[发明专利]一种基于机器学习的聚变装置分子泵故障诊断与预测方法

权利要求书

1.一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于，包括如下步骤：

步骤1、采集与存储分子泵实时状态信息数据；

步骤2、对分子泵实时状态信息数据进行分析预处理，提取分子泵特征信息；

步骤3、基于支持向量机算法的分子泵故障诊断模型，实现多种故障诊断；基于改进的双向长短时记忆网络分子泵故障预测模型，实现分子泵故障预测。

2.根据权利要求1所述的一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于：

所述步骤1中，采集的分子泵实时状态信息数据包括分子泵转速传感器、加速度传感器、电流传感器、电压传感器、温度传感器采集的数据，通过信号采集卡实现在工控机上数据的采集。

3.根据权利要求1所述的一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于：

所述步骤2包括：对预处理和特征信息提取后的数据构建矩阵X_Lm：

其中，n代表每次采样的个数，r代表预处理和特征信息提取后的分子泵转速信号，a代表预处理和特征信息提取后的分子泵加速度信号，s代表预处理和特征信息提取后的分子泵振动信号，t代表预处理和特征信息提取后的分子泵温度信号；L代表分子泵物理状态，所述物理状态包括r、a、s、t；m代表采样次数；

将上述矩阵X_Lm进行向量化，作为模型训练的输入；

矩阵X_Lm向量化为：

vec(X_Lm)＝[X_r1，…，X_rn，X_a1，…，X_an，X_s1，…，X_sn，…，X_t1，…X_tn]^T

其中，所述特征信息包括时域特征和频域特征，所述时域特征包括峰峰值、平均值、方差、标准差、均方根、方根幅值、偏度、峭度、峰值因子、脉冲因子、裕度因子；所述频域特征包括频谱均值、频谱均方根值、频率重心、均方根频率、标准差频率。

4.根据权利要求1所述的一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于：

所述步骤3中，基于支持向量机算法的分子泵故障诊断模型，实现多种故障诊断，包括：首先采集分子泵多种故障类型数据，分别进行时域特征和频域特征提取，形成特征向量集，再标准化作为基于支持向量机算法的分子泵故障诊断模型的输入；

所述基于改进的双向长短时记忆网络分子泵故障预测模型，实现分子泵故障预测，包括：首先采集分子泵完整全寿命周期时间序列信息，对采集的全寿命周期时间序列数据，等间隔分组处理，并进行时域特征和频域特征提取，形成特征向量集，最后标准化，作为改进的双向长短时记忆网络分子泵故障预测模型输入，实现分子泵故障预测。

5.根据权利要求4所述的一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于：

所述Bi-LSTM，即双向长短时记忆网络，在单向LSTM，即长短时记忆网络的基础上引入反向传播，实现模型的双向传播，通过学习时间序列前向反向历史信息，更好提升模型的预测精度；

其中所述Bi-LSTM的计算均基于单向的LSTM：

式中：为前向向量；为反向向量；为前一时刻前向向量；为后一时刻反向向量；y_t为前向与反向向量作用输出；W为对应的权重系数；b_y为偏置项；f为激活函数。

6.根据权利要求5所述的一种基于机器学习的聚变装置分子泵故障诊断与预测方法，其特征在于：

所述的改进双向长短时记忆网络模型就是在双向长短时记忆网络输出层上引入平均池化，来抑制噪声，降低信息冗余，降低模型计算量，防止过拟合，从而进一步提高模型整体的预测精度。