基于卷积神经网络和元学习的电动闸阀故障诊断研究.pdf
基于卷积神经网络和元学习的电动闸阀故障诊断研究
摘要
阀门作为核电厂中一类重要设备,主要起开闭管路、控制流向、调节和控制输送
介质等作用。由于工作环境恶劣且使用频率较高,与其它设备相比阀门发生故障的概
率较高。据统计阀门故障在核电厂停堆因素中占据极大的比例,影响了核电厂的经济
效益,极大地增加了核电厂放射性泄漏的威胁。其中,故障占比最高的是闸阀和电磁
阀,高达48%。此外,在实际的工业生产中,大多数情况下设备都处于正常运行状态,
故障样本较少,这对模型的泛化能力及鲁棒性提出了更高的要求。
因此,本文以电动闸阀为研究对象,采集电动闸阀实验数据,对电动闸阀的信号
处理、故障诊断等关键技术进行研究,提出了基于改进希尔伯特黄变换-卷积神经网络
(ImprovedHilbert-HuangTransform-ConvolutionalNeuralNetwork,IHHT-CNN)的电动
闸阀故障诊断方法和基于判别空间优化元学习的电动闸阀少样本故障诊断方法。主要
研究工作如下:
(1)采集电动闸阀三种类型故障:电动闸阀三相不平衡故障、电动闸阀密封填料
受损故障、电动闸阀内漏故障。根据各种故障发生机理及故障特性进行传感器布置,
完成三种类型故障数据及正常状态实验数据采集。利用IHHT进行特征提取,得到希尔
伯特时频图,完成对振动信号及声发射信号的特征提取。
(2)建立CNN模型,将提取到的希尔伯特时频图输入CNN进行训练,并将该模
型应用于测试集,验证该模型故障诊断的准确性。
(3)建立基于判别空间优化元学习的电动闸阀少样本故障诊断模型,并完成少样
本故障诊断模型的搭建和优化,验证该模型在少样本条件下故障诊断的准确性。
(4)设置卷积神经网络和模型无关的元学习(Model-AgnosticMeta-Learning,
MAML)作为对比方法,完成电动闸阀少样本故障诊断对比实验,以验证基于判别空
间优化元学习的电动闸阀故障诊断方法的优越性。
实验结果表明,基于改进希尔伯特黄变换-卷积神经网络的方法对电动闸阀故障分
类方面具有很高的准确率;基于判别空间优化元学习的电动闸阀少样本故障诊断方法
在少样本条件下取得了良好的故障诊断效果。相比于卷积神经网络和模型无关的元学
习,该方法在少样本条件下诊断效果更好,并且具有较好的抗噪声能力。
关键词:电动闸阀;故障诊断;希尔伯特黄变换;卷积神经网络;元学习
基于卷积神经网络和元学习的电动闸阀故障诊断研究
Abstract
Asaclassofimportantequipmentinnuclearpowerplants,valvesmainlyplaytheroleof
openingandclosingpipelines,controllingflowdirection,regulatingandcontrollingthe
parametersofthetransportedmedium,etc.Duetotheharshworkingenvironmentandbeing
usedfrequentlyinnuclearpowerplants,valveshaveahigherprobabilityoffailurecompared
withotherequipment.Accordingtostatistics,valvefailureoccupiesalargeproportionof
nuclearpowerplantshutdownfactors,whichnotonlylimitstheeconomicbenefitsofnuclear
powerplants,butalsogreatlyincreasesthethreatofradioactiveleakageinnuclearpowerplants.
Amongthetypesoffaultvalves,gatevalvesandsolenoid