CN114239402B 基于优化胶囊网络的核动力循环水泵故障诊断方法及系统 （哈尔滨工程大学）

基于优化胶囊网络的核动力循环水泵故障本发明涉及一种基于优化胶囊网络的核动获取核动力循环水泵运行时的振动传感数据以及各种故障下的振动传感数据，组成第一数据间卷积胶囊网络判断所述待检测核动力循环水2获取核动力循环水泵运行时的振动传感数据以及各种故bi,j＝bi,j+VjUj,i重构后的样本数量与初始训练样本集保持一致为N，而每个样本然后将重构得到的hi作为新的Uj,i代利用所述训练后的时间卷积胶囊网络判断所32.根据权利要求1所述的基于优化胶囊网络的核动力循环水泵故障诊断方法，其特征通过小波包变换对所述第一数据集进行降噪处理，并同时对所述第3.根据权利要求1所述的基于优化胶囊网络的核动力循环水泵故障诊断方法，其特征4.根据权利要求1所述的基于优化胶囊网络的核动力循环水泵故障诊断方法，其特征5.根据权利要求1所述的基于优化胶囊网络的核动力循环水泵故障诊断方法，其特征6.根据权利要求1所述的基于优化胶囊网络的核动力循环水泵故障诊断方法，其特征对所述待检测核动力循环水泵的振动传感数据进7.根据权利要求6所述的基于优化胶囊网络的核动力循环水泵故障诊断方法，其特征通过小波包变换对所述待检测核动力循环水泵的振动传感数据进行对所述待检测核动力循环水泵的振动传感数据的低频部分和高频部分进行8.根据权利要求1所述的基于优化胶囊网络的核动力循环水泵故障诊断方法，其特征第一数据获取模块，用于获取核动力循环水泵运行时的振动传深度时序特征提取模块，在所述卷积神经网络的输出端构建时间4bi,j＝bi,j+VjUj,i重构后的样本数量与初始训练样本集保持一致为N，而每个样本然后将重构得到的hi作为新的Uj,i代训练模块，用于利用所述训练数据对所述时间卷检测模块，用于利用所述训练后的时间卷积胶囊网络判断所述待5有必要开展循环水泵轴承故障诊断方法研究。随着人工智能技术和大数据理论的不断发6系统和非线性系统都有广泛的应用。基于历史数据的方法主要包括基于多变量统计方法、基于信号分析的故障诊断方法和基于人工智能和模式识别在上世纪末期快速发展。Misra等提出PCA及其改进方法在实际工业过程故障检测中的应[0009](2)基于信号分析的故障诊断方法在上世纪80年代才开始兴起，此类方法主要包应用于过程故障诊断。Gome等采用高斯径向基神经网络对压水堆电厂事故进行分析，7[0011]本发明从基于历史数据的方法中选择人工智能和模式识别技术实现智能故障诊[0014]本发明的目的是提供一种基于优化胶囊网络的核动力循环水泵故障诊断方法及[0024]利用所述训练后的时间卷积胶囊网络判断所述待检测核动力循环水泵的故障结8[0052]本发明从基于历史数据的方法中选择人工智能和模式识别技术实现智能故障诊9[0059]本发明的目的是提供一种基于优化胶囊网络的核动力循环水泵故障诊断方法及[0061]如图1所示是本发明基于优化胶囊网络的核动力循环水泵故障诊断方法流程图，[0062]步骤1：采集和存储核动力循环水泵运行时的振动传感数据以及其各种故障下的[0063]步骤2：将采集到的第一数据集中的传感数据根据传感器所属的子系统在计算机[0064]步骤3：将步骤2中的所有数据通过小波包变换对采集到的原始数据进行降噪处数与阈值量化后得到的高频系数对信号的小[0069]卷积层采用方程(1)所述公式进行特征的提取，卷积运算之后需要通过激活函数j为步骤5获得的数据形成的特征图。[0070]本发明采用LeakyReLU激活函数,能够在x[0089]重构后的样本数量与初始训练样本集保持一致为N，而每个样本维度由初始样本络的结构过程中涉及到大量的超参数，这些超参数包括卷积神经网络的中间隐藏层的层了对上述时间卷积胶囊网络中的权值和偏置进行优化，在训练过程中采用SGD优化算法对[0100]第一数据获取模块201，用于获取核动力循环水泵运行时的振动传感数据以及各[0107]