CN118194156A - 知识和数据融合驱动迭代的核电站水泵故障诊断方法 - Google Patents
知识和数据融合驱动迭代的核电站水泵故障诊断方法 Download PDFInfo
- Publication number
- CN118194156A CN118194156A CN202311871812.9A CN202311871812A CN118194156A CN 118194156 A CN118194156 A CN 118194156A CN 202311871812 A CN202311871812 A CN 202311871812A CN 118194156 A CN118194156 A CN 118194156A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- fault
- data
- diagnosis model
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 329
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种知识和数据融合驱动迭代的核电站水泵故障诊断方法、装置、存储介质以及设备,所述方法包括:首先,收集核电站水泵的历史运行状态数据,通过第一故障诊断模型识别振动数据的故障类型,并提取各故障类型的振动特征数据。利用这些数据训练第二故障诊断模型。然后获取水泵的实时运行状态数据,利用第二故障诊断模型进行故障识别。若第二模型确定了故障类型,使用第一故障诊断模型验证,并比较两模型的结果。若不一致,对第一和第二故障诊断模型进行相应优化。本公开实施例通过结合建立第一故障诊断模型以及第二故障诊断模型对核电站水泵的故障进行诊断分析,并基于分析结果不断对两个模型进行更新,提升了模型的准确度和识别范围。
Description
技术领域
本公开涉及核电站水泵领域,具体而言,涉及一种知识和数据融合驱动迭代的核电站水泵故障诊断方法、装置、存储介质以及计算机设备。
背景技术
核电站水泵是能量转换的重要动力源,其运行可靠性直接影响核电站的安全和能量转换功能。然而,由于工作环境复杂,水泵容易受到各种随机因素的影响,可能导致振动故障,进而影响设备的安全运行。
水泵结构多样,难以为所有水泵建立完备的故障诊断认知,尤其是新设备。在相关技术中,主要集中在使用通用旋转机械故障诊断方法建立专家系统,或者利用设备运行数据构建故障智能诊断系统。然而,相关技术的解决方法难以覆盖特定水泵所有故障类型的知识,也难以支持系统的持续学习。此外,依赖高质量工程数据构建的故障智能诊断系统在实际应用中面临困难,例如故障模拟试验成本较高、在解决复杂问题时算法的学习效率会降低等。
发明内容
本公开实施例至少提供一种知识和数据融合驱动迭代的核电站水泵故障诊断方法、装置、存储介质以及计算机设备,可以通过结合建立第一故障诊断模型以及第二故障诊断模型对核电站水泵的故障进行诊断分析,并基于分析结果不断对两个模型进行更新,提升了模型的准确度和识别范围。
本公开实施例提供了一种知识和数据融合驱动迭代的核电站水泵故障诊断方法,包括:
获取核电站水泵的历史运行状态数据集,所述历史运行状态数据集包括多个水泵对应的振动数据;
利用第一故障诊断模型识别所述振动数据对应的故障类型,其中,所述第一故障诊断模型基于预设的故障诊断方法构建;
提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型;其中,所述第一故障诊断模型和所述第二故障诊断模型对应的诊断类型均包括至少一种故障类型和正常类型;
获取核电站水泵的实时运行状态数据,并基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别;
在所述第二故障诊断模型识别出所述实时运行状态数据属于诊断类型的情况下,基于所述第一故障诊断模型对所述实时运行状态数据进行故障识别,并判断所述第一故障诊断模型的第一故障类型识别结果与所述第二故障诊断模型的第二故障类型识别结果是否一致;
在所述第一故障类型识别与所述第二故障类型识别不一致的情况下,分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化。
在一些可能的实施例中,所述利用第一故障诊断模型识别所述振动数据对应的故障类型之前,包括:
基于时频分析工具分别对多个所述振动数据进行特征提取,得到所述核电站水泵的振动信号特征空间;
根据预设的诊断方法确定用于诊断每个故障类型的特征空间子集;
通过推理机建立所述振动信号特征空间与每个故障类型的特征空间子集的映射关系,得到所述第一故障诊断模型。
在一些可能的实施例中,所述故障类型包括转子偏心型、轴承磨损型,所述提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型,包括:
分别将多个所述振动数据转换为与每个振动数据对应的特征空间数据;
基于所述第一故障诊断模型分别对多个所述特征空间数据进行数据标注,得到与每个故障类型对应的特征集合;
基于所述特征集合以及预设学习网络建立所述第二故障诊断模型。
在一些可能的实施例中,所述基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别之后,包括:
在所述第二故障诊断模型识别出所述实时运行状态数据不属于诊断类型的情况下,基于所述实时运行状态数据对所述第一故障诊断模型和所述第二故障诊断模型进行模型更新。
在一些可能的实施例中,所述基于所述实时运行状态数据对所述第一故障诊断模型和所述第二故障诊断模型进行模型更新,包括:
在所述第二故障诊断模型的输出数据维度增加一个节点,并在所述模型的全连接层增加所述实时运行状态数据对应的第二模型参数数据,基于所述第二模型参数数据对所述第二故障诊断模型进行调整得到更新后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第一贡献数据,并基于所述第一贡献数据建立所述实时运行状态数据对应的故障类型的映射关系;根据所述映射关系更新所述第一故障诊断模型。
在一些可能的实施例中,所述判断所述第一故障诊断模型的输出结果与所述第二故障诊断模型的输出结果是否一致之后,包括:
在所述第一故障诊断模型的输出结果与所述第二故障诊断模型的输出结果一致的情况下,输出所述核电站水泵的实时运行状态数据对应的故障诊断结果。
在一些可能的实施例中,所述分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化,包括:
基于所述实时运行状态数据对所述第二故障诊断模型进行训练,并根据训练结果更新所述第二故障诊断模型的第二模型参数数据,得到优化后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第二贡献数据,并根据所述第二贡献数据调整所述第一故障诊断模型的预设网络模型参数,基于调整后的预设网络模型参数优化后的所述第一故障诊断模型。
本公开实施例提供了一种知识和数据融合驱动迭代的核电站水泵故障诊断装置,包括:
历史数据获取模块,用于获取核电站水泵的历史运行状态数据集,所述历史运行状态数据集包括多个水泵对应的振动数据;
第一模型建立模块,用于利用第一故障诊断模型识别所述振动数据对应的故障类型,其中,所述第一故障诊断模型基于预设的故障诊断方法构建;
第二模型建立模块,用于提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型;其中,所述第一故障诊断模型和所述第二故障诊断模型对应的诊断类型均包括至少一种故障类型和正常类型;
实时数据获取模块,用于获取核电站水泵的实时运行状态数据,并基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别;
故障类型识别模块,用于在所述第二故障诊断模型识别出所述实时运行状态数据为已知故障属于诊断类型的情况下,基于所述第一故障诊断模型对所述实时运行状态数据进行故障识别,并判断所述第一故障诊断模型的第一故障类型识别结果与所述第二故障诊断模型的第二故障类型识别结果是否一致;
模型优化模块,用于在所述第一故障类型识别与所述第二故障类型识别不一致的情况下,分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化。
在一些可能的实施例中,所述第一模型建立模块还用于:
基于时频分析工具分别对多个所述振动数据进行特征提取,得到所述核电站水泵的振动信号特征空间;
根据预设的诊断方法确定用于诊断每个故障类型的特征空间子集;
通过推理机建立所述振动信号特征空间与每个故障类型的特征空间子集的映射关系,得到所述第一故障诊断模型。
在一些可能的实施例中,所述故障类型包括转子偏心型、轴承磨损型,所述第二模块建立模型具体用于:
分别将多个所述振动数据转换为与每个振动数据对应的特征空间数据;
基于所述第一故障诊断模型分别对多个所述特征空间数据进行数据标注,得到与每个故障类型对应的特征集合;
基于所述特征集合以及预设学习网络建立所述第二故障诊断模型。
在一些可能的实施例中,所述实时数据获取模块还用于:
在所述第二故障诊断模型识别出所述实时运行状态数据不属于诊断类型的情况下,基于所述实时运行状态数据对所述第一故障诊断模型和所述第二故障诊断模型进行模型更新。
在一些可能的实施例中,所述实时数据获取模块还用于:
在所述第二故障诊断模型的输出数据维度增加一个节点,并在所述模型的全连接层增加所述实时运行状态数据对应的第二模型参数数据,基于所述第二模型参数数据对所述第二故障诊断模型进行调整得到更新后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第一贡献数据,并基于所述第一贡献数据建立所述实时运行状态数据对应的故障类型的映射关系;根据所述映射关系更新所述第一故障诊断模型。
在一些可能的实施例中,所述故障类型识别模块还用于:
在所述第一故障诊断模型的输出结果与所述第二故障诊断模型的输出结果一致的情况下,输出所述核电站水泵的实时运行状态数据对应的故障诊断结果。
在一些可能的实施例中,所述模型优化模块具体用于:
基于所述实时运行状态数据对所述第二故障诊断模型进行训练,并根据训练结果更新所述第二故障诊断模型的第二模型参数数据,得到优化后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第二贡献数据,并根据所述第二贡献数据调整所述第一故障诊断模型的预设网络模型参数,基于调整后的预设网络模型参数优化后的所述第一故障诊断模型。
本公开实施例提供了一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读请求,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读请求被所述处理器执行时执行如上述任一可能的实施方式中所述的知识和数据融合驱动迭代的核电站水泵故障诊断方法。
本公开实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时实现如上述任一可能的实施方式中所述的知识和数据融合驱动迭代的核电站水泵故障诊断方法。
本公开实施例中所提供的知识和数据融合驱动迭代的核电站水泵故障诊断方法、装置、存储介质以及计算机设备,通过知识和数据融合,首先建立第一故障诊断模型和第二故障诊断模型,实现对水泵故障的细致分析,通过不断迭代、驱动模型更新,提高了两个模型的准确度和识别范围。这种动态迭代的方法允许系统实时适应不同运行条件下的数据变化,使得诊断结果更为精准可靠。这样,不仅提高了故障诊断的灵敏度,还增强了系统对核电站水泵运行状态的可靠监测。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要引用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种知识和数据融合驱动迭代的核电站水泵故障诊断方法的流程图;
图2示出了本公开实施例所提供的一种知识和数据融合驱动迭代的核电站水泵故障诊断方法中,建立第一故障诊断模型具体方法的流程图;
图3示出了本公开实施例所提供的一种知识和数据融合驱动迭代的核电站水泵故障诊断方法中,建立第二故障诊断模型具体方法的流程图;
图4示出了本公开实施例所提供的一种知识和数据融合驱动迭代的核电站水泵故障诊断装置的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,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他实施例,都属于本公开保护的范围。
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。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
水泵是核电站介质输运、能量转换的重要动力源,其运行可靠性直接影响核电站的能量转换功能的完整性以及事故工况下保证反应堆能否正常冷却。核电站水泵通常工作在高温、高速的复杂环境工况下,且受各种系统、管路、介质等随机因素的影响,容易发生振动故障。一旦出现振动,将直接影响设备的安全运行,造成电机和管路的振动,使部件产生损坏和松动,严重时会使部件变形,甚至导致机组的停运,因此需要对核电站水泵故障诊断方法进行研究。同时核电站水泵结构形式多种多样,无法对所有水泵对象建立完备的故障诊断认知,特别是首次开展故障诊断模型研究的新设备。
经研究发现,相关技术中针对核电站水泵故障诊断方法研究大多集中在利用通用旋转机械故障诊断方法建立专家系统和利用设备运行过程中收集的数据或者故障模拟试验数据建立故障智能诊断系统。但是通用旋转机械故障诊断方法建立的专家系统难以实现特定水泵所有故障类型知识的完备覆盖,也难以支持专家系统的持续学习与进化;同时通过运行过程中收集的数据或者故障模拟试验数据建立的故障智能诊断系统高度依赖高质量的工程数据,而在实际工程应用中,故障类型完备的工程数据较难获取,开展故障模拟试验需要耗费大量的经济成本,此外,随着诊断问题复杂度的提升,单纯依赖数据驱动算法会因为解空间维度灾难问题为学习效率带来了严峻挑战。
基于上述研究,本公开实施例中提供了一种知识和数据融合驱动迭代的核电站水泵故障诊断方法、装置、存储介质以及计算机设备,首先,使用历史运行状态数据集,其中包括多个水泵的振动数据,通过第一故障诊断模型识别振动数据对应的故障类型。该第一故障诊断模型是基于预设的故障诊断方法构建的。其次,提取每种故障类型对应的振动数据特征空间数据,并用这些特征空间数据训练第二故障诊断模型。最后,使用核电站水泵的实时运行状态数据,通过第二故障诊断模型进行故障识别。如果第二故障诊断模型确认实时运行状态数据属于某一故障类型,那么会基于第一故障诊断模型再次进行故障识别,并比较两者的故障类型识别结果。如果第一和第二故障类型识别不一致,分别对两个模型进行优化。
本公开实施例中,通过知识和数据融合,首先建立第一故障诊断模型和第二故障诊断模型,实现对水泵故障的细致分析,通过不断迭代、驱动模型更新,提高了两个模型的准确度和识别范围。这种动态迭代的方法允许系统实时适应不同运行条件下的数据变化,使得诊断结果更为精准可靠。这样,不仅提高了故障诊断的灵敏度,还增强了系统对核电站水泵运行状态的可靠监测。
为便于对本实施例进行理解,首先对本公开实施例所提供的知识和数据融合驱动迭代的核电站水泵故障诊断方法的执行主体进行详细介绍。本公开实施例所提供的知识和数据融合驱动迭代的核电站水泵故障诊断方法的执行主体为电子设备。该电子设备可以终端设备或者服务器。其中,该终端设备还可以为移动设备、用户终端、终端、手持设备、计算设备、车载设备、可穿戴设备等。该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云存储、大数据和人工智能平台等基础云计算服务的云服务器。可选的,该方法还可应用于由电子设备和服务器所组成的实施环境。
下面结合附图对本申请实施例所提供的知识和数据融合驱动迭代的核电站水泵故障诊断方法进行详细说明。参见图1所示,为本公开实施例提供的一种知识和数据融合驱动迭代的核电站水泵故障诊断方法的流程图,该知识和数据融合驱动迭代的核电站水泵故障诊断方法包括以下S101~S106:
S101,获取核电站水泵的历史运行状态数据集,所述历史运行状态数据集包括多个水泵对应的振动数据。
可以理解的是,核电站水泵是确保核反应堆安全、高效运行的关键组件。其主要功能包括通过循环冷却剂来控制反应堆温度,防止过热;提供冷却剂以生成蒸汽驱动发电机;支持辅助系统的正常运行;参与核燃料的处理和运输;在紧急情况下提供冷却剂以确保核电站安全。这里,通过获取核电站水泵的历史运行状态,可以直观的得知核电站的运行健康情况。
具体地,所述历史运行状态数据是通过在所述核电站水泵的轴承座附近安装加速度传感器进行获取的,所述历史运行状态数据包括多个不同的水泵对应的振动数据,通过收集核电站水泵的振动数据具有关键的监测和故障诊断功能。其中,这些数据不仅提供实时的水泵运行状态信息,还能通过分析异常振动识别潜在故障,如轴承磨损或机械问题。通过预测性维护计划,可以提前解决问题,降低设备故障风险,减少计划外停机时间,提高设备可用性。在一些其他实施例中,所述历史运行状态数据还可以包括温度数据以及流量和压力数据等,在此不做具体限定。
S102,利用第一故障诊断模型识别所述振动数据对应的故障类型,其中,所述第一故障诊断模型基于预设的故障诊断方法构建。
这里,所述故障类型可以包括转子偏心型、轴承磨损型等,本公开实施例中所述预设的故障诊断方法包括旋转机械故障诊断方法,在一些其他的实施例中,所述故障诊断方法还可以包括声学诊断、温度分析以及电流分析等,在此不作具体限定。在基于所述旋转机械故障诊断方法以及专家先验知识建立所述第一故障诊断模型时,具体地,所述第一故障诊断模型的建立方法,请参见图2所示:
S1021,基于时频分析工具分别对多个所述振动数据进行特征提取,得到所述核电站水泵的振动信号特征空间。
在获取到所述核电站水泵的振动数据后,将所述振动数据输入至时频分析工具,对所属振动数据的时域和频域进行分析,所述时域分析提供信号在时间上的变化情况,所述频域分析则展示信号在不同频率上的成分。然后,基于所述时频分析结果对所述振动数据进行特征提取,具体的特征可以包括频谱特征、时域特征、频域特征等。最后将提取的特征组合成一个特征向量,构建振动信号的特征空间,每个特征向量代表一个时间段内振动信号的特征。
S1022,根据预设的诊断方法确定用于诊断每个故障类型的特征空间子集。
在前述步骤S102中已经阐述在本公开实施例中所述预设的诊断方法为旋转机械故障诊断方法,然后再结合先验知识和专业经验,选择与特定故障类型相关的振动特征,如特定频率范围、时域参数或频域指标。通过建立针对每种故障类型的特征空间子集,可以更准确地区分和识别振动数据中与特定故障相关的数据,从而实现对水泵运行状态的精准诊断和及时故障预测。
S1023,通过推理机建立所述振动信号特征空间与每个故障类型的特征空间子集的映射关系,得到所述第一故障诊断模型。
可以理解的是,使用推理机对所述振动信号特征空间进行模糊逻辑推理或规则推理,以确定特定振动模式与潜在故障之间的关系,针对选取的特征,将其对应的可调网络值设置为1,其他未选取的特征对应可调网络值设置为0,实现基于知识驱动的第一故障诊断模型的搭建。这样,所述第一故障诊断模型可以学习和识别不同故障类型的振动模式,建立一个针对每个故障类型的特定映射模型。所述第一故障诊断模型可以作为一个基础,用于后续的实时监测和诊断,以提高水泵系统的可维护性和性能。
本公开实施例中,通过推理机建立振动信号特征空间与每个故障类型的特征空间子集的映射关系,得到第一故障诊断模型是一种智能化的方法,实现自动学习和识别水泵系统中不同故障类型的振动模式,提高了诊断的智能性和准确性。
S103,提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型;其中,所述第一故障诊断模型和所述第二故障诊断模型对应的诊断类型均包括至少一种故障类型和正常类型。
这里,针对每一种故障类型,从所述对应的振动数据中提取相应的特征空间数据,可以包括通过时频分析工具得到的频谱分布、振动幅值、相位等特征。然后,利用这些特征空间数据,为每一种故障类型训练第二故障诊断模型。这个模型的训练过程涉及将振动特征与相应的故障类型建立关联,使模型能够识别和区分不同故障模式,所述第二故障诊断模型是为每一种故障类型训练的独立模型,能够在振动数据中学到每种故障类型的独特模式,为后续实时诊断提供准确的参考依据,实现对水泵系统更精准的故障诊断。
其中,请参见图3所示,为本公开实施例所提供的一种第二故障诊断模型的建立方法,包括S1031~S1033:
S1031,分别将多个所述振动数据转换为与每个振动数据对应的特征空间数据。
这里,针对多个振动数据,进行特征提取的过程的目的是将每个振动数据集转换为相应的特征空间数据,所述特征空间数据可以是频谱分布、振动幅值、相位等特征的表示。目的在于提取振动数据中的关键信息,以便有效地进行后续的分析和模型训练。每个振动数据集经过转换处理,形成了与每个振动数据对应的特征空间数据集。
S1032,基于所述第一故障诊断模型分别对多个所述特征空间数据进行数据标注,得到与每个故障类型对应的特征集合。
可以理解的是,利用已建立的第一故障诊断模型,对所述锁哥特征空间数据进行数据标注,可以包括分类操作和标记操作等,将每个特征空间数据集中的特征与相应的故障类型进行关联,形成针对每种故障类型的特征集合。通过对特征空间数据进行标注,能够识别每个特征集合与特定故障类型之间的关联,这种标注过程实质上是将振动特征空间数据与已知的故障类型进行匹配和分类,从而为后续模型训练提供了有监督的数据集。如此,建立了振动特征与故障类型之间的对应关系,为系统的故障诊断提供了更精确和可靠的数据基础。
S1033,基于所述特征集合以及预设学习网络建立所述第二故障诊断模型。
示例性地,根据所述特征集合,利用预设学习网络建立所述第二故障模型,本公开实施例中所述预设学习网络为卷积自编码网络,具体而言,卷积自编码网络设计用于学习特征集合的有效表示,其隐层被调整以服从特定概率分布,在卷积自编码网络中,隐层后接全连接网络层,并通过Softmax函数作为诊断模型的输出层,使得网络可以将学到的特征转化为与不同故障类型相关的输出概率分布。最终,利用所述卷积自编码网络建立的第二故障诊断模型能够输出核电站水泵的故障诊断结果,通过Softmax函数将网络输出映射到不同故障类别的概率。在一些其他实施例中,所述预设学习网络还可以包括长短时记忆网络、递归神经网络等。
S104,获取核电站水泵的实时运行状态数据,并基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别。
这里,在所述黑蛋站水泵运行过程中,通过在所述核电站水泵的轴承座附近安装传感器或监测设备实时获取核电站水泵的运行状态数据,这些数据包括但不限于振动特征、温度、压力等关键参数。随后,利用事先建立的第二故障诊断模型,该对所获取的实时运行状态数据进行故障识别。通过将实时数据输入模型,网络能够自动提取特征并输出相应的故障概率分布,实现对核电站水泵当前运行状态的实时、精准的故障诊断,进而可以判断所述核电站水泵的故障类型是否属于诊断类型。
可以理解的是,在所述第二故障诊断模型识别出所述实时运行状态数据不属于诊断类型的情况下,可以基于所述实时运行状态数据对所述第一故障诊断模型和所述第二故障诊断模型进行模型更新。具体的更新方法可以包括以下(a)~(b):
(a)在所述第二故障诊断模型的输出数据维度增加一个节点,并在所述模型的全连接层增加所述实时运行状态数据对应的第二模型参数数据,基于所述第二模型参数数据对所述第二故障诊断模型进行调整得到更新后的所述第二故障诊断模型;
(b)根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第一贡献数据,并基于所述第一贡献数据建立所述实时运行状态数据对应的故障类型的映射关系;根据所述映射关系更新所述第一故障诊断模型。
可以理解的是,在对所述第二故障诊断模型进行更新的过程中,首先在第二故障诊断模型的输出数据维度增加一个节点,以容纳对未知类型故障的处理。这一调整通常包括在模型的输出层中新增一个节点,用于表示未知类型故障的概率或其他相关信息。随后,在全连接层中向上溯源,需要在原有的参数基础上新增一列。这列对应于未知类型故障的特定参数,因此是模型在面对未知情况时学习的重要信息。在新增列的情况下,其他列的参数保持不变,确保已有的模型结构对已知故障类型的处理不受影响。接下来,针对新增列的参数进行Fine-Tune优化。所述Fine-Tune是一种微调的过程,通过在已有模型的基础上对新增参数进行小幅度的调整,使模型更好地适应新的数据分布和未知类型故障的特征。所述优化过程可以使用梯度下降等优化算法,以最小化模型的损失函数,确保新增参数能够有效地捕捉未知类型故障的模式。
随后,利用优化后的第一故障诊断模型和实时运行状态数据对应的特征空间数据计算实时运行状态数据对与其对应的故障类型的第一贡献数据,通过离线分析工具验证和领域专家知识的结合,确认贡献度分析的可信度,所述离线分析工具可以包括数据可视化公交、统计分析工具等。随后,根据贡献度高的特征子集建立映射函数,将这些关键特征映射到所述第一故障诊断模型的可调网络值,将贡献度高的特征子集对应的可调网络值设为1,未选取的特征对应可调网络值设为0,从而完成对所述第一故障诊断模型的更新。这一过程结合了数据驱动和知识驱动的方法,旨在提高模型的适应性和可解释性,确保系统在面对不属于诊断类型故障时能够做出合理、可信的决策。所述第一贡献数据反映了实时运行状态数据在不同故障类型判别中的重要性。基于这些数据,建立实时运行状态数据与故障类型之间的映射关系,将实时运行状态数据的特征与对应的故障类型进行联系。
S105,在所述第二故障诊断模型识别出所述实时运行状态数据属于诊断类型的情况下,基于所述第一故障诊断模型对所述实时运行状态数据进行故障识别,并判断所述第一故障诊断模型的第一故障类型识别结果与所述第二故障诊断模型的第二故障类型识别结果是否一致;
可以理解的是,在所述第二故障诊断模型识别出所述实时运行状态数据属于诊断类型的情况下,为了进一步确保故障的准确性和可靠性,利用第一故障诊断模型对所述实时运行状态数据进行故障识别,判断所述第一故障诊断模型的第一故障类型识别结果与所述第二故障诊断模型的第二故障类型识别结果是否一致。这个过程有助于验证两个模型的一致性,通过比较第一故障诊断模型的故障类型识别结果与第二故障诊断模型的结果是否一致,可以评估模型的稳健性和性能。这种策略在提高故障诊断系统的可信度和鲁棒性方面发挥了关键作用,确保了在实际应用中对于实时运行状态数据的准确识别和故障类型判定的可靠性。
示例性地,在所述第一故障诊断模型的输出结果与所述第二故障诊断模型的输出结果一致的情况下,输出所述核电站水泵的实时运行状态数据对应的故障诊断结果。
S106,在所述第一故障类型识别与所述第二故障类型识别不一致的情况下,分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化。
可以理解的是,在所述第一故障类型识别与所述第二故障类型识别不一致的情况下,说明所述第一故障诊断模型与所述第二故障诊断模型中至少一个模型出现诊断错误,所以需要分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化,具体可以包括以下(1)~(2):
(1)基于所述实时运行状态数据对所述第二故障诊断模型进行训练,并根据训练结果更新所述第二故障诊断模型的第二模型参数数据,得到优化后的所述第二故障诊断模型;
(2)根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第二贡献数据,并根据所述第二贡献数据调整所述第一故障诊断模型的预设网络模型参数,基于调整后的预设网络模型参数优化后的所述第一故障诊断模型。
具体地,通过采用实时运行状态数据对第二故障诊断模型进行训练,得到了一个经过优化的模型。这一过程涉及将所述实时运行状态数据不断放入所述第二故障诊断模型的数据集中,对所述第二故障诊断模型进行重新训练,更新模型参数,完成数据驱动模型的更新,以使模型更加精准和适应实际运行情况。
接着,利用经过优化的第二故障诊断模型以及实时运行状态数据对应的特征空间数据,计算实时运行状态数据对相应故障类型的第二贡献数据。这些贡献数据反映了各个特征在故障诊断中的影响程度。随后,根据所述第二贡献数据,对第一故障诊断模型的预设网络模型参数进行调整。这个调整过程旨在优化第一故障诊断模型,以使其更好地适应实际运行状态数据,并更准确地反映故障类型的影响因素。
如此,这种双向的优化策略,通过不断迭代和反馈,能够在实际应用中提高故障诊断模型的准确性和可靠性,确保对于各种故障情况的有效应对。
本公开实施例中所提供的知识和数据融合驱动迭代的核电站水泵故障诊断方法、装置、电子设备以及存储介质,通过知识和数据融合,首先建立第一故障诊断模型和第二故障诊断模型,实现对水泵故障的细致分析,通过不断迭代、驱动模型更新,提高了两个模型的准确度和识别范围。这种动态迭代的方法允许系统实时适应不同运行条件下的数据变化,使得诊断结果更为精准可靠。这样,不仅提高了故障诊断的灵敏度,还增强了系统对核电站水泵运行状态的可靠监测。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与知识和数据融合驱动迭代的核电站水泵故障诊断方法对应的知识和数据融合驱动迭代的核电站水泵故障诊断装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述知识和数据融合驱动迭代的核电站水泵故障诊断方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图4所示,为本公开实施例提供的一种知识和数据融合驱动迭代的核电站水泵故障诊断装置400的示意图,所述装置包括:
历史数据获取模块401,用于获取核电站水泵的历史运行状态数据集,所述历史运行状态数据集包括多个水泵对应的振动数据;
第一模型建立模块402,用于利用第一故障诊断模型识别所述振动数据对应的故障类型,其中,所述第一故障诊断模型基于预设的故障诊断方法构建;
第二模型建立模块403,用于提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型;其中,所述第一故障诊断模型和所述第二故障诊断模型对应的诊断类型均包括至少一种故障类型和正常类型;
实时数据获取模块404,用于获取核电站水泵的实时运行状态数据,并基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别;
故障类型识别模块405,用于在所述第二故障诊断模型识别出所述实时运行状态数据为已知故障属于诊断类型的情况下,基于所述第一故障诊断模型对所述实时运行状态数据进行故障识别,并判断所述第一故障诊断模型的第一故障类型识别结果与所述第二故障诊断模型的第二故障类型识别结果是否一致;
模型优化模块406,用于在所述第一故障类型识别与所述第二故障类型识别不一致的情况下,分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化。
在一些可能的实施例中,所述第一模型建立模块402还用于:
基于时频分析工具分别对多个所述振动数据进行特征提取,得到所述核电站水泵的振动信号特征空间;
根据预设的诊断方法确定用于诊断每个故障类型的特征空间子集;
通过推理机建立所述振动信号特征空间与每个故障类型的特征空间子集的映射关系,得到所述第一故障诊断模型。
在一些可能的实施例中,所述故障类型包括转子偏心型、轴承磨损型,所述第二模块建立模型403具体用于:
分别将多个所述振动数据转换为与每个振动数据对应的特征空间数据;
基于所述第一故障诊断模型分别对多个所述特征空间数据进行数据标注,得到与每个故障类型对应的特征集合;
基于所述特征集合以及预设学习网络建立所述第二故障诊断模型。
在一些可能的实施例中,所述实时数据获取模块404还用于:
在所述第二故障诊断模型识别出所述实时运行状态数据不属于诊断类型的情况下,基于所述实时运行状态数据对所述第一故障诊断模型和所述第二故障诊断模型进行模型更新。
在一些可能的实施例中,所述实时数据获取模块404还用于:
在所述第二故障诊断模型的输出数据维度增加一个节点,并在所述模型的全连接层增加所述实时运行状态数据对应的第二模型参数数据,基于所述第二模型参数数据对所述第二故障诊断模型进行调整得到更新后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第一贡献数据,并基于所述第一贡献数据建立所述实时运行状态数据对应的故障类型的映射关系;根据所述映射关系更新所述第一故障诊断模型。
在一些可能的实施例中,所述故障类型识别模块405还用于:
在所述第一故障诊断模型的输出结果与所述第二故障诊断模型的输出结果一致的情况下,输出所述核电站水泵的实时运行状态数据对应的故障诊断结果。
在一些可能的实施例中,所述模型优化模块406具体用于:
基于所述实时运行状态数据对所述第二故障诊断模型进行训练,并根据训练结果更新所述第二故障诊断模型的第二模型参数数据,得到优化后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第二贡献数据,并根据所述第二贡献数据调整所述第一故障诊断模型的预设网络模型参数,基于调整后的预设网络模型参数优化后的所述第一故障诊断模型。
本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括总线、处理器、存储器和通信接口,还可以包括输入输出接口和显示设备。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储位置信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现各方法实施例中的步骤。
本领域技术人员可以理解,上述的计算机设备的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质可以是非易失性,也可以是易失性,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种知识和数据融合驱动迭代的核电站水泵故障诊断方法,其特征在于,包括:
获取核电站水泵的历史运行状态数据集,所述历史运行状态数据集包括多个水泵对应的振动数据;
利用第一故障诊断模型识别所述振动数据对应的故障类型,其中,所述第一故障诊断模型基于预设的故障诊断方法构建;
提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型;其中,所述第一故障诊断模型和所述第二故障诊断模型对应的诊断类型均包括至少一种故障类型和正常类型;
获取核电站水泵的实时运行状态数据,并基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别;
在所述第二故障诊断模型识别出所述实时运行状态数据属于诊断类型的情况下,基于所述第一故障诊断模型对所述实时运行状态数据进行故障识别,并判断所述第一故障诊断模型的第一故障类型识别结果与所述第二故障诊断模型的第二故障类型识别结果是否一致;
在所述第一故障类型识别与所述第二故障类型识别不一致的情况下,分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化。
2.根据权利要求1所述的方法,其特征在于,所述利用第一故障诊断模型识别所述振动数据对应的故障类型之前,包括:
基于时频分析工具分别对多个所述振动数据进行特征提取,得到所述核电站水泵的振动信号特征空间;
根据预设的诊断方法确定用于诊断每个故障类型的特征空间子集;
通过推理机建立所述振动信号特征空间与每个故障类型的特征空间子集的映射关系,得到所述第一故障诊断模型。
3.根据权利要求1所述的方法,其特征在于,所述故障类型包括转子偏心型、轴承磨损型,所述提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型,包括:
分别将多个所述振动数据转换为与每个振动数据对应的特征空间数据;
基于所述第一故障诊断模型分别对多个所述特征空间数据进行数据标注,得到与每个故障类型对应的特征集合;
基于所述特征集合以及预设学习网络建立所述第二故障诊断模型。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别之后,包括:
在所述第二故障诊断模型识别出所述实时运行状态数据不属于诊断类型的情况下,基于所述实时运行状态数据对所述第一故障诊断模型和所述第二故障诊断模型进行模型更新。
5.根据权利要求4所述的方法,其特征在于,所述基于所述实时运行状态数据对所述第一故障诊断模型和所述第二故障诊断模型进行模型更新,包括:
在所述第二故障诊断模型的输出数据维度增加一个节点,并在所述模型的全连接层增加所述实时运行状态数据对应的第二模型参数数据,基于所述第二模型参数数据对所述第二故障诊断模型进行调整得到更新后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第一贡献数据,并基于所述第一贡献数据建立所述实时运行状态数据对应的故障类型的映射关系;根据所述映射关系更新所述第一故障诊断模型。
6.根据权利要求1所述方法,其特征在于,所述判断所述第一故障诊断模型的输出结果与所述第二故障诊断模型的输出结果是否一致之后,包括:
在所述第一故障诊断模型的输出结果与所述第二故障诊断模型的输出结果一致的情况下,输出所述核电站水泵的实时运行状态数据对应的故障诊断结果。
7.根据权利要求1所述的方法,其特征在于,所述分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化,包括:
基于所述实时运行状态数据对所述第二故障诊断模型进行训练,并根据训练结果更新所述第二故障诊断模型的第二模型参数数据,得到优化后的所述第二故障诊断模型;
根据所述优化后的第二故障诊断模型以及所述实时运行状态数据对应的特征空间数据计算所述实时运行状态数据对与所述实时运行状态数据对应的故障类型的第二贡献数据,并根据所述第二贡献数据调整所述第一故障诊断模型的预设网络模型参数,基于调整后的预设网络模型参数优化后的所述第一故障诊断模型。
8.一种知识和数据融合驱动迭代的核电站水泵故障诊断装置,其特征在于,包括:
历史数据获取模块,用于获取核电站水泵的历史运行状态数据集,所述历史运行状态数据集包括多个水泵对应的振动数据;
第一模型建立模块,用于利用第一故障诊断模型识别所述振动数据对应的故障类型,其中,所述第一故障诊断模型基于预设的故障诊断方法构建;
第二模型建立模块,用于提取每种故障类型对应的振动数据的特征空间数据,并根据每种故障类型对应的特征空间数据,训练第二故障诊断模型;其中,所述第一故障诊断模型和所述第二故障诊断模型对应的诊断类型均包括至少一种故障类型和正常类型;
实时数据获取模块,用于获取核电站水泵的实时运行状态数据,并基于所述第二故障诊断模型对所述实时运行状态数据进行故障识别;
故障类型识别模块,用于在所述第二故障诊断模型识别出所述实时运行状态数据为已知故障属于诊断类型的情况下,基于所述第一故障诊断模型对所述实时运行状态数据进行故障识别,并判断所述第一故障诊断模型的第一故障类型识别结果与所述第二故障诊断模型的第二故障类型识别结果是否一致;
模型优化模块,用于在所述第一故障类型识别与所述第二故障类型识别不一致的情况下,分别对所述第一故障诊断模型和所述第二故障诊断模型进行优化。
9.一种存储介质,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至7中任一项所述的方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,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至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311871812.9A CN118194156A (zh) | 2023-12-29 | 2023-12-29 | 知识和数据融合驱动迭代的核电站水泵故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311871812.9A CN118194156A (zh) | 2023-12-29 | 2023-12-29 | 知识和数据融合驱动迭代的核电站水泵故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118194156A true CN118194156A (zh) | 2024-06-14 |
Family
ID=91393680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311871812.9A Pending CN118194156A (zh) | 2023-12-29 | 2023-12-29 | 知识和数据融合驱动迭代的核电站水泵故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118194156A (zh) |
-
2023
- 2023-12-29 CN CN202311871812.9A patent/CN118194156A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Serradilla et al. | Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects | |
Shen et al. | Hybrid multi-mode machine learning-based fault diagnosis strategies with application to aircraft gas turbine engines | |
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Zhu et al. | Estimation of bearing remaining useful life based on multiscale convolutional neural network | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
Barakat et al. | Parameter selection algorithm with self adaptive growing neural network classifier for diagnosis issues | |
Gai et al. | A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN112082639A (zh) | 发动机状态的诊断方法及其诊断建模方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
Maniak et al. | Hierarchical spatial-temporal state machine for vehicle instrument cluster manufacturing | |
CN116821730B (zh) | 风机故障检测方法、控制装置及存储介质 | |
CN113850305A (zh) | 一种发电机故障诊断与健康状态评估方法和电子设备 | |
CN117930815A (zh) | 一种基于云平台的风电机组远程故障诊断方法及系统 | |
Zhao et al. | A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN117092445A (zh) | 基于大数据的配电系统的故障检测方法及系统 | |
Yao et al. | Multi-step-ahead tool state monitoring using clustering feature-based recurrent fuzzy neural networks | |
Xu et al. | Bearing Fault Diagnosis in the Mixed Domain Based on Crossover‐Mutation Chaotic Particle Swarm | |
CN118194156A (zh) | 知识和数据融合驱动迭代的核电站水泵故障诊断方法 | |
Imamverdiyev et al. | Condition monitoring of equipment in oil wells using deep learning | |
CN115712874A (zh) | 基于时间序列特征的热能动力系统故障诊断方法及装置 | |
Al‐Dahidi et al. | A novel approach for remaining useful life prediction of high‐reliability equipment based on long short‐term memory and multi‐head self‐attention mechanism | |
Zhou et al. | Multisensor‐Based Heavy Machine Faulty Identification Using Sparse Autoencoder‐Based Feature Fusion and Deep Belief Network‐Based Ensemble Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |