[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

说明书

本发明将提供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，该方法通过对聚变装置中分子泵故障实时进行诊断与预测，并根据诊断预测结果对即将出现故障的分子泵进行更换和维修，从而有效降低分子泵在聚变装置运行过程中发生重大事故的可能性，进而提高聚变装置中真空系统和整个装置的安全性，解决了常规分子泵统一维护时缺乏针对性和分子泵维修发生在事故后的弊端，这对于未来聚变装置的自动化运行具有重要意义，有效解决未来聚变装置预决策和预维护所面临的难题。本发明采用一种基于支持向量机的故障诊断方法以及改进的双向长短期记忆网络模型的预测方法，可以有效提高对分子泵的故障诊断性能以及预测故障准确性。

技术领域

本发明涉及聚变装置真空技术领域，具体涉及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。

背景技术

真空抽气系统是聚变装置的核心子系统之一，分子泵是一种用于高真空环境的精密机械。为了提高真空度，抽速等性能指标，分子泵通常在极高的转速下运行。真空系统故障引发的失超会导致聚变装置的磁体局部温度迅速升高，从而破坏超导体内部的结构。因此分子泵是整个真空系统中极为重要的一环，并且影响聚变装置的自动化运行。

机械设备随着社会发展变得越来越精密，设备失效的风险也不断上升，同时用于设备维护的费用也不断增加。在这种背景下，传统的维护方式，包括当出现故障后进行维修的“事后维修”方式和定时进行设备检修维护的“计划维护”方式均不能满足需求。

传统的故障诊断方法依据工人个人经验，耗时耗力，不准确，以及无法对故障发生做出预测，导致未能对仪器设备做到预测性维护。

近年来，人工智能的快速发展，基于机器学习的故障诊断与预测技术取得了高效准确的成果。它以其最基本的形式使用算法来解析数据、学习数据，然后对现实世界中的某些内容做出预测或判断。

通过采用先进的传感器技术采集系统的故障状态数据，实现设备当前的状态监测和故障诊断。但目前领域的技术研究中缺少对聚变装置中分子泵的寿命预测方法，因此，聚变装置中分子泵的寿命无法进行有效管理，影响真空系统甚至聚变装置运行安全。

发明内容

为了解决上述存在问题，本发明提供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，将对聚变装置的分子泵的故障诊断与预测性研究，发展了一种基于SVM的故障诊断方法以及改进的Bi-LSTM模型的预测方法，可以有效提高对分子泵的故障诊断性能以及提前故障预测的安全性。该方法通过对聚变装置中分子泵寿命及故障提前进行预测，并根据预测结果对即将出现故障的分子泵进行更换和维修，从而有效降低分子泵在聚变装置运行过程中发生重大事故的可能性，进而提高装置中真空系统和整个装置的安全性，解决了常规分子泵统一维护时缺乏针对性和分子泵维修发生在事故后的问题，这对于未来聚变装置的自动化运行具有重要意义，可以解决未来聚变装置预决策和预维护所面临的难题。

本发明针对传统故障诊断方法耗时耗力，以及无法对设备故障及时做出预测等问题，提出了基于时频域分析的SVM故障诊断以及基于改进的Bi-LSTM故障预测模型。

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，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。

进一步地，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。

进一步地，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：