本發(fā)明涉及核電設(shè)備智能化監(jiān)測(cè)及故障診斷,尤其涉及一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法。
背景技術(shù):
1、主氦風(fēng)機(jī)是核電站重要的輔助設(shè)備,其可靠運(yùn)行直接關(guān)系到核電機(jī)組的安全性和經(jīng)濟(jì)性。主氦風(fēng)機(jī)通常采用電磁軸承支撐轉(zhuǎn)子,實(shí)現(xiàn)了無潤(rùn)滑、無磨損的高速運(yùn)轉(zhuǎn),大幅提升了設(shè)備的運(yùn)行效率和使用壽命。然而,電磁軸承的工作環(huán)境復(fù)雜,涉及電磁、力學(xué)、熱學(xué)等多個(gè)物理場(chǎng)的相互作用,其運(yùn)行狀態(tài)容易受到外界擾動(dòng)和內(nèi)部參數(shù)漂移的影響,導(dǎo)致振動(dòng)異常、軸位移變化、電磁線圈過熱等一系列故障問題,嚴(yán)重威脅主氦風(fēng)機(jī)的安全運(yùn)行。
2、傳統(tǒng)的主氦風(fēng)機(jī)狀態(tài)監(jiān)測(cè)主要依賴于單一類型的傳感器,如振動(dòng)傳感器、溫度傳感器等。這種單一監(jiān)測(cè)手段難以全面反映設(shè)備的實(shí)際運(yùn)行狀態(tài),尤其是在復(fù)雜工況下,單一傳感器的測(cè)量結(jié)果常常不夠準(zhǔn)確和可靠,容易導(dǎo)致漏報(bào)或誤報(bào)。此外,傳統(tǒng)的故障診斷方法主要依賴于經(jīng)驗(yàn)閾值或簡(jiǎn)單的數(shù)理統(tǒng)計(jì)模型,缺乏對(duì)設(shè)備物理機(jī)理和故障演化規(guī)律的深入挖掘,難以適應(yīng)主氦風(fēng)機(jī)運(yùn)行工況的多變性和不確定性,診斷結(jié)果的準(zhǔn)確性和實(shí)時(shí)性無法滿足實(shí)際需求。
3、近年來,隨著傳感技術(shù)、人工智能等領(lǐng)域的快速發(fā)展,多傳感器數(shù)據(jù)融合、機(jī)器學(xué)習(xí)等智能診斷方法受到越來越多的關(guān)注。通過在主氦風(fēng)機(jī)上部署多種類型的傳感器,采集反映不同物理量的監(jiān)測(cè)數(shù)據(jù),利用數(shù)據(jù)驅(qū)動(dòng)的建模和學(xué)習(xí)算法,挖掘數(shù)據(jù)內(nèi)在的關(guān)聯(lián)模式和演化規(guī)律,構(gòu)建高可信度的設(shè)備健康狀態(tài)評(píng)估和故障診斷模型,為主氦風(fēng)機(jī)的可靠運(yùn)行提供更加全面、準(zhǔn)確的決策支持,成為當(dāng)前的研究熱點(diǎn)和發(fā)展趨勢(shì)。
4、但是,如何有效融合多源異構(gòu)傳感器數(shù)據(jù),提取關(guān)鍵的健康狀態(tài)指標(biāo),構(gòu)建高效可靠的故障診斷知識(shí)庫(kù),形成設(shè)備全壽命周期的健康管理策略,仍然面臨諸多理論和技術(shù)挑戰(zhàn)。目前仍缺乏成熟完善的主氦風(fēng)機(jī)智能監(jiān)測(cè)和診斷系統(tǒng),亟需開展系統(tǒng)性的研究和創(chuàng)新。
技術(shù)實(shí)現(xiàn)思路
1、鑒于上述現(xiàn)有存在的問題,提出了本發(fā)明。
2、因此,本發(fā)明提供了一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法,本發(fā)明技術(shù)方案如下,一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法,包括:在主氦風(fēng)機(jī)軸承部位安裝用于監(jiān)測(cè)軸向和徑向振動(dòng)的渦流位移傳感器,獲取多源監(jiān)測(cè)數(shù)據(jù),構(gòu)成多源異構(gòu)的數(shù)據(jù)集;采用基于深度學(xué)習(xí)的多模態(tài)數(shù)據(jù)融合方法,提取反映主氦風(fēng)機(jī)健康狀態(tài)的綜合特征指標(biāo);構(gòu)建主氦風(fēng)機(jī)典型故障的診斷知識(shí)庫(kù),在運(yùn)行過程中持續(xù)采集監(jiān)測(cè)數(shù)據(jù),利用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)知識(shí)庫(kù)的在線更新和優(yōu)化;應(yīng)用知識(shí)庫(kù)對(duì)主氦風(fēng)機(jī)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障診斷,通過數(shù)據(jù)驅(qū)動(dòng)的故障模式匹配快速識(shí)別設(shè)備的故障類型,形成設(shè)備全生命周期智能管理方案;通過強(qiáng)化學(xué)習(xí)方法持續(xù)優(yōu)化健康管理決策,實(shí)現(xiàn)主氦風(fēng)機(jī)的健康狀態(tài)評(píng)估與維護(hù)管理決策的動(dòng)態(tài)閉環(huán)優(yōu)化。
3、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的一種優(yōu)選方案,其中:所述獲取多源監(jiān)測(cè)數(shù)據(jù)包括,在主氦風(fēng)機(jī)軸承部位安裝渦流位移傳感器,監(jiān)測(cè)軸承的振動(dòng)狀態(tài),在軸承箱體的徑向和軸向測(cè)點(diǎn)處分別布置傳感器,對(duì)轉(zhuǎn)子振動(dòng)的全方位監(jiān)測(cè),傳感器測(cè)量精度優(yōu)于1μm,獲取反映軸承振動(dòng)狀態(tài)的高質(zhì)量數(shù)據(jù),傳感器輸出與軸承振動(dòng)位移滿足線性關(guān)系:
4、uo=ks·x+uo
5、其中,uo表示為傳感器輸出電壓,ks為靈敏度,x為位移,uo為零位電壓;
6、除振動(dòng)數(shù)據(jù)外,還包含采集主氦風(fēng)機(jī)運(yùn)行過程中的電流、溫度、軸承磁場(chǎng)強(qiáng)度的物理量監(jiān)測(cè)數(shù)據(jù),各傳感器的數(shù)據(jù)采集頻率統(tǒng)一設(shè)定為10khz,并通過數(shù)據(jù)采集器實(shí)現(xiàn)同步采樣,為多模態(tài)數(shù)據(jù)融合分析提供時(shí)間對(duì)齊的數(shù)據(jù)集。
7、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的一種優(yōu)選方案,其中:所述提取反映主氦風(fēng)機(jī)健康狀態(tài)的綜合特征指標(biāo)包括,針對(duì)采集的多源監(jiān)測(cè)數(shù)據(jù),基于深度學(xué)習(xí)的多模態(tài)融合方法,提取反映設(shè)備健康狀態(tài)的綜合特征,將時(shí)序數(shù)據(jù)包括振動(dòng)、溫度、電流輸入1d?cnn進(jìn)行局部特征提取;將結(jié)構(gòu)化數(shù)據(jù)包括頻譜、軸心軌跡圖輸入2d?cnn進(jìn)行空間特征提??;將cnn提取的特征向量級(jí)聯(lián),輸入lstm網(wǎng)絡(luò)建模時(shí)序特征之間的關(guān)聯(lián),在lstm輸出層接全連接網(wǎng)絡(luò),實(shí)現(xiàn)多模態(tài)特征的非線性融合,生成反映設(shè)備健康狀態(tài)的綜合指標(biāo);
8、其中1d?cnn的核心計(jì)算過程為:
9、
10、其中,為第l層第i個(gè)輸入的第j個(gè)卷積核輸出,w和b分別為卷積核參數(shù)和偏置項(xiàng)。
11、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的一種優(yōu)選方案,其中:所述在lstm輸出層接全連接網(wǎng)絡(luò)包括,lstm的核心計(jì)算過程為,
12、ft=σ(wf·[ht-1,xt]+b′f)
13、it=σ(wi·[ht-1,xt]+b'i)
14、ot=σ(wo·[ht-1,xt]+b'o)
15、
16、ht=ot⊙tanh(ct)
17、其中,ft、it、ot分別為遺忘門、輸入門、輸出門,ct為記憶單元狀態(tài),為候選狀態(tài);ht為隱藏狀態(tài)輸出,w和b'為待學(xué)習(xí)參數(shù),σ為sigmoid激活函數(shù),tanh為雙曲正切激活函數(shù);⊙表示按元素乘。
18、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的一種優(yōu)選方案,其中:所述構(gòu)建主氦風(fēng)機(jī)典型故障的診斷知識(shí)庫(kù)包括,針對(duì)主氦風(fēng)機(jī)的典型故障模式,構(gòu)建包含多源監(jiān)測(cè)數(shù)據(jù)特征的診斷知識(shí)庫(kù),知識(shí)庫(kù)采用本體模型表示故障模式與數(shù)據(jù)特征的語(yǔ)義關(guān)聯(lián),同時(shí)引入概率框架表示知識(shí)的不確定性,支持知識(shí)庫(kù)的持續(xù)學(xué)習(xí)與更新;
19、本體模型的核心概念包括:故障模式、部件、物理量、數(shù)據(jù)特征;
20、各概念之間的語(yǔ)義關(guān)系包括:
21、fault?hascausedby?component
22、fault?hassymptom?datafeature
23、component?hasphysicalquantity?physicalquantity
24、datafeature?belongto?physicalquantity
25、在本體模型的基礎(chǔ)上,引入概率表示,將知識(shí)庫(kù)形式化為概率本體模型,設(shè)本體模型中的概念集合為:
26、
27、語(yǔ)義關(guān)系集合為:
28、
29、對(duì)于故障概念faulti在知識(shí)庫(kù)下的先驗(yàn)概率,通過相關(guān)部件的概率計(jì)算得到:
30、
31、其中,表示在知識(shí)庫(kù)下,給定部件componentj時(shí)故障faulti的條件概率,通過專家知識(shí)或統(tǒng)計(jì)數(shù)據(jù)獲??;
32、對(duì)于數(shù)據(jù)特征datafeaturek在知識(shí)庫(kù)下的邊緣概率,通過相關(guān)物理量和故障概念的條件概率計(jì)算得到:
33、
34、其中,表示在知識(shí)庫(kù)下,給定物理量physicalquantityl時(shí)數(shù)據(jù)特征datafeaturek的條件概率;表示在知識(shí)庫(kù)下,給定故障faulti和物理量physicalquantityl時(shí)數(shù)據(jù)特征datafeaturek的條件概率,通過專家知識(shí)或歷史數(shù)據(jù)估計(jì)得到。
35、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的一種優(yōu)選方案,其中:所述進(jìn)行故障診斷包括,基于上述概率本體模型,給定在線監(jiān)測(cè)數(shù)據(jù)的特征向量x=[x1,…,xk],故障診斷的推理過程表示為,
36、
37、設(shè)定各數(shù)據(jù)特征相互獨(dú)立,且故障的癥狀特征僅與對(duì)應(yīng)的物理量physicalquantityl相關(guān),進(jìn)一步得到:
38、
39、故障診斷的結(jié)果對(duì)應(yīng)于后驗(yàn)概率最大的故障概念
40、
41、基于上述知識(shí)庫(kù),給定在線監(jiān)測(cè)數(shù)據(jù)的特征向量x,故障診斷的推理過程為:
42、
43、通過知識(shí)庫(kù)中的條件概率參數(shù)求解公式,得到各故障模式的后驗(yàn)概率,概率最大的故障模式即為診斷結(jié)果:
44、
45、知識(shí)庫(kù)中的概率參數(shù)通過專家經(jīng)驗(yàn)初始化,并根據(jù)診斷反饋結(jié)果進(jìn)行持續(xù)迭代更新,實(shí)現(xiàn)知識(shí)庫(kù)與真實(shí)工況的自適應(yīng)。
46、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的一種優(yōu)選方案,其中:所述通過強(qiáng)化學(xué)習(xí)方法持續(xù)優(yōu)化健康管理決策包括,在主氦風(fēng)機(jī)運(yùn)行全周期內(nèi),通過強(qiáng)化學(xué)習(xí)方法持續(xù)優(yōu)化健康管理決策,包括預(yù)防性維護(hù)規(guī)劃、檢修方式選擇、備件采購(gòu)計(jì)劃,最大化設(shè)備生命周期價(jià)值,其中包括狀態(tài)空間、動(dòng)作空間、獎(jiǎng)勵(lì)函數(shù)r(s,a);
47、強(qiáng)化學(xué)習(xí)智能體與環(huán)境的交互過程描述為馬爾科夫決策過程:
48、vπ(s)=eπ[∑t=0tγtr(st,π(st))|s0=s]
49、其中,vπ(s)為狀態(tài)s的期望累積獎(jiǎng)勵(lì),π(s)為決策智能體在狀態(tài)s下基于策略π選擇的動(dòng)作,γ為獎(jiǎng)勵(lì)衰減因子,t為時(shí)間,e表示策略π的期望值;
50、當(dāng)前過程的優(yōu)化目標(biāo)為尋找最優(yōu)決策策略π^使得期望累積獎(jiǎng)勵(lì)最大化:
51、π^=arg?maxπvπ(s)
52、專家經(jīng)驗(yàn)用于指導(dǎo)智能體的探索過程,加速策略學(xué)習(xí)的收斂。
53、本發(fā)明的另一個(gè)目的是提供一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估系統(tǒng),其能顯著提升主氦風(fēng)機(jī)故障診斷與健康管理的智能化水平,為關(guān)鍵核電設(shè)備的安全高效運(yùn)行提供重要技術(shù)支撐。
54、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估系統(tǒng)的一種優(yōu)選方案,其中:包括數(shù)據(jù)采集單元、數(shù)據(jù)融合單元、健康狀態(tài)評(píng)估單元、知識(shí)庫(kù)模塊;
55、所述數(shù)據(jù)采集單元,負(fù)責(zé)從主氦風(fēng)機(jī)上采集振動(dòng)、溫度、電流多源傳感器數(shù)據(jù),為后續(xù)的數(shù)據(jù)融合和健康狀態(tài)評(píng)估提供原始輸入;
56、所述數(shù)據(jù)融合單元,接收數(shù)據(jù)采集單元輸出的多源異構(gòu)數(shù)據(jù),進(jìn)行預(yù)處理和融合;同時(shí)利用深度學(xué)習(xí)方法,從融合后的數(shù)據(jù)中提取能夠反映設(shè)備健康狀態(tài)的關(guān)鍵特征,為健康狀態(tài)評(píng)估提供更加高層和抽象的特征表示;
57、所述健康狀態(tài)評(píng)估單元包含三個(gè)模塊:
58、健康評(píng)估模塊,根據(jù)數(shù)據(jù)融合單元提取的特征,對(duì)主氦風(fēng)機(jī)的整體健康狀態(tài)進(jìn)行評(píng)分和量化;
59、故障診斷模塊,利用知識(shí)庫(kù)模塊中的診斷規(guī)則,對(duì)主氦風(fēng)機(jī)的潛在故障模式進(jìn)行識(shí)別和診斷;
60、決策優(yōu)化模塊,綜合考慮健康評(píng)估和故障診斷的結(jié)果,采用強(qiáng)化學(xué)習(xí)等智能優(yōu)化算法,自動(dòng)生成主氦風(fēng)機(jī)的最優(yōu)維護(hù)決策方案,包括維護(hù)時(shí)間、維護(hù)方式;
61、所述知識(shí)庫(kù)模塊,存儲(chǔ)主氦風(fēng)機(jī)的典型故障模式、故障特征以及相應(yīng)的診斷規(guī)則,綜合利用專家經(jīng)驗(yàn)知識(shí)和歷史運(yùn)行數(shù)據(jù)構(gòu)建知識(shí)庫(kù),并通過機(jī)器學(xué)習(xí)實(shí)現(xiàn)知識(shí)的自動(dòng)更新和優(yōu)化,健康狀態(tài)評(píng)估單元中的故障診斷模塊會(huì)直接調(diào)用知識(shí)庫(kù)中的診斷規(guī)則,實(shí)現(xiàn)基于知識(shí)的智能診斷推理。
62、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)一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的步驟。
63、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)一種基于多傳感器數(shù)據(jù)融合的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法的步驟。
64、本發(fā)明的有益效果:本發(fā)明采用多傳感器數(shù)據(jù)融合的方法,充分利用了振動(dòng)、溫度、電流等多源異構(gòu)監(jiān)測(cè)數(shù)據(jù),從多個(gè)物理量的角度對(duì)主氦風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行全面刻畫。同時(shí),引入深度學(xué)習(xí)模型對(duì)多源數(shù)據(jù)進(jìn)行特征提取和融合,挖掘出了更加高層、抽象和關(guān)鍵的健康狀態(tài)指標(biāo),大幅提升了健康狀態(tài)評(píng)估的準(zhǔn)確性和可靠性,有效克服了傳統(tǒng)單一監(jiān)測(cè)方法的局限性。
65、本發(fā)明構(gòu)建了基于知識(shí)圖譜的主氦風(fēng)機(jī)故障診斷知識(shí)庫(kù),將專家經(jīng)驗(yàn)知識(shí)與數(shù)據(jù)驅(qū)動(dòng)的故障特征相結(jié)合,形成了一套完善的、可解釋的故障診斷推理規(guī)則。通過實(shí)時(shí)采集的監(jiān)測(cè)數(shù)據(jù)與知識(shí)庫(kù)進(jìn)行在線匹配,可以快速、準(zhǔn)確地識(shí)別出主氦風(fēng)機(jī)的潛在故障模式極其嚴(yán)重程度,實(shí)現(xiàn)了故障診斷的智能化和實(shí)時(shí)化,為設(shè)備的安全運(yùn)行提供了有力保障。
66、本發(fā)明將健康狀態(tài)評(píng)估和故障診斷的結(jié)果與設(shè)備維護(hù)管理決策相結(jié)合,引入強(qiáng)化學(xué)習(xí)算法對(duì)主氦風(fēng)機(jī)的維護(hù)策略進(jìn)行自動(dòng)優(yōu)化。通過考慮設(shè)備健康狀態(tài)、故障風(fēng)險(xiǎn)、維護(hù)成本等多個(gè)目標(biāo),自主學(xué)習(xí)和優(yōu)化維護(hù)的時(shí)機(jī)、方式和資源配置,最大限度地提高了設(shè)備的可用性和可靠性,降低了全壽命周期內(nèi)的運(yùn)營(yíng)成本,實(shí)現(xiàn)了設(shè)備管理的智能化和經(jīng)濟(jì)性。
67、本發(fā)明提出的主氦風(fēng)機(jī)健康狀態(tài)評(píng)估方法具有通用性和適應(yīng)性,對(duì)不同類型、不同功率等級(jí)的主氦風(fēng)機(jī)都具有良好的適用性。同時(shí),該方法采用模塊化、開放式的系統(tǒng)架構(gòu)設(shè)計(jì),具有良好的可擴(kuò)展性,可以靈活地集成新的監(jiān)測(cè)手段、診斷模型和優(yōu)化算法,適應(yīng)主氦風(fēng)機(jī)技術(shù)的不斷發(fā)展。此外,本發(fā)明的多傳感器數(shù)據(jù)融合、知識(shí)圖譜構(gòu)建、強(qiáng)化學(xué)習(xí)優(yōu)化等技術(shù)還可以推廣應(yīng)用到其他類型的核電關(guān)鍵設(shè)備乃至更廣泛的工業(yè)領(lǐng)域,具有廣闊的應(yīng)用前景和推廣價(jià)值。