[发明专利]一种基于变分模态分解的动力设备异常检测方法及系统

说明书

本发明公开了一种基于变分模态分解的动力设备异常检测方法及系统。所述基于变分模态分解的动力设备异常检测方法，包括：获取待测动力设备的运行数据；运行数据为非平稳随机数据；对待测动力设备的运行数据进行变分模态分解，得到多个待测本征模态函数；对各待测本征模态函数进行相空间重构，得到多个待测重构特征参数；计算各待测重构特征参数的排列熵和样本熵，并对待测重构特征参数的排列熵和待测重构特征参数的样本熵进行合并，得到待测特征；将待测特征输入至训练好的卷积自编码器中，得到待测动力设备的故障诊断结果。本发明能及时快速地检测出非平稳、非线性的早期微小异常，提高检测的准确性和检测效率。

技术领域

本发明涉及动力设备检测领域，特别是涉及一种基于变分模态分解的动力设备异常检测方法及系统。

背景技术

核动力装置结构复杂，且具有放射性危险，对于安全性有着极高的要求。同时核动力系统长期连续工作，极容易发生故障，如若设备出现故障而不能及时检测和发现，可能会导致严重的放射性释放后果，危害公众安全和环境条件。目前，对核动力系统与关键设备的异常检测技术大多采用传统的阈值分析和人工经验进行判断。但是，这些传统技术并不能完全适应复杂系统与关键设备的可靠性要求，随着人工智能技术的不断发展以及其他领域的应用经验，采用高效准确的统计分析技术对运行参数的异常状态进行及时检测，可以避免危害较大的故障甚至是严重事故的发生，能够有效提高核动力系统与关键设备的运行保障能力，降低安全隐患，实现自主保障。

状态监测技术与故障诊断的内涵既相互区别又相互联系，状态监测技术就是利用对采集到的数据进行信号降噪、数据处理，然后显示异常的参数并报警，并由此判断系统与设备的运行状态，为故障分析提供数据和信息。

国际上，美国阿贡国家实验室的研究人员最早将先进信息处理技术应用到核电厂状态监测。太平洋西北国家实验室开发了可向操纵员提供运行支持的核电厂诊断与监测系统。美国西屋公司开发了基于规则的专家系统方法，而且可以将核电厂安全参数显示系统所采集到的数据作为输入数据的核电厂状态监督、诊断与预报系统；美国Bechel公司则开发了可提供核电厂运行特性分析的监测系统。日本也进行了大量的核电厂状态监测系统的研发工作，并成功的开发了多个状态监测原型系统。欧共体Halden项目的Fantoni博士和他的多国研究团队开发了PEANO系统，并将其应用到了核电厂传感器监测中。

在国内，核动力系统和设备状态监测方面也做了一些基础性研究工作，如盛焕行等利用时域或频域中的随机分析方法对核电厂反应堆堆内构件的振动监测进行了相关研究。大亚湾核电厂的景建国对核电厂设备进行了状态监测的频度研究，这对于提高设备可靠性、延长设备的使用寿命起到了很好的作用。秦山核电厂的黄志军提出将关键类设备作为监测对象，并有针对性地对完善机电仪各类设备状态监测手段。

在进行设备状态监测时由于采用加速度和速度、声学测量等传感器，其信号具有非平稳、高频特性，因此首先要对信号进行处理和去噪。传统的特征提取方法如短时傅里叶变换、功率谱分析等已被实践证明不适用于连续非平稳随机信号。近年来，小波与小波包变换、经验模态分解与集成经验模态分解先后提出，但是经验模态分解易造成模态混叠现象，小波分解可能会带来原有物理量没有的谐波从而增大了误差。

随着特征参数的增加，监测数据中会含有大量的冗余信息，影响对系统运行状态的准确判断。数据降维技术的出现和发展为基于数据驱动的异常检测提供了理论基础。数据降维、特征提取方法主要分为多元统计方法、核方法和神经网络方法。多元统计方法主要包括：主元分析方法、独立主元分析等。以上方法都是线性处理方法，因此在许多情况下不能获取数据中的非线性信息。核方法中较为成熟的是核主元分析方法。人工神经网络方法能满足高、低维信息空间转换的非线性映射条件，但是可能会出现“过学习”的问题。