基于深度学习的船用核动力管路系统故障诊断方法研究

颉利东 邬芝胜 黄捷 王禹 曲自信

摘 要

针对船载核动力反应堆管路特征参数选取严重依赖人工经验和诊断准确率低的问题，本文引入机器学习的思想，提出了一种基于卷积神经网络的船载核动力反应堆管路故障诊断方法，以提高船载核动力反应堆管路故障诊断的智能化水平。首先使用卷积神经网络建立分类模型，并利用该模型对22类数据进行分类性能测试;然后提取反映管路运行状态的特征参数，输入深度学习分类器中进行诊断。使用现有管路故障诊断数据验证了本方法的实用性和有效性。

关键词

深度学习;船用核动力;管路系统;故障诊断

中图分类号： TN957.52                     文獻标识码： A

DOI：10.19694/j.cnki.issn2095-2457.2020.15.013

Abstract

In view of the Characteristic parameters for ship-borne nuclear reactor line selection relies heavily on the artificial experience and diagnose the problem of low accuracy，introducing the idea of machine learning，this paper proposes a ship nuclear power reactors based on convolution neural network line fault diagnosis methods，in order to improve the ship nuclear reactor line fault diagnosis of intelligent level.Firstly，a classification model is established by using conversational neural network，and the classification performance of 22 kinds of data is tested by this model.Then the characteristic parameters reflecting the running state of the pipeline are extracted and input into the deep learning classifier for diagnosis.The practicability and effectiveness of this method are verified by using the existing pipeline fault diagnosis data.

Key Words

Deep learning;Marine nuclear power;Pipe system;Fault diagnosis

0 引言

船载核动力反应堆管路系统的工作条件复杂、环境恶劣，承受多种载荷的作用。随着反应堆运行时间增加，海水对管路系统造成的腐蚀越来越严重，会形成一定的安全隐患[1]。因此有必要采取可靠的故障诊断方法来监控船载核动力装置的运行状态，从而保证系统的可靠性和安全性。故障诊断问题一直是船舶管路系统维护保养中的关键问题，在各型船舶动力系统中，人们已经积累了大量关于管路故障诊断的有效措施和经验。

但是，在传统的依靠人工经验对管路进行故障诊断的方法中，对管路技术状态的判断存在一定的主观性，这样有可能会造成过度保养，增加备件的消耗。近几十年来，智能算法在模式识别领域得到了飞速的发展和大量的应用，取得了丰富的成果，人工检验的不可替代性逐渐在削弱。……