基于CGHMM的核电装备主泵状态监测与故障诊断技术的研究.doc

基于CGHMM的核电装备主泵状态监测与故障诊断技术的研究 ? 29? 基于CGHMM的核电装备主泵状态监测与故障诊断技术的研究术 李劲播,江志钢,岳夏 (1.南华大学机械工程学院,湖南衡阳421001;2.华南理工大学,广东广州510006) 摘要:本文对核电机械装备系统中主泵状态进行监测和故障诊断.在短时傅里叶变换的倒谱系数为特征训练模型的基础上,采 用CGHMM分析主泵运行的振动信号和建模,并对模型进行状态监测和故障诊断.实验结果表明该方法有效可行,不仅提高了 诊断精度,而且加陕了诊断速度. 关键词:主泵连续高斯密度混合HMM监测故障诊断倒谱系数 中图分类号:什l7文献标识码:A文章编号:1~002—6886(2ol0】01-(1029—04 ResearchonStateMonitoringandFaultDiagnosisTechnologyoftheNuclearPowerEquipment CoolantPumpbasedonCGHMM LIJinbo,JIANGZhigang,YUEXia Abstract:ThispaperstudiedmonitoringandfaultdiagnosistothecoolantpumpstatesintheNuclearPowerMechanicalEquipmentSys— tern.Basedontheshort—timefouriertransformoftheCepstrumCoefficientsforthecharacteristicstrainingmodel,ContinuousGaussianmixture HiddenMarkovModel(CGHMM)isadoptedtoanalyzevibrationsignalsofthecoolantpumpworkingandtomodel,anditisstatemonitoring andfaultdiagnosistothemode1.Theexperimentationresultshowsthatthisproposalmethodiseffectiveandfeasible.Itisnotonlytoimprove diagnosisaccuracybutalsotoacceleratediagnosisspeed. Keywords:thecoolantpump;ContinuousGaussianMixtureHMM;monitoring;faultdiagnosis;cepstrumcoefficients 0引言 在核电装备系统中主泵占有十分重要的地位,直接影响 核电装备运行的可靠性和安全,对其进行快速有效的状态监 测与故障诊断,意义重大.针对核电装备系统复杂,所积累的 资料与故障样本少,信号信息量大等特点,而HMM具有强大 的时序模式分类能力,适用于动态时间序列的建模并特别适 合于对非平稳,重复再现性不佳的信号分析.鉴于主泵的振 动信号和语音信号有一定程度上的相似性,现在HMM已经 成为语音识别的主流技术,因此把HMM方法引入核电装备 系统中主泵状态监测和故障诊断的研究.国内外已经将 HMM方法应用到状态监测和故障诊断等领域中,已 经取得了良好的效果. 1HMM基本原理与算法J 隐马尔可夫模型(HiddenMarkovModel,HMM)是一种 用参数表示用于描述随机过程统计特性的概率模型,是一个 双重随机过程,由两部分组成:马尔可夫链和一般随机过程, 其中马尔可夫链用来描述状态的转移,即状态为模式内部的 状态序列,用转移概率来描述;一般随机过程用来描述状态与 观察序列问的关系,用观察值概率来描述.在状态监测与故 障诊断中,被检测设备的状态一般不能直接观察到,要通过测 量被测设备的表现来感知. HMM是一种参数化模型,具有严格的数学结构和可靠 的计算性能,实践中它的参数集合可以通过实际观测到的实 验数据集合运用统计方法而获得,便于在实践中利用电路芯 片实现的算法,即算法易于硬件实现.现在已经在语音识别 方面得到广泛成功的应用,目前大多数语音识别系统都采用 HMM.一个HMM模型由若干个状态组成,随着时间的变 化,各个状态之间可以发生转移,也可以在一个状态内驻留, 每个观察值向量对不同的状态都有相应的输出概率.一个 HMM由下列五个元素(s,,7r,A,B)组成,其中: c1:一组状态的集合,S={S.,S,…,s}其中的状态数 为Ⅳ,并用q来表示它t时刻的状态,当然qte{s.,s.,…,S}. c2::一组可观察符号的集合,V={.,,…,},表 示从每一状态可能输出的不同观察值的数目,记t时刻的观 测值为O,其中OE{,V2,…,}. C3:仃:初始概率分布矢量,7r={7r,丌2,