CN111667020A - 一种核电旋转机械故障预警方法 - Google Patents

一种核电旋转机械故障预警方法 Download PDF

Info

Publication number
CN111667020A
CN111667020A CN202010595294.2A CN202010595294A CN111667020A CN 111667020 A CN111667020 A CN 111667020A CN 202010595294 A CN202010595294 A CN 202010595294A CN 111667020 A CN111667020 A CN 111667020A
Authority
CN
China
Prior art keywords
early warning
normal
nuclear power
warning method
fault early
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010595294.2A
Other languages
English (en)
Inventor
包彬彬
侯修群
余文敏
蒋庆磊
苗碧琪
李元姣
桂春
张梦阳
于兴涛
李凯阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Nuclear Power Operation Technology Corp Ltd
Original Assignee
China Nuclear Power Operation Technology Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Nuclear Power Operation Technology Corp Ltd filed Critical China Nuclear Power Operation Technology Corp Ltd
Priority to CN202010595294.2A priority Critical patent/CN111667020A/zh
Publication of CN111667020A publication Critical patent/CN111667020A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明属于机械故障预警领域，涉及一种核电旋转机械故障预警方法。在核电厂旋转机械工作过程中，单参数门限报警法无法全面、准确描述设备状态，是导致核电监测系统产生大量误报漏报的主要原因。本发明包括：步骤一：获取健康状态数据；步骤二：构建高维特征集合；步骤三：训练样本的划分；步骤四：训练iSMM；步骤五：确定报警阈值；步骤六：预警方法应用。本发明基于设备历史工况相似性原理和iSMM进行故障预警，摆脱了对故障样本的依赖，同时弥补了传统单参数门限报警法的缺陷，适用于核电站旋转机械的故障预警。

Description

一种核电旋转机械故障预警方法
技术领域
本发明属于机械故障预警领域，涉及一种核电旋转机械故障预警方法。
背景技术
核电旋转机械常规的状态监测做法是由检修人员定期进行巡盘监视，查询重要参数的历史曲线以发现设备可能存在的故障或异常；同时对设备的重要参数设置门限值，一旦参数超出固定门限，通过声光等方式提醒运行人员关注。这种传统监测方法操作简单、经济，可满足基本监测要求。然而，核电厂设备运行环境复杂，现有监测手段考虑的状态参数指标单一，其产生的大量误报漏报现象为现场检修人员带来极大的工作压力。因此，当前研究核电旋转机械的故障预警方法仍具有重要意义。
核电厂旋转机械采集的振动信号作为一种响应信号，由设备自身多种激励信号叠加组成。由于激励信号强度和传递路径不一，各激励信号在响应点处的幅值差异较大。单参数门限报警法仅考虑各激励信号特征参数中的最大值，对于部分在响应点处强度偏弱的激励信号，当其特征参数超报警门限时，设备局部可能已发生故障，进而产生漏报警现象。另一方面，核电设备在运行过程中，温度、压力等工艺参数的波动导致设备状态参数指标骤增，进而产生误报警现象。总之，单参数门限报警法无法全面、准确描述设备状态，是导致核电监测系统产生大量误报漏报的主要原因。
从统计角度来讲，设备内激励信号幅值随时间变化服从一种未知概率分布，振动信号的幅值分布即各激励信号幅值分布的线性叠加。无限t混合模型(infinite Student’st-Mixture Model，iSMM)是一种子成分为t分布的概率混合模型，模型子成分数根据数据自学习确定。因此，iSMM通过拟合设备历史振动数据可还原振动信号中的各激励信号分布特点；对于工艺参数波动导致设备振动幅值骤增使振动数据中存在野值点的情况，由于t分布的概率密度函数尾部形状可调节，因此iSMM能够准确拟合其主体分布，从而达到全面、准确描述设备状态的目的。
基于以上分析，本发明提出一种基于iSMM的核电旋转机械故障预警方法。考虑到核电旋转机械故障样本稀缺，该方法基于设备历史工况相似性原理和iSMM进行故障预警，摆脱了对故障样本的依赖，同时弥补了传统单参数门限报警法的缺陷，适用于核电站旋转机械的故障预警。
发明内容
本发明为解决当前核电厂旋转机械监测系统应用的单参数门限报警法误报漏报率高的问题，将无限t混合模型应用于机械故障预警，提供一种核电旋转机械故障预警方法，本发明一种基于无线t混合模型的核电旋转机械故障预警方法流程见图1。
本发明公开了一种核电旋转机械故障预警方法，具体步骤为：
步骤1：获取健康状态数据。获取方法有两种，一种是利用安装在核电旋转设备上的振动传感器采集设备健康状态数据，另一种从是离线的历史振动数据中获取健康状态数据。将健康状态数据记为Xnormal，Xnormal是由多个采样时长的振动数据组成，如式1所示。
Xnormal＝{Xnorma_1,Xnormal_2,…,Xnormal_i,…,Xnormal_v} (1)
其中，Xnormal_i表示在第i个采样时长内的健康状态数据，v是Xnormal中包含的采样时长的数量。
步骤2：构建高维特征集合。对单个采样时长的振动数据可提取如下几类特征：峰峰值、均值、有效值、峰值指标、裕度指标、歪度指标、峭度指标、一倍频幅值、二倍频幅值，将其作为表征该设备的状态参数，再将提取的所有特征组成高维特征向量。例如，利用单个采样时长的振动数据Xi构建的高维特征向量F(Xi)见式(2)。
F(Xi)＝[f1,f2,…,fh,…,fn] (2)
其中，fh表示以Xi构建的高维特征向量的第h类特征的特征值，n为特征的数量。
对于健康状态数据，将Xnormal构建的高维特征向量组成的集合记为Snormal，Snormal的定义见式3。
Snormal＝{F(Xnormal_1),F(Xnormal_2),…,F(Xnormal_i),…,F(Xnormal_v)} (3)
步骤3：训练样本的划分。将Snormal划分为
Figure BDA0002557188940000031
组，每一组包含m个高维特征向量，每一组称为一个样本集，int(·)表示取最大正整数。在此需要说明的是，应确保
Figure BDA0002557188940000032
步骤4：训练iSMM。用步骤3划分得到的每个样本集训练一个iSMM，得到
Figure BDA0002557188940000033
个iSMM，训练方法采用变分推断方法(变分推断方法可参看文末参考文献[1]、[2])。
对于健康状态数据，将利用Snormal训练出的
Figure BDA0002557188940000034
个iSMM称为健康状态模型，从中任选一个作为基准模型Mbase，剩余模型作为参照模型Mreference，Mreference的定义见式4。
Mreference＝{Mreference_1，Mreference_2，…，Mreference_i，…，Mreference_int(v/m)-1} (4)
步骤5：确定报警阈值。由于设备正常状态较为稳定，故Mbase与Mreference差异相对较小，认为该差异由随机误差产生，其服从高斯分布。由3σ准则可知，对于高斯分布其数值分布在均值的3σ之外的概率仅为0.3％，极大可能为异常数据。由于KL散度可有效衡量概率分布模型间的差异，因此报警阈值设定方法为：计算基准模型Mbase与式4中各参照模型间的KL散度，作为模型间的差异值，得到KL散度的集合如式5所示。
Figure BDA0002557188940000041
式5中，KL(·)表示计算两个模型间的KL散度。
报警阈值T的计算方法如式6所示。
T＝E[KL(Mbase||Mreference)]+3×D[KL(Mbase||Mreference)] (6)
式(6)中，E(·)表示计算均值，D(·)表示计算标准差。
步骤6：预警方法应用。将一段未知状态的设备振动数据记为Xunknow，Xunknow是由m个采样时长的振动数据组成。
Xunknow＝{Xunknow_1,Xunknow_2,…,Xunknow_i,…,Xunknow_m} (7)
其中，Xunknow_i表示在第i个采样时长内的未知状态数据，m的定义见步骤3。
利用本发明步骤4方法，利用Xunknow训练一个iSMM，将其记为Munknown。
计算KL(Mbase||Munknown)，当KL(Mbase||Munknown)＞T，则报警。
若将其应用于实时预警，则每次获取m个采样时长的振动数据，依次进行预警。
本发明首次通过iSMM对核电旋转机械故障进行预警，该方法利用设备多种状态参数训练iSMM以表征设备运行状态，并通过比较设备未知状态与健康状态下混合模型的差异进行故障预警。该方法相比传统单参数门限报警法，其在预警过程不仅考虑设备多种状态参数，还考虑了各状态参数内在联系的变化，从而大幅降低了误报漏报率。
附图说明
图1基于iSMM的核电旋转机械故障预警方法流程图
图2核电厂的核主泵健康状态振动位移趋势图
图3核电厂的核主泵待测状态振动位移趋势图
图4基准模型与各待测状态模型的差异值及报警线
具体实施方式
下面以某核电厂的核主泵案例并结合附图对发明做进一步的说明。
步骤1：获取核主泵健康状态数据。本实施例的健康状态数据是从核电厂DCS系统导出的历史振动数据，为核主泵泵轴处一位移传感器在连续采样所测的振动数据的峰峰值。所选核主泵健康状态数据Xnormal形成的振动位移趋势图见图2，共包含9000个峰峰值，即v＝9000。
步骤2：由于本实施例步骤1获取的振动数据已是设备振动数据的峰峰值特征，故不再提取特征。
步骤3：对9000个峰峰值按时间划分为多组，每一组包含50个，即m＝50，共可划分为180组。
步骤4：采用发明内容步骤4所述方法训练iSMM，训练得到180个健康状态模型。
步骤5：将本实施例步骤4的健康状态模型中时间最靠前的模型作为Mbase，计算Mb a与各参照模型间差异值为{KL1,KL2,…，KL179}。经计算，{KL1,KL2,…，KL179}的均值为0.5659，标准差为0.1619，因此报警阈值T为：
T＝0.5659+3×0.1619＝1.0515
步骤6：本实施例的未知状态数据也是从核电厂DCS系统导出的历史振动数据，同样为核主泵泵轴处一位移传感器在连续采样所测得的振动数据的峰峰值。核主泵未知状态数据Xunknown形成的振动位移趋势图见图3，其包含9000个峰峰值，因此可以将其分为
Figure BDA0002557188940000051
组，利用本发明方法预警方法判断每一组未知状态数据是否报警。
采用本发明内容步骤4方法利用每一组未知状态数据训练一个iSMM，得到180个未知状态模型集合Munknow，如式8所示。
Munknow＝{Munknow_1,Munknow_2,…,Munknow_180} (8)
计算Mbase与式8中各个未知状态模型的KL散度，当KL散度大于本实施例步骤4计算得到的阈值1.0515时报警。
将本发明方法的报警结果和单参数门限报警结果展示于图4，单参数门限报警法报警时间为2018年09月21日15:44:17，而本方法报警时间为2018年09月21日13:35:47，报警时间提前了2个小时。

Claims (9)

1.一种核电旋转机械故障预警方法，其特征在于：步骤一：获取健康状态数据；步骤二：构建高维特征集合；步骤三：训练样本的划分；步骤四：训练iSMM；步骤五：确定报警阈值；步骤六：预警方法应用。
2.根据权利要求1所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤一：获取健康状态数据，获取方法包括：
(1)利用安装在核电旋转设备上的振动传感器采集设备健康状态数据；
(2)从是离线的历史振动数据中获取健康状态数据，将健康状态数据记为Xnormal，Xnormal是由多个采样时长的振动数据组成，如式1所示：
Xnormal＝{Xnorma_1,Xnormal_2,…,Xnormal_i,…,Xnormal_v} (1)
其中，Xnormal_i表示在第i个采样时长内的健康状态数据，v是Xnormal中包含的采样时长的数量。
3.根据权利要求2所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤二：构建高维特征集合，具体包括：对单个采样时长的振动数据提取如下特征：峰峰值、均值、有效值、峰值指标、裕度指标、歪度指标、峭度指标、一倍频幅值、二倍频幅值，将其作为表征该设备的状态参数，再将提取的所有特征组成高维特征向量；利用单个采样时长的振动数据Xi构建的高维特征向量F(Xi)见式2：
F(Xi)＝[f1,f2,…,fh,…,fn] (2)
其中，fh表示以Xi构建的高维特征向量的第h类特征的特征值，n为特征的数量。
4.根据权利要求2所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤三：训练样本的划分：将Snormal划分为
Figure FDA0002557188930000011
组，每一组包含m个高维特征向量，每一组称为一个样本集，int(·)表示取最大正整数，
Figure FDA0002557188930000021
m＞10。
5.根据权利要求2所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤一：获取健康状态数据，对于健康状态数据，将Xnormal构建的高维特征向量组成的集合记为Snormal，Snormal的定义见式3：
Snormal＝{F(Xnormal_1),F(Xnormal_2),…,F(Xnormal_i),…,F(Xnormal_v)} (3)。
6.根据权利要求2所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤四：训练iSMM：用步骤三划分得到的每个样本集训练一个iSMM，得到
Figure FDA0002557188930000022
个iSMM，训练方法采用变分推断方法，对于健康状态数据，将利用Snormal训练出的
Figure FDA0002557188930000023
个iSMM称为健康状态模型，从中任选一个作为基准模型Mbase，剩余模型作为参照模型Mreference，Mreference的定义见式4：
Mreference＝{Mreference_1，Mreference_2，…，Mreference_i，…，Mreference_int(v/m)-1} (4)。
7.根据权利要求1所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤五：确定报警阈值，具体包括：由于设备正常状态较为稳定，因此报警阈值设定方法为：计算基准模型Mbase与式4中各参照模型间的KL散度，作为模型间的差异值，得到KL散度的集合如式5所示：
KL(Mbase||Mrenference)＝{KL1，KL2,…，KLi，…，KLint(v/m)-1} (5)
式5中，KL(·)表示计算两个模型间的KL散度；
报警阈值T的计算方法如式6所示：
T＝E[KL(Mbase||Mreference)]+3×D[KL(Mbase||Mreference)] (6)
式(6)中，E(·)表示计算均值，D(·)表示计算标准差。
8.根据权利要求1所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤6：预警方法应用，具体包括：将一段未知状态的设备振动数据记为Xunknow，Xunknow是由m个采样时长的振动数据组成：
Xunknow＝{Xunknow_1,Xunknow_2,…,Xunknow_i,…,Xunknow_m} (7)
其中，Xunknow_i表示在第i个采样时长内的未知状态数据，m的定义见步骤三。
9.根据权利要求1所述的一种核电旋转机械故障预警方法，其特征在于：所述的步骤6：预警方法应用，还包括：利用本发明步骤四，利用Xunknow训练一个iSMM，将其记为Munknown；
计算KL(Mbase||Munknown)，当KL(Mbase||Munknown)＞T，则报警；
若将其应用于实时预警，则每次获取m个采样时长的振动数据，依次进行预警。
CN202010595294.2A 2020-06-28 2020-06-28 一种核电旋转机械故障预警方法 Pending CN111667020A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010595294.2A CN111667020A (zh) 2020-06-28 2020-06-28 一种核电旋转机械故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010595294.2A CN111667020A (zh) 2020-06-28 2020-06-28 一种核电旋转机械故障预警方法

Publications (1)

Publication Number Publication Date
CN111667020A true CN111667020A (zh) 2020-09-15

Family

ID=72390023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010595294.2A Pending CN111667020A (zh) 2020-06-28 2020-06-28 一种核电旋转机械故障预警方法

Country Status (1)

Country Link
CN (1) CN111667020A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139591A (zh) * 2021-06-23 2022-03-04 核动力运行研究所 一种机械设备状态预警方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160012651A1 (en) * 2014-07-10 2016-01-14 Airbus Helicopters Method and a system for merging health indicators of a device
CN109933905A (zh) * 2019-03-13 2019-06-25 西安因联信息科技有限公司 一种基于多维预警分析的机械设备健康状态评估方法
US20190383705A1 (en) * 2016-11-29 2019-12-19 Sts Defence Limited Engine health diagnostic apparatus and method
CN111324083A (zh) * 2020-03-02 2020-06-23 西南交通大学 一种机械设备关键部件实时监测与预警方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160012651A1 (en) * 2014-07-10 2016-01-14 Airbus Helicopters Method and a system for merging health indicators of a device
US20190383705A1 (en) * 2016-11-29 2019-12-19 Sts Defence Limited Engine health diagnostic apparatus and method
CN109933905A (zh) * 2019-03-13 2019-06-25 西安因联信息科技有限公司 一种基于多维预警分析的机械设备健康状态评估方法
CN111324083A (zh) * 2020-03-02 2020-06-23 西南交通大学 一种机械设备关键部件实时监测与预警方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BO MA等: "Machinery Early Fault Detection Based on Dirichlet Process Mixture Model", 《IEEE ACCESS》 *
XIN WEI等: "The infinite Student’s t-mixture for robust modeling", 《SIGNAL PROCESSING》 *
马波等: "变分自编码器在机械故障预警中的应用", 《计算机工程与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139591A (zh) * 2021-06-23 2022-03-04 核动力运行研究所 一种机械设备状态预警方法

Similar Documents

Publication Publication Date Title
Yang et al. Wind turbine gearbox failure detection based on SCADA data: A deep learning-based approach
CN108375476B (zh) 一种水电机组健康评估方法
CN110414154B (zh) 一种带有双测点的风机部件温度异常检测和报警方法
CN114239708B (zh) 一种基于质量控制图理论的燃机异常检测方法
CN112966400B (zh) 一种基于多源信息融合的离心风机故障趋势预测方法
Omoregbee et al. Fault detection in roller bearing operating at low speed and varying loads using Bayesian robust new hidden Markov model
CN110469496B (zh) 一种水泵智能预警方法及系统
CN109751173A (zh) 基于概率神经网络的水轮机运行故障诊断方法
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN111504647A (zh) 基于ar-mset的滚动轴承的性能退化评估方法
CN110969185A (zh) 基于数据重构的设备异常状态检测方法
CN114664063A (zh) 一种基于通用指标趋势分析的设备分级报警方法
CN116910677A (zh) 一种工业仪表故障诊断方法及系统
CN112926656A (zh) 一种核电厂循环水泵状态预测方法、系统及设备
CN113027658A (zh) 一种水轮机转轮实时状态评估方法及其应用
CN112308391A (zh) 一种基于神经网络的设备状态实时监测与异常探测方法
CN115877205A (zh) 一种伺服电机的故障智能诊断系统及其诊断方法
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN111667020A (zh) 一种核电旋转机械故障预警方法
CN117560300B (zh) 一种智能物联网流量预测与优化系统
Zhang et al. Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels
CN109543357A (zh) 一种多元回归模型优化的故障程度量化评估方法
CN115901259A (zh) 基于二维图像与cnn的滚动轴承弱故障诊断方法
CN111980900B (zh) 一种基于多源数据融合分析的水泵故障诊断方法
Duan et al. Study on performance evaluation and prediction of mixed-flow hydraulic turbine units under variable operating conditions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200915