【技术实现步骤摘要】
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。
技术介绍
1、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。
2、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。
技术实现思路
1、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。
2、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：
3、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；
4、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
5、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；
6、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；
7、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；
8、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、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：
10、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；
11、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；
12、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。
13、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：
14、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；
15、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；
16、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。
17、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：
18、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。
19、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：
20、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；
21、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。
22、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：
23、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。
24、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：
25、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；
26、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。
27、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：
28、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；
29、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；
30、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；
31、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；
32、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；
33、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本文档来自技高网...
【技术保护点】
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：
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：
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：
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：
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：
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：
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：
8.一种知识和数据融合驱动
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。
...【技术特征摘要】
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：
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：
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：
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：
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，...
【专利技术属性】
技术研发人员：罗能，刘才学，蒋兆翔，胡建荣，何攀，杨泰波，王广金，李朋洲，周成宁，钟彦杰，刘佳鑫，刘易松，邹博豪，雍家铭，江奕辰，
申请(专利权)人：中国核动力研究设计院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。