CN116398418A - 核电循环水泵在线异常监测及辨识方法 - Google Patents
核电循环水泵在线异常监测及辨识方法 Download PDFInfo
- Publication number
- CN116398418A CN116398418A CN202310369460.0A CN202310369460A CN116398418A CN 116398418 A CN116398418 A CN 116398418A CN 202310369460 A CN202310369460 A CN 202310369460A CN 116398418 A CN116398418 A CN 116398418A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- water pump
- monitoring
- circulating water
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000012544 monitoring process Methods 0.000 title claims abstract description 91
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 81
- 230000005856 abnormality Effects 0.000 title claims description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000036541 health Effects 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004821 distillation Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 56
- 238000009826 distribution Methods 0.000 claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B53/00—Component parts, details or accessories not provided for in, or of interest apart from, groups F04B1/00 - F04B23/00 or F04B39/00 - F04B47/00
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
公开了一种核电循环水泵在线异常监测及辨识方法，方法中，在线获取循环水泵运行过程中的多源时序数据，通过专家分析模块给定数据标签，进行数据规范化处理并随机划分信号为训练集和测试集样本；在输入数据流仅包含健康数据时，基于特征层约束长短时自编码器的数据融合监测模块，注意力机制及门结构可充分挖掘数据的状态信息和潜在关联特性，实现健康样本下的状态监测；随着监测数据中异常数据出现，基于编码器特征进一步构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数；采用邻近均值分类器实现对已知/未知异常状态的在线监测及辨识。本方法具有较好的兼容性和扩展性，向运行维护人员推送更精准的状态监测结果。
Description
技术领域
本发明属于核电循环水泵在线监测技术领域，尤其涉及一种核电循环水泵在线异常监测及辨识方法。
背景技术
目前，核电厂针对循环水泵状态评估的主要手段仍为基于阈值报警的方法，该方法存在漏警、误警、反应滞后等严重缺陷。随着人工智能技术的日趋成熟，基于深度学习的在线监测模型可识别设备存在的异常，提升运行的安全性。近年来，国内外诸多学者应用深度学习评估设备关键部件运行状态，取得了较好的成果。然而，无监督状态监测方法无法利用可能产生的异常样本，且仅能对健康或异常进行判断，运维人员仍需开展大量的检修才能定位故障源。
为了实现对循环水泵行星齿轮箱的状态监测并进一步辨识已知异常，现存方法多依赖于完备离线的数据集以同时训练监测模型和分类模型。随着循环水泵役龄增加，设备会产生新的异常数据进而导致原模型失效，使得方法的应用成本增大、灵活性变差。且现有技术的单源数据对核电循环水泵的行星齿轮箱及其关联部件整体状态评估具有较大的局限性。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
本发明的目的是提供一种核电循环水泵在线异常监测及辨识方法，在输入数据流仅包含健康数据时，本发明设计基于长短时记忆网络的自编码器的数据融合监测模块，注意力机制及门结构可充分挖掘数据的状态信息和潜在关联特性，实现健康样本下的状态监测。随着监测数据中异常数据出现，基于编码器特征进一步构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数，确保模型在学习新的数据时保留对旧数据的记忆。最后，采用邻近均值分类器实现对已知/未知异常状态的在线监测及辨识。所提方法具有较好的兼容性和扩展性，可以应用于设备运行的各类状态，并可以进一步记忆并分辨已知和未知异常，向运维人员推送更精准的状态监测结果。
为了实现上述目的，本发明提供如下技术方案：
本发明的一种核电厂场外应急疏散路径规划方法包括：
第一步骤，在线获取核电循环水泵运行过程中的多源时序数据并给定数据标签，对多源时序数据依次进行预定长度的不重叠采样，然后划分为训练集样本或测试集样本；
第二步骤，在核电循环水泵运行前期采集健康样本，构建长短时自编码器实现健康样本下的状态监测，其中采用最大均值差异MMD作为正则化项用于对齐编码层特征分布和高斯分布，其中，给定潜在表示
其中d是潜在空间，h表示一次迭代中的所有时间步长，在再生核希尔伯特空间H中选择高斯分布Pz作为目标分布，最大均值差异MMD计算如下：
其中，
是样本zi的特征；z(i)是目标分布为高斯分布的采样结果；φ代表从样本特征空间到再生核希尔伯特空间H的映射，低维表示/>
的分布Z和集合X上的目标分布z(i)～Pz，最大均值差异MMD定义为特征映射φ：X→H，其中H是个再生核希尔伯特空间，在一次迭代中计算集合X上的最大均值差异MMD，其中X的数量等于训练批量大小B与数据长度的乘积；
第三步骤，在核电循环水泵运行过程中监测到异常数据出现，基于编码器特征构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数使得在学习新的数据时保留对旧数据的记忆，其中，将长短时自编码器的编码器构建为异常辨识网络的特征提取器，联合损失函数中，交叉熵LCE为：
其中，xi为样本输入；y为样本类别；yi为第i个样本的预测标签；s为新类别的样本标签；log为指数函数；gy为分类器；δ为判别函数，当且仅当y＝yi时输出为1，否则为0；
蒸馏损失LDL用于在新模型中复现旧样本在原模型的输出，以抑制对已学习知识的遗忘：
其中，qi是原模型对旧样本的预测输出；s-1代表已学习类别数；
三元组损失函数LossTN为：
LTN＝max(0，||N(x1)-N(x2)||2-||N(x1)-N(x3)||2+m)，
其中，N(xi)为神经网络对样本xi的输出；m为设定的最小边界距离，C类的x1称为锚，x2来自C类称为正样本，x3来自其他类分别称为负样本；
第四步骤，采用邻近均值分类器对核电循环水泵的实时数据在线监测及辨识，对异常辨识网络输出第y类健康状态样本特征，求平均特征向量μy：
其中，Py是类别y的范例集合；
为特征提取器的映射函数；m为类别y的样本个数；
用欧氏距离区分样本类别，并将待分类样本归类到与平均特征向量最邻近的类别中：
其中，t是最终学习的类别总数；
为类别预测值；
基于健康样本的重构误差设定异常监测阙值，当重构误差高于异常监测阙值时认定为异常数据。
所述的一种核电循环水泵在线异常监测及辨识方法中，多源时序数据包括电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移和齿轮箱输出轴Y向位移。
所述的一种核电循环水泵在线异常监测及辨识方法中，预定长度为2048，分割后的单个数据长度为2048，通道为6通道，单个数据为6×2048的二维数据。
所述的一种核电循环水泵在线异常监测及辨识方法中，对训练集样本或测试集样本中的样本x1，x2，x3，…，xn进行如下变换：
其中，
为对应样本最小数据值，/>
为对应样本中最大数据值，对每一个样本在区间[0，1]进行归一化处理。
所述的一种核电循环水泵在线异常监测及辨识方法中，长短时记忆神经网络包括门单元和存储单元，长短时记忆神经网络生成向量并选择介于0和1之间的候选信息，在输入门中，向量It由隐藏状态ht-1和当前步骤的输入xt生成，设fg、fi、fc、fo、fh为不同阶段激活函数，wi、wg、wo为加权矩阵，bi、bg、bo为偏差，生成过程可以表示为：
It＝fi(wixt+wihlt-1+bi)，
遗忘门Ft决定了先前单元的状态Ct-1是否应该保留，表示为：
Ft＝fg(wgxt+wght-1+bg)，
然后，由xt和ht-1生成输入候选信息
进一步，得到当前的单元状态Ct为：
输出门还生成一个向量Yt：
Yt＝fo(woxt+woht-1+bo)，
最后，根据Yt和Ct得到了隐藏状态ht：
ht＝Ytfh(Ct)，
采用均方误差作为损失函数实现对长短时记忆神经网络的训练，均方误差LMSE表示为：
其中，N为所有类别的样本总数；xt为模型输入数据；
为重构数据。
所述的一种核电循环水泵在线异常监测及辨识方法中，在训练过程中，运用核技巧来计算最大均值差异MMD，设k(x，y)＝(φ(x)，φ(y))H，最大均值差异MMD表示为：
高斯分布Pz的潜在表示是通过从Pz采样并通过对在所有样本对上评估的核k(x，y)进行平均来近似，在一次迭代中计算集合X上的MMD，其中X的数量等于训练批量大小B与数据长度的乘积。
所述的一种核电循环水泵在线异常监测及辨识方法中，异常辨识网络包含批归一化层，设置激活函数为ReLU。
所述的一种核电循环水泵在线异常监测及辨识方法中，定输出结果更新间隔为5s。
所述的一种核电循环水泵在线异常监测及辨识方法中，潜在空间d<N×T。
所述的一种核电循环水泵在线异常监测及辨识方法中，采用反向传播算法对异常辨识网络进行训练，利用链式求导计算损失函数对每个权重的梯度，根据梯度下降算法进行权重更新，求解卷积神经网络所使用的代价函数是交叉熵函数，其公式为：
其中，c代表代价，x表示样本，n表示样本总数，a表示模型输出值。
在上述技术方案中，本发明提供的一种核电循环水泵在线异常监测及辨识方法，具有以下有益效果：本发明针对核电循环水泵状态评估的主要手段阈值报警法存在漏警、误警、反应滞后等严重缺陷和模型应用中会产生新的异常数据进而导致原模型失效等问题，提出了在线获取设备运行数据并进一步学习新数据，可实现对健康样本和新增异常样本的充分利用。所提异常状态在线监测方法利用长短时自编码器结构无监督地学习健康数据的压缩重构，并基于重构误差判定异常数据。为抑制传统长短时自编码器特征层特征分布的泛化学习并约束特征层分布，本发明采用最大均值差异约束特征层的输出分布，以减小特征层输出分布与标准高斯分布的偏差。结果证明，所提方法训练稳定，能有效监测各类型异常。面向异常辨识问题，本发明模拟工业现场边获取边学习的“数据流”的训练形式，提出了终身学习架构以充分利用已有的健康样本和随时可产生的异常样本，实现了对数据的充分利用和模型的在线学习及应用。其中，蒸馏损失和三元组损失的作为损失函数补偿项可缓减模型对旧类别的遗忘并规范样本分布；范例空间的利用缓减了数采终端的存储压力。经验证，所提方法相较被广泛应用的终身学习方法icaRL和微调法表现更好，在不同的实验设定下均验证了其异常辨识能力。所提方法更符合工业现场的实际应用场景，具有较好的兼容性和扩展性，可以应用于设备运行的各类状态，并可以进一步记忆并分辨已知和未知异常，向运维人员推送更精准的状态监测结果。
附图说明
为了更清楚地说明本申请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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明中核电循环水泵在线异常监测及辨识方法的流程示意图；
图2为本发明中核电循环水泵在线异常监测及辨识方法的核电循环水泵缩比实验结构示意图；
图3为本发明中核电循环水泵在线异常监测及辨识方法的多源数据时频示意图；
图4为本发明中核电循环水泵在线异常监测及辨识方法的损失函数曲线对比示意图；
图5为本发明中核电循环水泵在线异常监测及辨识方法的自编码器重构误差分布图；
图6为本发明中核电循环水泵在线异常监测及辨识方法的长短时自编码器重构误差分布图；
图7为本发明中核电循环水泵在线异常监测及辨识方法的监测结果图；
图8为本发明中核电循环水泵在线异常监测及辨识方法的对比方法混淆矩阵图；
图9为本发明中核电循环水泵在线异常监测及辨识方法的混淆矩阵图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。如图1至图9所示，一种核电循环水泵在线异常监测及辨识方法包括，
第一步骤，在线获取核电循环水泵运行过程中的多源时序数据并给定数据标签，对多源时序数据依次进行预定长度的不重叠采样，然后划分为训练集样本或测试集样本；
第二步骤，在核电循环水泵运行前期采集健康样本，构建长短时自编码器实现健康样本下的状态监测，其中采用最大均值差异MMD作为正则化项用于对齐编码层特征分布和高斯分布，其中，给定潜在表示
其中d是潜在空间，h表示一次迭代中的所有时间步长，在再生核希尔伯特空间H中选择高斯分布Pz作为目标分布，最大均值差异计算如下：
其中，
是样本xi的特征；z(i)是目标分布为高斯分布的采样结果；φ代表从样本特征空间到再生核希尔伯特空间H的映射；
第三步骤，在核电循环水泵运行过程中监测到异常数据出现，基于编码器特征构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数使得在学习新的数据时保留对旧数据的记忆，一个实例中，设置样本长度为2048，滑动窗偏移量为256。设置可存储样本总量为K＝1000，数据重构训练回合数为40次，每一次增量评估模型训练60次，网络训练采用Adam优化器，设置学习率为0.001，权重衰减系数为0.00001。其中，将长短时自编码器的编码器构建为异常辨识网络的特征提取器，联合损失函数中，
交叉熵LCE为：
其中，xi为样本输入；y为样本类别；yi为第j个样本的预测标签；s为新类别的样本标签；log为指数函数；gy为分类器；δ为判别函数，当且仅当y＝yi时输出为1，否则为0；
蒸馏损失LDL用于在新模型中复现旧样本在原模型的输出，以抑制对已学习知识的遗忘：
其中，qi是原模型对旧样本的预测输出；s-1代表已学习类别数；
三元组损失函数LossTN为：
LTN＝max(0，||N(x1)-N(x2)||2-||N(x1)-N(x3)||2+m)，
其中，N(xi)为神经网络对样本xi的输出；m为设定的最小边界距离，C类的x1称为锚，x2来自C类称为正样本，x3来自其他类分别称为负样本；
长短时记忆神经网络(Long Short-term Memory Networks，LSTM)结构中的门单元和存储单元，可以有效地维护和传输数据的关键特征。LSTM-AE将LSTM网络与自动编码器相结合。该结构结合了LSTM强大的时序数据特征挖掘能力和自编器的数据重构能力，可在无监督的设定下挖掘数据的时空关联特征，实现了对多源时序数据的重构。LSTM-AE采用编码器E和解码器D的组成实现了对输入信号xt的压缩与重构。进一步，采用均方误差作为损失函数实现对模型的训练，均方误差LMSE可以表示为：
其中，xt为第t个样本的实际值，
为第t个样本的预测值；
为避免低频数据造成的反馈滞后，采用多源高频数据作为输入，测点的选取包括了齿轮箱下侧产压、电机底座振动加速度、齿轮箱箱体振动加速度、齿轮箱输出轴X向位移、齿轮箱输出轴Y向位移、叶轮上侧振动加速度，共计6个时序信号。可反映循环水泵行星齿轮箱及其运行相关的上侧电机、齿轮箱输出轴、齿轮箱供油泵、上侧叶轮等部件的运行状态。
第四步骤，采用邻近均值分类器对核电循环水泵的实时数据在线监测及辨识，对异常辨识网络输出第y类健康状态样本特征，求平均特征向量μy：
其中，Py是类别y的范例集合；
为特征提取器的映射函数；m为类别y的样本个数；
用欧氏距离区分样本类别，并将待分类样本归类到与平均特征向量最邻近的类别中：
其中，t是最终学习的类别总数；
为类别预测值；
基于健康样本的重构误差设定异常监测阙值，当重构误差高于异常监测阙值时认定为异常数据。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，多源时序数据包括电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移和齿轮箱输出轴Y向位移。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，预定长度为2048，分割后的单个数据长度为2048，通道为6通道，单个数据为6×2048的二维数据。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，对训练集样本或测试集样本中的样本x1，x2，x3，…，xn进行如下变换：
其中，
为对应样本最小数据值，/>
为对应样本中最大数据值，对每一个样本在区间[0，1]进行归一化处理。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，长短时记忆神经网络包括门单元和存储单元，长短时记忆神经网络生成向量并选择介于0和1之间的候选信息，在输入门中，向量It由隐藏状态ht-1和当前步骤的输入xt生成，设fg、fi、fc、fo、fh为不同阶段激活函数，wi、wg、wo为加权矩阵，bi、bg、bo为偏差，生成过程可以表示为：
It＝fi(wixt+wiht-1+bi)，
遗忘门Ft决定了先前单元的状态Ct-1是否应该保留，表示为：
Ft＝fg(wgxt+wght-1+bg)，
然后，由xt和ht-1生成输入候选信息
进一步，得到当前的单元状态Ct为：
输出门还生成一个向量Yt：
Yt＝fo(woxt+woht-1+bo)，
最后，根据Yt和Ct得到了隐藏状态ht。
ht＝Ytfh(Ct)，
采用均方误差作为损失函数实现对长短时记忆神经网络的训练，均方误差LMSE表示为：
其中，N为所有类别的样本总数；xt为模型输入数据；
为重构数据。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，在训练过程中，运用核技巧来计算最大均值差异MMD，设k(x，y)＝(φ(x)，φ(y))H，最大均值差异MMD表示为：
高斯分布Pz的潜在表示是通过从Pz采样并通过对在所有样本对上评估的核k(x，y)进行平均来近似，在一次迭代中计算集合X上的MMD，其中X的数量等于训练批量大小B与数据长度的乘积。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，异常辨识网络包含批归一化层，设置激活函数为ReLU。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，输出结果更新间隔为5s。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，潜在空间d＜N×T。
所述的一种核电循环水泵在线异常监测及辨识方法的优选实施方式中，采用反向传播算法对异常辨识网络进行训练，利用链式求导计算损失函数对每个权重的梯度，根据梯度下降算法进行权重更新，求解卷积神经网络所使用的代价函数是交叉熵函数，其公式为：
其中，c代表代价，x表示样本，n表示样本总数，a表示模型输出值。
在一个实施例中，核电循环水泵在线异常监测及辨识方法包括：
步骤1：在线获取循环水泵运行过程中的多源时序数据，通过专家分析模块给定数据标签，对信号依次进行长度为2048的不重叠采样进行数据规范化处理并随机划分信号为训练集或测试集样本。
步骤2：在设备运行的前期，当仅能收集到健康样本的情况下构建特征层约束的长短时自编码器的无监督异常监测模块。注意力机制及门结构可充分挖掘数据的状态信息和潜在关联特性，实现健康样本下的状态监测。
步骤3：随着监测数据中异常数据出现，基于终身学习架构以充分利用已有的健康样本和随时可产生的异常样本，实现了对数据的充分利用和模型的在线学习及应用。其中，蒸馏损失和三元组损失的作为损失函数补偿项可缓减模型对旧类别的遗忘并规范样本分布；范例空间的利用缓减了数采终端的存储压力。
步骤4：采用邻近均值分类器实现对已知/未知异常状态的在线监测及辨识。
在线获取循环水泵运行过程中的多源时序数据，通过专家分析模块给定数据标签，对信号依次进行长度为2048的不重叠采样进行数据规范化处理并随机划分信号为训练集或测试集样本，具体为：
(1)面向循环水泵运行中可能发生的异常设计实验并收集数据。同时，考虑到单源数据对循环水泵整体状态表征的局限性，根据分析选取多源信号作为模型输入。此处采用多源高频数据作为输入，测点的选取包括了电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移、齿轮箱输出轴Y向位移，共计6个时序信号，可有效的反应循环水泵电机、齿轮箱、齿轮箱输出轴、齿轮箱供油泵、泵导轴承、滑转子、叶轮等关键部件的运行状态。
(2)基于收集到的数据，例如专家进行人工标注工作，根据运行的实际状态给数据赋予标签。
(3)对数据进行不重叠采样，分割后的单个数据长度为2048，通道为6通道。即单个数据为6×2048的二维数据。
(4)对样本x1，x2，x3，…，xn进行如下变换：
其中，
为对应样本最小数据值，/>
为对应样本中最大数据值。相较于传统离差标准化，上述方法可以使相关的信号特征(如频谱峰值，频率的能量分布)不发生改变，并对每一个样本在区间[0，1]进行归一化处理，减小了样本间极值，有效解决了并行网络模型收敛困难的问题，提高了训练效率。步骤2所述在核电循环水泵运行的前期，当仅能收集到健康样本的情况下构建特征层约束的长短时自编码器的无监督异常监测模块。注意力机制及门结构可充分挖掘数据的状态信息和潜在关联特性，实现健康样本下的状态监测，具体为：
(1)构建长短时自编码器
长短时记忆神经网络(Long short-term Memory Networks，LSTM)克服了传统循环神经网络(Recurrent Neu ral Network，RNN)反向传播时存在的“梯度消失或爆炸”的问题。其结构中的门单元和存储单元，可以有效地维护和传输数据的关键特征。
首先，LSTM生成向量并选择介于0和1之间的候选信息。在输入门中，向量It由隐藏状态ht-1和当前步骤的输入xt生成。设fg、fi、fc、fo、fh为不同阶段激活函数，wi、wg、wo为加权矩阵，bi、bg、bo为偏差，生成过程可以表示为：
It＝fi(wixt+wiht-1+bi)
遗忘门Ft决定了先前单元的状态Ct-1是否应该保留，表示为：
Ft＝fg(wgxt+wght-1+bg)
然后，由xt和ht-1生成输入候选信息
进一步，得到当前的单元状态Ct为：
输出门还生成一个向量Yt：
Yt＝fo(woxt+woht-1+bo)
最后，根据Yt和Ct得到了隐藏状态ht：
ht＝Ytfh(Ct)
LSTM结构中的门单元和存储单元，可以有效地维护和传输数据的关键特征，
LSTM-AE将LSTM网络与自动编码器相结合，该结构结合了LSTM强大的时序数据特征挖掘能力和自编器的数据重构能力，可在无监督的设定下挖掘数据的时空关联特征，实现了对多源时序数据的重构。LSTM-AE采用编码器E和解码器D的组成实现了对输入信号xt的压缩与重构。进一步，采用均方误差作为损失函数实现对模型的训练，均方误差LMSE可以表示为：
其中，N为所有类别的样本总数；xt为模型输入数据；
为重构数据。
(2)设计特征层约束
为约束特征层数据分布并抑制模型的过拟合现象，本发明采用最大均值差异(Maximum mean discrepancy，MMD)作为正则化项用于对齐编码层特征分布和高斯分布。MMD通过将样本映射到希尔伯特空间的方式来衡量特征分布之间的差异性。具体而言，给定潜在表示
其中d是潜在空间(通常d<N×T)，h表示一次迭代中的所有时间步长。在再生核希尔伯特空间H中选择高斯分布Pz作为目标分布。MMD计算如下：
这里我们有低维表示
的分布Z和集合X上的目标分布z(i)～Pz。MMD定义为一个特征映射φ：X→H，其中H是个再生核希尔伯特空间。/>
在训练过程中，可以运用核技巧来计算MMD。设k(x，y)＝(φ(x)，φ(y))H，可以得出了MMD的另一种表示，如下所示：
此处，高斯分布Pz的潜在表示是通过从Pz采样并通过对在所有样本对上评估的核k(x，y)进行平均来近似。通常对神经网络训练进行批量训练，这意味着模型在一次迭代中使用数据的子样本进行训练。因此，需要在一次迭代中计算集合X上的MMD，其中X的数量等于训练批量大小B与数据长度的乘积。
基于上述(1)和(2)，所提基于特征层约束的长短是自编码器可被应用为无异常样本情况下的异常监测模块。
步骤3所述随着监测数据中异常数据出现，基于终身学习架构以充分利用已有的健康样本和随时可产生的异常样本，实现了对数据的充分利用和模型的在线学习及应用。其中，蒸馏损失和三元组损失的作为损失函数补偿项可缓减模型对旧类别的遗忘并规范样本分布；范例空间的利用缓减了数采终端的存储压力。具体为：
(1)特征层迁移模块
基于健康样本训练的长短时自编码器模块已经学习了一定的特征提取能力和特征融合能力。此处不再重新训练特征提取器，而是将长短时自编码器的编码器构建为异常辨识网络的特征提取器。在后续的训练中，为了保障特征提取器的稳定性，设定其学习率为其它模块的十分之一。
(2)融合三元组损失和蒸馏损失的网络训练模块
为实现异常辨识基于在线获取“数据流”的在线学习，本发明提出了终身学习训练的方法。在终身学习训练中，首先需要合并新样本与存储的少量旧样本范例；其次，用合并数据集训练分类网络，通过减小网络损失更新模型参数。损失函数包括三部分：交叉熵损失、蒸馏损失及三元组损失，作用如下：
交叉熵LCE被广泛应用于分类问题，用于提高模型在新样本上的分类准确率。
其中，s为新类别的样本标签；gy为分类器；δ为判别函数，当且仅当y＝yi时输出为1，否则为0。蒸馏损失LDL用于在新模型中复现旧样本在原模型的输出，以抑制对已学习知识的遗忘。
其中，qi是原模型对旧样本的预测输出；y是已学习的类别。
三元组损失作为一种有效的度量元学习的方法，其目标是学习从原始特征空间到低维密集嵌入空间的映射，使得同类的样本更近，不同类样本更远，进而实现对数据特征分布的约束。
它由三个共享参数的神经网络并行组成(其本质为同一个神经网络)，其中c类的x1称为锚，x2来自c类称为正样本，x3来自其他类分别称为负样本。三元组网络的损失函数LossTN如下：
LTN＝max(0，||N(x1)-N(x2)||2-||N(x1)-N(x3)||2+m)
其中，N(xi)为神经网络对样本xi的输出；m为设定的最小边界距离。
(3)有界范例空间管理模块
所提方法采用有界范例实现了旧数据的重新学习。不失一般性的假设存储的旧范例限制为固定数量。在下一次在线训练前，需要确定健康样本和已知异常样本可保留的样本数量。假设硬件设备可存储样本总量为K，当前新健康状态样本及旧状态样本类别总数为t，则每个样本可保留的数量m＝K/t(向下取整)。为选出具有代表性的样本存储(范例)，需要对新样本重要度进行排序，选择最重要的前m个新健康状态样本作为范例。此外，还需减少旧健康状态范例数量至m个。
有界范例空间新样本存储管理如算法1所示，有界范例空间旧样本删减管理如算法2所示
算法1有界范例空间新样本存储管理算法
算法2有界范例空间新样本存储管理算法
步骤4所述采用邻近均值分类器实现对已知/未知异常状态的在线监测及辨识。具体为：
(1)基于最邻近均值分类器的已知异常辨识
本发明从特征分布的角度去衡量数据类别，即距离某类别原型数据最近的数据即为该类别数据并基于此设计了已知异常辨识算法。相较传统深度模型直接使用全连接神经网络分类，其权重会产生严重于特征层的遗忘问题。
求取各类别平均特征向量：对神经网络输出第y类健康状态样本特征，求平均特征向量：
其中，Py是别y的范例集合。
用欧氏距离区分样本类别，并将待分类样本归类到与平均特征向量最邻近的类别中：
基于异常辨识的结果，维修人员可对模型预测的异常源进行优先检修。在确定预测的异常源正常时再展开常规检修流程可有效降低运维人员的工作量。
(2)基于重构误差的异常监测
基于健康样本的重构误差设定异常监测阙值，当重构误差高于阙值时则数据被认定为异常数据。
步骤4中所述异常辨识模型的添加批归一化层，以提高训练速度及模型泛化能力，设置激活函数为ReLU。采用反向传播算法对故障诊断模型进行训练，利用链式求导计算损失函数对每个权重的梯度，根据梯度下降算法进行权重更新，求解卷积神经网络所使用的代价函数是交叉熵函数，其公式为：
其中，c代表代价，x表示样本，n表示样本总数，a表示模型输出值。
softmax函数：归一化指数函数，是逻辑函数的一种推广，定义如下：
其中，Vi是分类器前级输出单元的输出。i表示类别索引，总的类别个数为c。Si表示的是当前元素的指数与所有元素指数和的比值。它能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在[0，1]之间，并且所有元素的和为1。即：通过softmax指数，可以将多分类的输出数值转化为相对概率。
核电循环水泵在线异常监测及辨识方法模拟工业实际中不断获取新异常样本的方式增量地训练模型，当出现新的数据类型时不需要采用离线方法重新训练。在工程应用阶段，监测数据输入多源时序数据，模型输出监测结果和基于已知异常的辨识结果，设定输出结果更新间隔为5s。维修人员对模型预测的异常源进行优先检修。在确定预测的异常源正常时再展开常规检修流程可有效降低运维人员的工作量。本发明采用核电循环水泵实验台获取循环水泵状态监测数据以验证所提方法。实验台由中国核电工程有限公司、上海阿波罗机械股份有限公司及西安交通大学联合搭建。如图2-5所示，实验台主要包括电机、行星齿轮箱、导轴承、叶轮等部件。实验台数据采集系统包括振动加速度传感器(PCB352C33)、声压传感器(SKC-MNP21)、轴位移传感器(米铱DT3005)、温度传感器(PT 100)及数据采集仪(亿恒-8018)等，采样频率设置为10240，采样点数32768，采样间隔60s。
本发明基于循环水泵实验台开展实验研究和方法验证。面向循环水泵运行中可能发生的异常设计实验并收集数据，如表3所示。
表3循环水泵健康监测实验
同时，考虑到单源数据对循环水泵整体状态表征的局限性，根据分析选取多源信号作为模型输入，如图3所示。此处采用多源高频数据作为输入，测点的选取包括了电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移、齿轮箱输出轴Y向位移，共计6个时序信号，可有效的反应循环水泵电机、齿轮箱、齿轮箱输出轴、齿轮箱供油泵、泵导轴承、滑转子、叶轮等关键部件的运行状态。本发明所提出的融合多源时序数据的循环水泵异常状态在线辨识方法，可在设备运行时，实时收集数据，一旦收集到故障数据，便可在线训练模型，实现核电循环水泵的异常状态在线辨识及未知异常的在线检测，具有较好的工程应用前景。
基于多源的健康数据训练特征层约束的长短时记忆自编码器，以无监督的方式学习多源异构数据的特征表达能力，损失函数如图3所示。
可见，所提特征分布约束的长短时自编码器以较快的速度收敛到了最终解，没有特征层约束的长短时自编码器虽然也可以收敛至最优解但收敛速度明显慢于所提方法，两者均方误差最终值较为相近。自编码器表现最差，结果证明，其收敛速度慢于上述两种方法，且最终的均方误差较大。
进一步对自编码器、长短时自编码器及所提特征分布约束的长短时自编码器对不同类别的测试数据中的健康样本和异常样本进行重构，得到重构误差分布直方图如图4、图5、图6所示。从数据概率密度分布的角度观察，所提方法健康样本的重构误差的概率密度分布更集中，对健康样本重构的效果更稳定。同时，所提方法对特征分布的约束有利于抑制模型的泛化现象，增强对异常数据的敏感度。因此，所提方法在重构误差的可辨识度优于长短时自编码器。
对不同异常的监测结果如图7所示，可见所提方法对各类异常的监测结果均较好，应用中可靠性高。将所提方法与采用相同网络结构、相同超参数的iCaRL和微调方法进行对比，结果如图8所示。相较所提方法，iCaRL和微调方法表现更差。其中，微调方法没有知识回放产生了“灾难性遗忘”。
对异常在线辨识结果绘制混淆矩阵。混淆矩阵的行表示真实值，混淆矩阵的列表示预测值，如图9所示。由上述结果可知，在增加异常类型后，所提方法在异常状态在线辨识任务上，均能保持在92％以上的评估准确率，表明方法的优越性。
最后应该说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种核电循环水泵在线异常监测及辨识方法，其特征在于，其包括以下步骤：
第一步骤，在线获取核电循环水泵运行过程中的多源时序数据并给定数据标签，对多源时序数据依次进行预定长度的不重叠采样，然后划分为训练集样本或测试集样本；
第二步骤，在核电循环水泵运行前期采集健康样本，构建长短时自编码器实现健康样本下的状态监测，其中采用最大均值差异作为正则化项用于对齐编码层特征分布和高斯分布，其中，给定潜在表示
其中d是潜在空间，h表示一次迭代中的所有时间步长，/>
为h个子样本的对应特征，在再生核希尔伯特空间H中选择高斯分布Pz作为目标分布，最大均值差异计算如下
其中，
是样本xi的特征；z(i)是目标分布为高斯分布的采样结果；φ代表从样本特征空间到再生核希尔伯特空间H的映射；
低维表示
的分布Z和集合X上的目标分布z(i)～Pz，最大均值差异定义为特征映射φ：X→H，其中H是个再生核希尔伯特空间，在一次迭代中计算集合X上的最大均值差异，其中X的数量等于训练批量大小B与数据长度的乘积；
第三步骤，在核电循环水泵运行过程中监测到异常数据出现，基于长短时自编码器的编码器作为特征提取器并结合全连接神经网络作为分类器构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数使得在学习新的数据时保留对旧数据的记忆，将长短时自编码器的编码器构建为异常辨识网络的特征提取器，联合损失函数中；
交叉熵LCE为：
其中，xi为样本输入；y为类别；yi为第i个样本的预测标签；s为新类别的样本标签；log为指数函数；gy为分类器；δ为判别函数，当且仅当y＝yi时输出为1，否则为0；
蒸馏损失LDL用于在新模型中复现旧样本在原模型的输出，以抑制对已学习知识的遗忘：
其中，qi是原模型对旧样本的预测输出；s-1代表已学习类别数；
三元组损失函数LossTN为：
LTN＝max(0，||N(x1)-N(x2)||2-||N(x1)-N(x3)||2+m)
其中，N(xi)为神经网络对样本xi的输出；m为设定的最小边界距离，C类的x1称为锚，x2来自C类称为正样本，x3来自其他类分别称为负样本；
第四步骤，采用邻近均值分类器对核电循环水泵的实时数据在线监测及辨识，对异常辨识网络输出第y类健康状态样本特征，求平均特征向量μy：
其中，Py是类别y的范例集合；
为特征提取器的映射函数；m为类别y的样本个数；
用欧氏距离区分样本类别，并将待分类样本归类到与平均特征向量最邻近的类别中：
其中，t是最终学习的类别总数；
为类别预测值；
基于健康样本的重构误差设定异常监测阙值，当重构误差高于异常监测阙值时认定为异常数据。
2.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，优选的，多源时序数据包括电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移和齿轮箱输出轴Y向位移。
3.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，预定长度为2048，分割后的单个数据长度为2048，通道为6通道，单个数据为6×2048的二维数据。
4.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，对训练集样本或测试集样本中的样本x1，x2，x3，…，xn进行如下变换：
其中，
为对应样本最小数据值，/>
为对应样本中最大数据值，对每一个样本在区间[0，1]进行归一化处理。
5.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，长短时记忆神经网络包括门单元和存储单元，长短时记忆神经网络生成向量并选择介于0和1之间的候选信息，在输入门中，向量It由隐藏状态ht-1和当前步骤的输入xt生成，设fg、fi、fc、fo、fh为不同阶段激活函数，wi、wg、wo为加权矩阵，bi、bg、bo为偏差，生成过程表示为：
It＝fi(wixt+wiht-1+bi)，
遗忘门Ft决定了先前单元的状态Ct-1是否应该保留，表示为：
Ft＝fg(wgxt+wght-1+bg)，
然后，由xt和ht-1生成输入候选信息
进一步，得到当前的单元状态Ct为：
输出门还生成一个向量Yt：
Yt＝fo(woxt+woht-1+bo)，
最后，根据Yt和Ct得到了隐藏状态ht：
ht＝Ytfh(Ct)，
采用均方误差作为损失函数实现对长短时记忆神经网络的训练，均方误差LMSE表示为
其中，N为所有类别的样本总数；xt为模型输入数据；
为重构数据。
6.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，在训练过程中，运用核技巧来计算最大均值差异，设k(x，y)＝(φ(x)，φ(y))H，最大均值差异表示为：
高斯分布Pz的潜在表示是通过从Pz采样并通过对在所有样本对上评估的核k(x，y)进行平均来近似，在一次迭代中计算集合X上的MMD，其中X的数量等于训练批量大小B与数据长度的乘积。
7.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，异常辨识网络包含批归一化层，设置激活函数为ReLU。
8.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，输出结果更新间隔为5s。
9.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，潜在空间d<N×T。
10.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，采用反向传播算法对异常辨识网络进行训练，利用链式求导计算损失函数对每个权重的梯度，根据梯度下降算法进行权重更新，求解卷积神经网络所使用的代价函数是交叉熵函数，其公式为：
其中，C代表代价，x表示样本，n表示样本总数，a表示模型输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310369460.0A CN116398418A (zh) | 2023-04-07 | 2023-04-07 | 核电循环水泵在线异常监测及辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310369460.0A CN116398418A (zh) | 2023-04-07 | 2023-04-07 | 核电循环水泵在线异常监测及辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116398418A true CN116398418A (zh) | 2023-07-07 |
Family
ID=87019528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310369460.0A Pending CN116398418A (zh) | 2023-04-07 | 2023-04-07 | 核电循环水泵在线异常监测及辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116398418A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628575A (zh) * | 2023-07-24 | 2023-08-22 | 征图新视(江苏)科技股份有限公司 | 样本生成的检测分类方法 |
| CN117605627A (zh) * | 2024-01-22 | 2024-02-27 | 南京讯联液压技术股份有限公司 | 一种风电齿轮箱冷却器芯体漏油检测系统及方法 |
-
2023
- 2023-04-07 CN CN202310369460.0A patent/CN116398418A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628575A (zh) * | 2023-07-24 | 2023-08-22 | 征图新视(江苏)科技股份有限公司 | 样本生成的检测分类方法 |
| CN117605627A (zh) * | 2024-01-22 | 2024-02-27 | 南京讯联液压技术股份有限公司 | 一种风电齿轮箱冷却器芯体漏油检测系统及方法 |
| CN117605627B (zh) * | 2024-01-22 | 2024-03-19 | 南京讯联液压技术股份有限公司 | 一种风电齿轮箱冷却器芯体漏油检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784965B (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
| CN116398418A (zh) | 核电循环水泵在线异常监测及辨识方法 | |
| WO2022126526A1 (zh) | 一种电池温度预测方法及系统 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN113554148A (zh) | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 | |
| CN112784920B (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
| CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
| CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| CN114819340A (zh) | 一种用于天然气日负荷的时序预测方法 | |
| CN114500004A (zh) | 一种基于条件扩散概率生成模型的异常检测方法 | |
| CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
| Zhang et al. | MS-TCN: A multiscale temporal convolutional network for fault diagnosis in industrial processes | |
| CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
| Li et al. | Life-cycle modeling driven by coupling competition degradation for remaining useful life prediction | |
| CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
| Li et al. | Gated recurrent unit networks for remaining useful life prediction | |
| Song et al. | A novel framework for machine remaining useful life prediction based on time series analysis | |
| Zhang et al. | Remaining useful life predictions for turbofan engine using semi-supervised DBN-LSTM joint training model | |
| Qu et al. | Remaining Useful Life Prediction of High-Speed Railroad Contact Network Based on Stacking Integrated Attention-LSTM-CNN Deep Learning |
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 |