[发明专利]核电循环水泵在线异常监测及辨识方法

权利要求书

1.一种核电循环水泵在线异常监测及辨识方法，其特征在于，其包括以下步骤：

第一步骤，在线获取核电循环水泵运行过程中的多源时序数据并给定数据标签，对多源时序数据依次进行预定长度的不重叠采样，然后划分为训练集样本或测试集样本；

第二步骤，在核电循环水泵运行前期采集健康样本，构建长短时自编码器实现健康样本下的状态监测，其中采用最大均值差异作为正则化项用于对齐编码层特征分布和高斯分布，其中，给定潜在表示其中d是潜在空间，h表示一次迭代中的所有时间步长，为h个子样本的对应特征，在再生核希尔伯特空间H中选择高斯分布P_z作为目标分布，最大均值差异计算如下

其中，是样本x_i的特征；z⁽ⁱ⁾是目标分布为高斯分布的采样结果；φ代表从样本特征空间到再生核希尔伯特空间H的映射；

低维表示的分布Z和集合X上的目标分布z⁽ⁱ⁾～P_z，最大均值差异定义为特征映射φ：X→H，其中H是个再生核希尔伯特空间，在一次迭代中计算集合X上的最大均值差异，其中X的数量等于训练批量大小B与数据长度的乘积；

第三步骤，在核电循环水泵运行过程中监测到异常数据出现，基于长短时自编码器的编码器作为特征提取器并结合全连接神经网络作为分类器构建异常辨识网络，构建基于交叉熵、蒸馏损失及三元组损失的联合损失函数使得在学习新的数据时保留对旧数据的记忆，将长短时自编码器的编码器构建为异常辨识网络的特征提取器，联合损失函数中；

交叉熵L_CE为：

其中，x_i为样本输入；y为类别；y_i为第i个样本的预测标签；s为新类别的样本标签；log为指数函数；g_y为分类器；δ为判别函数，当且仅当y＝y_i时输出为1，否则为0；

蒸馏损失L_DL用于在新模型中复现旧样本在原模型的输出，以抑制对已学习知识的遗忘：

其中，q_i是原模型对旧样本的预测输出；s-1代表已学习类别数；

三元组损失函数Loss_TN为：

L_TN＝max(0，||N(x₁)-N(x₂)||²-||N(x₁)-N(x₃)||²+m)

其中，N(x_i)为神经网络对样本x_i的输出；m为设定的最小边界距离，C类的x₁称为锚，x₂来自C类称为正样本，x₃来自其他类分别称为负样本；

第四步骤，采用邻近均值分类器对核电循环水泵的实时数据在线监测及辨识，对异常辨识网络输出第y类健康状态样本特征，求平均特征向量μ_y：

其中，P_y是类别y的范例集合；为特征提取器的映射函数；m为类别y的样本个数；

用欧氏距离区分样本类别，并将待分类样本归类到与平均特征向量最邻近的类别中：

其中，t是最终学习的类别总数；为类别预测值；

基于健康样本的重构误差设定异常监测阙值，当重构误差高于异常监测阙值时认定为异常数据。

2.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，优选的，多源时序数据包括电机底座Z向振动加速度、齿轮箱箱体Z向振动加速度信号、泵导轴承Z向振动加速度、齿轮箱输出轴附近声压、齿轮箱输出轴X向位移和齿轮箱输出轴Y向位移。

3.根据权利要求1所述的一种核电循环水泵在线异常监测及辨识方法，其特征在于，预定长度为2048，分割后的单个数据长度为2048，通道为6通道，单个数据为6×2048的二维数据。