本發(fā)明涉及核電設備智能化監(jiān)測及故障診斷，尤其涉及一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法。

背景技術：

1、主氦風機是核電站重要的輔助設備，其可靠運行直接關系到核電機組的安全性和經(jīng)濟性。主氦風機通常采用電磁軸承支撐轉子，實現(xiàn)了無潤滑、無磨損的高速運轉，大幅提升了設備的運行效率和使用壽命。然而，電磁軸承的工作環(huán)境復雜，涉及電磁、力學、熱學等多個物理場的相互作用，其運行狀態(tài)容易受到外界擾動和內部參數(shù)漂移的影響，導致振動異常、軸位移變化、電磁線圈過熱等一系列故障問題，嚴重威脅主氦風機的安全運行。

2、傳統(tǒng)的主氦風機狀態(tài)監(jiān)測主要依賴于單一類型的傳感器，如振動傳感器、溫度傳感器等。這種單一監(jiān)測手段難以全面反映設備的實際運行狀態(tài)，尤其是在復雜工況下，單一傳感器的測量結果常常不夠準確和可靠，容易導致漏報或誤報。此外，傳統(tǒng)的故障診斷方法主要依賴于經(jīng)驗閾值或簡單的數(shù)理統(tǒng)計模型，缺乏對設備物理機理和故障演化規(guī)律的深入挖掘，難以適應主氦風機運行工況的多變性和不確定性，診斷結果的準確性和實時性無法滿足實際需求。

3、近年來，隨著傳感技術、人工智能等領域的快速發(fā)展，多傳感器數(shù)據(jù)融合、機器學習等智能診斷方法受到越來越多的關注。通過在主氦風機上部署多種類型的傳感器，采集反映不同物理量的監(jiān)測數(shù)據(jù)，利用數(shù)據(jù)驅動的建模和學習算法，挖掘數(shù)據(jù)內在的關聯(lián)模式和演化規(guī)律，構建高可信度的設備健康狀態(tài)評估和故障診斷模型，為主氦風機的可靠運行提供更加全面、準確的決策支持，成為當前的研究熱點和發(fā)展趨勢。

4、但是，如何有效融合多源異構傳感器數(shù)據(jù)，提取關鍵的健康狀態(tài)指標，構建高效可靠的故障診斷知識庫，形成設備全壽命周期的健康管理策略，仍然面臨諸多理論和技術挑戰(zhàn)。目前仍缺乏成熟完善的主氦風機智能監(jiān)測和診斷系統(tǒng)，亟需開展系統(tǒng)性的研究和創(chuàng)新。

技術實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法，本發(fā)明技術方案如下，一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法，包括：在主氦風機軸承部位安裝用于監(jiān)測軸向和徑向振動的渦流位移傳感器，獲取多源監(jiān)測數(shù)據(jù)，構成多源異構的數(shù)據(jù)集；采用基于深度學習的多模態(tài)數(shù)據(jù)融合方法，提取反映主氦風機健康狀態(tài)的綜合特征指標；構建主氦風機典型故障的診斷知識庫，在運行過程中持續(xù)采集監(jiān)測數(shù)據(jù)，利用機器學習算法實現(xiàn)知識庫的在線更新和優(yōu)化；應用知識庫對主氦風機實時監(jiān)測數(shù)據(jù)進行故障診斷，通過數(shù)據(jù)驅動的故障模式匹配快速識別設備的故障類型，形成設備全生命周期智能管理方案；通過強化學習方法持續(xù)優(yōu)化健康管理決策，實現(xiàn)主氦風機的健康狀態(tài)評估與維護管理決策的動態(tài)閉環(huán)優(yōu)化。

3、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的一種優(yōu)選方案，其中：所述獲取多源監(jiān)測數(shù)據(jù)包括，在主氦風機軸承部位安裝渦流位移傳感器，監(jiān)測軸承的振動狀態(tài)，在軸承箱體的徑向和軸向測點處分別布置傳感器，對轉子振動的全方位監(jiān)測，傳感器測量精度優(yōu)于1μm，獲取反映軸承振動狀態(tài)的高質量數(shù)據(jù)，傳感器輸出與軸承振動位移滿足線性關系：

4、uo＝ks·x+uo

5、其中，uo表示為傳感器輸出電壓，ks為靈敏度，x為位移，uo為零位電壓；

6、除振動數(shù)據(jù)外，還包含采集主氦風機運行過程中的電流、溫度、軸承磁場強度的物理量監(jiān)測數(shù)據(jù)，各傳感器的數(shù)據(jù)采集頻率統(tǒng)一設定為10khz，并通過數(shù)據(jù)采集器實現(xiàn)同步采樣，為多模態(tài)數(shù)據(jù)融合分析提供時間對齊的數(shù)據(jù)集。

7、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的一種優(yōu)選方案，其中：所述提取反映主氦風機健康狀態(tài)的綜合特征指標包括，針對采集的多源監(jiān)測數(shù)據(jù)，基于深度學習的多模態(tài)融合方法，提取反映設備健康狀態(tài)的綜合特征，將時序數(shù)據(jù)包括振動、溫度、電流輸入1d?cnn進行局部特征提取；將結構化數(shù)據(jù)包括頻譜、軸心軌跡圖輸入2d?cnn進行空間特征提??；將cnn提取的特征向量級聯(lián)，輸入lstm網(wǎng)絡建模時序特征之間的關聯(lián)，在lstm輸出層接全連接網(wǎng)絡，實現(xiàn)多模態(tài)特征的非線性融合，生成反映設備健康狀態(tài)的綜合指標；

8、其中1d?cnn的核心計算過程為：

9、

10、其中，為第l層第i個輸入的第j個卷積核輸出，w和b分別為卷積核參數(shù)和偏置項。

11、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的一種優(yōu)選方案，其中：所述在lstm輸出層接全連接網(wǎng)絡包括，lstm的核心計算過程為，

12、ft＝σ(wf·[ht-1,xt]+b′f)

13、it＝σ(wi·[ht-1,xt]+b'i)

14、ot＝σ(wo·[ht-1,xt]+b'o)

15、

16、ht＝ot⊙tanh(ct)

17、其中，ft、it、ot分別為遺忘門、輸入門、輸出門，ct為記憶單元狀態(tài)，為候選狀態(tài)；ht為隱藏狀態(tài)輸出，w和b'為待學習參數(shù)，σ為sigmoid激活函數(shù)，tanh為雙曲正切激活函數(shù)；⊙表示按元素乘。

18、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的一種優(yōu)選方案，其中：所述構建主氦風機典型故障的診斷知識庫包括，針對主氦風機的典型故障模式，構建包含多源監(jiān)測數(shù)據(jù)特征的診斷知識庫，知識庫采用本體模型表示故障模式與數(shù)據(jù)特征的語義關聯(lián)，同時引入概率框架表示知識的不確定性，支持知識庫的持續(xù)學習與更新；

19、本體模型的核心概念包括：故障模式、部件、物理量、數(shù)據(jù)特征；

20、各概念之間的語義關系包括：

21、fault?hascausedby?component

22、fault?hassymptom?datafeature

23、component?hasphysicalquantity?physicalquantity

24、datafeature?belongto?physicalquantity

25、在本體模型的基礎上，引入概率表示，將知識庫形式化為概率本體模型，設本體模型中的概念集合為：

26、

27、語義關系集合為：

28、

29、對于故障概念faulti在知識庫下的先驗概率，通過相關部件的概率計算得到：

30、

31、其中，表示在知識庫下，給定部件componentj時故障faulti的條件概率，通過專家知識或統(tǒng)計數(shù)據(jù)獲??；

32、對于數(shù)據(jù)特征datafeaturek在知識庫下的邊緣概率，通過相關物理量和故障概念的條件概率計算得到：

33、

34、其中，表示在知識庫下，給定物理量physicalquantityl時數(shù)據(jù)特征datafeaturek的條件概率；表示在知識庫下，給定故障faulti和物理量physicalquantityl時數(shù)據(jù)特征datafeaturek的條件概率，通過專家知識或歷史數(shù)據(jù)估計得到。

35、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的一種優(yōu)選方案，其中：所述進行故障診斷包括，基于上述概率本體模型，給定在線監(jiān)測數(shù)據(jù)的特征向量x＝[x1,…,xk]，故障診斷的推理過程表示為，

36、

37、設定各數(shù)據(jù)特征相互獨立，且故障的癥狀特征僅與對應的物理量physicalquantityl相關，進一步得到：

38、

39、故障診斷的結果對應于后驗概率最大的故障概念

40、

41、基于上述知識庫，給定在線監(jiān)測數(shù)據(jù)的特征向量x，故障診斷的推理過程為：

42、

43、通過知識庫中的條件概率參數(shù)求解公式，得到各故障模式的后驗概率，概率最大的故障模式即為診斷結果：

44、

45、知識庫中的概率參數(shù)通過專家經(jīng)驗初始化，并根據(jù)診斷反饋結果進行持續(xù)迭代更新，實現(xiàn)知識庫與真實工況的自適應。

46、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的一種優(yōu)選方案，其中：所述通過強化學習方法持續(xù)優(yōu)化健康管理決策包括，在主氦風機運行全周期內，通過強化學習方法持續(xù)優(yōu)化健康管理決策，包括預防性維護規(guī)劃、檢修方式選擇、備件采購計劃，最大化設備生命周期價值，其中包括狀態(tài)空間、動作空間、獎勵函數(shù)r(s,a)；

47、強化學習智能體與環(huán)境的交互過程描述為馬爾科夫決策過程：

48、vπ(s)＝eπ[∑t＝0tγtr(st,π(st))|s0＝s]

49、其中，vπ(s)為狀態(tài)s的期望累積獎勵，π(s)為決策智能體在狀態(tài)s下基于策略π選擇的動作，γ為獎勵衰減因子，t為時間，e表示策略π的期望值；

50、當前過程的優(yōu)化目標為尋找最優(yōu)決策策略π^使得期望累積獎勵最大化：

51、π^＝arg?maxπvπ(s)

52、專家經(jīng)驗用于指導智能體的探索過程，加速策略學習的收斂。

53、本發(fā)明的另一個目的是提供一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估系統(tǒng)，其能顯著提升主氦風機故障診斷與健康管理的智能化水平，為關鍵核電設備的安全高效運行提供重要技術支撐。

54、作為本發(fā)明所述的一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估系統(tǒng)的一種優(yōu)選方案，其中：包括數(shù)據(jù)采集單元、數(shù)據(jù)融合單元、健康狀態(tài)評估單元、知識庫模塊；

55、所述數(shù)據(jù)采集單元，負責從主氦風機上采集振動、溫度、電流多源傳感器數(shù)據(jù)，為后續(xù)的數(shù)據(jù)融合和健康狀態(tài)評估提供原始輸入；

56、所述數(shù)據(jù)融合單元，接收數(shù)據(jù)采集單元輸出的多源異構數(shù)據(jù)，進行預處理和融合；同時利用深度學習方法，從融合后的數(shù)據(jù)中提取能夠反映設備健康狀態(tài)的關鍵特征，為健康狀態(tài)評估提供更加高層和抽象的特征表示；

57、所述健康狀態(tài)評估單元包含三個模塊：

58、健康評估模塊，根據(jù)數(shù)據(jù)融合單元提取的特征，對主氦風機的整體健康狀態(tài)進行評分和量化；

59、故障診斷模塊，利用知識庫模塊中的診斷規(guī)則，對主氦風機的潛在故障模式進行識別和診斷；

60、決策優(yōu)化模塊，綜合考慮健康評估和故障診斷的結果，采用強化學習等智能優(yōu)化算法，自動生成主氦風機的最優(yōu)維護決策方案，包括維護時間、維護方式；

61、所述知識庫模塊，存儲主氦風機的典型故障模式、故障特征以及相應的診斷規(guī)則，綜合利用專家經(jīng)驗知識和歷史運行數(shù)據(jù)構建知識庫，并通過機器學習實現(xiàn)知識的自動更新和優(yōu)化，健康狀態(tài)評估單元中的故障診斷模塊會直接調用知識庫中的診斷規(guī)則，實現(xiàn)基于知識的智能診斷推理。

62、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(zhí)行所述計算機程序時實現(xiàn)一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的步驟。

63、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(zhí)行時實現(xiàn)一種基于多傳感器數(shù)據(jù)融合的主氦風機健康狀態(tài)評估方法的步驟。

64、本發(fā)明的有益效果：本發(fā)明采用多傳感器數(shù)據(jù)融合的方法，充分利用了振動、溫度、電流等多源異構監(jiān)測數(shù)據(jù)，從多個物理量的角度對主氦風機的運行狀態(tài)進行全面刻畫。同時，引入深度學習模型對多源數(shù)據(jù)進行特征提取和融合，挖掘出了更加高層、抽象和關鍵的健康狀態(tài)指標，大幅提升了健康狀態(tài)評估的準確性和可靠性，有效克服了傳統(tǒng)單一監(jiān)測方法的局限性。

65、本發(fā)明構建了基于知識圖譜的主氦風機故障診斷知識庫，將專家經(jīng)驗知識與數(shù)據(jù)驅動的故障特征相結合，形成了一套完善的、可解釋的故障診斷推理規(guī)則。通過實時采集的監(jiān)測數(shù)據(jù)與知識庫進行在線匹配，可以快速、準確地識別出主氦風機的潛在故障模式極其嚴重程度，實現(xiàn)了故障診斷的智能化和實時化，為設備的安全運行提供了有力保障。

66、本發(fā)明將健康狀態(tài)評估和故障診斷的結果與設備維護管理決策相結合，引入強化學習算法對主氦風機的維護策略進行自動優(yōu)化。通過考慮設備健康狀態(tài)、故障風險、維護成本等多個目標，自主學習和優(yōu)化維護的時機、方式和資源配置，最大限度地提高了設備的可用性和可靠性，降低了全壽命周期內的運營成本，實現(xiàn)了設備管理的智能化和經(jīng)濟性。

67、本發(fā)明提出的主氦風機健康狀態(tài)評估方法具有通用性和適應性，對不同類型、不同功率等級的主氦風機都具有良好的適用性。同時，該方法采用模塊化、開放式的系統(tǒng)架構設計，具有良好的可擴展性，可以靈活地集成新的監(jiān)測手段、診斷模型和優(yōu)化算法，適應主氦風機技術的不斷發(fā)展。此外，本發(fā)明的多傳感器數(shù)據(jù)融合、知識圖譜構建、強化學習優(yōu)化等技術還可以推廣應用到其他類型的核電關鍵設備乃至更廣泛的工業(yè)領域，具有廣闊的應用前景和推廣價值。