[發(fā)明專利]一種多策略融合的核動(dòng)力關(guān)鍵設(shè)備故障診斷方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010908792.8
• 申請(qǐng)日: 2020-09-02
• 公開（公告）號(hào): CN112036087A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 王航;彭敏俊;夏庚磊;夏虹;鄧強(qiáng);王曉昆
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06F111/08
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 劉鳳玲

本發(fā)明涉及一種多策略融合的核動(dòng)力關(guān)鍵設(shè)備故障診斷方法及系統(tǒng)。該方法包括獲取每一個(gè)核動(dòng)力關(guān)鍵設(shè)備的每個(gè)測點(diǎn)的故障數(shù)據(jù)以及故障數(shù)據(jù)的類型；對(duì)每個(gè)測點(diǎn)的原始故障信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到每個(gè)測點(diǎn)的原始故障信號(hào)的各階本征模態(tài)函數(shù)分量；對(duì)各階本征模態(tài)函數(shù)分量進(jìn)行相空間重構(gòu)，得到特征參數(shù)；根據(jù)特征參數(shù)，采用排列熵算法，得到排列熵特征；根據(jù)排列熵特征，采用核主元分析，確定異常檢測模型；根據(jù)排列熵特征以及故障數(shù)據(jù)的類型構(gòu)建故障分類模型；確定每一個(gè)核動(dòng)力關(guān)鍵設(shè)備的每個(gè)測點(diǎn)的實(shí)時(shí)數(shù)據(jù)的排列熵特征；利用異常檢測模型和故障分類模型實(shí)現(xiàn)數(shù)據(jù)的檢測和故障分類。本發(fā)明提高故障診斷的準(zhǔn)確率，并提供診斷結(jié)果的出現(xiàn)概率排序。

技術(shù)領(lǐng)域

本發(fā)明涉及核動(dòng)力裝置的故障診斷領(lǐng)域，特別是涉及一種多策略融合的核 動(dòng)力關(guān)鍵設(shè)備故障診斷方法及系統(tǒng)。

背景技術(shù)

核動(dòng)力裝置是典型的復(fù)雜系統(tǒng)工程，具有結(jié)構(gòu)復(fù)雜、強(qiáng)耦合和非線性的特 點(diǎn)，同時(shí)具有運(yùn)行時(shí)間長、功率大、潛在放射性釋放風(fēng)險(xiǎn)等特性。基于以上特 性，核動(dòng)力系統(tǒng)在長期運(yùn)行過程中發(fā)生失效的風(fēng)險(xiǎn)亦逐步增大，核動(dòng)力關(guān)鍵設(shè) 備在長期連續(xù)工作過程中容易發(fā)生故障，如若設(shè)備出現(xiàn)故障而不能及時(shí)采取措 施則會(huì)導(dǎo)致嚴(yán)重的后果。

智能故障診斷與分析技術(shù)主要研究如何準(zhǔn)確、有效地分析運(yùn)行中出現(xiàn)的故 障，以便及時(shí)支持后續(xù)決策。而當(dāng)前，核動(dòng)力系統(tǒng)與關(guān)鍵設(shè)備的運(yùn)行狀態(tài)判斷 和故障診斷大多采用傳統(tǒng)的閾值監(jiān)測法或依賴人工經(jīng)驗(yàn)。這些技術(shù)并不能完全 適應(yīng)復(fù)雜系統(tǒng)與關(guān)鍵設(shè)備的故障診斷任務(wù)。

隨著人工智能技術(shù)的不斷發(fā)展、核行業(yè)對(duì)數(shù)據(jù)價(jià)值和數(shù)據(jù)積累的不斷重視 以及其他領(lǐng)域故障診斷應(yīng)用的一些經(jīng)驗(yàn)，進(jìn)一步研究關(guān)鍵設(shè)備的智能故障診斷 技術(shù)是非常有必要的。相關(guān)研究可以有效提高核動(dòng)力系統(tǒng)與關(guān)鍵設(shè)備維護(hù)保障 能力，降低運(yùn)維費(fèi)用，對(duì)保障人員安全、故障排除、事故的緩解起著至關(guān)重要 的作用。

在1967年，由美國海軍研究室成立了機(jī)械故障預(yù)防小組，從此開始了故 障診斷技術(shù)的研究工作；國的故障診斷技術(shù)相關(guān)研究起步于80年代初，目前 已經(jīng)形成了相對(duì)完善的理論體系。21世紀(jì)初，美國專家VenkatV.將故障診斷 方法重新劃分為基于定量模型方法、基于定性模型方法及基于歷史數(shù)據(jù)方法三 類。國外方面，Santosh研究了神經(jīng)網(wǎng)絡(luò)在核電廠始發(fā)事件識(shí)別上的應(yīng)用，并 對(duì)比了幾種學(xué)習(xí)算法，得出了彈性BP算法為最優(yōu)學(xué)習(xí)算法的結(jié)論， Marseguerra研究了核電廠瞬態(tài)的模糊識(shí)別，Zio提出改進(jìn)的模糊聚類方法用于 對(duì)核電廠設(shè)備的瞬態(tài)進(jìn)行分類識(shí)別；Gome等采用高斯徑向基神經(jīng)網(wǎng)絡(luò)對(duì)壓 水堆電廠事故進(jìn)行分析，Sinuhe應(yīng)用基于人工神經(jīng)網(wǎng)絡(luò)檢測鈉冷快堆的堆芯組 件堵塞故障，提出一種“jump”型的多層神經(jīng)網(wǎng)絡(luò)，利用兩個(gè)神經(jīng)網(wǎng)絡(luò) 分別用來動(dòng)態(tài)識(shí)別和驗(yàn)證識(shí)別的結(jié)果。Seker提出應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)監(jiān)測高 溫氣冷堆的異常。Jose研究粒子群優(yōu)化算法在核電廠中的故障識(shí)別。

國內(nèi)方面，哈爾濱工程大學(xué)的辛成東研究了BP神經(jīng)網(wǎng)絡(luò)在核動(dòng)力裝置故 障診斷中的應(yīng)用，劉永闊將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)引入核動(dòng)力裝 置故障診斷系統(tǒng)中，并應(yīng)用數(shù)據(jù)融合做全局診斷，提出分布式診斷策略。鄧偉 采用遺傳算法進(jìn)行系統(tǒng)級(jí)故障診斷。華北電力大學(xué)的馬良玉等在高壓給水系統(tǒng) 故障診斷中研究Elman神經(jīng)網(wǎng)絡(luò)對(duì)特征參數(shù)應(yīng)達(dá)值進(jìn)行實(shí)時(shí)預(yù)測方法研究，白 士紅研究了蟻群算法在故障診斷中的應(yīng)用，段孟強(qiáng)研究了基于入侵野草算法的 核動(dòng)力裝置故障診斷算法。

伴隨著計(jì)算機(jī)及人工智能技術(shù)的發(fā)展、核動(dòng)力裝置數(shù)字化和信息化的普 及、核工業(yè)對(duì)于數(shù)據(jù)積累和數(shù)據(jù)價(jià)值的重視，數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷方法逐 漸成為主流。目前，設(shè)備故障診斷研究主要集中在以下兩個(gè)方面：