[發明專利]一種核管道故障診斷方法

有效

• 申請號: 202110956688.0
• 申請日: 2021-08-19
• 公開（公告）號: CN113705405B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 唐樟春;吳文鋒;楊宗承;曾鑫;植良蕊;岳澗洲
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/2431;G06F18/2135;G06F18/15;G06N3/0464;G06N3/08;G06N20/20;G01H17/00
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

本發明公開了一種核管道故障診斷方法，屬于模式識別和機器學習領域。本發明通過卷積神經網絡提取核管道振動信號的特征，再采用主成分分析進行特征降維，并根據多種機器學習算法針對核管道故障診斷的準確率，最終選取診斷效果最好的三個算法組合成voting分類器，同時采用交叉驗證的方法確定三個算法的關鍵超參數，本方法相對現有方法有更好的診斷效果。

技術領域

本發明屬于模式識別和機器學習領域，尤其涉及一種核管道故障診斷方法。

背景技術

目前，通過對機械設備信號采集，應用人工智能算法對其進行故障診斷的技術已經相對成熟。但是，針對核電廠中的核管道，該技術應用少之又少，然而其運行安全關乎工作人員的生命安全，關乎環境安全。因此，對于應用人工智能算法針對核管道的故障診斷技術尤其刻不容緩。

采用卷積神經網絡進行狀態監測和故障診斷已經相對成熟，其中神經網絡的輸入端一般采用輸入信號特征的方式，網絡結構采用原始的可供選擇的各種層結構。隨著各種智能算法的產生和應用，以及對卷積神經網絡的探索，卷積神經網絡還具有一定的發展空間。

為了解決上述問題，更好將人工智能算法應用于核管道的故障診斷，本發明將卷積神經網絡進行改進，將卷積網絡的分類器softmax進行替換為更優的分類器，并采用主成分分析法將特征降維，在保留信息的基礎上減少計算量。

發明內容

本發明的目的在于提供一種核管道故障診斷方法，能更有效地實現核管道的故障診斷，保證生命財產安全和環境安全。

本發明的技術方案如下：

一種核管道故障診斷方法，其特征在于，包括以下步驟：

步驟1：采集核管道振動信號，用于生成訓練樣本、驗證樣本和測試樣本，其中核管道的樣本有四種工況構成，分別為：正常、汽蝕、共振和支撐不足；

步驟2：將樣本數據進行預處理，從而保證各個樣本的大小和性質一致，才能作為卷積網絡的輸入。

步驟2.1：將采集到的振動信號根據人工經驗，通過巴特沃斯濾波器濾除噪聲，提升信號純度。

步驟2.2：由于采集到的振動信號數據可能在不同的采樣頻率下獲得，為了保證其輸入卷積網絡的數據大小和性質一致，此處，將濾波后的時域信號進行按照相同的采樣點數據等量劃分。

步驟2.3：將劃分后的數據采用快速傅里葉變換，最終可將信號轉換為大小相同的頻域信號，即將核管道振動時域信號轉換為大小相同的二維圖像。

步驟3：將步驟2處理后的數據，分別作為訓練集、驗證集和測試集，將訓練集和驗證集作為卷積神經網絡的輸入，經過卷積神經網絡的逐層計算，將全連接層的結果輸出，該結果即是核管道各工況的特征，如圖2所示。其中，該卷積神經網絡由輸入層、三個一致的卷積層、池化層和全連接層組成；其中在卷積層中，在卷積計算完畢后，將結果標準化輸入激活層中。為了降低特征的數量，減少無用的特征，將上述的特征采用主成分分析法以保留99％的信息進行特征降維。

步驟4：將步驟3的特征作為voting分類器的訓練集，將步驟3的測試集作為voting分類器的測試集，輸出預測標簽和各標簽的預測概率。其中，本發明根據多種分類算法針對核管道振動信號的診斷準確率，即分類效果，最終確定采用支持向量機、K近臨和Adaboost組合成voting分類器；而子分類器采用交叉驗證的方法確定各自子分類器的關鍵超參數。

本發明的有益效果為：本發明提供了一種核管道故障診斷方法，將卷積神經網絡進行改進，將其分類器改成了更優的機器學習算法，其中包括集成學習算法，并采用voting分類器將多種機器學習算法進行組合，提升原始卷積網絡的分類準確率。為了進一步提升分類的準確率，針對voting分類器中的各算法，本發明采用交叉驗證的方法確定各自的關鍵超參數，進一步提升各算法的性能。

附圖說明：