本發(fā)明涉及主氦風(fēng)機(jī)故障診斷，尤其涉及一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷系統(tǒng)及方法。

背景技術(shù)：

1、主氦風(fēng)機(jī)是核電站關(guān)鍵設(shè)備之一，其作為核反應(yīng)堆一回路系統(tǒng)的主要循環(huán)動(dòng)力，肩負(fù)著冷卻劑循環(huán)和熱量傳遞的重要職責(zé)，其運(yùn)行狀態(tài)直接關(guān)系到核電機(jī)組的安全與效率。然而，主氦風(fēng)機(jī)由于其復(fù)雜的內(nèi)部結(jié)構(gòu)和苛刻的工作環(huán)境，長期運(yùn)行過程中不可避免地會(huì)發(fā)生各類機(jī)械故障和性能退化問題，如軸承磨損、葉片開裂、轉(zhuǎn)子不平衡等。這些故障一旦發(fā)生，輕則影響機(jī)組運(yùn)行效率，重則可能引發(fā)事故，造成重大的安全隱患和經(jīng)濟(jì)損失。因此，對主氦風(fēng)機(jī)進(jìn)行狀態(tài)監(jiān)測和故障診斷至關(guān)重要。

2、傳統(tǒng)的主氦風(fēng)機(jī)故障診斷主要依賴于人工巡檢和定期檢修，存在諸多局限性：首先，離線檢測無法及時(shí)發(fā)現(xiàn)設(shè)備的早期異常，可能錯(cuò)失最佳的維修時(shí)機(jī)；其次，拆卸檢查會(huì)破壞設(shè)備完整性，引入新的故障風(fēng)險(xiǎn)；再者，維修決策高度依賴專家經(jīng)驗(yàn)，缺乏客觀量化的依據(jù)。隨著狀態(tài)監(jiān)測技術(shù)的發(fā)展，機(jī)組運(yùn)行過程中產(chǎn)生了海量的多源傳感器數(shù)據(jù)，蘊(yùn)含著設(shè)備健康狀態(tài)的重要信息。如何高效地整合這些異構(gòu)數(shù)據(jù)，及時(shí)準(zhǔn)確地診斷主氦風(fēng)機(jī)故障，成為一個(gè)亟待解決的問題。

3、近年來，人工智能技術(shù)在機(jī)械故障診斷領(lǐng)域得到了廣泛應(yīng)用。其中，基于深度學(xué)習(xí)的方法憑借其強(qiáng)大的特征提取和模式識(shí)別能力，在軸承、齒輪等關(guān)鍵部件的故障識(shí)別方面取得了顯著成果。然而，現(xiàn)有的深度學(xué)習(xí)診斷模型大多針對單一類型的信號(hào)，如振動(dòng)信號(hào)或電流信號(hào)，忽視了不同信號(hào)之間的關(guān)聯(lián)和互補(bǔ)性。此外，大部分模型屬于“黑箱”結(jié)構(gòu)，缺乏可解釋性，難以獲得專業(yè)人員的信任。同時(shí)，現(xiàn)有研究主要聚焦于故障發(fā)生后的事后診斷，對故障預(yù)警和趨勢預(yù)測的關(guān)注不足，難以支撐主動(dòng)預(yù)防性維修決策。

4、針對以上問題，亟需開發(fā)一種面向主氦風(fēng)機(jī)的智能故障診斷新方法。該方法應(yīng)充分利用機(jī)組運(yùn)行過程中產(chǎn)生的多源異構(gòu)監(jiān)測數(shù)據(jù)，構(gòu)建綜合健康指標(biāo)；采用可解釋的人工智能模型，提高診斷結(jié)果的可信度；引入故障預(yù)警和剩余壽命預(yù)測功能，實(shí)現(xiàn)從被動(dòng)診斷到主動(dòng)預(yù)防的轉(zhuǎn)變；同時(shí)，該方法應(yīng)具備在線自適應(yīng)能力，能夠持續(xù)學(xué)習(xí)，適應(yīng)設(shè)備狀態(tài)的動(dòng)態(tài)變化。這對于提高主氦風(fēng)機(jī)乃至核電機(jī)組的安全性、可靠性和經(jīng)濟(jì)性，具有重要的理論意義和實(shí)踐價(jià)值。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，本發(fā)明實(shí)現(xiàn)對主氦風(fēng)機(jī)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測和故障診斷。該系統(tǒng)通過采集主氦風(fēng)機(jī)的振動(dòng)、電流、溫度等多維度傳感器數(shù)據(jù)，對數(shù)據(jù)進(jìn)行清洗、歸一化和時(shí)頻特征提取，再通過可解釋性的深度學(xué)習(xí)模型進(jìn)行故障模式識(shí)別和故障根源診斷。同時(shí)，系統(tǒng)還具備故障預(yù)警功能，可以根據(jù)主氦風(fēng)機(jī)的健康指數(shù)模型和動(dòng)態(tài)優(yōu)化的預(yù)警規(guī)則，實(shí)現(xiàn)多階段的故障趨勢預(yù)測和預(yù)警。此外，系統(tǒng)利用在線自適應(yīng)模塊，通過遷移學(xué)習(xí)方法，持續(xù)優(yōu)化深度學(xué)習(xí)模型，以適應(yīng)設(shè)備運(yùn)行狀態(tài)的變化，提高故障診斷的準(zhǔn)確性和效率。

2、為解決上述技術(shù)問題，提出了一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷系統(tǒng)，其特征在于，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、故障預(yù)警模塊、故障診斷模塊以及在線自適應(yīng)模塊。

3、所述數(shù)據(jù)采集模塊，用于采集主氦風(fēng)機(jī)運(yùn)行過程中的振動(dòng)、電流、溫度的多維度傳感器數(shù)據(jù)。

4、所述數(shù)據(jù)預(yù)處理模塊，用于對采集的原始數(shù)據(jù)進(jìn)行清洗、歸一化和時(shí)頻特征提取。

5、所述故障預(yù)警模塊，基于健康指數(shù)模型和動(dòng)態(tài)優(yōu)化的預(yù)警規(guī)則，實(shí)現(xiàn)多階段的故障趨勢預(yù)測和預(yù)警。

6、所述故障診斷模塊，采用可解釋性的深度學(xué)習(xí)模型，基于所述時(shí)頻特征進(jìn)行故障模式識(shí)別和故障根源診斷。

7、所述在線自適應(yīng)模塊，利用遷移學(xué)習(xí)方法，持續(xù)優(yōu)化所述深度學(xué)習(xí)模型以適應(yīng)設(shè)備運(yùn)行狀態(tài)的變化。

8、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷系統(tǒng)的一種優(yōu)選方案，其中：所述數(shù)據(jù)采集模塊包括，系統(tǒng)上部署有振動(dòng)傳感器、電流傳感器、溫度傳感器，實(shí)時(shí)采集主氦風(fēng)機(jī)運(yùn)行數(shù)據(jù)。

9、所述數(shù)據(jù)預(yù)處理模塊包括異常值檢測和去除子模塊、數(shù)據(jù)歸一化子模塊和時(shí)頻特征提取子模塊。

10、所述異常值檢測和去除子模塊，識(shí)別并去除采集數(shù)據(jù)中的異常值。

11、所述數(shù)據(jù)歸一化子模塊，將不同量綱的數(shù)據(jù)歸一化到[0，1]區(qū)間。

12、所述時(shí)頻特征提取子模塊，采用傅里葉變換、小波變換提取時(shí)頻域特征。

13、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷系統(tǒng)的一種優(yōu)選方案，其中：所述故障預(yù)警模塊包括，健康指數(shù)預(yù)測子模塊和預(yù)警規(guī)則優(yōu)化子模塊。

14、所述健康指數(shù)預(yù)測子模塊，基于歷史數(shù)據(jù)的退化趨勢分析建立主氦風(fēng)機(jī)健康指數(shù)預(yù)測模型。

15、所述預(yù)警規(guī)則優(yōu)化子模塊，利用強(qiáng)化學(xué)習(xí)動(dòng)態(tài)優(yōu)化多級(jí)預(yù)警規(guī)則，提高預(yù)警的準(zhǔn)確性。

16、所述故障診斷模塊包括采用特征級(jí)融合和決策級(jí)融合的方式進(jìn)行數(shù)據(jù)融合，采用注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)模型，對故障特征的重要性進(jìn)行自適應(yīng)加權(quán)，給訓(xùn)練樣本打上故障模式及根源標(biāo)簽，并利用adam優(yōu)化器進(jìn)行模塊優(yōu)化，并設(shè)置合理的超參數(shù)。

17、所述故障診斷模塊還包括采用流式數(shù)據(jù)處理技術(shù)，在主氦風(fēng)機(jī)運(yùn)行過程中持續(xù)分析傳感器數(shù)據(jù)，當(dāng)出現(xiàn)異常情況時(shí)，立即進(jìn)行故障診斷并反饋結(jié)果，縮短故障發(fā)現(xiàn)和定位的響應(yīng)時(shí)間，減少設(shè)備停機(jī)時(shí)間。

18、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷系統(tǒng)的一種優(yōu)選方案，其中：所述在線自適應(yīng)模塊包括，在線學(xué)習(xí)子模塊和跨設(shè)備遷移子模塊。

19、所述在線學(xué)習(xí)子模塊，定期使用新采集的數(shù)據(jù)微調(diào)深度學(xué)習(xí)模型參數(shù)。

20、所述跨設(shè)備遷移子模塊，利用遷移學(xué)習(xí)方法，將訓(xùn)練好的模型遷移到新的主氦風(fēng)機(jī)設(shè)備上，降低訓(xùn)練成本。

21、本發(fā)明的另外一個(gè)目的是提供了一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷方法，本方法通過采集多維度傳感器數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測和故障診斷，利用健康指數(shù)模型和動(dòng)態(tài)預(yù)警規(guī)則實(shí)現(xiàn)故障預(yù)測，采用可解釋性深度學(xué)習(xí)模型識(shí)別故障模式，并通過遷移學(xué)習(xí)持續(xù)優(yōu)化模型，提高故障診斷的準(zhǔn)確性和效率。

22、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷方法的一種優(yōu)選方案，其中：所述異常值檢測和去除子模塊包括，采用基于z-score和基于箱線圖的綜合異常值檢測方法，當(dāng)數(shù)據(jù)服從正態(tài)分布時(shí)，則z-score表示數(shù)據(jù)點(diǎn)相對于均值的偏離程度，計(jì)算公式為：

23、

24、其中，yi為第i個(gè)數(shù)據(jù)點(diǎn)的原始值，μ和分別為數(shù)據(jù)的均值和標(biāo)準(zhǔn)差。

25、計(jì)算數(shù)據(jù)的上下四分位數(shù)q1和q3，以及四分位距iqr＝q3-q1，判定異常值為：

26、

27、當(dāng)滿足|zi|大于3且滿足標(biāo)準(zhǔn)一或標(biāo)準(zhǔn)二時(shí)，則判定當(dāng)前數(shù)據(jù)點(diǎn)為異常值并剔除。

28、所述數(shù)據(jù)歸一化子模塊包括，采用min-max歸一化方法，將數(shù)據(jù)線性轉(zhuǎn)換到[0，1]區(qū)間：

29、

30、其中，ymin和ymax分別為數(shù)據(jù)的最小值和最大值，yi′為歸一化后的值。

31、所述時(shí)頻特征提取子模塊包括，對振動(dòng)信號(hào)進(jìn)行短時(shí)傅里葉變換，提取時(shí)頻譜特征：

32、

33、其中，x(t)為時(shí)域信號(hào)，w(t)為窗函數(shù)，τ為時(shí)間平移量，f為頻率參數(shù)。

34、對電流信號(hào)進(jìn)行小波包分解同時(shí)在時(shí)間和頻率兩個(gè)方向展開，提取時(shí)間和頻率尺度上的特征：

35、wj,k(t)＝2j/2w(2jt-k)

36、其中，wj,k(t)為小波函數(shù)，w為母小波函數(shù)，j為尺度參數(shù)，k為平移參數(shù)，t為時(shí)間。

37、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷方法的一種優(yōu)選方案，其中：所述健康指數(shù)預(yù)測子模塊包括，采用時(shí)間序列分析方法，根據(jù)主氦風(fēng)機(jī)歷史運(yùn)行數(shù)據(jù)分析退化趨勢，建立灰色預(yù)測模型的健康指數(shù)預(yù)測模型。

38、所述預(yù)警規(guī)則優(yōu)化子模塊包括，采用強(qiáng)化學(xué)習(xí)方法動(dòng)態(tài)優(yōu)化多級(jí)預(yù)警規(guī)則，根據(jù)健康指數(shù)預(yù)測結(jié)果，設(shè)置早期預(yù)警閾值、中期預(yù)警閾值和臨界預(yù)警閾值，如果健康指數(shù)持續(xù)下降到中期預(yù)警閾值附近，及時(shí)發(fā)出中期預(yù)警，提醒維護(hù)人員注意，如果健康指數(shù)持續(xù)下降進(jìn)一步下降到臨界預(yù)警閾值，則發(fā)出緊急預(yù)警，立即給出故障診斷結(jié)果，并結(jié)合預(yù)警信息提供維修建議。

39、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷方法的一種優(yōu)選方案，其中：所述深度學(xué)習(xí)模型包括，采用注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)模型，所述注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)為：

40、卷積層，讓xi表示第i個(gè)卷積層的輸入特征圖，wi和bi分別表示卷積核的權(quán)重和偏置，進(jìn)行卷積運(yùn)算：

41、xi+1＝f(wi*xi+bi)

42、其中，f(·)為激活函數(shù)，f(x)＝max(0,x)。

43、注意力模塊，生成注意力權(quán)重調(diào)整特征通道的重要性：

44、

45、s＝fex(z,w)＝σ(w2δ(w1z))

46、

47、其中，fsq(·)為全局平均池化操作，fex(·)為兩層全連接網(wǎng)絡(luò)，σ(·)為sigmoid激活函數(shù)，δ(·)為relu函數(shù)，s為學(xué)習(xí)到的注意力權(quán)重向量對原始特征x進(jìn)行加權(quán)。

48、全連接層，將卷積層提取的特征展平并映射到分類空間，輸出故障模式和故障根源的預(yù)測概率，當(dāng)最后一個(gè)卷積層的輸出為xf，全連接層的權(quán)重和偏置分別為wf和bf，則輸出為：

49、y＝softmax(wfxf+bf)

50、其中，softmax函數(shù)用于將輸出歸一化為概率分布：

51、

52、注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)通過卷積層提取高層特征，注意力模塊自適應(yīng)調(diào)整特征重要性，全連接層完成分類決策，采用端到端的學(xué)習(xí)方式，通過反向傳播算法優(yōu)化各層參數(shù)，最小化損失函數(shù)：

53、

54、其中，n為樣本數(shù)，m為類別數(shù)，yij為樣本i屬于類別j的真實(shí)標(biāo)簽，為網(wǎng)絡(luò)預(yù)測的概率。

55、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷方法的一種優(yōu)選方案，其中：所述在線學(xué)習(xí)子模塊包括，在原有訓(xùn)練好的模型基礎(chǔ)上，利用新數(shù)據(jù)進(jìn)行短期fine-tuning，采用增量學(xué)習(xí)的方式，定期使用新采集的實(shí)時(shí)運(yùn)行數(shù)據(jù)對深度學(xué)習(xí)診斷模型進(jìn)行參數(shù)微調(diào)。

56、所述跨設(shè)備遷移子模塊包括，在新設(shè)備上僅需要使用少量標(biāo)注數(shù)據(jù)對預(yù)訓(xùn)練模型進(jìn)行fine-tuning，快速適應(yīng)新的設(shè)備環(huán)境，利用遷移學(xué)習(xí)技術(shù)，將訓(xùn)練好的診斷模型遷移到新的設(shè)備上使用。

57、所述數(shù)據(jù)融合包括，采用特征級(jí)融合和決策級(jí)融合相結(jié)合的方式進(jìn)行多源數(shù)據(jù)融合，對振動(dòng)信號(hào)進(jìn)行短時(shí)傅里葉變換，得到時(shí)頻譜圖，電流信號(hào)通過小波包分解，提取不同頻段的小波系數(shù)，振動(dòng)信號(hào)和電流信號(hào)經(jīng)過多源數(shù)據(jù)融合，輸入注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別，得到故障模式和根源診斷結(jié)果。

58、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷所述的方法的步驟。

59、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)一種基于深度學(xué)習(xí)的主氦風(fēng)機(jī)故障診斷所述的方法的步驟。

60、本發(fā)明的有益效果：本發(fā)明首先采集了主氦風(fēng)機(jī)運(yùn)行過程中的多維度傳感器數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理和特征提取，充分挖掘不同物理量中蘊(yùn)含的故障信息，構(gòu)建了全面反映設(shè)備健康狀態(tài)的綜合特征集。系統(tǒng)利用特征級(jí)融合和決策級(jí)融合相結(jié)合的方式，從多角度分析設(shè)備狀態(tài)，提高了診斷的準(zhǔn)確性和穩(wěn)定性，避免了單一數(shù)據(jù)源的局限性。

61、第二，創(chuàng)新性地將注意力機(jī)制引入卷積神經(jīng)網(wǎng)絡(luò)，通過注意力模塊自適應(yīng)地調(diào)整不同特征的權(quán)重，突出關(guān)鍵故障特征，減少了冗余信息的干擾。同時(shí)，模型的分類輸出直接對應(yīng)不同的故障模式和根源，診斷結(jié)果清晰明了。采用可解釋的注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)高效精準(zhǔn)的故障模式識(shí)別與根源定位。

62、第三，構(gòu)建了主氦風(fēng)機(jī)健康指數(shù)預(yù)測模型，通過對設(shè)備歷史退化趨勢的學(xué)習(xí)，可準(zhǔn)確預(yù)估設(shè)備未來的健康狀態(tài)。在此基礎(chǔ)上，系統(tǒng)采用強(qiáng)化學(xué)習(xí)動(dòng)態(tài)優(yōu)化多級(jí)預(yù)警閾值，針對不同的健康水平設(shè)置了早期預(yù)警、中期預(yù)警和臨界預(yù)警等多個(gè)級(jí)別。這種實(shí)時(shí)動(dòng)態(tài)的預(yù)警機(jī)制可以幫助運(yùn)維人員及時(shí)發(fā)現(xiàn)設(shè)備的異常情況，提前制定檢修計(jì)劃，有效規(guī)避故障風(fēng)險(xiǎn)，最大限度保障機(jī)組安全經(jīng)濟(jì)運(yùn)行。

63、第四，本發(fā)明的在線自適應(yīng)模塊采用增量學(xué)習(xí)方法，定期利用新采集的數(shù)據(jù)對模型進(jìn)行微調(diào)，使診斷模型能夠持續(xù)學(xué)習(xí)和進(jìn)化，適應(yīng)設(shè)備狀態(tài)的動(dòng)態(tài)變化。同時(shí)，通過遷移學(xué)習(xí)技術(shù)，可將訓(xùn)練好的模型快速遷移到新設(shè)備上，大幅減少了重復(fù)建模的成本，提高了系統(tǒng)的部署效率和擴(kuò)展性。

64、第五，將故障診斷、健康預(yù)測、預(yù)警策略優(yōu)化等環(huán)節(jié)有機(jī)結(jié)合，形成了一套完整的智能運(yùn)維解決方案。該系統(tǒng)可實(shí)現(xiàn)設(shè)備全生命周期的健康管理，為主氦風(fēng)機(jī)的狀態(tài)監(jiān)測、故障診斷、檢修策略制定、備件管理等各個(gè)環(huán)節(jié)賦能，促進(jìn)專業(yè)人員從被動(dòng)維修向主動(dòng)預(yù)防轉(zhuǎn)變，從根本上提高電站的安全性、可靠性和經(jīng)濟(jì)性，為行業(yè)樹立了智能運(yùn)維的新標(biāo)桿。

65、綜上所述，本發(fā)明融合多源異構(gòu)數(shù)據(jù)，采用可解釋的人工智能算法，構(gòu)建了一套集故障診斷、趨勢預(yù)測、預(yù)警決策、自適應(yīng)進(jìn)化為一體的主氦風(fēng)機(jī)智能運(yùn)維系統(tǒng)。該系統(tǒng)在提高診斷精度、延長預(yù)警時(shí)間、優(yōu)化檢修決策等方面取得了突破性進(jìn)展，為主氦風(fēng)機(jī)的安全高效運(yùn)行提供了堅(jiān)實(shí)的技術(shù)保障，具有顯著的創(chuàng)新性和實(shí)用價(jià)值。