申请/专利权人：哈尔滨工程大学

申请日：2024-01-22

公开（公告）日：2024-04-16

公开（公告）号：CN117892136A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/2411;G06F18/213;G06N3/0464;G06N20/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本申请技术方案公开一种样本不平衡时的核动力装置故障诊断方法，方案可以包括：对于待进行故障检测的核动力装置，确定该待进行故障检测的核动力装置的若干个故障类型并进行特征参数的采集，对采集的特征参数进行类型标记，采用合成少数类过采样技术SMOTE对所述故障类型对应的故障状态下的特征参数进行样本扩充，得到样本平衡数据进行归一化处理，通过卷积神经网络中的卷积核与输入数据之间的卷积计算提取出数据中包含的特征，将深层特征数据输入到支持向量机中，对其进行训练；采用粒子群算法对参数进行自适应寻优，采用优化后的支持向量机对深层特征数据进行识别，以确定核动力装置的运行状态，并将诊断结果反馈到人机交互界面上。

主权项：1.一种样本不平衡时的核动力装置故障诊断方法，其特征在于，所述方法包括：S1、对于待进行故障检测的核动力装置，确定所述待进行故障检测的核动力装置的若干个故障类型；对于所述若干个故障类型中的任意一种故障类型，采用若干个传感器采集所述核动力装置在运行状态中产生的n种特征参数，其中所述n种特征参数的个数与所述若干个传感器的个数相对应；其中，所述n种特征参数中包括所述核动力装置在正常状态下产生的正常数据与所述核动力装置在所述任意一种故障类型对应的故障状态下产生的故障数据，所述正常数据的数据个数大于所述故障数据的数据个数；S2、将步骤S1中收集到的正常数据以及所述故障数据进行对应的类型标注；S3、采用合成少数类过采样技术SMOTE对所述故障类型对应的故障状态下的特征参数进行样本扩充，具体步骤如下：S31、对于少数类样本集中的一个样本，计算所述样本到所述少数类样本集中除所述样本之外的其余所有样本的距离，得到所述样本的近邻；S32、从所述样本的近邻中任选一个样本，按式（1）来生成一个新的少数类样本； （1）式（1）中，符号表示区间（0,1）之间的一个随机数；S33、循环执行步骤S31和步骤S32，算法的终止条件为预先设置的采样倍率，得到包含充足故障样本的生成数据，将形成的充足故障数据与正常数据相结合，得到样本平衡数据；S4、为消除数据量纲差异对模型训练带来的影响，对由步骤S3得到样本平衡数据进行归一化处理，处理过程表示为式（2）； （2）式（2）中，和分别表示样本的最大值和最小值；S5、通过卷积神经网络中的卷积核与输入数据之间的卷积计算提取出数据中包含的特征，其中，卷积过程表示为： （3）式（3）中，符号表示第层的第个输出；符号表示第层的第个卷积区域，符号表示其中的元素，符号和符号分别表示对应的权重和偏移向量，符号表示激活函数；采用最大池化方法对输入数据进行下采样以降低数据维度，以减少网络参数计算量，其中，采样函数表示为： （4）式（4）中，表示池化层的输出，表示池化窗口，表示池化窗口内的元素；全连接层的输出表示为： （5）式（5）中，符号表示第个神经元的输入，符号和符号分别表示该神经元的权重和偏置；S6、将深层特征数据输入到支持向量机中，对其进行训练；采用粒子群算法对参数和进行自适应寻优，以确保分类器具有良好的泛化能力，具体步骤如下：S61、初始化粒子群中每一个粒子；S62、根据每个粒子的参数和来评估它们对应的支持向量机性能，通过对比，得到全局最优的参数组合；S63、判断是否达到预先设定的最大迭代次数，若满足则结束寻优，若不满足则继续进行后续步骤；S64、更新每个粒子的速度和位置，并评估此时粒子们分别对应的支持向量机性能；S65、通过对比，更新每个粒子的历史最优参数组合以及群体的全局最优参数组合；S66、重复步骤S63-S65，直到达到终止条件；S7、采用优化后的支持向量机对深层特征数据进行识别，以确定核动力装置的运行状态，并将诊断结果反馈到人机交互界面上，从而协助操作人员进行管理决策。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种样本不平衡时的核动力装置故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD