一种重要厂用水泵智能诊断的方法及装置制造方法及图纸

本发明专利技术涉及一种重要厂用水泵智能诊断的方法及装置，该方法包括：S1：采集不同工况下重要厂用水泵的振动信号，得到包含不同故障状态的振动信号的样本点；S2：对样本点进行小波阈值去噪预处理；S3：建立故障博弈模型为故障诊断代理提供观察、行动和获得奖励的交互式环境；S4：通过堆叠自编码神经网络对多个隐藏层降维和特征提取，利用BP神经网络对初始参数进行优化，得到一个具有特征提取和模式识别功能的深度神经网络模型；S5：输出诊断结果。本发明专利技术可以根据不同状态的振动信号，通过设计故障诊断博弈环境，将强化学习与深度学习相结合能够有效建立深度神经网络模型，实现智能诊断化，并且有较好的诊断效果。并且有较好的诊断效果。并且有较好的诊断效果。

【技术实现步骤摘要】
一种重要厂用水泵智能诊断的方法及装置


[0001]本专利技术涉及机械故障诊断和计算机人工智能领域，具体涉及一种重要厂用水泵智能诊断的方法及装置。

技术介绍

[0002]重要厂用水泵是核电站的重要核安全三级设备，该泵是为核电站设备冷却水系统热交换器服务的设备。重要厂用水泵输送的海水将热交换器里的热量传递到自然界(大海)，以保证核电厂各种设备的安全可靠运行。而水泵发生故障后将会导致性能下降，可能会造成巨大经济损失甚至灾难性事故。
[0003]在现有技术中，常用的旋转机械故障诊断方法通过采集信号数据，对数据进行经验模态分解、局部均值分解、小波包分解等方法进行预处理。原始数据经过预处理后，需要进行特征提取及故障识别。深度学习方法由于能够从数据中自动学习具有代表性的特征，并在机械故障诊断领域取得了成功应用。但是深度学习模型仍然存在不足：(1)无法在原始数据和相应的故障模式之间建立直接的线性或非线性映射，且这些故障诊断方法的性能取决于构建和训练深度模型的质量。(2)这种方法的训练机制主要基于监督学习或半监督学习，这意味着诊断算法需要专家系统以便专门学习不同的故障模式。
[0004]通过设计故障诊断博弈环境，将强化学习与深度学习相结合，使人工代理可以直接从数据中学习其知识和经验，该方法可以成功地使用DRL(深度强化学习)获得智能故障诊断代理。能够有效建立无监督诊断模型，实现智能诊断化，并且有较好的诊断效果。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提供一种具有简洁性、高效性、稳定性、准确性的重要厂用水泵智能诊断的方法及装置。
[0006]本专利技术的技术方案如下：一种重要厂用水泵智能诊断的方法，包括如下步骤：
[0007](S1)采集不同工况下重要厂用水泵的振动信号，得到包含不同故障状态的振动信号的样本点；
[0008](S2)对样本点进行小波阈值去噪预处理；
[0009](S3)建立故障博弈模型为故障诊断代理提供观察、行动和获得奖励的交互式环境；
[0010](S4)通过堆叠自编码神经网络对多个隐藏层降维和特征提取，利用BP神经网络对初始参数进行优化，得到一个具有特征提取和模式识别功能的深度神经网络模型；
[0011](S5)输出诊断结果。
[0012]进一步，如上所述的重要厂用水泵智能诊断的方法，步骤(S1)中通过加速度传感器和LabVIEW软件构成的测量系统采集不同故障状态下的振动信号。
[0013]更进一步，步骤(S1)中，引起所述故障的原因包括：口环处发生严重磨损并有汽蚀、转子中心与蜗壳中心不重合、叶片与扩压器未恰当对准、进出口管线设计不合理、进出
口管线无直管段或直管段过短(尤其是进口影响大)造成流体进入叶轮前紊流、叶片不在设计工况下运行(如在超小流量或超大流量下运行)流体易产生紊流、脱流、冲击、汽蚀对叶片的随机不均匀冲击等。
[0014]进一步，如上所述的重要厂用水泵智能诊断的方法，步骤(S2)中对样本点进行去噪预处理的方法包括如下步骤：
[0015](S201)通过改进阈值函数对噪声数据进行去噪，选取改进阈值th如下：
[0016][0017]其中，σ2为噪声方差，σ＝median，median是高频小波系数绝对值的中位数，n为信号长度，j为小波的分解层数，β为控制因子。
[0018](S202)利用小波包变换提取去噪数据的小波包能量；
[0019](S203)对故障状态的振动信号进行小波包分解，选取的小波基为db3，分解层数为4；
[0020](S204)分解后每个节点的小波包能量由下式求得：
[0021]E
jn
＝1M∑t＝1M((X
jn
(t))2[0022]其中,X
jn
(t)表示时域振动信号，t表示时间，M为节点X
jn
中样本的个数。
[0023]进一步，如上所述的重要厂用水泵智能诊断的方法，步骤(S3)的具体过程包括：
[0024](S301)生成故障诊断问题；
[0025](S302)经由代理接受诊断问题并给出结果反馈；
[0026](S303)对于博弈模型判断诊断结果是否正确，若正确总回报加1，输出博弈回报值，反之总回报减1，返回(S301)重新生成故障诊断问题。
[0027]进一步，如上所述的重要厂用水泵智能诊断的方法，步骤(S4)的具体过程包括：
[0028](S401)对预处理后的数据添加损伤噪声，在自动编码器中加入降噪性限制和稀疏性限制得到稀疏降噪自编码器；
[0029](S402)对稀疏降噪自编码器进行预训练；
[0030](S403)取上一个稀疏降噪自编码器的隐藏层输出值为下一个稀疏降噪自编码器的输入值，采用逐层贪婪算法重复步骤(S402)直至所有稀疏降噪自编码器训练完毕；
[0031](S404)在稀疏降噪自编码器最后加上softmax分类器进行分类；
[0032](S405)利用BP反向传播算法在每次迭代中更新权值和偏置，对整个深度网络参数进行微调；
[0033](S406)用测试集测试算法分类准确率；
[0034](S407)完成深度神经网络模型。
[0035]更进一步，如上所述的重要厂用水泵智能诊断的方法，步骤(S401)中，所述降噪性限制采用masknoise作为修正，即对输入数据随机置0，记经过修正的输入向量为x
′
，表达式为：
[0036]h＝f(x
′
)＝S
f
(Wx
′
+b)
[0037]式中：x
′
为修正的输入向量；S
f
表示非线性激活函数；W为编码器权重矩阵；b为编码器偏置。
[0038]稀疏性限制通过控制隐藏层神经元平均激活量实现。假设a
j
(x)代表隐层第j个激
活单元，那么隐层第j个单元的平均激活量为：
[0039][0040]式中：N表示样本总数量，j表示隐层单元。
[0041]为了保证ρ
j
不偏离ρ，需要在代价函数中加入一个稀疏项惩罚因子
[0042][0043]式中：S2表示隐藏层神经元数量；ρ为稀疏性参数；KL为Kullback
‑
Leibler(诱导稀疏)散度；ρ
j
表示隐层第j个单元的平均激活量。
[0044]对堆叠自编码器(AE)进行降噪性限制以及加入稀疏惩罚因子之后，就得到了一个稀疏降噪自编码器(SDAE)，那么代价函数原式可以表示为：
[0045]J
sDAE
＝J
AE
+γPN
[0046]式中，γ表示稀疏惩罚因子的权重；J
AE
为堆叠自编码器代价函数；PN表示稀疏项惩罚因子。
[0047]更进一步，如上所述的重要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种重要厂用水泵智能诊断的方法，其特征在于，包括如下步骤：(S1)采集不同工况下重要厂用水泵的振动信号，得到包含不同故障状态的振动信号的样本点；(S2)对样本点进行小波阈值去噪预处理；(S3)建立故障博弈模型为故障诊断代理提供观察、行动和获得奖励的交互式环境；(S4)通过堆叠自编码神经网络对多个隐藏层降维和特征提取，利用BP神经网络对初始参数进行优化，得到一个具有特征提取和模式识别功能的深度神经网络模型；(S5)输出诊断结果。2.如权利要求1所述的重要厂用水泵智能诊断的方法，其特征在于，步骤(S1)中通过加速度传感器和LabVIEW软件构成的测量系统采集不同故障状态下的振动信号。3.如权利要求1或2所述的重要厂用水泵智能诊断的方法，其特征在于，步骤(S1)中，引起所述故障的原因包括：口环处发生严重磨损并有汽蚀、转子中心与蜗壳中心不重合、叶片与扩压器未恰当对准、进出口管线设计不合理、进出口管线无直管段或直管段过短造成流体进入叶轮前紊流、叶片不在设计工况下运行流体易产生紊流、脱流、冲击、汽蚀对叶片的随机不均匀冲击。4.如权利要求1所述的重要厂用水泵智能诊断的方法，其特征在于，步骤(S2)中对样本点进行去噪预处理的方法包括如下步骤：(S201)通过改进阈值函数对噪声数据进行去噪，选取改进阈值th如下：其中，σ2为噪声方差，σ＝median,median是高频小波系数绝对值的中位数，n为信号长度，j为小波的分解层数，β为控制因子。(S202)利用小波包变换提取去噪数据的小波包能量；(S203)对故障状态的振动信号进行小波包分解；(S204)分解后每个节点的小波包能量由下式求得：E
jn
＝1M∑t＝1M((X
jn
(t))2其中,X
jn
(t)表示时域振动信号，t表示时间，M为节点X
jn
中样本的个数。5.如权利要求4所述的重要厂用水泵智能诊断的方法，其特征在于，步骤(S203)中选取的小波基为db3，分解层数为4。6.如权利要求1所述的重要厂用水泵智能诊断的方法，其特征在于，步骤(S3)的具体过程包括：(S301)生成故障诊断问题；(S302)经由代理接受诊断问题并给出结果反馈；(S303)对于博弈模型判断诊断结果是否正确，若正确总回报加1，输出博弈回报值，反之总回报减1，返回(S301)重新生成故障诊断问题。7.如权利要求1所述的重要厂用水泵智能诊断的方法，其特征在于，步骤(S4)的具体过程包括：(S401)对预处理后的数据添加损伤噪声，在自动编码器中加入降噪性限制和稀疏性限制得到稀疏降噪自编码器；
(S402)对稀疏降噪自编码器进行预训练；(S403)取上一个稀疏降噪自编码器的隐藏层输出值为下一个稀疏降噪自编码器的输入值，采用逐层贪婪算法重复步骤(S402)直至所有稀疏降噪自编码器训练完毕；(S404)在稀疏降噪自编码器最后加上softmax分类器进行分类；(S405)利用BP反向传播算法在每次迭代中更新权值和偏置，对整个深度网络参数进行微调；(S40...

【专利技术属性】
技术研发人员：张荣勇，智一凡，李奇，张文杰，代丽，李娜，黄倩，
申请(专利权)人：中国核电工程有限公司，
类型：发明
国别省市：