本發(fā)明涉及核電站關(guān)鍵設(shè)備狀態(tài)監(jiān)測與故障診斷，尤其涉及結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法。

背景技術(shù)：

1、主氦風(fēng)機(jī)是高溫氣冷堆核電站的關(guān)鍵設(shè)備之一，其主要功能是將熱交換器產(chǎn)生的熱量傳遞給動力轉(zhuǎn)換系統(tǒng)，驅(qū)動汽輪機(jī)發(fā)電。主氦風(fēng)機(jī)在運(yùn)行過程中會不可避免地發(fā)生各種機(jī)械故障。這些故障如果發(fā)展到一定程度而未被及時發(fā)現(xiàn)和處理，可能導(dǎo)致主氦風(fēng)機(jī)非計(jì)劃停機(jī)，甚至引發(fā)嚴(yán)重的安全事故，影響核電站的安全穩(wěn)定運(yùn)行。

2、傳統(tǒng)的主氦風(fēng)機(jī)故障診斷方法主要依賴于振動、溫度等監(jiān)測參數(shù)的閾值判斷和趨勢分析。這些方法雖然簡單易行，但缺乏對設(shè)備內(nèi)部復(fù)雜故障機(jī)理的深入考慮，難以準(zhǔn)確把握故障的發(fā)生發(fā)展規(guī)律。近年來，隨著先進(jìn)傳感技術(shù)和人工智能算法的發(fā)展，一些學(xué)者嘗試將數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法引入主氦風(fēng)機(jī)故障診斷領(lǐng)域。這些方法通過分析大量的歷史運(yùn)行數(shù)據(jù)，挖掘故障特征，建立故障分類或預(yù)測模型，在一定程度上提高了診斷的智能化水平。然而，由于缺乏物理機(jī)理的指導(dǎo)，這些方法容易受到數(shù)據(jù)質(zhì)量和工況變化的影響，泛化能力和可解釋性有待提高。

3、目前，主氦風(fēng)機(jī)故障診斷領(lǐng)域尚缺乏一種有效融合物理機(jī)理知識與數(shù)據(jù)驅(qū)動方法的智能診斷技術(shù)。針對不同部件和故障模式，如何在多尺度上建立精準(zhǔn)的物理模型？如何提取既符合物理規(guī)律、又能敏感反映故障征兆的特征？如何充分利用不同工況下的少量散雜數(shù)據(jù)，構(gòu)建魯棒、泛化的預(yù)測模型？如何借助數(shù)字孿生等新技術(shù)，實(shí)現(xiàn)故障智能溯源、精準(zhǔn)預(yù)警和三維可視化展示？這些問題的解決有望進(jìn)一步提升主氦風(fēng)機(jī)故障診斷的準(zhǔn)確性、可靠性和實(shí)用性，但仍面臨諸多技術(shù)挑戰(zhàn)，亟需開展系統(tǒng)性研究。

技術(shù)實(shí)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)明提供了結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法，能夠主氦風(fēng)機(jī)故障診斷領(lǐng)域尚缺乏一種有效融合物理機(jī)理知識與數(shù)據(jù)驅(qū)動方法的智能診斷技術(shù)的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案，結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法，包括：

4、獲取主氦風(fēng)機(jī)的運(yùn)行監(jiān)測數(shù)據(jù)，基于所述運(yùn)行監(jiān)測數(shù)據(jù)，構(gòu)建主氦風(fēng)機(jī)的多尺度故障機(jī)理模型；利用所述多尺度故障機(jī)理模型對運(yùn)行監(jiān)測數(shù)據(jù)進(jìn)行特征提取，得到故障特征；基于所述故障特征，采用主動遷移學(xué)習(xí)策略，訓(xùn)練故障預(yù)測模型，獲得主氦風(fēng)機(jī)故障的演化趨勢預(yù)測結(jié)果；將所述演化趨勢預(yù)測結(jié)果與主氦風(fēng)機(jī)的三維模型結(jié)合，構(gòu)建主氦風(fēng)機(jī)的數(shù)字孿生體，實(shí)現(xiàn)故障溯源分析與可視化展示。

5、作為本發(fā)明所述的結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述運(yùn)行監(jiān)測數(shù)據(jù)包括，通過振動、溫度、壓力、聲發(fā)射和位移傳感器實(shí)時同步采集監(jiān)測數(shù)據(jù)，并進(jìn)行時間同步、去噪和降維處理。

6、作為本發(fā)明所述的結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述多尺度故障機(jī)理模型包括部件級精細(xì)化物理模型和系統(tǒng)級簡化耦合模型；所述部件級精細(xì)化物理模型包括，對主氦風(fēng)機(jī)葉片氣動力進(jìn)行建模，考慮氣體壓縮性和黏性效應(yīng)，基于n-s方程,建立如下控制方程：

7、

8、其中,w為守恒變量向量,f為通量向量,s為源項(xiàng)向量，為散度算子，表示通量的空間變化率，為表示時間偏導(dǎo)數(shù)，描述變量隨時間的變化率；通過求解方程，獲得葉片表面的壓力分布和速度場，進(jìn)而計(jì)算葉片的氣動載荷和應(yīng)力分布，為裂紋擴(kuò)展分析提供邊界條件。

9、作為本發(fā)明所述的結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述部件級精細(xì)化物理模型還包括，針對電磁軸承線圈繞組短路故障，建立考慮線圈電路動態(tài)特性的模型，具體如下：

10、

11、其中，uc為線圈電壓，rc為線圈電阻，lc為線圈電感，ic為線圈電流，ec為線圈反電動勢，為電流隨時間的變化率(a/s)，表示電流的時間導(dǎo)數(shù)；通過求解方程并結(jié)合電磁力模型，判斷線圈是否發(fā)生短路，評估電磁軸承的受力和運(yùn)動狀態(tài)。

12、作為本發(fā)明所述的結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述系統(tǒng)級簡化耦合模型包括，采用集中參數(shù)法，考慮轉(zhuǎn)子、軸承、機(jī)架之間的耦合效應(yīng)，建立轉(zhuǎn)子-軸承-機(jī)架耦合振動方程：

13、

14、其中，m、c、g、k分別為質(zhì)量、阻尼、陀螺、剛度矩陣，[x]為廣義位移矢量，[f]為外激勵矢量，ω為轉(zhuǎn)速，為廣義速度矢量，表示[x]對時間的一階導(dǎo)數(shù)；為廣義加速度矢量，表示[x]對時間的二階導(dǎo)數(shù)；其中軸承的剛度阻尼參數(shù)來自于部件級模型；

15、采用數(shù)據(jù)同化技術(shù)實(shí)現(xiàn)兩個尺度模型的融合，利用卡爾曼濾波算法，將部件級模型輸出作為系統(tǒng)級模型的輸入，將系統(tǒng)級模型輸出反饋校正部件級模型參數(shù)，迭代優(yōu)化，實(shí)現(xiàn)多尺度模型的參數(shù)匹配和協(xié)同求解。

16、作為本發(fā)明所述的結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述對運(yùn)行監(jiān)測數(shù)據(jù)進(jìn)行特征提取包括，構(gòu)建主氦風(fēng)機(jī)故障模式與監(jiān)測參數(shù)的對應(yīng)關(guān)系庫，對于轉(zhuǎn)子失衡故障，提取振動頻譜圖中1x分量幅值a1x，建立a1x與不平衡量m、半徑r、轉(zhuǎn)速ω和相位α的定量關(guān)系：

17、a1x＝mrω2cosα

18、在提取初始特征集后，結(jié)合所述映射關(guān)系庫，采用relief-f算法篩選最優(yōu)特征子集；

19、對于葉片開裂故障，提取葉尖定時信號中的沖擊成分e，建立沖擊成分e與裂紋長度a、裂紋深度b的定量關(guān)系表示如下所示：

20、e＝f(a,b)＝k·am·bn

21、其中，k、m、n為待定系數(shù)，通過有限元仿真和試驗(yàn)標(biāo)定獲得。

22、作為本發(fā)明所述的結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述采用主動遷移學(xué)習(xí)策略包括，構(gòu)搭建以長短時記憶網(wǎng)絡(luò)lstm為基礎(chǔ)的預(yù)測模型：

23、it＝σ(wi·[ht-1,xt]+bi)

24、ft＝σ(wf·[ht-1,xt]+bf)

25、ot＝σ(wo·[ht-1,xt]+bo)

26、

27、ht＝ot·tanh(ct)

28、其中，it、ft、ot分別為輸入門、遺忘門和輸出門在時間步t的狀態(tài)，ct為時間步t的記憶單元狀態(tài)，為時間步t的候選記憶單元狀態(tài)，ht為時間步t的隱藏層狀態(tài)，xt時間步t的輸入，wi、wf、wo、wc輸入xt對應(yīng)的權(quán)重矩陣,分別用于輸入門、遺忘門、輸出門和候選記憶單元；bi,bf,bo,bc:對應(yīng)的偏置向量；σ:sigmoid激活函數(shù)。tanh:雙曲正切激活函數(shù)?！?hadamard積(元素級乘法)；t:表示當(dāng)前時間步。t-1:表示前一個時間步。；引入注意力機(jī)制，對不同時刻的隱藏層狀態(tài)ht分配權(quán)重；

29、采用參數(shù)遷移方法，將源工況下訓(xùn)練后的lstm模型參數(shù)復(fù)制至目標(biāo)工況，實(shí)現(xiàn)冷啟動。

30、作為本發(fā)明所述的結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的一種優(yōu)選方案，其中：所述構(gòu)建主氦風(fēng)機(jī)的數(shù)字孿生體包括，

31、進(jìn)行圖結(jié)構(gòu)初始化，將主氦風(fēng)機(jī)的關(guān)鍵部件作為圖的節(jié)點(diǎn)，所述關(guān)鍵部件包括葉片、軸承、轉(zhuǎn)子、電磁軸承、密封；

32、根據(jù)機(jī)械結(jié)構(gòu)和物理連接關(guān)系，初步建立節(jié)點(diǎn)間的連接，并根據(jù)每個節(jié)點(diǎn)的物理特性和可能的故障模式，建立對應(yīng)的故障機(jī)理模型，確定節(jié)點(diǎn)間的物理影響路徑，更新圖的邊；

33、應(yīng)用條件獨(dú)立性檢驗(yàn)：

34、對于任意三個節(jié)點(diǎn)x,y,z，計(jì)算x和y的條件互信息i(x；y|z)：

35、

36、若i(x；y|z)顯著小于無條件互信息i(x；y)，則認(rèn)為x和y在給定z的條件下獨(dú)立；所述顯著小于是指(i(x；y)-i(x；y|z))/i(x；y)>τ；其中，τ為預(yù)設(shè)閾值，本發(fā)明中取τ＝0.2。即當(dāng)條件互信息i(x；y|z)比無條件互信息i(x；y)減少20％以上時，認(rèn)為x和y在給定z的條件下獨(dú)立。

37、其中，i(x；y|z)表示在給定z的條件下，x和y之間的條件互信息；x,y,z代表三個隨機(jī)變量；x,y,z分別代表x,y,z這三個隨機(jī)變量的具體取值；p(x,y,z)表示x＝x,y＝y(tǒng),z＝z同時發(fā)生的聯(lián)合概率；p(x,y|z)表示在z＝z的條件下，x＝x且y＝y(tǒng)同時發(fā)生的條件概率；p(x|z)表示在z＝z的條件下，x＝x發(fā)生的條件概率；p(y|z)表示在z＝z的條件下，y＝y(tǒng)發(fā)生的條件概率；

38、對圖結(jié)構(gòu)進(jìn)行更新，添加新發(fā)現(xiàn)的因果關(guān)系，刪除不顯著的連接；所述不顯著是當(dāng)i(x；y|z)與i(x；y)的差異不滿足顯著小于的條件時，認(rèn)為連接不顯著；

39、利用更新后的圖結(jié)構(gòu)，應(yīng)用圖遍歷算法，從檢測到故障的節(jié)點(diǎn)開始，沿著邊的反方向追溯，直到達(dá)到可能的根源節(jié)點(diǎn)，生成故障傳播路徑。

40、一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的步驟。

41、一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)結(jié)合故障機(jī)理分析的主氦風(fēng)機(jī)故障演化趨勢預(yù)測方法的步驟。

42、本發(fā)明的有益效果：1.本發(fā)明通過構(gòu)建多尺度故障機(jī)理模型，充分考慮了主氦風(fēng)機(jī)不同部件和故障模式的物理機(jī)制，提高了故障預(yù)測的精準(zhǔn)性和可解釋性。部件級精細(xì)化建模揭示了關(guān)鍵部件的局部應(yīng)力應(yīng)變、振動與故障的內(nèi)在聯(lián)系，系統(tǒng)級簡化建模則刻畫了部件間的動力學(xué)耦合效應(yīng)，兩者協(xié)同提升了建模的綜合保真度。

43、2.本發(fā)明融合領(lǐng)域知識指導(dǎo)數(shù)據(jù)驅(qū)動特征提取，克服了傳統(tǒng)數(shù)據(jù)驅(qū)動方法容易受數(shù)據(jù)質(zhì)量和工況變化影響的局限性。通過構(gòu)建故障-監(jiān)測參數(shù)映射關(guān)系庫，運(yùn)用專家經(jīng)驗(yàn)預(yù)篩選出物理意義明確的候選特征集，再利用機(jī)器學(xué)習(xí)算法優(yōu)選最敏感特征子集，實(shí)現(xiàn)了特征提取的"機(jī)理+數(shù)據(jù)"雙重優(yōu)化。

44、3.本發(fā)明采用主動遷移學(xué)習(xí)訓(xùn)練預(yù)測模型，充分利用了不同工況下的散雜監(jiān)測數(shù)據(jù)，顯著提升了模型泛化性和樣本效率。將源工況模型參數(shù)遷移至目標(biāo)工況實(shí)現(xiàn)知識復(fù)用，通過主動學(xué)習(xí)策略交互式優(yōu)化訓(xùn)練過程，聚焦邊界樣本挖掘，每次少量詢問即可快速提升模型效果，突破了故障數(shù)據(jù)稀缺瓶頸。

45、4.本發(fā)明引入數(shù)字孿生技術(shù)構(gòu)建主氦風(fēng)機(jī)虛擬鏡像，實(shí)現(xiàn)了故障溯源、演化、預(yù)警的三維動態(tài)可視化。通過故障-部件映射和高保真物理仿真，直觀展示了故障如何在時空多尺度上萌生、傳播、發(fā)展的全過程，輔助運(yùn)維人員快速診斷根因，制定預(yù)測性維護(hù)策略。

46、5.本發(fā)明在核電工程實(shí)際應(yīng)用中，本發(fā)明可有效指導(dǎo)主氦風(fēng)機(jī)的狀態(tài)監(jiān)測、故障預(yù)警和檢修決策，提高設(shè)備可靠性、安全性和經(jīng)濟(jì)性。通過提前預(yù)判關(guān)鍵部件退化趨勢，合理安排檢修時間與項(xiàng)目，可最大限度減少非計(jì)劃停機(jī)時間，延長設(shè)備使用壽命，為核電站安全保駕護(hù)航。

47、6.本發(fā)明為復(fù)雜旋轉(zhuǎn)機(jī)械設(shè)備智能運(yùn)維立下了新范式。所提出的多尺度機(jī)理建模、特征提取優(yōu)化、主動遷移學(xué)習(xí)、數(shù)字孿生呈現(xiàn)等方法，具有一定的通用性和示范意義，可推廣至其他大型旋轉(zhuǎn)機(jī)械如汽輪機(jī)、壓縮機(jī)等，助力工業(yè)互聯(lián)網(wǎng)時代下的設(shè)備健康智能管理。