本發(fā)明涉及核電設(shè)備狀態(tài)監(jiān)測與故障診斷，尤其涉及基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法及系統(tǒng)。

背景技術(shù)：

1、電磁軸承是一種非接觸式懸浮支撐技術(shù)，利用電磁力平衡轉(zhuǎn)子重力，實現(xiàn)轉(zhuǎn)子的無摩擦高速旋轉(zhuǎn)。與傳統(tǒng)機械軸承相比，電磁軸承具有無需潤滑、免維護、高速化、精密化等優(yōu)點，在核電汽輪機、高速離心壓縮機、飛輪儲能等高端裝備領(lǐng)域得到廣泛應(yīng)用。

2、隨著電磁軸承技術(shù)的不斷發(fā)展和成熟，其在核電機組中的應(yīng)用日益深入。以核電站主氦風(fēng)機為例，采用電磁軸承替代傳統(tǒng)油膜軸承，可顯著提高主氦風(fēng)機的運行穩(wěn)定性和可靠性，延長大修周期，減少檢修帶來的損失，對于提升核電站的安全經(jīng)濟性具有重要意義。然而，受制于電磁軸承結(jié)構(gòu)和工作原理的復(fù)雜性，其在實際運行過程中仍面臨狀態(tài)監(jiān)測難、故障診斷難、運維決策難等挑戰(zhàn)。傳統(tǒng)的電磁軸承狀態(tài)監(jiān)測主要依賴于安裝在軸承和轉(zhuǎn)子部件上的振動、溫度、位移等傳感器，獲取軸承運行過程中的關(guān)鍵參數(shù)。但由于電磁軸承內(nèi)部結(jié)構(gòu)緊湊、零部件眾多，各監(jiān)測參數(shù)之間存在強耦合關(guān)聯(lián)，單一參數(shù)的異常往往難以直接判斷導(dǎo)致故障的原因，需要專業(yè)人員長期經(jīng)驗積累才能做出準確診斷，且診斷和決策過程極易受到人為因素的影響。此外，監(jiān)測數(shù)據(jù)的離線分析模式使得故障只能在設(shè)備已經(jīng)出現(xiàn)明顯異常時才能被發(fā)現(xiàn)，失去了早期預(yù)警和主動干預(yù)的機會，導(dǎo)致檢修成本高昂。

3、針對上述問題，亟需開發(fā)一套智能化的電磁軸承狀態(tài)監(jiān)測與運維決策系統(tǒng)。該系統(tǒng)應(yīng)充分整合電磁軸承多源異構(gòu)的海量監(jiān)測數(shù)據(jù)，利用機器學(xué)習(xí)算法自適應(yīng)地提取健康退化特征，構(gòu)建從數(shù)據(jù)到健康狀態(tài)再到維護策略的端到端智能映射模型，在線實時評估軸承健康水平，及早發(fā)現(xiàn)退化故障征兆并溯因關(guān)鍵影響因素，輔助專業(yè)人員制定最優(yōu)檢修方案。本發(fā)明旨在提供一種基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策系統(tǒng)，通過前沿人工智能技術(shù)賦能，建立面向核電汽輪機組電磁軸承的一體化智能運維解決方案，促進核電設(shè)備運維模式的智慧化升級。

技術(shù)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)明提供了基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法，能夠精準評估主氦風(fēng)機的健康狀態(tài)，超前預(yù)知失效風(fēng)險，主動優(yōu)化維護策略，在保障核電機組安全經(jīng)濟運行中發(fā)揮關(guān)鍵作用。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案，基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法，包括：采用邊緣－云協(xié)同的架構(gòu)，邊緣計算節(jié)點對電磁軸承的多源監(jiān)測數(shù)據(jù)進行實時采集和預(yù)處理，并通過安全通信網(wǎng)絡(luò)將預(yù)處理后的數(shù)據(jù)上傳至云端；云端采用圖神經(jīng)網(wǎng)絡(luò)對電磁軸承各監(jiān)測參數(shù)時間序列構(gòu)建時空關(guān)聯(lián)圖，同時采用聯(lián)邦主動遷移學(xué)習(xí)框架，優(yōu)化健康評估模型；云端采用時空序列異常檢測模型，構(gòu)建時空異常分數(shù)函數(shù)，采用時空因果注意力機制實現(xiàn)可解釋的維護決策推理，綜合監(jiān)測參數(shù)的時間依賴和因果關(guān)系；通過web可視化平臺直觀呈現(xiàn)電磁軸承監(jiān)測數(shù)據(jù)、健康評估結(jié)果、故障預(yù)警信息和維護決策建議，輔助專家制定檢修計劃。

4、作為本發(fā)明所述的基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的一種優(yōu)選方案，其中：所述預(yù)處理包括，邊緣計算節(jié)點采用自適應(yīng)多尺度融合的方法對電磁軸承振動數(shù)據(jù)進行預(yù)處理，對振動信號進行l(wèi)層小波包分解，得到2l個子帶系數(shù)序列，對每個子帶l(l＝1,2,...,2l)計算方差varl和偏度skewl：

5、

6、其中，n為子帶長度，mean和std分別為均值和標準差，xl(i)表示第l個子帶中的第i個系數(shù)，定義子帶l的顯著性度量為：

7、sigl＝w1varl+w2|skewl|

8、其中，w1和w2為權(quán)重系數(shù)，選擇sigl最大的前k個子帶提取時域、頻域和時頻域特征，記為采用softmax注意力機制對子帶特征進行自適應(yīng)融合：

9、

10、

11、其中，表示第l個子帶的第k個特征的注意力權(quán)重，w和u為注意力網(wǎng)絡(luò)的參數(shù)，b為偏置，v為融合后的特征向量，表示矩陣轉(zhuǎn)置。

12、作為本發(fā)明所述的基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的一種優(yōu)選方案，其中：所述構(gòu)建時空關(guān)聯(lián)圖包括，云端采用圖神經(jīng)網(wǎng)絡(luò)對電磁軸承各監(jiān)測參數(shù)時間序列構(gòu)建時空關(guān)聯(lián)圖，通過端到端的表征學(xué)習(xí)提取綜合反映軸承健康狀態(tài)的低維隱變量；將監(jiān)測參數(shù)構(gòu)建為一個無向圖g＝(v,e)，頂點集v表示各參數(shù)時間序列{vi,i＝1,2,...,n}，邊集e表示參數(shù)間的關(guān)聯(lián)強度，迭代更新t輪后得到頂點的隱層表示為：

13、

14、其中，w1和w2為圖卷積參數(shù)，σ為激活函數(shù)，為頂點i的鄰居集合，αii為頂點i和j之間的注意力權(quán)重，hi、分別表示將頂點i和j的特征向量拼接后作為注意力網(wǎng)絡(luò)的輸入，計算兩個頂點之間的相關(guān)性，最終將每個頂點的表示級聯(lián)并通過全連接層映射到健康狀態(tài)空間。

15、作為本發(fā)明所述的基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的一種優(yōu)選方案，其中：所述聯(lián)邦主動遷移學(xué)習(xí)框架包括，云端采用聯(lián)邦主動遷移學(xué)習(xí)框架，在不直接共享原始監(jiān)測數(shù)據(jù)的前提下，自適應(yīng)地優(yōu)化和校正跨設(shè)備、跨工況的健康評估模型，并通過主動學(xué)習(xí)策略持續(xù)提升模型性能；

16、設(shè)定第i個設(shè)備的本地數(shù)據(jù)集為模型參數(shù)為wn，主動學(xué)習(xí)的樣本選擇策略為an，聯(lián)邦聚合參數(shù)為w，在每個通信輪t：

17、每個設(shè)備根據(jù)ai挑選待標注樣本集交由專家標注；每個設(shè)備利用標注后的通過梯度下降的優(yōu)化算法更新wi；各設(shè)備上傳wi到云端，云端聚合得到全局模型：

18、

19、云端將w(t)分發(fā)給各設(shè)備，更新下一輪選擇策略使偏好被錯分及目標域風(fēng)格的樣本，重復(fù)以上步驟，直至全局模型收斂，選擇策略ai綜合考慮樣本的不確定性、代表性和多樣性，定義為加權(quán)采樣概率：

20、p(x)＝λ1h(y∣x；wi)+λ2sim(x,di)+λ3div(x,si)

21、其中，h(y∣x；wi)為樣本x在當前模型wi下的預(yù)測熵，sim(x,di)為x與本地數(shù)據(jù)集di的最大相似度，div(x,si)為x與已標注集si的最小距離，λ1、λ2、λ3為權(quán)重系數(shù)。

22、作為本發(fā)明所述的基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的一種優(yōu)選方案，其中：所述時空序列異常檢測模型包括，云端采用時空序列異常檢測模型，從時間和空間兩個維度捕獲電磁軸承早期故障的微弱征兆；結(jié)合長短時記憶網(wǎng)絡(luò)lstm建模時間依賴，卷積神經(jīng)網(wǎng)絡(luò)cnn提取空間特征，構(gòu)建時空異常分數(shù)函數(shù)：

23、a(x(t,n))＝p(x(t,n)|{x(t-k:t-1,n),x(t,n-m:n+m)})

24、其中，x(t,n)表示第n個監(jiān)測參數(shù)在t時刻的值，k為時間窗口長度，m為空間鄰域半徑，p為異常概率估計函數(shù)；通過閾值判別確定異常狀態(tài)。

25、作為本發(fā)明所述的基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的一種優(yōu)選方案，其中：所述時空因果注意力機制包括，云端采用時空因果注意力機制實現(xiàn)可解釋的維護決策推理，綜合監(jiān)測參數(shù)的時間依賴和因果關(guān)系，生成與故障狀態(tài)匹配的歸因式?jīng)Q策序列；設(shè)定監(jiān)測參數(shù)時間序列數(shù)據(jù)為x＝{x1,x2,…,xt}，因果圖為gc，通過圖注意力網(wǎng)絡(luò)建模參數(shù)間的空間依賴：

26、

27、其中，pa(i)為頂點i在中g(shù)c的父節(jié)點集合，hj'表示父節(jié)點j的特征經(jīng)過圖注意力層變換后的新特征表示；

28、將時空因果表示htc輸入決策網(wǎng)絡(luò)，融合故障模式知識和維護方案知識通過注意力機制動態(tài)調(diào)整各知識單元權(quán)重，生成匹配當前故障狀態(tài)的決策序列；

29、所述時間依賴通過門控循環(huán)單元建模，狀態(tài)遷移函數(shù)為：

30、ft＝σg(wf[ht-1,xt]+bf)

31、it＝σg(wi[ht-1,xt]+bi)

32、ot＝σg(wg[ht-1,xt]+bo)

33、

34、ht＝ot⊙tanh(ct)

35、其中，σg為sigmoid門函數(shù)，wf、wi、wg、wc和bf、bi、bo、bc為待學(xué)參數(shù)，⊙為元素級乘法，表示t時刻候選記憶單元的狀態(tài)，ct表示t時刻記憶單元的最終狀態(tài)，ft表示t時刻的遺忘門，it表示t時刻的輸入門，ot表示t時刻的輸出門，ht表示t時刻的隱藏狀態(tài)；

36、所述因果關(guān)系通過pc或ges因果發(fā)現(xiàn)算法從監(jiān)測數(shù)據(jù)中學(xué)習(xí)得到，通過有向無環(huán)圖表示變量間的因果依賴。

37、作為本發(fā)明所述的基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的一種優(yōu)選方案，其中：所述web可視化平臺包括，采用動態(tài)dashbord形式集成展示各監(jiān)測參數(shù)趨勢圖、健康指數(shù)儀表盤、故障關(guān)聯(lián)網(wǎng)絡(luò)、維護決策樹，用戶通過交互菜單選擇關(guān)注的設(shè)備、測點和時間段，系統(tǒng)根據(jù)查詢條件實時生成可視化視圖，平臺嵌入vr/ar組件，實現(xiàn)主氦風(fēng)機三維全景建模，并將故障部位以熱度圖的方式疊加渲染，直觀呈現(xiàn)設(shè)備內(nèi)部狀態(tài)；

38、邊緣計算節(jié)點與云端之間通過5g高速安全的工業(yè)互聯(lián)網(wǎng)絡(luò)進行加密數(shù)據(jù)傳輸，確保數(shù)據(jù)完整性和機密性；故障診斷知識庫采用本體和規(guī)則相結(jié)合的知識表示方法，支持語義檢索和邏輯推理。

39、本發(fā)明的另一個目的是提供基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策系統(tǒng)，其能夠在線實時地監(jiān)測主氦風(fēng)機電磁軸承的運行狀態(tài)，克服傳統(tǒng)離線、事后診斷方法的滯后性，顯著提升狀態(tài)監(jiān)測與故障診斷的智能化水平。

40、作為本發(fā)明所述的基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策系統(tǒng)的一種優(yōu)選方案，其中：包括現(xiàn)場數(shù)據(jù)采集單元、邊緣計算單元、云計算單元、web可視化平臺；

41、所述現(xiàn)場數(shù)據(jù)采集單元，部署在主氦風(fēng)機現(xiàn)場，通過振動、溫度、電流傳感器實時采集電磁軸承的多源監(jiān)測數(shù)據(jù)；

42、所述邊緣計算單元，與現(xiàn)場數(shù)據(jù)采集單元直連，對采集的原始監(jiān)測數(shù)據(jù)進行預(yù)處理；

43、所述云計算單元，通過5g工業(yè)互聯(lián)網(wǎng)與邊緣計算單元連接，接收預(yù)處理后的數(shù)據(jù)并進行智能建模分析；

44、所述web可視化平臺作為人機交互界面，直觀呈現(xiàn)系統(tǒng)輸出的健康評估結(jié)果和維護決策建議。

45、一種計算機設(shè)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)基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的步驟。

46、一種計算機可讀存儲介質(zhì)，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)基于電磁軸承監(jiān)測的主氦風(fēng)機智能維護決策方法的步驟。

47、本發(fā)明的有益效果：本發(fā)明通過在主氦風(fēng)機現(xiàn)場布設(shè)多源異構(gòu)傳感器，并采用自適應(yīng)多尺度融合預(yù)處理方法對監(jiān)測數(shù)據(jù)進行降噪、特征提取和壓縮，實現(xiàn)了電磁軸承狀態(tài)數(shù)據(jù)的高質(zhì)量采集和高效傳輸，為后續(xù)的智能建模分析奠定了基礎(chǔ)。引入圖神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)電磁軸承監(jiān)測參數(shù)間的時空關(guān)聯(lián)，克服了傳統(tǒng)人工特征工程的局限性，提取到更全面、更準確反映軸承健康狀態(tài)的深層特征表示。創(chuàng)新性地提出主動聯(lián)邦遷移學(xué)習(xí)范式，在不直接共享原始數(shù)據(jù)的前提下實現(xiàn)不同主氦風(fēng)機間監(jiān)測數(shù)據(jù)的聯(lián)合建模，并引入主動學(xué)習(xí)機制持續(xù)優(yōu)化模型性能，在提高故障診斷泛化能力的同時滿足數(shù)據(jù)隱私保護需求。間和空間維度上的演化規(guī)律，及早識別軸承退化跡象；并從因果視角揭示故障的傳播路徑和影響因素，使智能診斷和決策過程透明可解釋，賦予系統(tǒng)輸出結(jié)果以物理意義。將機器學(xué)習(xí)模型與領(lǐng)域知識深度融合，利用本體引入隱性專家經(jīng)驗約束數(shù)據(jù)的特征表示，利用推理規(guī)則對模型輸出進行約束和規(guī)范，在數(shù)據(jù)與知識的互補中實現(xiàn)診斷、預(yù)測和決策效果的提升。系統(tǒng)采用邊－云協(xié)同架構(gòu)，通過5g等高速工業(yè)互聯(lián)網(wǎng)將現(xiàn)場端智能緊密聯(lián)通，實現(xiàn)監(jiān)測、診斷、預(yù)測、決策的全流程打通和閉環(huán)優(yōu)化，促進電磁軸承從狀態(tài)監(jiān)測向智能運維的跨越式發(fā)展。開發(fā)了集監(jiān)測、診斷、預(yù)測、決策、可視化于一體的web平臺，并引入vr/ar交互界面，為運維人員提供了全局視角下直觀、可操作的輔助決策依據(jù)，提高運維效率和準確性。

48、本發(fā)明為電磁軸承的在線監(jiān)測與智能維護開辟了一條全新技術(shù)路線，所構(gòu)建的端到端智能閉環(huán)能夠在最短時間內(nèi)捕獲軸承退化征兆，揭示故障成因，并給出最優(yōu)檢修建議，從被動修復(fù)向主動預(yù)防的維護模式升級，在降低運維成本、延長軸承使用壽命、提高設(shè)備可靠性等方面具有顯著效益，對于推動核電產(chǎn)業(yè)智慧化發(fā)展，保障機組安全經(jīng)濟運行具有重要應(yīng)用價值和廣闊應(yīng)用前景。