CN111881594B

CN111881594B - 一种核动力设备的非平稳信号状态监测方法及系统

Info

Publication number: CN111881594B
Application number: CN202010776840.2A
Authority: CN
Inventors: 王航; 彭敏俊; 夏庚磊; 徐仁义; 夏虹; 刘永阔
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2020-08-05
Filing date: 2020-08-05
Publication date: 2022-07-26
Anticipated expiration: 2040-08-05
Also published as: CN111881594A

Abstract

本发明涉及一种核动力设备的非平稳信号状态监测方法及系统。该监测方法包括：获取核动力设备在正常运行下每个测点的特征信号；对每个所述特征信号进行变分模态分解，构造受约束的变分模型；引入惩罚参数以及惩罚因子，确定所述受约束的变分模型的最优解；根据所述最优解确定模态分量，并对所述模态分量进行筛选，确定本征模态函数；采用多尺度加权排列熵对所述时间序列进行特征提取，确定不同尺度下的实时加权排列熵；根据所述不同尺度下的实时加权排列熵确定不同尺度下各个加权排列熵的加权排列熵统计阈值；对比所述不同尺度下的实时加权排列熵以及所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态。本发明能够提高检测精度。

Description

一种核动力设备的非平稳信号状态监测方法及系统

技术领域

本发明涉及核动力设备的非平稳信号状态监测领域，特别是涉及一种核动力设备的非平稳信号状态监测方法及系统。

背景技术

核动力装置结构复杂，且具有放射性危险，对于安全性有着极高的要求。同时核动力系统长期连续工作，极容易发生故障，如若设备出现故障而不能及时检测和发现，可能会导致严重的放射性释放后果，危害公众安全和环境条件。目前，对核动力系统与关键设备的异常检测技术大多采用传统的阈值分析和人工经验进行判断。但是，这些传统技术并不能完全适应复杂系统与关键设备的可靠性要求，随着人工智能技术的不断发展以及其他领域的应用经验，采用高效准确的统计分析技术对运行参数的异常状态进行及时检测，可以避免危害较大的故障甚至是严重事故的发生，能够有效提高核动力系统与关键设备的运行保障能力，降低安全隐患，实现自主保障。

状态监测技术与故障诊断的内涵既相互区别又相互联系，状态监测技术就是利用对采集到的数据进行信号降噪、数据处理，然后显示异常的参数并报警，并由此判断系统与设备的运行状态，为故障分析提供数据和信息。

国际上，美国阿贡国家实验室的研究人员最早将先进信息处理技术应用到核电厂状态监测。太平洋西北国家实验室开发了可向操纵员提供运行支持的核电厂诊断与监测系统。美国西屋公司开发了基于规则的专家系统方法，而且可以将核电厂安全参数显示系统所采集到的数据作为输入数据的核电厂状态监督、诊断与预报系统；美国Bechel公司则开发了可提供核电厂运行特性分析的监测系统。日本也进行了大量的核电厂状态监测系统的研发工作，并成功的开发了多个状态监测原型系统。欧共体Halden项目的Fantoni博士和他的多国研究团队开发了PEANO系统，并将其应用到了核电厂传感器监测中。

在国内，核动力系统和设备状态监测方面也做了一些基础性研究工作，如盛焕行等利用时域或频域中的随机分析方法对核电厂反应堆堆内构件的振动监测进行了相关研究。大亚湾核电厂的景建国对核电厂设备进行了状态监测的频度研究，这对于提高设备可靠性、延长设备的使用寿命起到了很好的作用。秦山核电厂的黄志军提出将关键类设备作为监测对象，并有针对性地对完善机电仪各类设备状态监测手段。

在进行设备状态监测时由于采用加速度和速度、声学测量等传感器，其信号具有非平稳、高频特性，因此首先要对信号进行处理和去噪。传统的特征提取方法如短时傅里叶变换、功率谱分析等已被实践证明不适用于连续非平稳随机信号。近年来，小波与小波包变换、经验模态分解与集成经验模态分解先后提出，但是经验模态分解易造成模态混叠现象，小波分解可能会带来原有物理量没有的谐波从而增大了误差。变分模态分解(VMD)是一种完全内在、自适应非递归的分解技术，在解决信号噪声和避免模态混叠的问题上有显著优势。随着非线性动力学的发展，至今已有多种表征时间序列复杂度特征的方法如:关联维数、样本熵、多尺度排列熵等。其中，多尺度排列熵所需运算量小、稳定性强、具有多维分析能力，已被广泛应用于故障诊断领域。典型研究成果包括：张建财等针对滚动轴承振动信号，提出基于变分模态分解和多尺度排列熵的特征提取方法。刘秀丽等提出一种变分模态分解与小波分析方法相结合的信号处理方法.首先对信号进行VMD分解，然后采用改进小波处理各分量。杨兴林等首先采用经验模态分解对柴油机振动信号进行自适应分解，然后计算本征模态函数(IMF)分量的样本熵。

随着特征参数的增加，监测数据中会含有大量的冗余信息，影响对系统运行状态的准确判断。数据降维技术的出现和发展为基于数据驱动的异常检测提供了理论基础。数据降维、特征提取方法主要分为多元统计方法、核方法和神经网络方法。多元统计方法主要包括：主元分析方法、独立主元分析等。以上方法都是线性处理方法，因此在许多情况下不能获取数据中的非线性信息。核方法中较为成熟的是核主元分析方法。人工神经网络方法能满足高、低维信息空间转换的非线性映射条件，但是可能会出现“过学习”的问题。相关方面的典型研究成果包括：Uhrig和Bartlett分别应用神经网络研究了核电站瞬态辨识技术；田纳西大学的Hines采用主元分析算法和自联想核回归方法分别进行核电站中传感器的实时监测与校正；AjamiA.应用独立分量分析算法检测核汽轮机中的异常。华东理工大学提出了一种基于多变量统计监控方法以提高工业过程监控的性能；马玉鑫等人研究了基于局部线性嵌入方法的化工过程监控方法；张绍辉等基于特征空间的局部保持投影算法进行机械设备的状态识别方法研究。

目前，面向核动力典型设备的智能状态监测研究极少，结合目前国内外动力系统和设备状态监测技术的发展水平，可以预见状态监测技术具有广泛的应用前景，其发展趋势主要有以下几个方面：

i.由简易和单一监测向精密和综合监测方向发展；

ii.在性能上可靠性、安全性逐渐提高；

iii.在技术水平上向高灵活性、高智能化方向发展；

iv.在系统结构上向标准化、通用化、模块化发展；

v.不断引进智能方法与信息融合等新方法和技术。

由此可知，目前，对核动力典型设备的智能状态监测通常是通过非平稳信号状态反映核动力设备，而现有的非平稳信号状态监测方法针对关键设备上采集特征参数的非平稳特征以及传统的时域特征和频域特征时，存在特征提取不充分的问题，进而导致无法快速地检测出非平稳、非线性信号状态的早期微小异常，检测精度低的问题。

发明内容

本发明的目的是提供一种核动力设备的非平稳信号状态监测方法及系统，以解决现有的的非平稳信号状态监测方法针对关键设备上采集特征参数的非平稳特征以及传统的时域特征和频域特征时，存在特征提取不充分的问题，进而导致无法快速地检测出非平稳、非线性信号状态的早期微小异常，检测精度低的问题。

为实现上述目的，本发明提供了如下方案：

一种核动力设备的非平稳信号状态监测方法，包括：

获取核动力设备在正常运行下每个测点的特征信号；所述特征信号包括速度信号以及加速度信号；所述特征信号为非平稳信号；

对每个所述特征信号进行变分模态分解，构造受约束的变分模型；所述受约束的变分模型包括多个所述特征信号，一个所述特征信号包括多个模态函数，每个所述模态函数为不同中心频率的调幅调频信号；

在所述受约束的变分模型中，引入惩罚参数以及惩罚因子，根据拉格朗日函数以及傅里叶变换法确定所述受约束的变分模型的最优解；所述最优解包括最优模态函数以及最优模态函数对应的中心频率；

根据所述最优解确定模态分量，并对所述模态分量进行筛选，确定本征模态函数；所述本征模态函数为任一所述特征信号的一段时间序列；

采用多尺度加权排列熵对所述时间序列进行特征提取，确定不同尺度下的实时加权排列熵；

根据所述不同尺度下的实时加权排列熵确定不同尺度下各个加权排列熵的加权排列熵统计阈值；一个所述实时加权排列熵对应一个加权排列熵统计阈值；

对比所述不同尺度下的实时加权排列熵以及所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态；所述非平稳信号状态包括异常状态以及正常状态。

可选的，所述对每个所述特征信号进行变分模态分解，构造受约束的变分模型，具体包括：

所述受约束的变分模型为：

其中，u_k为第k个模态函数，k为模态分量的序号，k＝1,2,3；ω_k为所述模态函数对应的中心频率；

为求导符号；

为求导函数；t为时间；j为虚数；f(w)为原始信号；u_k(t)为t时刻的第k个模态函数。

可选的，所述在所述受约束的变分模型中，引入惩罚参数以及惩罚因子，根据拉格朗日函数以及傅里叶变换法确定所述受约束的变分模型的最优解，具体包括：

所述最优解为：

其中，

为最优模态函数；f(w)为原始信号；μ_i(w)为第i个基函数，i为本征模态的序号；λ(w)为对偶上升的时间步长；a为惩罚因子；w为频率；w_k为每个基函数的中心频率；μ_k(w)为第k个基函数；

为最优模态函数对应的中心频率。

可选的，所述采用多尺度加权排列熵对所述时间序列进行特征提取，确定不同尺度下的实时加权排列熵，具体包括：

所述不同尺度下的实时加权排列熵为：

其中，

为不同尺度下的实时加权排列熵；m为嵌入维数，τ为时间延迟因子；p_w(π_ji)为不同尺度下粗粒化后的时间序列中每一种排列方式出现的概率；ji为所述排列方式的序号。

可选的，所述对比所述不同尺度下的实时加权排列熵以及所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态，具体包括：

判断所述不同尺度下的实时加权排列熵是否超过所述加权排列熵统计阈值，得到第一判断结果；

若所述第一判断结果表示为所述不同尺度下的实时加权排列熵超过所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态为异常状态；

若所述第一判断结果表示为所述不同尺度下的实时加权排列熵未超过所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态为正常状态。

一种核动力设备的非平稳信号状态监测系统，包括：

特征信号获取模块，用于获取核动力设备在正常运行下每个测点的特征信号；所述特征信号包括速度信号以及加速度信号；所述特征信号为非平稳信号；

受约束的变分模型构造模块，用于对每个所述特征信号进行变分模态分解，构造受约束的变分模型；所述受约束的变分模型包括多个所述特征信号，一个所述特征信号包括多个模态函数，每个所述模态函数为不同中心频率的调幅调频信号；

最优解确定模块，用于在所述受约束的变分模型中，引入惩罚参数以及惩罚因子，根据拉格朗日函数以及傅里叶变换法确定所述受约束的变分模型的最优解；所述最优解包括最优模态函数以及最优模态函数对应的中心频率；

本征模态函数确定模块，用于根据所述最优解确定模态分量，并对所述模态分量进行筛选，确定本征模态函数；所述本征模态函数为任一所述特征信号的一段时间序列；

实时加权排列熵确定模块，用于采用多尺度加权排列熵对所述时间序列进行特征提取，确定不同尺度下的实时加权排列熵；

加权排列熵统计阈值确定模块，用于根据所述不同尺度下的实时加权排列熵确定不同尺度下各个加权排列熵的加权排列熵统计阈值；一个所述实时加权排列熵对应一个加权排列熵统计阈值；

非平稳信号状态确定模块，用于对比所述不同尺度下的实时加权排列熵以及所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态；所述非平稳信号状态包括异常状态以及正常状态。

可选的，所述受约束的变分模型构造模块中受约束的变分模型为：

为求导符号；

可选的，所述最优解确定模块中的最优解为：

其中，

为最优模态函数对应的中心频率。

可选的，所述实时加权排列熵确定模块中不同尺度下的实时加权排列熵为：

其中，

可选的，所述非平稳信号状态确定模块，具体包括：

第一判断单元，用于判断所述不同尺度下的实时加权排列熵是否超过所述加权排列熵统计阈值，得到第一判断结果；

异常状态确定单元，用于若所述第一判断结果表示为所述不同尺度下的实时加权排列熵超过所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态为异常状态；

正常状态确定单元，用于若所述第一判断结果表示为所述不同尺度下的实时加权排列熵未超过所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态为正常状态。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种核动力设备的非平稳信号状态监测方法及系统，基于变分模态分解的自适应时频域特征提取，基于自相关性和中心频率混叠性等指标确定模态分量的数量以有效分离出本征模态函数，有效解决经验模态分解等算法中存在的模态混叠和端点效应问题。

在此基础上，本发明采用多尺度加权排列熵提取每个本征模态函数的一维时间序列特征，可以反映高频非平稳信号在多个尺度上的本征重要信息并通过加权来保留本征模态函数中携带的有用幅值信息，提高了排列熵参数的特征表现力，解决了原始高频非平稳数据中噪声去除的问题，提高了特征提取以及特征深度挖掘的能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的核动力设备的非平稳信号状态监测方法流程图；

图2为在实际应用中的核动力设备的非平稳信号状态监测方法流程图；

图3为本发明所提供的核动力设备的非平稳信号状态监测系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种核动力设备的非平稳信号状态监测方法及系统，能够快速地检测出非平稳、非线性信号状态的早期微小异常，提高检测精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的核动力设备的非平稳信号状态监测方法流程图，如图1所示，一种核动力设备的非平稳信号状态监测方法，包括：

步骤101：获取核动力设备在正常运行下每个测点的特征信号；所述特征信号包括速度信号以及加速度信号；所述特征信号为非平稳信号。

步骤102：对每个所述特征信号进行变分模态分解，构造受约束的变分模型；所述受约束的变分模型包括多个所述特征信号，一个所述特征信号包括多个模态函数，每个所述模态函数为不同中心频率的调幅调频信号。

所述步骤102具体包括：

所述受约束的变分模型为：

为求导符号；

步骤103：在所述受约束的变分模型中，引入惩罚参数以及惩罚因子，根据拉格朗日函数以及傅里叶变换法确定所述受约束的变分模型的最优解；所述最优解包括最优模态函数以及最优模态函数对应的中心频率。

所述步骤103具体包括：

所述最优解为：

为最优模态函数对应的中心频率。

步骤104：根据所述最优解确定模态分量，并对所述模态分量进行筛选，确定本征模态函数；所述本征模态函数为任一所述特征信号的一段时间序列。

步骤105：采用多尺度加权排列熵对所述时间序列进行特征提取，确定不同尺度下的实时加权排列熵。

所述步骤105具体包括：

所述不同尺度下的实时加权排列熵为：

其中，

步骤106：根据所述不同尺度下的实时加权排列熵确定不同尺度下各个加权排列熵的加权排列熵统计阈值；一个所述实时加权排列熵对应一个加权排列熵统计阈值。

步骤107：对比所述不同尺度下的实时加权排列熵以及所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态；所述非平稳信号状态包括异常状态以及正常状态。

所述步骤107具体包括：判断所述不同尺度下的实时加权排列熵是否超过所述加权排列熵统计阈值，若是，确定核动力设备的非平稳信号状态为异常状态；若否，确定核动力设备的非平稳信号状态为正常状态。

在实际应用中，本发明还可以采用如下方式实现：

整个实施步骤如图2所示：

步骤1：选择水泵等旋转机械作为研究对象，分析其故障模式特点，结合典型故障模式有针对性地设置加速度或者速度传感器，能够通过速度或者加速度传感器获取特征参数；

步骤2：采集和存储步骤1中得到的核动力设备在正常运行下的数据，分门别类地对步骤1中每个测点得到的数据进行存储；

步骤3：对步骤2中得到的每一个信号进行变分模态分解。变分模态分解中假设信号由许多个模态函数叠加而成，每个模态函数可以看成存在不同中心频率的调幅调频信号。然后，通过迭代搜索构造的变分模型极值确定每个模态函数的频率中心和带宽，实现各个分量的有效分离，构造受约束的变分模型为

公式(1)中：{u_k}＝{u₁,u₂,...,u_k}为k个模态函数；{w_k}＝{w₁,w₂,...,w_k}为k个对应的中心频率。

步骤4：在公式(2)中进一步通过引入惩罚参数α和惩罚因子λ，建立Lagrange函数求出受约束的变分模型的最优解。通过傅里叶变换将公式(3)从时域转换到频域，初始化

λ¹和n为0，其中，

指的是第一次迭代时基函数的值，

是第一次迭代特指的变量；

步骤5：u_k和w_k分别由公式(4)和(5)迭代更新。

步骤6：根据公式(6)更新λ：

步骤7：重复步骤5和6，直至，满足迭代终止条件：

式中ε为判别精度，ε>0。

步骤8：输出变分模态分解的计算结果，得到k个模态分量。

步骤3-8中通过结合变分模态分解的原理提取本征模态函数，主要是针对高频、非平稳、非线性的原始信号，传统的时域分析和频域分析方法无法完全挖掘动态时序数据中蕴含的特征信息。因此有必要采用时-频域分析方法处理非平稳随机数据，全面提取故障特征。而小波变换和小波包变换是理论最成熟的信号处理算法，但是存在难以确定合适的基小波以及合理设置分解层数的问题；经验模态分解及其变种可以自适应地提取原始数据的本质模态函数但是存在模态混叠的问题且理论基础不够完善。基于以上问题，本发明采用变分模态分解处理非平稳非线性数据，可以快速有效地获取本征模态函数。

步骤9：分析和比较k个模态分量的中心频率取值，主要观察中心频率值是否存在接近的情况，若两个中心频率之间的数值在同一量级，则尝试减少k的数量，然后重复步骤3-步骤8的计算，直到各个中心频率均不在同一数量级为止，可以避免模态混叠而导致特征提取效果差的问题。

步骤9结合中心频率混叠性指标确定模态分量的数量，避免了本征模态函数值的不确定性，可以有效解决模态混叠和端点效应问题。

步骤10：通过变分模态分解筛选得到本征模态函数后，为了进一步挖掘特征信息并进行异常检测，本发明进一步采用多尺度加权排列熵进行特征提取。

步骤11：考虑步骤10中得到某个信号的任意一个本征模态函数，假设其可以表示为一段时间序列{x(i),i＝1,2,...,N}，本发明对其进行相空间重构，得到X(1),X(2),…,X(N-(m-1)τ)；这里X(i)＝{x(i),x(i+τ),...,x(i+(m-1)τ)}，i＝1,2,...,N-(m-1)τ，m是嵌入维数，τ是时间延迟因子。

步骤11通过根据多尺度排列熵的原理，通过相空间重构技术进行处理，可以表征经过变分模态分解处理后得到的本征模态函数的时间序列动力学突变，能够将时间序列进行粗粒化处理，便于后续使用多尺度加权排列熵，然后计算设定尺度下的排列熵值。为了保证特征提取的实时性，本发明采用最大重叠的移动窗口法选取，可以对移动窗内的时间序列进行粗粒化处理。

步骤12：将步骤11中得到的X(i)中m个元素按照升序重新排列：

X(i)＝{x(i+(j₁-1)λ)≤x(i+(j₂-1)λ)≤...≤x(i+(j_m-1)λ)}

若有x(i+(j_i1-1)λ)＝x(i+(j_i2-1)λ)，则按j值的大小进行排序，即当j_i1≤j_i2，有x(i+(j_i1-1)λ)≤x(i+(j_i2-1)λ)。因此，任意一个向量X(i)都可以得到一个符号序列Z(i)＝[j₁,j₂,...,j_m]，其中i＝1,2,...,k,k≤m！。m个不同的符号[j₁,j₂,...,j_m]共有m！种不同的排列，对应一共得到m！个不同的符号序列，Z(i)＝[j₁,j₂,...,j_m]是m！个符号序列中的一个。

步骤13：在步骤12得到的根据排列熵的操作步骤，考虑时间序列的幅值信息后给每个重构分量添加一个加权系数:

其中

为加权平均值。

步骤14：根据步骤13得到的加权后的时间序列，计算不同尺度下粗粒化后的时间序列中每一种排列出现的概率p_w(π_ji)为

步骤15：对步骤14得到的不同尺度下每一种排列出现概率，该时间序列下多尺度加权排列熵H_w(m,τ)定义为

H_pw(m,τ)的取值范围为0≤H_pw(m,τ)≤1。H_pw(m,τ)值的大小表示时间序列的复杂和随机程度。H_pw(m,τ)越大，说明时间序列越随机；反之，说明时间序列越规则。

步骤13-15通过在多尺度排列熵的基础上考虑加权排列熵，多尺度排列熵没有考虑幅值信息，只是考虑幅值出现的排列顺序，很容易造成计算结果的不客观和不准确。而多尺度加权排列熵可以保留信号携带的有用幅度信息，因此具有更好的鲁棒性和稳定性，具有尖峰特征或幅值突然变化的数据中提取复杂性信息的独特能力。

步骤16：基于步骤15的多尺度加权排列熵计算结果，得到随机噪声对运行参数的影响程度和变化规律，进而可以设定不同尺度下各个加权排列熵的统计阈值，可以避免随机噪声对异常监测带来的干扰。

步骤16可以通过多尺度加权排列熵公式计算历史正常运行数据中的噪声干扰水平，可以通过计算合理确定监测阈值，避免阈值设定不当导致误诊断和漏诊断的问题。

步骤17：获取核动力装置关键设备的实时运行参数，并同步骤1和步骤2所示对数据进行同样的数据采集和存储处理。

步骤18：利用建模阶段步骤3-步骤15的计算过程对实际运行数据进行计算，得到同步骤15所述的某个本征模态函数在多尺度下的加权排列熵值。

步骤19：将每个本征模态函数在不同尺度下的实时加权排列熵与步骤16得到的统计阈值进行比较，若所有本征模态函数的不同尺度下实时加权排列熵未超过步骤16得到的统计阈值，则持续进行监测；若有某个本征模态函数的不同尺度下实时加权排列熵超过统计阈值，则说明运行参数出现异常，需要进一步进行诊断或者隔离。

步骤19采用将实时计算的不同尺度下加权排列熵与其对应的统计阈值进行比较，若超过统计阈值，则说明运行参数出现异常，发出警报。可以保证异常监测结构的及时性，同时通过统计阈值与实值的比较，异常检测结果直观形象，能够很好地支撑运行人员判断异常。

图3为本发明所提供的核动力设备的非平稳信号状态监测系统结构图，如图3所示，一种核动力设备的非平稳信号状态监测系统，其特征在于，包括：

特征信号获取模块301，用于获取核动力设备在正常运行下每个测点的特征信号；所述特征信号包括速度信号以及加速度信号；所述特征信号为非平稳信号。

受约束的变分模型构造模块302，用于对每个所述特征信号进行变分模态分解，构造受约束的变分模型；所述受约束的变分模型包括多个所述特征信号，一个所述特征信号包括多个模态函数，每个所述模态函数为不同中心频率的调幅调频信号。

受约束的变分模型为：

为求导符号；

最优解确定模块303，用于在所述受约束的变分模型中，引入惩罚参数以及惩罚因子，根据拉格朗日函数以及傅里叶变换法确定所述受约束的变分模型的最优解；所述最优解包括最优模态函数以及最优模态函数对应的中心频率。

所述最优解确定模块中的最优解为：

其中，

为最优模态函数对应的中心频率。

本征模态函数确定模块304，用于根据所述最优解确定模态分量，并对所述模态分量进行筛选，确定本征模态函数；所述本征模态函数为任一所述特征信号的一段时间序列。

实时加权排列熵确定模块305，用于采用多尺度加权排列熵对所述时间序列进行特征提取，确定不同尺度下的实时加权排列熵。

所述实时加权排列熵305为：

其中，

加权排列熵统计阈值确定模块306，用于根据所述不同尺度下的实时加权排列熵确定不同尺度下各个加权排列熵的加权排列熵统计阈值；一个所述实时加权排列熵对应一个加权排列熵统计阈值。

非平稳信号状态确定模块307，用于对比所述不同尺度下的实时加权排列熵以及所述加权排列熵统计阈值，确定核动力设备的非平稳信号状态；所述非平稳信号状态包括异常状态以及正常状态。

所述非平稳信号状态确定模块，具体包括：

在实际应用中，还可以通过短时傅里叶变换、小波变换、经验模态分解等方法也可以进行非平稳信号的特征提取和信号降噪；其中，小波变换和小波包变换是理论最成熟的信号处理算法，但是存在难以确定合适的基小波以及合理设置分解层数的问题；经验模态分解及其变种可以自适应地提取原始数据的本质模态函数但是存在模态混叠的问题且理论基础不够完善。而本发明采用变分模态分解处理非平稳非线性数据，结合自相关性和中心频率混叠性等指标确定模态分量的数量，可以有效解决模态混叠和端点效应问题。

虽然变分模态分解达到了原始数据降噪效果并还原了本征模态函数，但是仍需在此基础上深入挖掘潜在特征，而排列熵是用来对一维时间序列的复杂度进行衡量的平均熵参数，由于它是通过比较相邻数据的大小来对时间信号的动力学突变进行检测，因此具有计算简单，适合在线监测，抗噪声能力较强的特点。

但是排列熵只关注相空间中一个尺度的熵值，往往存在非最优的问题，同时由于不关注具体幅值信息，因此当变化幅度较大的数据连在一起时其误差较大。为了解决上述问题，本发明采用多尺度加权排列熵提取每个本征模态函数的一维时间序列特征，与不采用加权排列熵的方法相比，通过加权来保留本征模态函数中携带的有用幅值信息，提高了数据特征的表现力。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。