一种核循环泵齿轮箱润滑系统故障诊断方法技术方案

本发明专利技术涉及一种核循环泵齿轮箱润滑系统故障诊断方法，首先对故障进行检测，使用变量投影算法优化稀疏主成分分析获得稀疏主元，再根据稀疏主元和训练数据得到固定阈值，并将固定阈值输入到自适应阈值指数加权移动平均的方法获得动态阈值，另外稀疏主元也对实时获得的数据计算出实时的

【技术实现步骤摘要】
一种核循环泵齿轮箱润滑系统故障诊断方法


[0001]本专利技术涉及核循环泵齿轮箱润滑系统故障诊断
，具体涉及一种自适应稀疏主成分分析的核循环泵齿轮箱润滑系统故障诊断方法
。

技术介绍

[0002]在核电厂中，核循环泵是非常重要的设备，而齿轮箱润滑系统则是确保核循环泵正常运转的关键环节
。
然而，现在的齿轮箱润滑系统故障诊断技术主要还是依赖人工进行，其效率较低
、
诊断效果也不尽如人意
。
目前，这个领域的故障诊断大部分依赖于专家的经验和判断，缺乏自动化和智能化的设备和技术
。
因此，这种依赖性导致诊断过程的效率和准确性大大受限，特别是在无法获得专业支持的情况下，在核循泵齿轮箱的众多监测参数中选择哪些参数进行分析和处理，变得极为困难，可能会影响故障的快速定位和处理
。
同时，现有的故障诊断技术对于处理大量的数据和复杂的故障模式，如隐蔽故障和多元故障，也显得力不从心，并且在特定的工况变化或非常规操作下，往往会出现误报或漏报的问题
。
并且许多故障诊断技术都需要对大量的监测数据进行处理和分析，因此，在故障发生后可能需要一段时间才能诊断出问题
。
这种延时可能使得故障得到扩大化，导致更严重的设备损坏或系统停机
。

技术实现思路

[0003]本专利技术的目的在于提供一种核循环泵齿轮箱润滑系统故障诊断方法，该方法有利于提高核循环泵齿轮箱润滑系统故障诊断的速度和精准度，进而提高核循环泵的运行效率和安全性
。
[0004]为了实现上述目的，本专利技术采用的技术方案是：一种核循环泵齿轮箱润滑系统故障诊断方法，首先对故障进行检测，使用变量投影算法优化稀疏主成分分析获得稀疏主元，再根据稀疏主元和训练数据得到固定阈值，并将固定阈值输入到自适应阈值指数加权移动平均的方法获得动态阈值，另外稀疏主元也对实时获得的数据计算出实时的
T2和
Q
统计量，当其中任意统计量超过阈值时则判定系统发生故障；检测到故障后对故障诊断，通过计算并绘制统计量的相对贡献度，再基于统计量各变量的相对贡献度的数据，输入全连接神经网络进行故障诊断判别
。
[0005]进一步地，该方法具体包括以下步骤：
[0006]S1、
采集核循环泵齿轮箱正常运行状态时的温度
、
压力
、
流量运行数据，将正常状态的数据作为训练数据，并对训练数据进行预处理；
[0007]S2、
对训练数据进行预处理，并对训练数据随机低秩近似，加速达到获取稀疏主元的精度；
[0008]S3、
使用稀疏主成分分析计算出负载矩阵，此过程用变量投影算法来进行优化；
[0009]S4、
根据
Hotelling's T2和
Q
阈值计算公式，获得统计量
T2和
Q
的固定阈值；
[0010]S5、
采用指数加权移动平均的方法来制定自适应阈值；
[0011]S6、
采集核循环泵齿轮箱的典型故障数据，计算出故障数据的
T2和
Q
的值；
[0012]S7、
根据故障发生时的相对贡献度呈现不一样的变化，由故障数据的
T2和
Q
的值获得各变量的相对贡献度；
[0013]S8、
收集完每种故障中每个变量的相对贡献度的值后，将值输入全连接神经网络进行训练，得到用于识别系统故障的模型；
[0014]S9、
离线阶段的任务完成后，将得到的模型部署在在线监测模块中；
[0015]S10、
在线监测模块对实时采集到的数据先进行标准化处理，与离线阶段得到的稀疏负载共同计算出统计量，如果离线阶段得出的负载矩阵统计量
T
i2
和
Q
i
小于对应时刻的和
Q
ada
[i]，即视为无故障发生，故障诊断程序不参与运行；
[0016]S11、
当统计量
T
i2
和
Q
i
中任何一个大于对应时刻的自适应阈值时，即视为故障发生，此时激活训练好的全连接神经网络，进行故障诊断；
[0017]S12、
进行故障诊断时根据收集到的故障类型判断发生的故障；对于典型的故障，该方法能够快速准确诊断出来，避免人工推理；当诊断为未知故障时，则根据显示的
T
i2
和
Q
i
的相对贡献图与正常状态下的相对贡献图对比，立刻对故障变量进行隔离，方便进一步诊断
。
[0018]进一步地，步骤
S2
中，对训练数据进行预处理，并对训练数据进行随机低秩近似，具体方法为：
[0019]先进行标准化处理：
[0020][0021][0022][0023]其中，
x
表示原始样本数据集，表示数据均值，
s
表示数据的样本标准差，
X
表示标准化后的样本数据集，
n
表示训练样本的数目；
[0024]标准化处理之后，再进行随机低秩近似：
X
的行和列为
n
×
m
，对
X
进行低秩近似获取其中的行和列为
l
×
m
，
m
为变量的数量，
l
大于主成分
k
，先形成样本矩阵
Y
，
Y
的行和列为
n
×
l
：
[0025]Y
＝
X
Ω
ꢀꢀꢀꢀ
(4)
[0026]其中，
Ω
的行和列为
m
×
l
，属于随机产生的测试矩阵；将
Y
进行
QR
分解：
[0027]Y
＝
QR
ꢀꢀꢀꢀ
(5)
[0028]最后将输入矩阵投影到
Y
的低维范围：
[0029][0030]然后对进行奇异值分解：
[0031][0032]其中，
U
为
l
×
l
的左奇异向量矩阵，
V
为
m
×
m
的右奇异向量矩阵，
D
为
l
×
m
对角矩阵，除了对角线上的元素为奇异值，其他元素都是
0。
[0033]进一步地，步骤
S3
中，使用稀疏主成分分析计算出负载矩阵，此过程用变量投影算法来进行优化，具体方法为：
[0034]基于式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种核循环泵齿轮箱润滑系统故障诊断方法，其特征在于，首先对故障进行检测，使用变量投影算法优化稀疏主成分分析获得稀疏主元，再根据稀疏主元和训练数据得到固定阈值，并将固定阈值输入到自适应阈值指数加权移动平均的方法获得动态阈值，另外稀疏主元也对实时获得的数据计算出实时的
T2和
Q
统计量，当其中任意统计量超过阈值时则判定系统发生故障；检测到故障后对故障诊断，通过计算并绘制统计量的相对贡献度，再基于统计量各变量的相对贡献度的数据，输入全连接神经网络进行故障诊断判别
。2.
根据权利要求1所述的一种核循环泵齿轮箱润滑系统故障诊断方法，其特征在于，具体包括以下步骤：
S1、
采集核循环泵齿轮箱正常运行状态时的温度
、
压力
、
流量运行数据，将正常状态的数据作为训练数据，并对训练数据进行预处理；
S2、
对训练数据进行预处理，并对训练数据随机低秩近似，加速达到获取稀疏主元的精度；
S3、
使用稀疏主成分分析计算出负载矩阵，此过程用变量投影算法来进行优化；
S4、
根据
Hotelling's T2和
Q
阈值计算公式，获得统计量
T2和
Q
的固定阈值；
S5、
采用指数加权移动平均的方法来制定自适应阈值；
S6、
采集核循环泵齿轮箱的典型故障数据，计算出故障数据的
T2和
Q
的值；
S7、
根据故障发生时的相对贡献度呈现不一样的变化，由故障数据的
T2和
Q
的值获得各变量的相对贡献度；
S8、
收集完每种故障中每个变量的相对贡献度的值后，将值输入全连接神经网络进行训练，得到用于识别系统故障的模型；
S9、
离线阶段的任务完成后，将得到的模型部署在在线监测模块中；
S10、
在线监测模块对实时采集到的数据先进行标准化处理，与离线阶段得到的稀疏负载共同计算出统计量，如果离线阶段得出的负载矩阵统计量
T
i2
和
Q
i
小于对应时刻的和
Q
ada
[i]
，即视为无故障发生，故障诊断程序不参与运行；
S11、
当统计量
T
i2
和
Q
i
中任何一个大于对应时刻的自适应阈值时，即视为故障发生，此时激活训练好的全连接神经网络，进行故障诊断；
S12、
进行故障诊断时根据收集到的故障类型判断发生的故障；对于典型的故障，该方法能够快速准确诊断出来，避免人工推理；当诊断为未知故障时，则根据显示的
T
i2
和
Q
i
的相对贡献图与正常状态下的相对贡献图对比，立刻对故障变量进行隔离，方便进一步诊断
。3.
根据权利要求2所述的一种核循环泵齿轮箱润滑系统故障诊断方法，其特征在于，步骤
S2
中，对训练数据进行预处理，并对训练数据进行随机低秩近似，具体方法为：先进行标准化处理：先进行标准化处理：先进行标准化处理：
其中，
x
表示原始样本数据集，表示数据均值，
s
表示数据的样本标准差，
X
表示标准化后的样本数据集，
n
表示训练样本的数目；标准化处理之后，再进行随机低秩近似：
X
的行和列为
n
×
m
，对
X
进行低秩近似获取其中的行和列为
l
×
m
，
m
为变量的数量，
l
大于主成分
k
，先形成样本矩阵
Y
，
Y
的行和列为
n
×
l
：
Y
＝
X
Ω (4)
其中，
Ω
的行和列为
m
×
l
，属于随机产生的测试矩阵；将
Y
进行
QR
分解：
Y
＝
QR (5)
最后将输入矩阵投影到
Y
的低维范围：然后对进行奇异值分解：其中，
U
为
l
×
l
的左奇异向量矩阵，
V
为
m
×
m
的右奇异向量矩阵，
D
为
l
×
m
对角矩阵，除了对角线上的元素为奇异值，其他元素都是
0。4.
根据权利要求3所述的一种核循环泵齿轮箱润滑系统故障诊断方法，其特征在于，步骤
S3
中，使用稀疏主成分分析计算出负载矩阵，此过程用变量投影算法来进行优化，具体方法为：基于式
(7)
中右奇异矩阵
V
的前
k
列得到新的负载矩阵
P∈R
m
×
k
，其中
m
为变量的数目；将
A
与
B
的初始值都设为
P
；其中，表示最小化
f
函数时
A
与
B
的...

【专利技术属性】
技术研发人员：高浩，毛瑜，邱思杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：