核电厂泵类机械健康管理若干关键技术研究.pdfVIP

核电厂泵类机械健康管理若干关键技术研究

摘要

作为典型的能动设备，泵类机械在核电厂中的应用十分广泛，如一回路的主冷却剂

泵和二回路的主给水泵、循环水泵和凝结水泵等关键设备。核电厂用泵的主要功能是把

原动机提供的机械能转换为所输送流体的能量，一般转化为动能和压力能等，其功能的

实现主要依赖于旋转部件及其转动。虽然核电厂泵类机械的典型部件及作用机理与常规

泵相似，但是其复杂运行环境下的安全性和可靠性要求更高，一旦产生显著的性能退化

或故障，就可能造成巨大的安全隐患和经济损失。

通常，核电厂数字化仪控系统为关键设备配置大量传感器来确保其正常运行，但是

设备周期预防性维护及故障维护策略仍然存在依赖人工经验、维修不灵活及成本高昂等

问题。故障预测与健康管理（PrognosticsandHealthManagement，PHM）技术可以根据

设备状态评估和预测来提供运维支持，以实现状态维护和预测性维护的策略转变，在保

障设备安全性的同时，能够合理改善运维经济性。因此，本文结合PHM技术开展了泵

类机械的智能诊断与故障预测相关技术研究，包括对智能诊断与故障预测方案、异常状

态检测方法、故障诊断方法和故障预测方法的研究。主要研究内容包括以下几个方面：

（1）为了改善核电厂泵类机械运行维护中存在的状态评估困难、效率低下及智能

化水平不足等问题，结合泵类机械主要结构及故障模式分析，提出了一种有效的泵类机

械智能诊断与故障预测方案，并阐述了系统功能及信息流程，围绕状态检测、智能诊断

和故障预测的关键技术提出了相应的解决方案，进而推动设备运行维护向基于状态和预

测性维护策略的转变。

（2）状态检测是设备智能诊断与故障预测方案的基础，考虑到泵类机械参数众多，

且多维变量与状态关联关系的挖掘至关重要，本文构造了一种基于深度降噪自编码网络

（DeepDenoisingAutoencoder，DDAE）的状态检测模型，在保证较低误报率的同时，

实现了早期异常的检测和定位。为了缓解参数在长期检测中时变效应对模型的影响，结

合等距抽样策略和DDAE模型来增强检测效率。利用主泵仿真数据和实际离心泵数据

进行案例测试，验证了提出方案在正常和异常状态下的检测和定位能力，进而为智能诊

断与故障预测奠定基础。

（3）针对核电厂故障诊断中存在的依赖人工经验、准确率低及结果不唯一等问题，

提出了一种结合多传感器融合策略和深度卷积神经网络（DeepConvolutionalNeural

Network，DCNN）的模型，实现了诊断准确率及智能化水平的提升。在多传感器融合中，

集成了连续小波变换方法来综合处理多传感器信号以实现特征级融合，避免了单一监测

哈尔滨工程大学博士学位论文

的局限性，同时借助深度残差神经网络来增强模型的特征提取和分类性能。利用转轴和

电机的实验数据验证了该模型在多传感器融合和深度特征提取方面的优势。

（4）为了增强泵类机械在变转速和无标签情况下故障诊断模型的泛化性能，提出

了一种基于深度迁移学习方法的混合领域对抗学习（HybridDomainAdversarialLearning,

HDAL）模型，实现了核电厂智能故障诊断的模式突破。该方法借助多个传感器综合识

别设备运行状态，并结合深度卷积神经网络来自适应提取故障特征。更重要的是，HDAL

模型采用子领域自适应驱动生成式对抗训练的方式来开展变转速下故障诊断任务，有效

地实现了不同领域之间故障特征知识的迁移应用。案例测试表明，综合迁移学习和深度

学习优势构造的HDAL模型能够显著缩减特征分布差异，在多传感器融合基础上表现

出了较强的变转速故障诊断和抗噪性能。

（5）针对泵类机械在不平衡样本下故障诊断性能退化的问题，提出了一种深度卷

积条件生成对抗网络（DeepConvolutionalConditionalGenerativeAdversarialNetwork，

DCCGAN）模型，提高了在类不平衡样本下的分类准确率。为了提升模型对不平衡样本

的扩充能力，借助条件生成对抗策略改进了传统模型的结构和训练方式，从而缓解了对

样本生成过程的约束过少问题。此外，构造了一种深度卷积网络以对振动信号的特征进

行端到端的提取，进而实现故障分类。最终结合提出的综合评价方案和案例测试验证了