[发明专利]核电循环水泵太阳轮故障检测方法

说明书

公开了核电循环水泵太阳轮故障检测方法，方法中，采集太阳轮原始信号，通过基于自适应噪声的完备经验模态分解获得本征模态分量，核主成分分析降维原始信号以及本征模态分量，对超过预定值的欧氏距离的本征模态分量采用小波软阙值函数法降噪；对降噪后的原始信号依次进行长度为1024的不重叠采样、快速傅里叶变换、时频域特征提取以及离差标准化处理，并随机划分原始信号为训练集样本和测试集样本；构建融合时频域特征的多尺度注意力残差卷积网络以获得原始信号中的多尺度信息并融合时频域典型特征，采用批归一化、最大池化、平均池化建立太阳轮卷积神经网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的故障诊断。

技术领域

本发明属于核电循环水泵太阳轮检测技术领域，尤其涉及一种核电循环水泵太阳轮故障检测方法。

背景技术

核电是我国经济社会发展的能源保障之一，循环水泵作为核电厂中循环水系统的提升设备，其功能是向常规岛汽轮机凝汽器及常规岛辅助冷却系统提供冷却水,在系统中有着非常重要的地位。循环水泵发生故障会直接引起设备不可用、系统暂停、机组降功率，停机停堆等重大事件，影响核电厂启动和运行期间的安全性以及经济效益。

目前核电厂中循环水泵的维修方式主要是事后维修和定期维护两种形式。现行的两种维修方式存在故障隐患和过度检修的缺点，并且设备故障的诊断能力弱，运维效能差、成本高，需要大量人力物力，因此需要促使维修制度的改革，使其转变为状态维护和预知维修。在机组运行/调试过程中，循环水泵的齿轮箱太阳轮维修频率较高、维修时间长、拆卸成本高，因此选择齿轮箱太阳轮为研究对象，开展高精度智能故障诊断模型研究。

深度学习通过利用已有数据训练诊断模型，并进行合理的故障分类，为核电智能运维转型提供了必要的技术手段，具有广泛的研究前景。然而，深度学习在实现自适应特征提取的同时会受到工业噪声的严重干扰，且对特征的无效学习易使模型陷入局部最优解，进而影响故障诊断模型准确率。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

发明内容

本发明的目的是提供一种核电循环水泵太阳轮故障检测方法，可以实现对输入信号多尺度特征和时频域特征的有效提取和融合，提升了故障诊断模型的准确率。

为了实现上述目的，本发明提供如下技术方案：

本发明的一种核电循环水泵太阳轮故障检测方法包括：

第一步骤，采集太阳轮原始信号，通过基于自适应噪声的完备经验模态分解获得本征模态分量，所述原始信号包括正常状态振动加速度信号和故障状态振动加速度信号；

第二步骤，核主成分分析降维原始信号以及所述本征模态分量，计算降维后本征模态分量主成分与原始信号主成分的欧氏距离，并对超过预定值的欧氏距离的本征模态分量采用小波软阙值函数法降噪；

第三步骤，对降噪后的原始信号依次进行长度为1024的不重叠采样、快速傅里叶变换、时频域特征提取以及离差标准化处理，并随机划分原始信号为训练集样本和测试集样本；

第四步骤，构建融合时频域特征的多尺度注意力残差卷积网络以获得原始信号中的多尺度信息并融合时频域典型特征，采用批归一化、最大池化、平均池化建立太阳轮卷积神经网络故障诊断模型，使用训练集训练故障诊断模型，最终实现循环水泵太阳轮的故障诊断。