基于CEEMDAN和Bi-LSTM的核电厂电动闸阀故障诊断研究

作     者：黄学颖 

作者单位：哈尔滨工程大学 

学位级别：硕士

导师姓名：刘永阔

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电动闸阀 故障诊断 故障程度评估 CEEMDAN Bi-LSTM 

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参数等作用,由于阀门在核电厂中工作环境恶劣且使用频率较高,因而阀门与其它设备相比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,不仅限制了核电厂的经济效益,也极大的增加了核电厂放射性泄漏的威胁。因此,本文以电动闸阀为研究对象,搭建电动闸阀实验台架,采集电动闸阀实验数据,研究电动闸阀信号处理、故障诊断和故障程度评估等关键技术,开发出一套电动闸阀故障诊断和故障程度评估系统,并进行了如下所示研究工作:(1)搭建电动闸阀实验台,设置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。(2)采用自适应噪声的完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法进行电动闸阀振动信号降噪处理,在此基础上完成振动信号时频特征参量提取;利用SAEU3H系列数字声发射检测系统进行声发射信号降噪处理及特征参数提取。(3)建立多种循环神经网络模型:长短期记忆(Long Short Term Memory,LSTM)深度神经网络、门控循环单元(Gated Recurrent Unit,GRU)深度神经网络、双向长短期记忆(Bi-directional Long Short-Term Memory,Bi-LSTM)深度神经网络。优化上述网络权值和参数,在此基础上利用三种深度神经网络实现电动闸阀故障诊断功能,利用Bi-LSTM深度神经网络实现电动闸阀内漏故障程度评估功能。(4)以电动闸阀为开发对象,利用Py Charm平台在Python3.6环境下开发出一套具有电动闸阀信号特征参量提取、电动闸阀故障诊断及电动闸阀故障程度评估功能的系统,并通过电动闸阀离线数据验证系统的准确、有效性。实验结果表明,本文所开发的系统在电动闸阀故障分类方面具有很高的准确率,在电动闸阀内漏故障程度评估方面,预测内漏流量与实际内漏流量误差小于2%。