本發(fā)明涉及故障智能診斷領(lǐng)域，具體涉及基于小樣本的核電站旋轉(zhuǎn)機(jī)械故障診斷方法及相關(guān)產(chǎn)品。

背景技術(shù)：

1、在核電站運(yùn)行過(guò)程中，反應(yīng)堆內(nèi)部的關(guān)鍵設(shè)備如主泵、堆內(nèi)構(gòu)件、電氣貫穿件等，需要持續(xù)監(jiān)測(cè)其運(yùn)行狀態(tài)，以確保設(shè)備的安全、可靠和高效運(yùn)行。這些設(shè)備通常配備有狀態(tài)監(jiān)測(cè)系統(tǒng)，用于實(shí)時(shí)監(jiān)控設(shè)備的運(yùn)行情況、診斷故障并預(yù)測(cè)故障的發(fā)展趨勢(shì)，從而為設(shè)備維修提供決策支持。

2、隨著互聯(lián)網(wǎng)和計(jì)算機(jī)技術(shù)的發(fā)展，智能技術(shù)逐漸被應(yīng)用于核電站關(guān)鍵設(shè)備的監(jiān)測(cè)和故障診斷領(lǐng)域。其中，深度學(xué)習(xí)技術(shù)由于其高自適應(yīng)性、自學(xué)習(xí)和自組織能力，被廣泛應(yīng)用于分類、回歸和預(yù)測(cè)等領(lǐng)域，并取得了顯著效果。

3、以核電站的旋轉(zhuǎn)機(jī)械如主泵為例，絕大部分時(shí)間內(nèi)主泵處于正常運(yùn)行狀態(tài)，故障數(shù)據(jù)相對(duì)較少。這導(dǎo)致了深度學(xué)習(xí)模型在訓(xùn)練時(shí)面臨樣本稀缺的問(wèn)題，難以達(dá)到預(yù)期的故障診斷效果。而現(xiàn)有技術(shù)中，針對(duì)旋轉(zhuǎn)機(jī)械的故障診斷方法多基于大數(shù)據(jù)和常規(guī)的深度學(xué)習(xí)算法，未能有效解決小樣本數(shù)據(jù)條件下的故障診斷問(wèn)題。

4、因此，研究如何在小樣本條件下有效擴(kuò)充訓(xùn)練數(shù)據(jù)，提升故障診斷的準(zhǔn)確性，成為當(dāng)前核電站設(shè)備智能診斷領(lǐng)域的一個(gè)重要課題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題是核電站旋轉(zhuǎn)機(jī)械在故障數(shù)據(jù)樣本較少的情況下，傳統(tǒng)深度學(xué)習(xí)模型難以有效進(jìn)行故障診斷的問(wèn)題，目的在于提供一種基于小樣本的核電站旋轉(zhuǎn)機(jī)械故障診斷方法及相關(guān)產(chǎn)品，實(shí)現(xiàn)了在小樣本條件下對(duì)故障數(shù)據(jù)的有效擴(kuò)充，提高關(guān)鍵設(shè)備故障診斷的準(zhǔn)確性和可靠性。

2、本發(fā)明通過(guò)下述技術(shù)方案實(shí)現(xiàn)：

3、一種基于小樣本的核電站旋轉(zhuǎn)機(jī)械故障診斷方法，包括：

4、采集多種故障類型的故障數(shù)據(jù)，并對(duì)故障數(shù)據(jù)進(jìn)行處理獲得時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)；

5、根據(jù)不同故障類型對(duì)應(yīng)的振動(dòng)參量進(jìn)行范圍劃分，劃分的范圍包括：可接受范圍、報(bào)警范圍和需采取措施范圍；

6、根據(jù)時(shí)域數(shù)據(jù)、頻域數(shù)據(jù)和劃分的范圍構(gòu)建總樣本集；

7、通過(guò)基于度量的方法從總樣本集中篩選訓(xùn)練集；并將剩余的數(shù)據(jù)作為測(cè)試集；

8、構(gòu)建針對(duì)一維故障數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)，并通過(guò)訓(xùn)練集對(duì)其進(jìn)行訓(xùn)練，獲得核電站旋轉(zhuǎn)機(jī)械故障診斷模型；

9、通過(guò)測(cè)試集對(duì)核電站旋轉(zhuǎn)機(jī)械故障診斷模型進(jìn)行測(cè)試，并根據(jù)測(cè)試結(jié)果對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行重復(fù)訓(xùn)練；

10、迭代訓(xùn)練直至獲得最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，構(gòu)建最終的核電站旋轉(zhuǎn)機(jī)械故障診斷模型。

11、具體地，故障類型包括：轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子不平衡、部件松動(dòng)、轉(zhuǎn)軸摩擦、轉(zhuǎn)子裂紋、屏蔽泵典型故障；

12、時(shí)域數(shù)據(jù)通過(guò)時(shí)域分析獲得，所述時(shí)域分析包括計(jì)算平均幅值、均方根值、方差和峭度指標(biāo)；

13、頻域數(shù)據(jù)通過(guò)頻域分析獲得，所述頻域分析包括離散傅里葉變換、快速傅里葉變換。

14、可選地，根據(jù)旋轉(zhuǎn)機(jī)械的振動(dòng)參量依次設(shè)定兩個(gè)振動(dòng)限值t1和t2，且t1<t2；若振動(dòng)參量t<t1，則劃分為可接受范圍；若t1≤t<t2，則劃分為報(bào)警范圍；t≥t2，則劃分為需采取措施范圍。

15、可選地，根據(jù)旋轉(zhuǎn)機(jī)械的振動(dòng)參量還依次設(shè)定三個(gè)預(yù)警值t1、t2和t3，且t1<t1<t2<t2<t3；若t1<t<t1，則確定為可接受范圍向報(bào)警范圍轉(zhuǎn)換的預(yù)警；若t2<t<t2，則確定為報(bào)警范圍向需采取措施范圍轉(zhuǎn)換的預(yù)警；若t>t2，則確定為急需處理的預(yù)警。

16、可選地，振動(dòng)參量包括振動(dòng)烈度、振動(dòng)位移峰值、振動(dòng)頻譜中基頻處的振幅、振動(dòng)頻譜中基頻的二次諧波處的振幅；若任意振動(dòng)參量達(dá)到振動(dòng)限值，則劃分為對(duì)應(yīng)的范圍。

17、具體地，通過(guò)訓(xùn)練集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的方法包括：

18、初始化卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，設(shè)定卷積神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和初始偏差；

19、將訓(xùn)練集中的數(shù)據(jù)轉(zhuǎn)換為一維向量；然后將一維向量轉(zhuǎn)換為矩陣形式；

20、對(duì)矩陣進(jìn)行第一次卷積操作，獲得卷積特征圖；

21、對(duì)卷積特征圖進(jìn)行最大池化處理，獲得池化后的特征圖；

22、將池化后的特征圖壓縮為一維向量，并將其作為全連接層的輸入；

23、通過(guò)全連接層對(duì)輸入向量進(jìn)行處理，獲得輸出結(jié)果；

24、計(jì)算輸出結(jié)果與預(yù)期輸出之間的誤差；

25、根據(jù)誤差，通過(guò)反向傳播算法調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏差，以最小化誤差；

26、重復(fù)上述步驟，迭代訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直至誤差收斂到預(yù)設(shè)范圍內(nèi)；

27、獲得核電站旋轉(zhuǎn)機(jī)械故障診斷模型。

28、具體地，對(duì)核電站旋轉(zhuǎn)機(jī)械故障診斷模型進(jìn)行測(cè)試的方法包括：

29、將測(cè)試集中的故障數(shù)據(jù)輸入到經(jīng)過(guò)初步訓(xùn)練的核電站旋轉(zhuǎn)機(jī)械故障診斷模型中，計(jì)算模型的預(yù)測(cè)結(jié)果；

30、將模型的預(yù)測(cè)結(jié)果與測(cè)試集中的實(shí)際故障標(biāo)簽進(jìn)行比較，計(jì)算測(cè)試誤差；

31、分析測(cè)試誤差以確定模型性能指標(biāo)；

32、若性能指標(biāo)未達(dá)到預(yù)設(shè)要求，則將測(cè)試集中的故障數(shù)據(jù)加入訓(xùn)練集，擴(kuò)充訓(xùn)練集；

33、重新進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

34、一種基于小樣本的核電站旋轉(zhuǎn)機(jī)械故障診斷終端，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的基于小樣本的核電站旋轉(zhuǎn)機(jī)械故障診斷方法。

35、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上項(xiàng)所述的基于小樣本的核電站旋轉(zhuǎn)機(jī)械故障診斷方法。

36、一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，其特征在于，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的基于小樣本的核電站旋轉(zhuǎn)機(jī)械故障診斷方法。

37、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：

38、本發(fā)明通過(guò)采集多種故障類型的初始故障數(shù)據(jù)，并將其轉(zhuǎn)換為一維向量，然后將一維向量轉(zhuǎn)換為矩陣形式；對(duì)矩陣進(jìn)行卷積操作，獲得卷積特征圖，并對(duì)卷積特征圖進(jìn)行最大池化處理，獲得池化后的特征圖；將池化后的特征圖壓縮為一維向量，并將其作為全連接層的輸入，通過(guò)全連接層對(duì)輸入向量進(jìn)行處理，獲得輸出結(jié)果；隨后，計(jì)算輸出結(jié)果與預(yù)期輸出之間的誤差，并根據(jù)誤差，通過(guò)反向傳播算法調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏差，以最小化誤差；該過(guò)程重復(fù)進(jìn)行，迭代訓(xùn)練直至獲得最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，最終構(gòu)建核電站旋轉(zhuǎn)機(jī)械故障診斷模型。此外，通過(guò)測(cè)試集對(duì)模型進(jìn)行測(cè)試，并根據(jù)測(cè)試結(jié)果進(jìn)行模型的重新訓(xùn)練和優(yōu)化，確保模型的高準(zhǔn)確性和可靠性。

39、本發(fā)明通過(guò)基于小樣本學(xué)習(xí)的方法，有效擴(kuò)充了訓(xùn)練數(shù)據(jù)，解決了傳統(tǒng)深度學(xué)習(xí)模型在故障數(shù)據(jù)樣本較少情況下難以有效診斷的問(wèn)題；其次采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)故障數(shù)據(jù)進(jìn)行處理，能夠提取更為準(zhǔn)確和細(xì)致的特征，提高了故障診斷的精度；通過(guò)反復(fù)迭代訓(xùn)練和模型優(yōu)化，確保了最終模型的穩(wěn)定性和高效性；最后通過(guò)測(cè)試集對(duì)模型進(jìn)行驗(yàn)證和調(diào)整，進(jìn)一步提升了模型在實(shí)際應(yīng)用中的可靠性，保障了核電站旋轉(zhuǎn)機(jī)械設(shè)備的安全、可靠運(yùn)行，從而減少設(shè)備故障帶來(lái)的風(fēng)險(xiǎn)和維護(hù)成本，提高了核電站的整體運(yùn)行效率。