的所述原始故障信號的各階本征模態函數分量，具體包括：

在所述原始故障信號中多次加入同等幅值的隨機白噪聲，得到多個加入隨機白噪聲后的信號；

對每一個所述加入隨機白噪聲后的信號進行經驗模態分解，得到對應的各階本征模態函數分量；

將所有的相同階數的本征模態函數分量進行加權平均，得到原始故障信號的各階本征模態函數分量。

3.根據權利要求1所述的一種多策略融合的核動力關鍵設備故障診斷方法，其特征在于，所述根據所述排列熵特征，采用核主元分析，確定異常檢測模型，之前還包括：

根據每一個核動力關鍵設備的每個測點的正常數據，確定主元空間統計量和殘差空間統計量的基準值。

4.根據權利要求1所述的一種多策略融合的核動力關鍵設備故障診斷方法，其特征在于，所述根據所述排列熵特征以及所述故障數據的類型構建故障分類模型，具體包括：

根據所述排列熵特征以及所述故障數據的類型，采用支持向量機，構建故障分類模型。

5.一種多策略融合的核動力關鍵設備故障診斷系統，其特征在于，包括：

故障數據信息獲取模塊，用于獲取每一個核動力關鍵設備的每個測點的故障數據以及故障數據的類型；將所述故障數據作為原始故障信號；所述核動力關鍵設備包括離心泵、軸流泵、汽車輪機以及電動閥門；

經驗模態分解模塊，用于對每個測點的所述原始故障信號進行經驗模態分解，得到每個測點的所述原始故障信號的各階本征模態函數分量；

特征參數確定模塊，用于對各階本征模態函數分量進行相空間重構，得到特征參數；

排列熵特征確定模塊，用于根據所述特征參數，采用排列熵算法，得到排列熵特征；

異常檢測模型確定模塊，用于根據所述排列熵特征，采用核主元分析，確定異常檢測模型；所述異常檢測模型用于檢測異常數據；

故障分類模型確定模塊，用于根據所述排列熵特征以及所述故障數據的類型構建故障分類模型；所述構建故障分類模型用于對異常數據進行故障分類；

實時數據的排列熵特征確定模塊，用于確定每一個核動力關鍵設備的每個測點的實時數據的排列熵特征；

判斷模塊，用于根據所述實時數據的排列熵特征和所述異常檢測模型判斷所述實時數據是否為異常數據；

故障分類模塊，用于若所述實時數據是異常數據，則利用所述故障分類模型進行故障分類；

繼續檢測模塊，用于若所述實時數據不是異常數據，則返回所述確定每一個核動力關鍵設備的每個測點的實時數據的排列熵特征的步驟。