CN115221963B - 一种数据驱动的核级管道共振故障检测方法和系统 - Google Patents
一种数据驱动的核级管道共振故障检测方法和系统 Download PDFInfo
- Publication number
- CN115221963B CN115221963B CN202210857233.8A CN202210857233A CN115221963B CN 115221963 B CN115221963 B CN 115221963B CN 202210857233 A CN202210857233 A CN 202210857233A CN 115221963 B CN115221963 B CN 115221963B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- resonance
- feature
- data
- features
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 104
- 230000035945 sensitivity Effects 0.000 claims description 25
- 230000004069 differentiation Effects 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011056 performance test Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H13/00—Measuring resonant frequency
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种数据驱动的核级管道共振故障检测方法和系统，方法包括：数据采集及标定；多域特征提取；特征差异化；敏感特征筛选；分类器训练；分类器性能测试；待测管道检测。本发明在大量试验数据的基础上，得出能够区分正常管道和共振管道的多域特征，称之为共振敏感特征，在此基础上获得共振故障的分类器，可以自动检出核级管道是否存在共振。本发明加强数据与特征之间的关联，提高管道共振故障检测的准确性，避免共振引发更为严重的问题，影响整个管道和关联系统的安全运行。
Description
技术领域
本发明涉及核级设备故障诊断技术领域，具体涉及一种数据驱动的核级管道共振故障检测方法和系统。
背景技术
发展核电的一个关键问题是提高核电的可靠性与安全性，必须要保证核电站的安全。核电站核级管道往往会因为各种问题和缺陷(如设计、施工缺陷、振动问题、腐蚀及老化等)，并随着运行时间的增加，各种故障频发，且日趋严重。一旦装有放射性内流介质的核级管道泄漏或失效，将很有可能造成严重的环境污染，如发现不及时，后果会相当惨重。
管道是压水堆核电冷却剂系统的重要组成部分。在核电运行中，主管道内处在高温、高压水环境中，在这种工作环境及在一定服役应力下，会使管道产生应力腐蚀开裂，从而在管道内表面产生裂纹，导致主管道材料的失效。此外，管道系统中还有多方面的振动源，泵、阀门等变工况元件的工况变化，或是地震等，会使管道系统中存在机械振动与内压波动，使管道处于循环载荷作用下，如果管道固有频率与循环载荷频率相接近，会使管道产生共振，使主管道处于明显的共振效应之下。共振使管道系统的结构或者附件遭到破坏，减少管线使用寿命，并对相连设备、建筑物和工作人员产生巨大的潜在危害。如果管道的焊缝及弯头发生泄露，会造成事故停产，一旦发生泄露事故后果不堪设想。
为了确保管道、水泵等的正常运行，通常采用加速计采集管道的振动数据，用以分析管道内部的情况，通过信号处理与分析来辨识管道内是否存在共振故障，可提高管道状态的在线监测与故障诊断水平。但是，采集的振动数据数量庞大，人工监测与固定振幅监测的效率较低，需要设计核级管道共振故障检测方法，实现对管道共振的自动检测，避免其发展成更为严重的事故。
发明内容
为了减少核级管道共振检测对人为经验或固定振动幅值的依赖，本发明提供了一种数据驱动的核级管道共振故障检测方法。本发明在大量试验数据的基础上，得出能够区分正常管道和共振管道的多域特征，进而通过特征分析获取对管道共振敏感的特征，称之为共振敏感特征；在此基础上获得共振故障的分类器，可以自动检出核级管道是否存在共振。本发明加强数据与特征之间的关联，提高管道共振故障检测的准确性，避免共振引发更为严重的问题，影响整个管道和关联系统的安全运行。
本发明通过下述技术方案实现：
一种数据驱动的核级管道共振故障检测方法，包括：
数据采集及标定：采集多组核级管道状态正常和管道存在共振时的振动数据，对采集的每组数据进行预处理并添加标签；
多域特征提取：对每组采集数据进行多域特征提取；
特征差异化：基于正常管道特征均值，对正常管道特征和共振管道特征进行差异化处理；
敏感特征筛选：根据差异化处理结果，去除非敏感性特征，对剩余特征的敏感性差异进行标准化，选取标准化共振特征矩阵中所有小于预设值的特征为敏感特征；
分类器训练：基于采集的所有数据的敏感特征矩阵构造训练样本集和测试样本集，将训练样本集输入到分类器中进行训练，直到满足停止条件；
分类器性能测试：将测试样本集输入到已训练完成的分类器中，如果测试准确率满足要求则将分类器用于待测管道的检测，否则重新进行训练；
待测管道检测：采集待测管道的振动数据并进行预处理、多域特征提取，根据筛选的敏感特征获得将待测管道的敏感特征矩阵，并将其输入到已完成性能测试的分类器中，即可判断管道是否存在共振故障。
本发明的方法原理为：通过数据采集、预处理、特征提取、差异化处理和敏感特征筛选，筛选出敏感特征，并构建敏感特征矩阵作为样本集训练和测试分类器，将完成测试的分类器用于待测管道的状态判定识别，即可实现管道共振故障的快速可靠识别。
作为优选实施方式，本发明的多域特征提取步骤具体包括：
对采集的每组数据提取多域特征，包括11个时域特征和9个频域特征；时域特征是直接计算采集数据的统计特征，频域特征是先对采集数据进行快速傅里叶变换，获得信号的频谱后再计算相应的统计特征，即为频域特征；
设定正常管道采集了M次数据，共振管道采集了N次数据，每次采集获得一个数据文件，分别获得正常管道的特征矩阵F1和共振管道的特征矩阵F2，矩阵中每行表示一个数据文件提取出的特征，矩阵每列表示一个特征在所有数据文件中提取出的数值；
正常管道的特征矩阵F1：
共振管道的特征矩阵F2：
作为优选实施方式，本发明的特征差异化步骤具体包括：
针对正常管道的特征矩阵F1的每一列是一个时域或频域特征的M次采集计算出的统计值，计算每个特征的均值，表示为：
分别计算正常管道特征矩阵和共振管道特征矩阵与均值fmean(1,j)的偏差，其表达式如下：
dF1(i,j)＝F1(i,j)–fmean(1,j)
dF2(i,j)＝F2(i,j)–fmean(1,j)。
作为优选实施方式，本发明的敏感特征筛选步骤具体包括：
根据正常管道和共振管道特征差异性处理结果，识别共振特征矩阵dF2元素值非负所在的列，该列为非敏感性特征，从特征矩阵中移除该列，获得新的特征矩阵，正常管道和共振管道的特征矩阵分别表示为nF1和nF2；
通过对上述特征矩阵分别进行标准化，量化剩余特征的敏感性差异；对每一个特征分别从正常管道和共振管道提取最大值和最小值，即fmax(1,j)＝max(nF1(1:M,j))，fmin(1,j)＝min(nF2(1:N,j))，其中max(.)和min(.)分别表示取向量中的最大值和最小值；
通过特征矩阵标准化来度量特征的敏感度差异，表示为
在上述分析的基础上选取更为敏感的特征进行后续分析，判断标准化共振特征矩阵sF2中所有元素低于0.3的特征为敏感特征，表示为：敏感特征＝{j|sF2(i,j)<0.3,i＝1,...,N}。
作为优选实施方式，本发明的分类器训练步骤具体包括：
基于正常管道和共振管道的敏感特征矩阵构建训练样本集和测试样本集；
将训练样本集数据与对应的标签输入分类器进行训练，直到满足停止条件。
作为优选实施方式，本发明的分类器性能测试步骤具体包括：
根据敏感特征矩阵来获取测试样本集的特征矩阵，输入已训练完成的分类器中进行测试，计算分类器的分类准确率，即分类器正确分类的样本数与测试样本数的百分比；当分类准确率符合检测需求时，可将该分类器用于待测管道分析，否则重新进行分类器训练。
作为优选实施方式，本发明的待测管道检测步骤具体包括：
采集待测管道的振动数据，对采集的数据进行预处理；
根据所述敏感特征，提取待测管道的特征，构造特征矩阵，并将其输入已完成性能测试的分类器中，即可判断该待测管道是否存在共振故障。
第二方面，本发明提出了一种数据驱动的核级管道共振故障检测系统，包括：
数据采集及标定模块，采集多组核级管道状态正常和管道存在共振时的振动数据，对采集的每组数据进行预处理并添加标签；采集待测管道的振动数据并进行预处理；
多域特征提取模块，对每组采集数据进行多域特征提取；
特征差异化模块，基于正常管道特征均值，对正常管道特征和共振管道特征进行差异化处理；
敏感特征筛选模块，根据差异化处理结果，去除非敏感性特征，对剩余特征的敏感性差异进行标准化，选取标准化共振特征矩阵中所有小于预设值的特征为敏感特征；
分类器训练和测试模块，基于采集的所有数据的敏感特征矩阵构造训练样本集和测试样本集，将训练样本集输入到分类器中进行训练，直到满足训练停止条件；将测试样本集输入到已训练完成的分类器中，如果测试准确率满足要求则将分类器用于待测管道的检测，否则重新进行训练；
分类判断模块，根据筛选的敏感特征得到将待测管道的敏感特征矩阵并将其输入到已完成性能测试的分类器中，即可判断管道是否存在共振故障。
第三方面，本发明提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明上述方法的步骤。
第四方面，本发明提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明上述方法的步骤。
本发明具有如下的优点和有益效果：
1、本发明在大量的试验测试基础上，通过信号预处理、特征提取、特征差异化和敏感特征筛选一系列过程，从多维特征中提取对分析的管道共振故障较为敏感的特征。从理论分析的角度，在采集数据基础上通过提取多域特征，从而可从时域和频域不同角度反映采集数据的特点，结合特征差异化与敏感特征筛选，可以降低计算工作量，使之更适合工程应用。
2、本发明根据数据本身挖掘与共振故障密切相关的敏感特征，不仅方便了共振故障的自动诊断，而且也为管道其他类型的故障分析提供了技术支撑和数据支撑。
3、本发明在工程监测数据的基础上，无需耗费大量的计算资源即可获得对管道共振的敏感特征，这些特征的获取并非依赖人工经验，而是由实际管道数据分析获得的，对工程分析提供了技术支撑，这些敏感特征可以独立用于管道状态诊断或其他管道监测过程中，为工程人员提供了可用的分析特征指标。同时，这些特征的筛选和更新方法易于实现，可用于相关算法和软件编制，促进管道状态自动分析的发展。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明实施例的方法流程图。
图2为本发明实施例的敏感特征差异化效果图。
图3为本发明实施例的非敏感特征差异化效果图。
图4为本发明实施例筛选的共振故障敏感特征。
图5为本发明实施例的正常管道和共振管道的标准化敏感特征对比图。
图6为本发明实施例的共振管道的标准化敏感特征图。
图7为本发明实施例的计算机设备原理框图。
图8为本发明实施例的系统原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提出了一种数据驱动的核级管道共振故障检测方法，如图1所示，本实施例的方法具体包括如下步骤：
S1，数据采集及标定：在核级管道状态正常和管道存在共振或临界共振时分别从管道上安装的加速计上采集数据，对采集的数据进行预处理(如去噪处理)，并标定该数据对应的管道状态(即给数据设定标签，标签为管道状态，如正常/共振)。
S2，多域特征提取：对每个采集数据提取时域和频域特征，得到正常管道特征矩阵和共振管道的特征矩阵分布记为F1和F2。
S3，特征差异化：对正常管道的每个特征计算均值，然后计算共振管道每个特征与正常管道特征均值的偏差，进而完成特征差异化。
S4，敏感特征筛选：依据正常管道和共振管道的特征值，去除非敏感性特征，进一步通过标准化，获得剩余特征的敏感性量化结果；选择标准化共振特征矩阵sF2中所有低于0.3的特征为敏感特征，确定对共振故障敏感的时频特征。
S5，分类器训练：将所有采集数据(正常管道和共振管道)的敏感特征矩阵按照预设比例分割为两部分，较大比例的部分用作训练，较小比例的部分用作测试。将训练用的敏感特征矩阵输入分类器，调整分类器参数直到满足停止条件时，停止训练。
S6，分类器性能测试：将测试用敏感特征矩阵输入已训练完成的分类器，对比已知的采集数据标签，判断分类器在新的测试数据上的结果，满足需求后可用于管道新数据分析。
S7，核级管道共振检测：对新采集到的管道数据进行预处理(S1中预处理方式)和特征提取(S2特征提取方式)，获得特征矩阵F新，按照S4筛选的敏感特征确定待测管道的敏感特征，然后将敏感特征矩阵输入到训练好的分类器即可判断管道是否存在共振故障。
本发明实施例首先通过数据采集、预处理、特征提取、差异化处理和敏感特征筛选得到对共振故障敏感的特征；依据该特征构造共振分类器所需的训练和测试样本集，通过训练和测试获得满足检测需求的分类器，并用于对待测管道的共振故障识别；具体为采集待测管道的数据，并对其进行预处理，按照敏感特征获取待测管道的敏感特征矩阵，并将其输入到训练好的分类器中，即可判单该待测管道的是正常还是共振状态。
进一步的，本实施例S2的多域特征提取过程具体为：
对每一个采集数据提取多域特征，其中包括11个时域特征和9个频域特征；
时域特征是直接计算采集数据的统计特征，频域特征是先对采集数据进行快速傅里叶变换，获得信号的频谱后再计算相应的统计特征，即为频域特征。
其中，时域特征如表1所示，频域特征如表2所示。
表1时域特征的表达式
注：表1中，x(t)为t时刻所对应的信号测量值，和σ表示x(t)的均值和方差，|x(t)|表示x(t)的绝对值，max(·)与min(·)分别表示取最大值与取最小值操作。
表2频域特征的表达式
注：表2中，Y(f)为振动信号x(t)的频谱。
设定正常管道采集了M次数据，共振管道采集了N次数据，每次采集获得一个数据文件，标记为si/ssi，则分别获得正常管道和共振管道的特征矩阵F1和F2，矩阵每行表示一个数据文件提取出的特征，矩阵每列表示一个特征在所有数据文件中提取出的数值，矩阵表示如下：
正常管道的特征矩阵F1：
共振管道的特征矩阵F2：
本实施例中采集了5个正常管道数据(即M为5)，命名为正常-1、...、正常-5。采集了6个管道共振数据(即N为6)，命名为共振-16.5Hz、共振-14Hz、共振-19Hz、共振-51Hz、共振-43.35Hz和共振-58.65Hz。“共振-16.5Hz”表示共振频率设定为16.5Hz时采集的数据，“共振-14Hz”和“共振-19Hz”表示接近共振频率16.5Hz时采集的数据；“共振-51Hz”表示共振频率设定为51Hz时采集的数据，“共振-43.35Hz”和“共振-58.65Hz”表示接近共振频率51Hz±15％时采集的数据。
进一步的，本实施例S3的特征差异化过程具体为：
对正常管道，特征矩阵F1的每一列是一个时域或频域特征的M次采集计算出的统计值，计算每个特征的均值，表示为：
分别计算正常管道特征矩阵或共振管道特征矩阵与均值fmean(1,j)的偏差，其表达式如下：
dF1(i,j)＝F1(i,j)–fmean(1,j)
dF2(i,j)＝F2(i,j)–fmean(1,j)。
通过上述差异化过程对本实施例上述采集的5个正常管道数据和6个共振管道数据进行处理，得到如图2-3所示的敏感特征和非敏感特征差异化结果图。
进一步的，本实施例S4的敏感特征筛选过程具体为：
依据S3的结果，筛选对共振故障具有敏感性的特征。
首先，识别共振特征矩阵dF2元素值非负所在的列，该列为非敏感性特征，从特征矩阵中移除该列，获得新的特征矩阵，筛选后的正常管道和共振管道的特征矩阵表示为nF1和nF2。
其次，通过对剩余特征进行标准化，量化剩余特征的敏感性差异。对每一个特征分别从正常管道和共振管道提取最大值和最小值，即fmax(1,j)＝max(nF1(1:M,j))，fmin(1,j)＝min(nF2(1:N,j))，其中max(·)和min(·)分别表示取向量中的最大值和最小值。通过特征矩阵标准化来度量特征的敏感度差异，表示为
在上述分析的基础上选取更为敏感的特征进行后续分析，选取标准化共振特征矩阵sF2中所有元素0.3的特征为敏感特征，表示为：敏感特征＝{j|sF2(i,j)<0.3,i＝1,...,N}。
通过上述过程筛选得到敏感特征如图4所示，通过分析确定的共振故障敏感特征包括：1-最大值绝对值AMAX、2-最小值绝对值AMIN、3-峰峰值PP、2-谱均值SM、7-重心频率FC、8-均方根频率RMSF和9-标准差频率SDF。
图5所示为正常管道和共振管道的标准化敏感特征对比示意图，图6所示为放大显示共振管道的标准化敏感特征。根据图5-6所示可知，敏感特征中最大值绝对值AMAX、最小值绝对值AMIN、峰峰值PP和谱均值SM可进一步区分共振频率和接近共振频率。
进一步的，本实施例S5的分类器训练过程具体为：
对正常管道和共振管道的特征矩阵，参照S4确定的敏感特征向量，构建敏感特征矩阵。将正常管道和共振管道的敏感特征矩阵分布按照预设比例分割为两部分作为训练样本数据和测试样本数据，例如训练样本数据与测试样本数据占比为8:2，其中80％数据用于训练，与对应的标签一起输入分类器训练，训练样本数据中正常和共振管道样本比例为1:1(即训练样本数据中50％的特征来源于正常管道，其余50％的特征来源于共振管道)，剩余20％数据用于测试，测试样本数据构造类似训练样本数据。当训练样本的分类误差小于阈值时，停止训练。
进一步的，本实施例S6的分类器性能测试过程具体为：
将测试用敏感特征矩阵输入已训练好的分类器，对比已知的数据标签，判断分类器在测试数据上的判断是否准确，满足要求(如分类准确率超过90％)后可用于管道新数据分析。
进一步的，本实施例S7的检测过程具体为：
对新采集到的管道数据进行预处理和特征提取，获得特征矩阵F新；
根据敏感特征获取待测管道的敏感特征矩阵，将敏感特征矩阵输入训练好的分类器进行分类判断，即可检测该管道是否存在共振故障。
本实施例还提出了一种计算机设备，用于执行本实施例的上述方法。
具体如图7所示，计算机设备包括处理器、内存储器和系统总线；内存储器和处理器在内的各种设备组件连接到系统总线上。处理器是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如，程序状态信息)的物理设备。系统总线可以为以下几种类型的总线结构中的任意一种，包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过系统总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存(图中未示出)，以及随机存取存储器(RAM)，RAM通常是指加载了操作系统和计算机程序的主存储器。
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择，计算机可读介质是指可以通过计算机设备访问的任何可利用的介质，包括移动的和固定的两种介质。例如，计算机可读介质包括但不限于，闪速存储器(微型SD卡)，CD-ROM，数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网LAN接口)与网络终端相连接。局域网(LAN)是指在有限区域内，例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼，互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是，其它包括比计算机设备更多或更少的子系统的计算机系统也能适用于发明。
如上面详细描述的，适用于本实施例的计算机设备能执行数据驱动的核级管道共振故障检测方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此，实现本实施例并不限于任何特定硬件电路和软件的组合。
实施例2
本实施例提出了一种数据驱动的核级管道共振故障检测系统，如图8所示，包括：
数据采集及标定模块，在核级管道状态正常和管道共振或临界共振时，分别从管道上安装的加速计上采集数据，对采集的数据进行去噪处理，并标定该数据对应的管道状态(即给数据设定标签，标签为管道状态，如正常/共振)。从待测管道上安装的加速计上采集数据，对采集的数据进行去噪处理。
多域特征提取模块，对每个采集数据提取时域和频域特征，得到正常管道特征矩阵和共振管道的特征矩阵分布。对采集的待测管道的数据提取时域和频域特征。
特征差异化模块，对正常管道的每个特征计算均值，然后计算共振管道每个特征与正常管道特征均值的偏差，进而完成特征差异化。
敏感特征筛选模块，依据正常管道和共振管道的特征值，去除非敏感特征，进一步通过标准化，获得剩余特征的敏感量化结果；选择标准化共振特征矩阵sF2中所有低于0.3的特征为敏感特征，确定对共振故障敏感的时频特征。
分类器训练和测试模块，将所有采集数据(正常管道和共振管道)的敏感特征矩阵按照预设比例分割为两部分，较大比例的部分用作训练，较小比例的部分用作测试。将训练用的敏感特征矩阵输入分类器，调整分类器参数直到满足停止条件时，停止训练。将测试用敏感特征矩阵输入已训练完成的分类器，对比已知的采集数据标签，判断分类器在新的测试数据上的结果，满足需求后可用于管道新数据分析。
分类判断模块，选取待测管道的敏感特征，并将其输入到已训练好的分类器中即可判断待测管道是否存在共振故障。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种数据驱动的核级管道共振故障检测方法，其特征在于，包括：
数据采集及标定：采集多组核级管道状态正常和管道存在共振时的振动数据，对采集的每组数据进行预处理并添加标签；
多域特征提取：对每组采集数据进行多域特征提取；
特征差异化：基于正常管道特征均值，对正常管道特征和共振管道特征进行差异化处理；
敏感特征筛选：根据差异化处理结果，去除非敏感性特征，对剩余特征的敏感性差异进行标准化，选取标准化共振特征矩阵中所有小于预设值的特征为敏感特征；
分类器训练：基于采集的所有数据的敏感特征矩阵构造训练样本集和测试样本集，将训练样本集输入到分类器中进行训练，直到满足停止条件；
分类器性能测试：将测试样本集输入到已训练完成的分类器中，如果测试准确率满足要求则将分类器用于待测管道的检测，否则重新进行训练；
待测管道检测：采集待测管道的振动数据并进行预处理、多域特征提取，根据筛选的敏感特征获得待测管道的敏感特征矩阵，并将其输入到已完成性能测试的分类器中，即可判断管道是否存在共振故障；所述多域特征提取步骤具体包括：
对采集的每组数据提取多域特征，包括11个时域特征和9个频域特征；时域特征是直接计算采集数据的统计特征，频域特征是先对采集数据进行快速傅里叶变换，获得信号的频谱后再计算相应的统计特征，即为频域特征；
设定正常管道采集了M次数据，共振管道采集了N次数据，每次采集获得一个数据文件，分别获得正常管道的特征矩阵F1和共振管道的特征矩阵F2，矩阵中每行表示一个数据文件提取出的特征，矩阵每列表示一个特征在所有数据文件中提取出的数值；
正常管道的特征矩阵F1：
共振管道的特征矩阵F2：
所述特征差异化步骤具体包括：
针对正常管道的特征矩阵F1的每一列是一个时域或频域特征的M次采集计算出的统计值，计算每个特征的均值，表示为：
分别计算正常管道特征矩阵和共振管道特征矩阵与均值fmean(1,j)的偏差，其表达式如下：
dF1(i,j)＝F1(i,j)–fmean(1,j)
dF2(i,j)＝F2(i,j)–fmean(1,j)；所述敏感特征筛选步骤具体包括：
根据正常管道和共振管道特征差异性处理结果，识别共振特征矩阵dF2元素值非负所在的列，该列为非敏感性特征，从特征矩阵中移除该列，获得新的特征矩阵，正常管道和共振管道的特征矩阵分别表示为nF1和nF2；
通过对上述特征矩阵分别进行标准化，量化剩余特征的敏感性差异；对每一个特征分别从正常管道和共振管道提取最大值和最小值，即fmax(1,j)＝max(nF1(1:M,j))，fmin(1,j)＝min(nF2(1:N,j))，其中max(.)和min(.)分别表示取向量中的最大值和最小值；
通过特征矩阵标准化来度量特征的敏感度差异，表示为
在上述分析的基础上选取更为敏感的特征进行后续分析，判断标准化共振特征矩阵sF2中所有元素低于0.3的特征为敏感特征，表示为：敏感特征＝{j|sF2(i,j)<0.3,i＝1,...,N}。
2.根据权利要求1所述的一种数据驱动的核级管道共振故障检测方法，其特征在于，所述分类器训练步骤具体包括：
基于正常管道和共振管道的敏感特征矩阵构建训练样本集和测试样本集；
将训练样本集数据与对应的标签输入分类器进行训练，直到满足停止条件。
3.根据权利要求2所述的一种数据驱动的核级管道共振故障检测方法，其特征在于，所述分类器性能测试步骤具体包括：
根据敏感特征矩阵来获取测试样本集的特征矩阵，输入已训练完成的分类器中进行测试，计算分类器的分类准确率，即分类器正确分类的样本数与测试样本数的百分比；当分类准确率符合检测需求时，可将该分类器用于待测管道分析，否则重新进行分类器训练。
4.根据权利要求1-3任一项所述的一种数据驱动的核级管道共振故障检测方法，其特征在于，所述待测管道检测步骤具体包括：
采集待测管道的振动数据，对采集的数据进行预处理；
根据所述敏感特征，提取待测管道的特征，构造特征矩阵，并将其输入已完成性能测试的分类器中，即可判断该待测管道是否存在共振故障。
5.一种数据驱动的核级管道共振故障检测系统，其特征在于，包括：
数据采集及标定模块，采集多组核级管道状态正常和管道存在共振时的振动数据，对采集的每组数据进行预处理并添加标签；采集待测管道的振动数据并进行预处理；
多域特征提取模块，对每组采集数据进行多域特征提取；
特征差异化模块，基于正常管道特征均值，对正常管道特征和共振管道特征进行差异化处理；
敏感特征筛选模块，根据差异化处理结果，去除非敏感性特征，对剩余特征的敏感性差异进行标准化，选取标准化共振特征矩阵中所有小于预设值的特征为敏感特征；
分类器训练和测试模块，基于采集的所有数据的敏感特征矩阵构造训练样本集和测试样本集，将训练样本集输入到分类器中进行训练，直到满足训练停止条件；将测试样本集输入到已训练完成的分类器中，如果测试准确率满足要求则将分类器用于待测管道的检测，否则重新进行训练；
分类判断模块，根据筛选的敏感特征得到待测管道的敏感特征矩阵并将其输入到已完成性能测试的分类器中，即可判断管道是否存在共振故障；
所述多域特征提取模块具体被配置为执行如下操作：
对采集的每组数据提取多域特征，包括11个时域特征和9个频域特征；时域特征是直接计算采集数据的统计特征，频域特征是先对采集数据进行快速傅里叶变换，获得信号的频谱后再计算相应的统计特征，即为频域特征；
设定正常管道采集了M次数据，共振管道采集了N次数据，每次采集获得一个数据文件，分别获得正常管道的特征矩阵F1和共振管道的特征矩阵F2，矩阵中每行表示一个数据文件提取出的特征，矩阵每列表示一个特征在所有数据文件中提取出的数值；
正常管道的特征矩阵F1：
共振管道的特征矩阵F2：
所述特征差异化模块具体被配置为执行如下操作：
针对正常管道的特征矩阵F1的每一列是一个时域或频域特征的M次采集计算出的统计值，计算每个特征的均值，表示为：
分别计算正常管道特征矩阵和共振管道特征矩阵与均值fmean(1,j)的偏差，其表达式如下：
dF1(i,j)＝F1(i,j)–fmean(1,j)
dF2(i,j)＝F2(i,j)–fmean(1,j)；
所述敏感特征筛选模块具体被配置为执行如下操作：
根据正常管道和共振管道特征差异性处理结果，识别共振特征矩阵dF2元素值非负所在的列，该列为非敏感性特征，从特征矩阵中移除该列，获得新的特征矩阵，正常管道和共振管道的特征矩阵分别表示为nF1和nF2；
通过对上述特征矩阵分别进行标准化，量化剩余特征的敏感性差异；对每一个特征分别从正常管道和共振管道提取最大值和最小值，即fmax(1,j)＝max(nF1(1:M,j))，fmin(1,j)＝min(nF2(1:N,j))，其中max(.)和min(.)分别表示取向量中的最大值和最小值；
通过特征矩阵标准化来度量特征的敏感度差异，表示为
在上述分析的基础上选取更为敏感的特征进行后续分析，判断标准化共振特征矩阵sF2中所有元素低于0.3的特征为敏感特征，表示为：敏感特征＝{j|sF2(i,j)<0.3,i＝1,...,N}。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210857233.8A CN115221963B (zh) | 2022-07-20 | 2022-07-20 | 一种数据驱动的核级管道共振故障检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210857233.8A CN115221963B (zh) | 2022-07-20 | 2022-07-20 | 一种数据驱动的核级管道共振故障检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115221963A CN115221963A (zh) | 2022-10-21 |
| CN115221963B true CN115221963B (zh) | 2023-11-21 |
Family
ID=83614609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210857233.8A Active CN115221963B (zh) | 2022-07-20 | 2022-07-20 | 一种数据驱动的核级管道共振故障检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115221963B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116086831B (zh) * | 2023-04-07 | 2023-07-11 | 日照职业技术学院 | 一种车辆共振检测及消除方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181334A (zh) * | 2015-09-21 | 2015-12-23 | 燕山大学 | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 |
| CN110598593A (zh) * | 2019-08-29 | 2019-12-20 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10481104B2 (en) * | 2010-10-21 | 2019-11-19 | Vibrant Corporation | Utilizing resonance inspection of in-service parts |
-
2022
- 2022-07-20 CN CN202210857233.8A patent/CN115221963B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181334A (zh) * | 2015-09-21 | 2015-12-23 | 燕山大学 | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 |
| CN110598593A (zh) * | 2019-08-29 | 2019-12-20 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于AFSA优化级联随机共振的轴承故障诊断方法;王术光 等;航空发动机;第46卷(第05期);第6-9页 * |
| 强噪声干扰下的单向阀故障诊断方法研究;张丹威;中国优秀硕士学位论文全文数据库(第4期);第1-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115221963A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | Autoregressive statistical pattern recognition algorithms for damage detection in civil structures | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| Yang et al. | Hybrid two‐step method of damage detection for plate‐like structures | |
| CN112288079A (zh) | 图神经网络模型训练方法、软件缺陷检测方法及系统 | |
| CN107544460B (zh) | 考虑航天器控制系统非完全失效故障的可诊断性量化方法 | |
| CN115221963B (zh) | 一种数据驱动的核级管道共振故障检测方法和系统 | |
| CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
| CN111400505A (zh) | 一种用电信息采集系统匹配故障消缺方案的方法及系统 | |
| Ravanfar et al. | A two-step damage identification approach for beam structures based on wavelet transform and genetic algorithm | |
| CN113298162A (zh) | 一种基于K-means算法的桥梁健康监测方法及系统 | |
| CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
| CN108763966A (zh) | 一种尾气检测作弊监管系统及方法 | |
| CN115047064A (zh) | 管道缺陷量化方法、处理器和管道缺陷量化装置 | |
| CN111340367A (zh) | 基于多维度关联性数据分析的少油设备状态评估方法及系统 | |
| CN110850358A (zh) | 基于逐步回归算法的电能表综合检定方法及系统 | |
| Li et al. | A novel feature extraction method based on discriminative graph regularized autoencoder for fault diagnosis | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN112836719A (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
| CN103218277A (zh) | 服务器环境的自动检测方法与装置 | |
| CN111141472B (zh) | 一种抗震支吊架检测方法及系统 | |
| CN108345289A (zh) | 一种基于替代数据法的工业过程平稳性检测方法 | |
| CN116611184A (zh) | 一种齿轮箱的故障检测方法、装置及介质 | |
| CN113204894A (zh) | 一种电能计量异常诊断模型的构建方法及应用 | |
| CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
| Allahdadian et al. | Damage localization of a real structure using the statistical subspace damage localization method |
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 |