CN113705405B - 一种核管道故障诊断方法 - Google Patents

一种核管道故障诊断方法 Download PDF

Info

Publication number
CN113705405B
CN113705405B CN202110956688.0A CN202110956688A CN113705405B CN 113705405 B CN113705405 B CN 113705405B CN 202110956688 A CN202110956688 A CN 202110956688A CN 113705405 B CN113705405 B CN 113705405B
Authority
CN
China
Prior art keywords
sample
nuclear
layer
fault diagnosis
nuclear pipeline
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.)
Active
Application number
CN202110956688.0A
Other languages
English (en)
Other versions
CN113705405A (zh
Inventor
唐樟春
吴文锋
杨宗承
曾鑫
植良蕊
岳涧洲
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110956688.0A priority Critical patent/CN113705405B/zh
Publication of CN113705405A publication Critical patent/CN113705405A/zh
Application granted granted Critical
Publication of CN113705405B publication Critical patent/CN113705405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种核管道故障诊断方法，属于模式识别和机器学习领域。本发明通过卷积神经网络提取核管道振动信号的特征，再采用主成分分析进行特征降维，并根据多种机器学习算法针对核管道故障诊断的准确率，最终选取诊断效果最好的三个算法组合成voting分类器，同时采用交叉验证的方法确定三个算法的关键超参数，本方法相对现有方法有更好的诊断效果。

Description

一种核管道故障诊断方法
技术领域
本发明属于模式识别和机器学习领域，尤其涉及一种核管道故障诊断方法。
背景技术
目前，通过对机械设备信号采集，应用人工智能算法对其进行故障诊断的技术已经相对成熟。但是，针对核电厂中的核管道，该技术应用少之又少，然而其运行安全关乎工作人员的生命安全，关乎环境安全。因此，对于应用人工智能算法针对核管道的故障诊断技术尤其刻不容缓。
采用卷积神经网络进行状态监测和故障诊断已经相对成熟，其中神经网络的输入端一般采用输入信号特征的方式，网络结构采用原始的可供选择的各种层结构。随着各种智能算法的产生和应用，以及对卷积神经网络的探索，卷积神经网络还具有一定的发展空间。
为了解决上述问题，更好将人工智能算法应用于核管道的故障诊断，本发明将卷积神经网络进行改进，将卷积网络的分类器softmax进行替换为更优的分类器，并采用主成分分析法将特征降维，在保留信息的基础上减少计算量。
发明内容
本发明的目的在于提供一种核管道故障诊断方法，能更有效地实现核管道的故障诊断，保证生命财产安全和环境安全。
本发明的技术方案如下：
一种核管道故障诊断方法，其特征在于，包括以下步骤：
步骤1：采集核管道振动信号，用于生成训练样本、验证样本和测试样本，其中核管道的样本有四种工况构成，分别为：正常、汽蚀、共振和支撑不足；
步骤2：将样本数据进行预处理，从而保证各个样本的大小和性质一致，才能作为卷积网络的输入。
步骤2.1：将采集到的振动信号根据人工经验，通过巴特沃斯滤波器滤除噪声，提升信号纯度。
步骤2.2：由于采集到的振动信号数据可能在不同的采样频率下获得，为了保证其输入卷积网络的数据大小和性质一致，此处，将滤波后的时域信号进行按照相同的采样点数据等量划分。
步骤2.3：将划分后的数据采用快速傅里叶变换，最终可将信号转换为大小相同的频域信号，即将核管道振动时域信号转换为大小相同的二维图像。
步骤3：将步骤2处理后的数据，分别作为训练集、验证集和测试集，将训练集和验证集作为卷积神经网络的输入，经过卷积神经网络的逐层计算，将全连接层的结果输出，该结果即是核管道各工况的特征，如图2所示。其中，该卷积神经网络由输入层、三个一致的卷积层、池化层和全连接层组成；其中在卷积层中，在卷积计算完毕后，将结果标准化输入激活层中。为了降低特征的数量，减少无用的特征，将上述的特征采用主成分分析法以保留99％的信息进行特征降维。
步骤4：将步骤3的特征作为voting分类器的训练集，将步骤3的测试集作为voting分类器的测试集，输出预测标签和各标签的预测概率。其中，本发明根据多种分类算法针对核管道振动信号的诊断准确率，即分类效果，最终确定采用支持向量机、K近临和Adaboost组合成voting分类器；而子分类器采用交叉验证的方法确定各自子分类器的关键超参数。
本发明的有益效果为：本发明提供了一种核管道故障诊断方法，将卷积神经网络进行改进，将其分类器改成了更优的机器学习算法，其中包括集成学习算法，并采用voting分类器将多种机器学习算法进行组合，提升原始卷积网络的分类准确率。为了进一步提升分类的准确率，针对voting分类器中的各算法，本发明采用交叉验证的方法确定各自的关键超参数，进一步提升各算法的性能。
附图说明：
图1为本发明方法的流程；
图2为核管道振动特征提取过程；
图3位具体实施方案中的卷积神经网络模型结构。
具体实施方式：
本发明提供一种技术方案：
一种核管道故障诊断方法，其特征在于，包括以下步骤：
步骤1：采集核管道振动信号，用于生成训练样本、验证样本和测试样本，其中核管道的样本有四种工况构成，分别为：正常、汽蚀、共振和支撑不足。
步骤2：将样本数据进行预处理，从而保证各个样本的大小和性质一致，才能作为卷积网络的输入。
进一步地，所述步骤2中的数据预处理包括以下步骤：
步骤2.1：将采集到的振动信号根据人工经验，通过巴特沃斯滤波器滤除噪声，提升信号纯度，其中滤波器的阶数设定为5阶。
步骤2.2：由于采集到的振动信号数据可能在不同的采样频率下获得，为了保证其输入卷积网络的数据大小和性质一致，此处，将滤波后的时域信号进行按照相同的采样点数据等量划分。此处，按照每2000采样点进行数据分隔，不到2000个采样点的数据进行舍弃处理。
步骤2.3：:将划分后的数据采用快速傅里叶变换，最终可将信号转换为大小相同的频域信号，即将核管道振动时域信号转换为大小相同的二维图像。此处，将步骤2.2的数据进行快速傅里叶变换后，数据为999*2的二维图像。
步骤3：将步骤2处理后的数据，分别作为训练集、验证集和测试集，将训练集和验证集作为卷积神经网络的输入，经过卷积神经网络的逐层计算，将全连接层的结果输出，该结果即是核管道各工况的特征。其中，训练集和验证集的比例为0.8:0.2；该卷积神经网络由输入层、三个一致的卷积层(卷积层核数量为64，大小为2*2)、池化层(采用平均池化)和全连接层组成；其中在卷积层中，在卷积计算完毕后，将结果标准化输入激活层中，激活函数采用ReLU。详细的结构如图3所示。为了降低特征的数量，减少无用的特征，将上述的特征采用主成分分析法以保留99％的信息进行特征降维。
步骤4：将步骤3的特征作为voting分类器的训练集，将步骤3的测试集作为voting分类器的测试集，输出预测标签和各标签的预测概率。其中，本发明根据多种分类算法针对核管道振动信号的诊断准确率，即分类效果，选择诊断振全准确率最高的3种机器学习算法，最终确定采用支持向量机、K近临和Adaboost组合成voting分类器；接下来，针对子分类器采用交叉验证的方法确定各自子分类器的关键超参数。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种核管道故障诊断方法，其特征在于，包括以下步骤：
步骤1：采集核管道振动信号，用于生成训练样本、验证样本和测试样本，其中核管道的样本有四种工况构成，分别为：正常、汽蚀、共振和支撑不足；
步骤2：将样本数据进行预处理，保证各个样本的大小和性质一致，作为卷积网络的输入；
步骤2.1：将采集到的振动信号根据人工经验，通过巴特沃斯滤波器滤除噪声，提升信号纯度；
步骤2.2：由于采集到的振动信号数据可能在不同的采样频率下获得，为了保证其输入卷积网络的数据大小和性质一致，此处，将滤波后的时域信号进行按照相同的采样点数据等量划分；
步骤2.3：将划分后的数据采用快速傅里叶变换，最终可将信号转换为大小相同的频域信号；
步骤3：将步骤2处理后的数据，分别作为训练集、验证集和测试集，将训练集和验证集作为卷积神经网络的输入，经过卷积神经网络的逐层计算，将全连接层的结果输出，该结果即是核管道各工况的特征；为了保留重要特征，减少冗余的特征，对上述的卷积神经网络提取到的特征进行降维；所述卷积神经网络由输入层、三个一致的卷积层、池化层和全连接层组成；其中在卷积层中，在卷积计算完毕后，将结果标准化输入激活层中；
步骤4：将步骤3的特征作为voting分类器的训练集，将步骤3的测试集作为voting分类器的测试集，输出预测标签和各标签的预测概率。
2.根据权利要求1所述的一种核管道故障诊断方法，其特征在于：所述步骤3的特征降维的方法采用主成分分析法，以保留99％的信息进行特征降维。
3.根据权利要求1所述的一种核管道故障诊断方法，其特征在于：所述步骤4的voting分类器，其特征在于：根据多种分类算法针对核管道振动信号的诊断准确率，即分类效果，最终确定采用支持向量机、K近临和Adaboost组合成voting分类器。
4.根据权利要求3所述的一种核管道故障诊断方法，其特征在于：所述支持向量机、K近临和Adaboost子分类器采用交叉验证的方法确定各自子分类器的关键超参数。
CN202110956688.0A 2021-08-19 2021-08-19 一种核管道故障诊断方法 Active CN113705405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110956688.0A CN113705405B (zh) 2021-08-19 2021-08-19 一种核管道故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110956688.0A CN113705405B (zh) 2021-08-19 2021-08-19 一种核管道故障诊断方法

Publications (2)

Publication Number Publication Date
CN113705405A CN113705405A (zh) 2021-11-26
CN113705405B true CN113705405B (zh) 2023-04-18

Family

ID=78653552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110956688.0A Active CN113705405B (zh) 2021-08-19 2021-08-19 一种核管道故障诊断方法

Country Status (1)

Country Link
CN (1) CN113705405B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522088B (zh) * 2023-04-27 2024-01-26 哈尔滨工程大学 一种基于机器学习的核动力装置运行数据分析方法与系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11646808B2 (en) * 2016-05-09 2023-05-09 Strong Force Iot Portfolio 2016, Llc Methods and systems for adaption of data storage and communication in an internet of things downstream oil and gas environment

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Surucu, Onur.A General Condition Monitoring Model for Remaining Useful Life Estimation Using Degradation Signals.https://atrium.lib.uoguelph.ca/xmlui/bitstream/handle/10214/26660/Onur_Surucu_202201_MASc.pdf?sequence=3&amp isAllowed=y.2022,全文. *
曾鑫."面向多尺度人群计数的深度神经网络算法研究 ".中国优秀硕士学位论文全文数据库 (信息科技辑).2021,I138-2047. *

Also Published As

Publication number Publication date
CN113705405A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
Zhu et al. Estimation of bearing remaining useful life based on multiscale convolutional neural network
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
Wang et al. A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion
Yu et al. One-dimensional residual convolutional autoencoder based feature learning for gearbox fault diagnosis
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110726898B (zh) 一种配电网故障类型识别方法
CN111650453A (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
Ji et al. A neural network compression method based on knowledge-distillation and parameter quantization for the bearing fault diagnosis
CN111224805A (zh) 一种网络故障根因检测方法、系统及存储介质
CN112557826A (zh) 一种船舶电力系统故障诊断方法
CN110737976A (zh) 一种基于多维度信息融合的机械设备健康评估方法
CN111562105A (zh) 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN113705405B (zh) 一种核管道故障诊断方法
CN116186593A (zh) 一种基于可分离卷积和注意力机制的心电信号检测方法
CN115409052A (zh) 一种数据失衡下风力发电机组轴承的故障诊断方法及系统
CN114386452A (zh) 核电循环水泵太阳轮故障检测方法
CN112146880B (zh) 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法
Jin et al. Multisource data fusion diagnosis method of rolling bearings based on improved multiscale CNN
Ning et al. An intelligent device fault diagnosis method in industrial internet of things
CN115452376A (zh) 基于改进轻量级深度卷积神经网络的轴承故障诊断方法
CN114781450B (zh) 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及系统
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和系统
CN115564075A (zh) 一种城市电网主配一体故障协同诊断方法、系统

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
GR01 Patent grant
GR01 Patent grant