综述:基于多域特征融合策略的核电站旋转部件故障诊断方法研究

《Annals of Nuclear Energy》:Research on fault diagnosis method of rotating components in NPPs based on multi-domain feature fusion strategy

【字体: 大 中 小 】 时间:2026年03月29日 来源:Annals of Nuclear Energy 2.3

编辑推荐:

  针对核电站旋转机械部件故障诊断中单一域特征提取不足的问题,本文提出多域特征融合策略(MFFS),结合时频域(RepLKNet)和频域(双层CNN)特征提取,有效提升诊断准确性和鲁棒性,实验验证优于现有单域及混合模型。

  
夏宇博|徐一帆|张志刚|夏庚雷
中国黑龙江省哈尔滨市哈尔滨工程大学海洋热能与动力国家重点实验室,邮编150001

摘要

旋转机械部件的运行状态对核电站(NPPs)的安全性和可靠性至关重要。然而,现有的基于神经网络的诊断方法主要从单一数据域提取特征,无法充分捕捉振动信号的非线性和非平稳特性。因此,本文提出了一种多域特征融合策略(MFFS),用于诊断核电站旋转部件的故障。在所提出的框架中,从频率域和时频域同时提取关键特征。时频域的全局特征提取采用了RepLKNet架构,该架构实现了大核策略,而频率域特征提取则使用了双层卷积神经网络(dual-layer CNN)。融合后的特征被输入到故障分类器中进行最终诊断。使用机械故障预防技术(MFPT)数据集进行的实验验证表明,所提出的方法具有较高的诊断准确性和较强的鲁棒性,优于现有的单域和混合模型。这些结果表明,基于MFFS的方法为复杂核环境中的旋转部件故障诊断提供了一个有效且通用的框架。

引言

在核电站(NPPs)中,各种旋转机械装置(如涡轮机、泵和发电机)的主要工作部件是轴承和转子等旋转部件。核电站复杂的运行环境(高温、高压和辐射)导致旋转部件加速老化和磨损,从而增加了故障风险。这些部件的故障可能导致严重的安全隐患,扰乱整个生产过程,并造成重大经济损失(Yin等人,2024年)。数据显示,30%至40%的核电站旋转机械故障源自这些关键部件(Yu和高,2020年)。因此,对这些部件进行实时监测和准确故障诊断对于确保核电站的安全稳定运行至关重要。
将传感器监测数据与机器学习算法相结合是目前轴承故障诊断领域的一个热门研究课题。常用的信号处理技术包括小波变换(WT)和包络解调分析,用于从旋转部件中提取故障特征。然后使用贝叶斯分类器、随机森林(RF)和支持向量机(SVM)等机器学习算法对这些特征进行分类和识别(Yin等人,2023年)。Hoang和Kang(2019年)提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断方法。他们的方法首先将一维振动信号转换为二维时域灰度图像,然后应用CNN进行故障诊断。Yin等人(2021年)提出了一种基于快速傅里叶变换(FFT)和CNN的滚动轴承故障诊断方法,利用FFT将一维数据转换为二维特征图输入到残差神经网络中。Moshrefzadeh(2021年)引入了一种频谱幅度调制(SAM)方法,结合SVM和子空间k最近邻分类来实现轴承的智能故障诊断和健康管理。尽管神经网络方法在核电站旋转部件故障诊断中已被证明有效,但其性能仍受训练数据的规模和质量的限制。
然而,核电站的运行特性要求设备长期保持无故障状态,这使得收集有关旋转部件异常条件的足够数据变得困难。由于样本集有限,上述模型的数据挖掘能力会受到限制,难以实现理想的诊断性能。许多学者针对样本量有限的情况进行了故障诊断研究。Gao等人(2021年)使用由卷积层和池化层组成的孪生网络实现了小样本柱塞泵的故障诊断。Koch等人(2015年)采用了基于相似性分类指标的孪生神经网络,在涉及多个故障类别但每个类别只有少数样本的情况下表现出特别的有效性。Zhang等人(2019年)使用具有宽第一层核的深度卷积神经网络(WDCNN)模型,并用少量数据进行了训练,从而在数据有限的情况下更有效地实现了旋转部件的故障诊断。Shang和Qian(2024年)使用胶囊网络构建了孪生神经网络的编码器,对特征进行向量化,以便在小样本滚动轴承故障诊断中有效应用。虽然针对有限样本集的故障诊断研究取得了进展,但大多数现有方法仅依赖单域特征作为模型输入。核电站复杂的运行环境使旋转部件面临多种故障原因。实际的振动信号由于运行条件的变化而变得更加复杂,表现出非线性和非平稳特性。这种复杂性导致信号包含多域振动成分。因此,仅依赖单域信息不足以完全表征故障特征,从而导致信息丢失并降低诊断性能。
为此,许多学者采用了多域融合方法进行故障诊断。例如,Feng等人(2025年)提出了一种基于变分模态分解-多同步挤压S变换(VMD-MSSST)时频增强和残差网络(ResNet)多模态融合的故障诊断方法。变分模态分解用于将振动信号分解为多个固有模态函数,而ResNet提取了时频图像的深度空间特征。双向门控循环分支捕获了时间特征,大大提高了故障诊断的准确性。Wang等人(2025年)提出了一种决策级多模态融合深度学习策略,实验结果表明与传统单模态深度学习模型相比,该策略在故障诊断准确性和泛化能力方面有显著改进。Shi等人(2022年)提出了一种声振信号融合算法,用于解决在强噪声环境下检测滚动轴承的挑战。这种方法丰富了系统的状态信息,并减轻了环境噪声的影响。Zhou等人(2021年)提出了一种基于CNN的频域特征匹配算法(FDFM),用于在强噪声条件下有效诊断滚动轴承。结果表明,该融合算法可以有效抑制严重的噪声干扰。Lu(2025年)提出了一种双通道混合注意力卷积神经网络,有效利用了振动和电流信号的互补特征。实验结果表明,该模型在训练过程中更加稳定且收敛更快。
然而,现有研究的共同局限性是使用单一网络架构进行多域特征提取。这种方法往往只能捕捉共同特征,无法有效获取每个域的独特信息。虽然CNN在局部特征提取方面表现出色,但其固有的局部感受野限制了它们捕捉全局数据结构和长距离依赖性的能力。因此,这导致特征表示不足,限制了模型的诊断能力。因此,本文提出了一种基于多域特征融合策略(MFFS)的核电站旋转部件故障诊断方法。首先,该方法构建了一个特征融合框架来解决域间冲突并实现特征对齐。在此基础上,设计了双层卷积结构从频率域信号(通过离散傅里叶变换获得)中提取关键局部特征。同时,引入了大核卷积策略从时频域数据(通过连续小波变换获得)中有效捕捉全局特征。这增强了模型对多域特征的适应性和表示能力。最后,将融合的多域特征输入到故障分类器中进行故障诊断。为了验证所提方法在样本量小和干扰条件下的诊断性能,本研究使用了机械故障预防技术(MFPT)数据集进行评估。

部分摘录

基于MFFS的模型架构

本文基于MFFS构建了一个用于核电站旋转部件的故障诊断模型,如图1所示。首先,从旋转部件获取时域振动信号。为了获取多域特征信息,采用傅里叶变换(DFT)和小波变换(WT)将时域数据分别转换为频域数据和时频域数据。此外,还对时频图像应用数据重构方法以生成多样化的训练样本,

数据集选择

为了验证MFFS在故障诊断中的有效性,本节选择了MFPT中的旋转部件数据集进行实验测试(Lee等人,2016年),[NICE Bearing Model]滚珠轴承模型。MFPT提供的原始数据集采用英制单位系统,已转换为国际单位制,并对原始数据添加了额外的注释。
在内外圈人工引入了单点故障

结论

本文提出了一种基于多域特征融合的核电站旋转部件故障诊断方法,该方法解决了故障样本有限、特征维度高和噪声干扰等问题。主要贡献和结论如下:
  • 1)
    通过结合DFT提取周期性故障模式和CWT提取瞬态特征,所提出的框架有效整合了多个域的互补信息,从而减少了特征丢失并提高了诊断
  • 利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号