【技術實現步驟摘要】
本專利技術涉及核電，尤其涉及多源異構數據融合的主氦風機狀態監測與預警方法及系統。
技術介紹
1、核電站主氦風機作為核電廠的關鍵設備，在整個運行過程中起到至關重要的作用。主氦風機的主要功能是在一回路系統中壓縮氦氣[1]，確保反應堆運行的安全性和可靠性。氦氣作為核反應堆的冷卻劑，在一回路系統中不斷循環流動，帶走反應堆堆芯產生的熱量。因此，對主氦風機的狀態進行實時監測和故障預警至關重要。
2、現有的主氦風機監測技術主要集中在單一數據源，如振動監測或電機參數監測等。這種單一數據源的監測方式難以全面、準確地診斷設備的運行狀態，存在漏檢或誤報的問題，不能有效預警即將發生的故障。此外，現有的監測系統大多采用人工經驗判斷的方式，難以實現自適應的故障診斷和預測。
3、針對上述問題，迫切需要一種能夠融合多源異構數據，并采用智能算法進行故障診斷和預測的主氦風機狀態監測與預警系統。該系統應能夠全面感知設備的運行狀態，及時發現異常，為設備維護提供有力支持，提高核電站的安全性和可靠性。本專利技術旨在提供一種基于深度學習和強化學習的多源異構數據融合方法，構建一個分層的工業物聯網架構，實現主氦風機的智能監測與預警。
技術實現思路
1、鑒于上述現有存在的問題，提出了本專利技術。
2、因此，本專利技術提供了多源異構數據融合的主氦風機狀態監測與預警方法，能夠融合多源異構數據，并采用智能算法進行故障診斷和預測的主氦風機狀態監測與預警系統。
3、為解決上述技術問題，本專利技術
4、采集主氦風機振動數據、電機參數數據和環境數據，并對數據進行預處理，采用基于注意力機制的深度神經網絡對多源異構數據進行融合，輸出綜合的故障診斷特征向量；基于融合特征的故障診斷模型，采用生成對抗網絡訓練模擬未來故障情況的生成器模型，將所述生成器模型與基于lstm的故障預測模型進行對抗訓練；采用深度強化學習算法，對核島層診斷模型、預測模型進行自適應優化，并基于診斷和預測結果觸發故障預警。
5、作為本專利技術所述的多源異構數據融合的主氦風機狀態監測與預警方法的一種優選方案，其中：所述主氦風機振動數據包括，通過在主氦風機布置加速度傳感器，實時采集振動信號；所述電機參數數據包括，在電機端安裝電壓、電流傳感器，并利用轉速傳感器獲取轉速、扭矩和功率參數；所述環境數據包括，監測并采集主氦風機所在環境的溫濕度變化。
6、作為本專利技術所述的多源異構數據融合的主氦風機狀態監測與預警方法的一種優選方案，其中：所述預處理包括，對采集的主氦風機振動數據、電機參數數據和環境數據進行濾波處理，采用巴特沃斯低通濾波器，去除測量噪聲，傳遞函數具體為：
7、
8、其中，ωc為截止頻率；n為濾波器階數；s為復頻率變量，s＝jω，其中j為虛數單位，ω為角頻率；
9、利用3σ準則，檢測數據序列中的異常值，異常值的判定公式為：
10、|xi-μ|＞3sd
11、其中，xi為第i個數據點，μ為數據均值，sd為數據標準差；
12、從預處理后的數據中提取出可能與設備正常狀態和潛在故障對應的時域、頻域特征，設提取的時域特征向量為xt，頻域特征向量為xf，則特征向量表示為：
13、x＝[xt,xf]。
14、作為本專利技術所述的多源異構數據融合的主氦風機狀態監測與預警方法的一種優選方案，其中：所述對多源異構數據進行融合包括，輸入預處理后得到的特征向量x＝[xt,xf]，
15、設輸入的多源異構數據為x＝[v1,v2,...,vm]，其中m為數據源的數量，vk代表第k個數據源的特征向量，k＝1,……，m；注意力權重為α＝[α1,α2,...,αm]，則融合特征f表示為：
16、
17、其中，vk為第k個數據源的特征向量；αk為第k個數據源的注意力權重，注意力權重αk通過學習得到，滿足
18、融合網絡以端到端的方式進行訓練，輸出綜合的故障診斷特征向量。
19、作為本專利技術所述的多源異構數據融合的主氦風機狀態監測與預警方法的一種優選方案，其中：所述故障診斷模型包括，基于融合特征f建立故障診斷模型，故障診斷模型目標函數具體為：
20、
21、s.t.yj(wt*fj+b)≥1-ξj,ξj≥0,j＝1,2,...,n
22、其中，w為分類超平面的法向量，wt表示向量w經過轉置后的結果，b為偏置項，c為懲罰系數，ξj為松弛變量，yj為第j個樣本的標簽，fj為第j個樣本的融合特征向量，n為樣本總數。
23、作為本專利技術所述的多源異構數據融合的主氦風機狀態監測與預警方法的一種優選方案，其中：所述生成器模型包括，采用生成對抗網絡gan訓練出模擬未來故障情況的生成器模型，gan由生成器g和判別器d組成，目標函數為：
24、
25、其中，pdata為真實數據分布，pz為噪聲分布，x為真實樣本，z為隨機噪聲輸入；
26、生成器模型g與基于lstm的故障預測模型進行對抗訓練，具體過程如下：
27、生成器g生成模擬的未來故障數據，通過lstm預測模型對真實歷史數據和生成的模擬數據進行預測，根據判別器d判斷lstm的預測結果是否準確，并通過判別器d的反饋，優化生成器g和lstm預測模型；
28、lstm的隱藏狀態ht通過如下遞歸計算：
29、ft＝σ(wf·[ht-1,xt]+bf)
30、it＝σ(wi·[ht-1,xt]+bi)
31、ot＝σ(wo·[ht-1,xt]+bo)
32、ct＝ft⊙ct-1+it⊙tanh(wc·[ht-1,xt]+bc)
33、ht＝ot⊙tanh(ct)
34、其中，ft、it、ot分別為遺忘門、輸入門、輸出門，ct為記憶單元，ct-1為t-1時刻的記憶單元，xt為t時刻的輸入，ht為t時刻的隱藏狀態，ht-1為t-1時刻的隱藏狀態，w和b為權重矩陣和偏置向量，σ為sigmoid函數，⊙表示逐元素相乘。
35、作為本專利技術所述的多源異構數據融合的主氦風機狀態監測與預警方法的一種優選方案，其中：所述自適應優化包括，采用深度強化學習算法的深度q網絡dqn，對核島層診斷模型和預測模型進行自適應優化，dqn的q值更新公式為：
36、q(st,a)←q(st,a)+λ[r+γmaxa′q(st′,a′)-q(st,a)]
37、其中，st為當前狀態，a為動作，r為獎勵，λ為學習率，γ為折扣因子，st′為下一個狀態；
38、dqn代理通過與系統運行環境的交互，學習出最優的優化策略，自動調整故障診斷模型和lstm預測模型的參數；
39、基于故障診斷和預測結果，系統實時評估設備狀態并進行故障預警，通過動態閾值模型觸發預警機制，動態閾本文檔來自技高網...
【技術保護點】
1.多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：包括，
2.如權利要求1所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述主氦風機振動數據包括，通過在主氦風機布置加速度傳感器，實時采集振動信號；所述電機參數數據包括，在電機端安裝電壓、電流傳感器，并利用轉速傳感器獲取轉速、扭矩和功率參數；所述環境數據包括，監測并采集主氦風機所在環境的溫濕度變化。
3.如權利要求2所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述預處理包括，對采集的主氦風機振動數據、電機參數數據和環境數據進行濾波處理，采用巴特沃斯低通濾波器，去除測量噪聲，傳遞函數具體為：
4.如權利要求3所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述對多源異構數據進行融合包括，輸入預處理后得到的特征向量x＝[xT,xF]，
5.如權利要求4所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述故障診斷模型包括，基于融合特征F建立故障診斷模型，故障診斷模型目標函數具體為：
6.如權利要求5
7.如權利要求6所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述自適應優化包括，采用深度強化學習算法的深度Q網絡DQN，對核島層診斷模型和預測模型進行自適應優化，DQN的Q值更新公式為：
8.一種采用如權利要求1～7任一所述的多源異構數據融合的主氦風機狀態監測與預警方法的系統，其特征在于：系統包括，
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：包括，
2.如權利要求1所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述主氦風機振動數據包括，通過在主氦風機布置加速度傳感器，實時采集振動信號；所述電機參數數據包括，在電機端安裝電壓、電流傳感器，并利用轉速傳感器獲取轉速、扭矩和功率參數；所述環境數據包括，監測并采集主氦風機所在環境的溫濕度變化。
3.如權利要求2所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述預處理包括，對采集的主氦風機振動數據、電機參數數據和環境數據進行濾波處理，采用巴特沃斯低通濾波器，去除測量噪聲，傳遞函數具體為：
4.如權利要求3所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述對多源異構數據進行融合包括，輸入預處理后得到的特征向量x＝[xt,xf]，
5.如權利要求4所述的多源異構數據融合的主氦風機狀態監測與預警方法，其特征在于：所述故障診斷模型包括，基于融合特征f建立...
【專利技術屬性】
技術研發人員：王苗苗，董毓暉，邢艷平，崔超，嚴義杰，姜峰，王健，常重喜，
申請(專利權)人：華能核能技術研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。