CN112036087A - 一种多策略融合的核动力关键设备故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种多策略融合的核动力关键设备故障诊断方法及系统。该方法包括获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；对每个测点的原始故障信号进行经验模态分解，得到每个测点的原始故障信号的各阶本征模态函数分量；对各阶本征模态函数分量进行相空间重构，得到特征参数；根据特征参数，采用排列熵算法，得到排列熵特征；根据排列熵特征，采用核主元分析，确定异常检测模型；根据排列熵特征以及故障数据的类型构建故障分类模型；确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；利用异常检测模型和故障分类模型实现数据的检测和故障分类。本发明提高故障诊断的准确率，并提供诊断结果的出现概率排序。

Description

一种多策略融合的核动力关键设备故障诊断方法及系统

技术领域

本发明涉及核动力装置的故障诊断领域，特别是涉及一种多策略融合的核 动力关键设备故障诊断方法及系统。

背景技术

核动力装置是典型的复杂系统工程，具有结构复杂、强耦合和非线性的特 点，同时具有运行时间长、功率大、潜在放射性释放风险等特性。基于以上特 性，核动力系统在长期运行过程中发生失效的风险亦逐步增大，核动力关键设 备在长期连续工作过程中容易发生故障，如若设备出现故障而不能及时采取措 施则会导致严重的后果。

智能故障诊断与分析技术主要研究如何准确、有效地分析运行中出现的故 障，以便及时支持后续决策。而当前，核动力系统与关键设备的运行状态判断 和故障诊断大多采用传统的阈值监测法或依赖人工经验。这些技术并不能完全 适应复杂系统与关键设备的故障诊断任务。

随着人工智能技术的不断发展、核行业对数据价值和数据积累的不断重视 以及其他领域故障诊断应用的一些经验，进一步研究关键设备的智能故障诊断 技术是非常有必要的。相关研究可以有效提高核动力系统与关键设备维护保障 能力，降低运维费用，对保障人员安全、故障排除、事故的缓解起着至关重要 的作用。

在1967年，由美国海军研究室成立了机械故障预防小组，从此开始了故 障诊断技术的研究工作；国的故障诊断技术相关研究起步于80年代初，目前 已经形成了相对完善的理论体系。21世纪初，美国专家VenkatV.将故障诊断 方法重新划分为基于定量模型方法、基于定性模型方法及基于历史数据方法三 类。国外方面，Santosh研究了神经网络在核电厂始发事件识别上的应用，并 对比了几种学习算法，得出了弹性BP算法为最优学习算法的结论， Marseguerra研究了核电厂瞬态的模糊识别，Zio提出改进的模糊聚类方法用于 对核电厂设备的瞬态进行分类识别；Gome等采用高斯径向基神经网络对压 水堆电厂事故进行分析，Sinuhe应用基于人工神经网络检测钠冷快堆的堆芯组 件堵塞故障，

提出一种“jump”型的多层神经网络，利用两个神经网络 分别用来动态识别和验证识别的结果。Seker提出应用Elman神经网络监测高 温气冷堆的异常。Jose研究粒子群优化算法在核电厂中的故障识别。

国内方面，哈尔滨工程大学的辛成东研究了BP神经网络在核动力装置故 障诊断中的应用，刘永阔将径向基函数神经网络和模糊神经网络引入核动力装 置故障诊断系统中，并应用数据融合做全局诊断，提出分布式诊断策略。邓伟 采用遗传算法进行系统级故障诊断。华北电力大学的马良玉等在高压给水系统 故障诊断中研究Elman神经网络对特征参数应达值进行实时预测方法研究，白 士红研究了蚁群算法在故障诊断中的应用，段孟强研究了基于入侵野草算法的 核动力装置故障诊断算法。

伴随着计算机及人工智能技术的发展、核动力装置数字化和信息化的普 及、核工业对于数据积累和数据价值的重视，数据驱动的智能故障诊断方法逐 渐成为主流。目前，设备故障诊断研究主要集中在以下两个方面：

(1)多种诊断策略的融合；对于复杂设备而言，对其进行综合诊断，需要 多种参数共同分析，才能对其运转状况做出诊断。诊断参数主要可以从振动、 噪声、油液、温度、电力等多种信息实施诊断。因此，单一模型很难达到最优 性能，因此需要组合或集成多种方法形成多策略混合模型，相比于单一模型， 可以获得更优的性能。而近年来，典型的成果如：模糊理论、故障树、神经网 络、分形技术等理论技术相互结合形成了小波神经网络、分型神经网络、专家 系统与神经网络等多种诊断方法。这些理论之间的相互借鉴融合，提高了故障 诊断的精度。

(2)基于深度学习的智能故障诊断。深度学习具有强大的特征学习能力， 在数据足够多的情况下能够对原始数据更深度地挖掘其中隐含的信息，因此不 需要像机器学习算法那样人为选定特征，可以避免人为选定特征不确定性过大 的问题。多名学者采用自编码器或卷积神经网络进行了故障模式分类并取得了 一定的效果，但是没有考虑故障后的时序特性；研究人员也将近年来比较流行 的单向或双向长短时记忆网络应用到设备故障诊断中，取得了比机器学习准确 率高很多的结果。

由于核动力关键设备的数据复杂，造成采用上述方法故障的诊断准确率不 是很高。

发明内容

本发明的目的是提供一种多策略融合的核动力关键设备故障诊断方法及 系统，提高故障诊断的准确率，并提供诊断结果的出现概率排序。

为实现上述目的，本发明提供了如下方案：

一种多策略融合的核动力关键设备故障诊断方法，包括：

获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型； 将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、轴流泵、 汽车轮机以及电动阀门；

对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述 原始故障信号的各阶本征模态函数分量；

对各阶本征模态函数分量进行相空间重构，得到特征参数；

根据所述特征参数，采用排列熵算法，得到排列熵特征；

根据所述排列熵特征，采用核主元分析，确定异常检测模型；所述异常检 测模型用于检测异常数据；

根据所述排列熵特征以及所述故障数据的类型构建故障分类模型；所述构 建故障分类模型用于对异常数据进行故障分类；

确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；

根据所述实时数据的排列熵特征和所述异常检测模型判断所述实时数据 是否为异常数据；

若所述实时数据是异常数据，则利用所述故障分类模型进行故障分类；

若所述实时数据不是异常数据，则返回所述确定每一个核动力关键设备的 每个测点的实时数据的排列熵特征的步骤。

可选的，所述对每个测点的所述原始故障信号进行经验模态分解，得到每 个测点的所述原始故障信号的各阶本征模态函数分量，具体包括：

在所述原始故障信号中多次加入同等幅值的随机白噪声，得到多个加入随 机白噪声后的信号；

对每一个所述加入随机白噪声后的信号进行经验模态分解，得到对应的各 阶本征模态函数分量；

将所有的相同阶数的本征模态函数分量进行加权平均，得到原始故障信号 的各阶本征模态函数分量。

可选的，所述根据所述排列熵特征，采用核主元分析，确定异常检测模型， 之前还包括：

根据每一个核动力关键设备的每个测点的正常数据，确定主元空间统计量 和残差空间统计量的基准值。

可选的，所述根据所述排列熵特征以及所述故障数据的类型构建故障分类 模型，具体包括：

根据所述排列熵特征以及所述故障数据的类型，采用支持向量机，构建故 障分类模型。

一种多策略融合的核动力关键设备故障诊断系统，包括：

故障数据信息获取模块，用于获取每一个核动力关键设备的每个测点的故 障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核动力 关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门；

经验模态分解模块，用于对每个测点的所述原始故障信号进行经验模态分 解，得到每个测点的所述原始故障信号的各阶本征模态函数分量；

特征参数确定模块，用于对各阶本征模态函数分量进行相空间重构，得到 特征参数；

排列熵特征确定模块，用于根据所述特征参数，采用排列熵算法，得到排 列熵特征；

异常检测模型确定模块，用于根据所述排列熵特征，采用核主元分析，确 定异常检测模型；所述异常检测模型用于检测异常数据；

故障分类模型确定模块，用于根据所述排列熵特征以及所述故障数据的类 型构建故障分类模型；所述构建故障分类模型用于对异常数据进行故障分类；

实时数据的排列熵特征确定模块，用于确定每一个核动力关键设备的每个 测点的实时数据的排列熵特征；

判断模块，用于根据所述实时数据的排列熵特征和所述异常检测模型判断 所述实时数据是否为异常数据；

故障分类模块，用于若所述实时数据是异常数据，则利用所述故障分类模 型进行故障分类；

继续检测模块，用于若所述实时数据不是异常数据，则返回所述确定每一 个核动力关键设备的每个测点的实时数据的排列熵特征的步骤。

可选的，所述经验模态分解模块具体包括：

随机白噪声加入单元，用于在所述原始故障信号中多次加入同等幅值的随 机白噪声，得到多个加入随机白噪声后的信号；

未处理的各阶本征模态函数分量确定单元，用于对每一个所述加入随机白 噪声后的信号进行经验模态分解，得到对应的各阶本征模态函数分量；

原始故障信号的各阶本征模态函数分量确定单元，用于将所有的相同阶数 的本征模态函数分量进行加权平均，得到原始故障信号的各阶本征模态函数分 量。

可选的，还包括：

基准值确定模块，用于根据每一个核动力关键设备的每个测点的正常数 据，确定主元空间统计量和残差空间统计量的基准值。

可选的，所述根故障分类模型确定模块，具体包括：

故障分类模型确定单元，用于根据所述排列熵特征以及所述故障数据的类 型，采用支持向量机，构建故障分类模型。

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：

本发明所提供的一种多策略融合的核动力关键设备故障诊断方法及系统， 通过每一个核动力关键设备的每个测点的故障数据进行经验模态分解、相空间 重构以及排列熵算法确定排列熵特征；根据所述排列熵特征构建异常检测模型 和故障分类模型；利用异常检测模型判断检测数据是否发生异常，即进行检测 数据的粗粒度处理；再利用故障分类模型对检测出的异常数据进行故障分类， 即进行细粒度处理。进而，实现对故障的准确识别。

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为本发明所提供的一种多策略融合的核动力关键设备故障诊断方法 流程示意图；

图2为本发明所提供的一种多策略融合的核动力关键设备故障诊断方法 原理示意图；

图3为本发明所提供的故障分类模型训练示意图；

图4为本发明所提供的一种多策略融合的核动力关键设备故障诊断系统 结构示意图。

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多策略融合的核动力关键设备故障诊断方法及 系统，提高故障诊断的准确率，并提供诊断结果的出现概率排序。

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为本发明所提供的一种多策略融合的核动力关键设备故障诊断方法 流程示意图，图2为本发明所提供的一种多策略融合的核动力关键设备故障诊 断方法原理示意图，如图1和图2所示，本发明所提供的一种多策略融合的核 动力关键设备故障诊断方法，包括：

S101，获取每一个核动力关键设备的每个测点的故障数据以及故障数据的 类型；将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、 轴流泵、汽车轮机以及电动阀门。故障数据为非平稳随机信号。

S102，对每个测点的所述原始故障信号进行经验模态分解(empirical modedecomposition，EMD)，得到每个测点的所述原始故障信号的各阶本征模态函 数分量。一个复杂的故障振动信号，通过EMD分解能够得到数个本征模态函 数(IMF)，本征模态函数代表了原信号在该特征时间尺度范围内的信号分量。

S102解决了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 中蕴含的特征信息的问题。

S102具体包括：

在所述原始故障信号x(t)中多次加入同等幅值的随机白噪声n(t)，得到多个 加入随机白噪声后的信号s(t)，s(t)＝x(t)+n(t)。进一步，端点效应与模态混叠 现象。噪声等级选取0.2，根据白噪声的特性，每个白噪声信号的方差相等、 均值为零。

对每一个所述加入随机白噪声后的信号进行经验模态分解，得到对应的各 阶本征模态函数分量c_i(t)。即

其中，r_m(t)为余项。

将所有的相同阶数的本征模态函数分量进行加权平均，得到原始故障信号 的各阶本征模态函数分量。即利用公式

进行加权平均。

S103，对各阶本征模态函数分量进行相空间重构，得到特征参数X(i)。以 表征经过集合经验模态分解处理后得到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，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和连续的排列熵计算。

分别对每一个特征参数X(i)中的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，计算时间序列中每一种排列 出现的概率。

S104，根据所述特征参数，采用排列熵算法，得到排列熵特征。

S105，根据所述排列熵特征，采用核主元分析，确定异常检测模型；所述 异常检测模型用于检测异常数据。经过核函数将所有排列熵时间序列数据映射 到高维的近似线性空间，可以避免排列熵参数过多而干扰异常检测结果的及时 性和有效性；然后，通过特征值分解可以得到特征值和特征向量；同时，通过 核主元累积贡献率合理确定核主元数目，可以保证数据降维和异常检测效果的 最大化。

为了达到降低维数的目的，必须根据特征值的大小确定核主元数目。如果 核主元个数过多，冗余信息所占的比例仍然会较高；但是如果选取的核主元个 数太少，则可能丢掉许多重要信息。本发明采用主元方差累积贡献率PCN来 决定高维空间内主元的数目l；确定核主元数目l后，就可以得到原始数据的 核主元特征向量后，从而有效提取原始数据中有用信息。

S105之前还包括：

根据每一个核动力关键设备的每个测点的正常数据，确定主元空间统计量 和残差空间统计量的基准值。

S106，根据所述排列熵特征以及所述故障数据的类型构建故障分类模型； 所述构建故障分类模型用于对异常数据进行故障分类。

S106具体包括：

根据所述排列熵特征以及所述故障数据的类型，采用支持向量机，构建故 障分类模型。

首先，建立N个(本发明中选择N＝5)带有松弛因子的非线性支持向量 机模型；在每个支持向量机模型中，都选择径向基函数作为核函数。同时，在 分类算法上，每个支持向量机都选择“一对多”算法，即对于N类分类问题，首 先建立N个两分类的子分类器，其中第i个子分类器是以第i类为正类，其余 的所有类型均为负类，最后每个支持向量机模型分别输出所有可能故障类型的 出现概率，并按照概率大小进行从大到小的排序。

根据图3所示，由于发明采用5个支持向量机基分类器，对其他4个支持 向量机基分类器分别采用5折验证的方式进行训练和测试，每个支持向量机所 选择的训练数据和测试数据如图3所示。

将5个支持向量机基分类器在经过前述步骤处理后的输出以类概率的形 式表示，并将它们作为次级分类器的输入。具体地，第j个基模型对第i个训 练样本的预测值将作为新的训练集中第i个样本的第j个特征值。

构造次级分类器的测试数据集；为了将5个支持向量机基分类器的诊断结 果都加以考虑，次级分类器的测试集是所有基分类器针对测试集的诊断结果的 加权平均值；然后，通过与预设的分类标签进行对比，确定整个支持向量机和 堆栈泛化集成学习的故障诊断准确率。

采用堆栈泛化集成的策略，在使用多个支持向量机对进行训练与学习的基 础上，使用堆栈泛化集成学习的思想，对多个基分类器的诊断结果进行融合， 能够充分利用得到的特征信息，它可以利用一系列性能良好的模型在故障诊断 任务上的能力，可以避免基分类器超参数选取不当而导致诊断结果出现欠拟合 或者过拟合的问题，通过集成并综合各个基分类器的诊断结果，能够作出比集 成中的任何一个模型更好的预测分类效果。形成诊断准确度更高的集成学习模 型，能够实现对故障的准确识别。

S107，确定每一个核动力关键设备的每个测点的实时数据的排列熵特征。

S108，根据所述实时数据的排列熵特征和所述异常检测模型判断所述实时 数据是否为异常数据。

S109，若所述实时数据是异常数据，则利用所述故障分类模型进行故障分 类。

若所述实时数据不是异常数据，则返回所述确定每一个核动力关键设备的 每个测点的实时数据的排列熵特征的步骤。

本发明采用混淆矩阵和故障诊断准确率作为指标来评价本发明所述模型 的准确性和有效性。相关结果可以供运行和决策人员进行参考，及时采取相关 措施，在保证安全性的同时还可以提高经济性。

图4为本发明所提供的一种多策略融合的核动力关键设备故障诊断系统 结构示意图，如图4所示，本发明所提供的一种多策略融合的核动力关键设备 故障诊断系统，包括：

故障数据信息获取模块401，用于获取每一个核动力关键设备的每个测点 的故障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核 动力关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门。

经验模态分解模,402，用于对每个测点的所述原始故障信号进行经验模态 分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量。

特征参数确定模块403，用于对各阶本征模态函数分量进行相空间重构， 得到特征参数。

排列熵特征确定模块404，用于根据所述特征参数，采用排列熵算法，得 到排列熵特征；

异常检测模型确定模块405，用于根据所述排列熵特征，采用核主元分析， 确定异常检测模型；所述异常检测模型用于检测异常数据。

故障分类模型确定模块406，用于根据所述排列熵特征以及所述故障数据 的类型构建故障分类模型；所述构建故障分类模型用于对异常数据进行故障分 类。

实时数据的排列熵特征确定模块407，用于确定每一个核动力关键设备的 每个测点的实时数据的排列熵特征。

判断模块408，用于根据所述实时数据的排列熵特征和所述异常检测模型 判断所述实时数据是否为异常数据。

故障分类模块409，用于若所述实时数据是异常数据，则利用所述故障分 类模型进行故障分类。

继续检测模块410，用于若所述实时数据不是异常数据，则返回所述确定 每一个核动力关键设备的每个测点的实时数据的排列熵特征的步骤。

所述经验模态分解模块402具体包括：

随机白噪声加入单元，用于在所述原始故障信号中多次加入同等幅值的随 机白噪声，得到多个加入随机白噪声后的信号。

未处理的各阶本征模态函数分量确定单元，用于对每一个所述加入随机白 噪声后的信号进行经验模态分解，得到对应的各阶本征模态函数分量。

原始故障信号的各阶本征模态函数分量确定单元，用于将所有的相同阶数 的本征模态函数分量进行加权平均，得到原始故障信号的各阶本征模态函数分 量。

本发明所提供的一种多策略融合的核动力关键设备故障诊断系统，还包 括：

基准值确定模块，用于根据每一个核动力关键设备的每个测点的正常数 据，确定主元空间统计量和残差空间统计量的基准值。

所述根故障分类模型确定模块406，具体包括：

故障分类模型确定单元，用于根据所述排列熵特征以及所述故障数据的类 型，采用支持向量机，构建故障分类模型。

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。

Claims (8)

1.一种多策略融合的核动力关键设备故障诊断方法，其特征在于，包括：

获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门；

对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量；

对各阶本征模态函数分量进行相空间重构，得到特征参数；

根据所述特征参数，采用排列熵算法，得到排列熵特征；

根据所述排列熵特征，采用核主元分析，确定异常检测模型；所述异常检测模型用于检测异常数据；

根据所述排列熵特征以及所述故障数据的类型构建故障分类模型；所述构建故障分类模型用于对异常数据进行故障分类；

确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；

根据所述实时数据的排列熵特征和所述异常检测模型判断所述实时数据是否为异常数据；

若所述实时数据是异常数据，则利用所述故障分类模型进行故障分类；

若所述实时数据不是异常数据，则返回所述确定每一个核动力关键设备的每个测点的实时数据的排列熵特征的步骤。

2.根据权利要求1所述的一种多策略融合的核动力关键设备故障诊断方法，其特征在于，所述对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量，具体包括：

在所述原始故障信号中多次加入同等幅值的随机白噪声，得到多个加入随机白噪声后的信号；

对每一个所述加入随机白噪声后的信号进行经验模态分解，得到对应的各阶本征模态函数分量；

将所有的相同阶数的本征模态函数分量进行加权平均，得到原始故障信号的各阶本征模态函数分量。

3.根据权利要求1所述的一种多策略融合的核动力关键设备故障诊断方法，其特征在于，所述根据所述排列熵特征，采用核主元分析，确定异常检测模型，之前还包括：

根据每一个核动力关键设备的每个测点的正常数据，确定主元空间统计量和残差空间统计量的基准值。

4.根据权利要求1所述的一种多策略融合的核动力关键设备故障诊断方法，其特征在于，所述根据所述排列熵特征以及所述故障数据的类型构建故障分类模型，具体包括：

根据所述排列熵特征以及所述故障数据的类型，采用支持向量机，构建故障分类模型。

5.一种多策略融合的核动力关键设备故障诊断系统，其特征在于，包括：

故障数据信息获取模块，用于获取每一个核动力关键设备的每个测点的故障数据以及故障数据的类型；将所述故障数据作为原始故障信号；所述核动力关键设备包括离心泵、轴流泵、汽车轮机以及电动阀门；

经验模态分解模块，用于对每个测点的所述原始故障信号进行经验模态分解，得到每个测点的所述原始故障信号的各阶本征模态函数分量；

特征参数确定模块，用于对各阶本征模态函数分量进行相空间重构，得到特征参数；

排列熵特征确定模块，用于根据所述特征参数，采用排列熵算法，得到排列熵特征；

异常检测模型确定模块，用于根据所述排列熵特征，采用核主元分析，确定异常检测模型；所述异常检测模型用于检测异常数据；

故障分类模型确定模块，用于根据所述排列熵特征以及所述故障数据的类型构建故障分类模型；所述构建故障分类模型用于对异常数据进行故障分类；

实时数据的排列熵特征确定模块，用于确定每一个核动力关键设备的每个测点的实时数据的排列熵特征；

判断模块，用于根据所述实时数据的排列熵特征和所述异常检测模型判断所述实时数据是否为异常数据；

故障分类模块，用于若所述实时数据是异常数据，则利用所述故障分类模型进行故障分类；

继续检测模块，用于若所述实时数据不是异常数据，则返回所述确定每一个核动力关键设备的每个测点的实时数据的排列熵特征的步骤。

6.根据权利要求5所述的一种多策略融合的核动力关键设备故障诊断系统，其特征在于，所述经验模态分解模块具体包括：

随机白噪声加入单元，用于在所述原始故障信号中多次加入同等幅值的随机白噪声，得到多个加入随机白噪声后的信号；

未处理的各阶本征模态函数分量确定单元，用于对每一个所述加入随机白噪声后的信号进行经验模态分解，得到对应的各阶本征模态函数分量；

原始故障信号的各阶本征模态函数分量确定单元，用于将所有的相同阶数的本征模态函数分量进行加权平均，得到原始故障信号的各阶本征模态函数分量。

7.根据权利要求5所述的一种多策略融合的核动力关键设备故障诊断系统，其特征在于，还包括：

基准值确定模块，用于根据每一个核动力关键设备的每个测点的正常数据，确定主元空间统计量和残差空间统计量的基准值。

8.根据权利要求5所述的一种多策略融合的核动力关键设备故障诊断系统，其特征在于，所述根故障分类模型确定模块，具体包括：

故障分类模型确定单元，用于根据所述排列熵特征以及所述故障数据的类型，采用支持向量机，构建故障分类模型。

Images