英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
Ⅰ简介
决策支持和监测系统已广泛应用于工程状态监测领域[ 1 ]，[ 2 ]，其中自动诊断被用来更好地告知专业人员维修的过程，提高数据的可用性，再加上学科预期业绩的提高，像航空航天、国防和能源等已经铺平了开发和部署数据驱动智能化方法的道路。系统技术的意义：利用尖端技术的算法提供关于成长中的可用操作以及数据量的数据特征和行为的有用信息、见解的计算方法，而正在进行的旋转式叶轮机械维修没有什么不同，其中也有各种应用于状态监测的自动化系统，这些如汽轮发电机[ 3 ]、燃气轮机[ 4 ]，以及航空发动机[ 5 ]。
核工业将各种各样的旋转机械用于不同情景：从初级循环机械中扩散的有助于辅助马达的放射性环境中的液体。其中一个重要的例子是GC机械类：一个诱导电机型气体传播旋转机械，CO2流量通过英国AGR反应堆堆芯设计，GCS受到大量的数据询问、归档和程序分析，以确保其继续运作，每个反应堆有许多GCS和下面的核运营商主持下多个反应堆支持，GC健康监测代表大量数据驱动的安全生产维护需求的重要性。
状态检测领域的最新进展在利率和投资方面，或者说创建预测性或预后性可靠度量都有了明显的提升，这些当中分配潜在的未来资产状态的概率观点的能力是健康监测工业的有力目标。为了完全避免或者缓解将来的失败，许多这些技术将稳态行为推入未来工程的运作，以确定满足故障准则时的可能的时间，但这通常不能应用于电力系统中的旋转机械系统，这是由于其典型的非稳态占空比，由于日常的需求和维护，其中经常出现条件的规律变化。
我们对系统进行了较少的预测研究，以动态规律为特征的占空比事件，AGR GC是经历这种周期的一种属于工程的资产。非固定操作：反应器设计允许在线高低周期断续状态的换料周期对应燃料通道补给。环行器在这些时期经历一个广泛的动态范围独特的振动响应变化，这些实质性变化的周期有可能产生先前的变化，也就是基于振动的未检测数据信号即GC单位的反应和隐含的健康。
本文研究了相关的GC在加油事件期间的振动响应，重点是从这个数据中提取有用的健康和预后措施。我们提出了一种ML分类方法，首先对状态进行分类，进行一次典型的加油运动，然后估计这些潜在状态的潜在寿命的时间位置。后来在一个真实的机器例子中证明了这种方法对GC预测的有效性，接下来论文讨论了下一步的发展与技术的发展走向一个完整的预测系统中使用的操作可靠性场景。
Ⅱ 可靠性工程中的ML
ML是一个广泛的算法技术家族。充分利用历史数据学习行为、模式，以及在各种场景中提供有用推理的功能，包括决策。一个ML方法应用的问题空间的定义特征是数据可用性：历史可靠性数据的增加关于旋转机械、发动机及其他关键工程部件促使更多的人对这种技术感兴趣数据驱动[8 ]，[9 ]的一般类可靠性方法的工程学。
例如，各种ML驱动方法在风力发电（10）、（11）、系统监测（12）、交通运输（13）和电机（14）健康监测等各种不同的工程分析学科中取得了成功。许多条件手动或通过初步数据分析进行的监测方法现在正在寻求从DATADRIVIN方案（15）改进。随着可靠性工程作为一个整体，对核领域（16）的兴趣在近几年有所增长。在预测中很少有专门用于AGR GC资产预测的研究，这构成了这项研究背后的动机的一部分。
从历史上看，基于物理模型（6），（17）已成为重要资产，其中失败数据不太可能存在。然而，这种方法所需的专业知识的深度，以及不断增加的监测数据的可用性，意味着经验技术继续在高可靠性、关键系统如AGR GC的诊断和预测中的〔16〕、〔18〕中进行研究。
ML在可靠性方面的许多成功之处已经应用在稳定的机械部件负债表中，在相对恒定的占空比没有显著变化时Kan et al[19]正确地识别了非平稳特性的操作特性。许多旋转机械的条件，包括在发电工业中发现的情况，在国家变化的背景下对未来健康的推理对预测和健康监测学科提出了一个复杂的挑战，这是本文所要解决的主要问题之一。
诸如SVM之类的核心方法经常应用于可靠性问题，即作为主要方法或作为技术组合的一部分。特别是核能，Liu etal〔23〕成功地将基于核方法的预测技术应用于压水堆部件级的RCP。虽然RCP在不同的条件下工作于AGR GC单元，而案例研究与（23）系统特别关注泄漏在本质上不同，它们作为关键主循环冷却器的功能和重要性是相似的。
Logistic回归（LR）已被用来估计属于失败进展的后期阶段的数据的可能性[24 ]，并且使用这一措施作为长期机器健康的内隐观。作者在[25 ]中探索了核方法与LR的结合，作为机械轴承监测的组合预测系统的发展。
Ⅲ 气体循环器
在英国，民用核反应堆的主要设计是AGR。部署在七个地点，14个单位，设计标志着英国核工业继续利用石墨的核心结构和适度（26）的努力。通过八个GC单元的传播，在AGR中流动的冷却剂被CO2气体加压到40bar。这些基于感应的马达在反应堆堆芯中保持安全的操作温度，并将热能从核燃料组件传递到锅炉单元。因此，GCS是整个AGR系统中的关键旋转设备项目，负责安全有效的运行。图1中提供了与全核有关的GC函数的示意图。
GCS是动态的，在各种模式下运行；经历与反应堆事件和维护相对应的各种操作条件。例如，CO2的速率可以通过入口导向叶片角度参数来调节，从而允许循环器输出适合于从反应器输出的特定目标功率。
因此，GCS被仔细监测，在其整个工作寿命期间受到广泛的健康分析，以避免非计划停电。状态监测学科的现代化在存储、归档和分析来自这些机器的数据方面出现了上升，大量的历史振动数据围绕GCS现在可用于研究。从历史上看，这些单元的健康监测与基于振动信号的低级、基本分析的通用旋转机械监测具有很大的共同点。因此，使用警报驱动策略来识别资产行为和状态的变化，并对提示通知进行验证，以提供日常监测条件下的工程监测人员所需的大部分分析。而我们在汽轮发电机组中遇到了类似的问题，自动数据驱动的决策支持系统正在开发来解决这个问题[27 ]。
GC单元也在常规的LPR事件中运行，此时它们经历对应于反应器通道中的燃料补给周期的动态负载占空比。这些事件的特点是“卡斯林”，也就是间歇和低负荷的发电机负载，允许在线加油。这是有用的，从操作的角度来看，它保持部分发电期间通常与中断在其他反应堆设计。
图2中的时间序列提供了一个示例性负载状态和相应的振动响应，说明了与加油有关的负载操作的3个不同级别。对于本文的命名目的：这些LPR状态中的每一个被称为在线（满载）、以上（大约70%的负载）和更低（大约30%的负载）。这些比例是LPR本身的一个特征，其对应于燃料补给期间，上部对应于补给周期之间升高的生成的间歇周期，和对应于正常稳态GC操作状态的在线，这是对应于每个LPR。操作时间序列的这3种行为分段是特定领域的：由运行和可靠性工程人员管理生成并监督环行器单元的健康监测。
典型的例子有，水平和垂直轴振动在环行器的DE和NDE上被监测，以识别机器对变化条件的响应。操作变化，如在变化的载荷剖面中看到的结果和由振动换能器捕获的结果响应之间的关系构成了GC单元的大部分健康监测的基础。
以前的调查[28]进入加油循环行为表明，LPR是一个丰富的数据来源的状态估计指标和关键指标的长期资产健康。因此，建立LPR的代表性模型是了解GC条件的一个重要领域。
Ⅳ加油模型
LPR被认为是GC健康监测的有用数据视图，有两个重要原因：
1. LPR事件驱动循环器在一个大的动态和瞬态范围内，与一般旋转资产所经历的运行和运行条件相比较，这已被可靠性专家广泛研究[8]，[29]。
2）LPR事件通过GC的寿命定期发生，向机器提供可重复的应力事件，其具有丰富的基于潜在的基于数据的特征的振动响应。
利用这些特征代表了在振动监测上下文中与许多现有诊断和预后系统相关的典型稳态分析的进展。建立一个数据驱动模型，映射驱动负载行为和由此产生的振动响应在随后的加油实例之间的潜在关系，以探索这一点。
ML模型有两个主要目标。
1）构造单个LPR事件的数据驱动视图，其准确地将GC状态与振动数据分类。
2）识别是否存在顺序的LPR事件模型的元演化，该模型提供了循环器的RUL的定量特征映射。
这些技术旨在用于批量分析中的预测度量和RUL相关特征的研究，而不是用于在线或实时监控目的。
本文中概述的方法广泛地解决了以下步骤的健康评估问题。
1）从四年的运行周期中选出21个标记的LPR事件。
2）建立分类器，从振动响应中识别LPR状态{在线、上、下}。
3）将分类器应用于整个运行周期，以确定所有历史数据的LPR类型振动状态。
4）将数据分割成{在线、上、下}类中的每一个，按时间戳排序，并分割成四个时间片：{早，MID1，MID2，迟}。
5）建立分类器来识别特定的LPR状态数据在后期时间片中的可能性。由此产生的概率输出作为隐式RUL测度。
在图3中提供了整个方法的示意性概览，表示出了数据集的流动和在每个阶段中的输入的依赖性。注意，流程图上的灰色交互表示训练模型的ML输入/输出功能。完全向前的方法将标记的数据链接到预测的时间模型中，但是LPR模型可以被用于分类独立于长期健康考虑的任何给定的振动轮廓输入的LPR状态。
以下各节讨论了选择和评估每个阶段的ML方法以提供最准确的预后模型与GC案例研究的过程。
使用了一个经历了最终检查失败的单个循环单元（即，决定进行事后检查以取代GC），并从2006—2010期间的各个时期获取了时间序列数据。这个时间窗口包括稳态在线行为，众多的LPRs、中断和ad hoc操作条件调节器。在该数据集中总共识别了21个标记的LPRS，并形成了用于构建模型的训练数据的基础。数据的原子格式是（时间戳、负载、DE水平、垂直方向、NDE水平、NDE垂直）。图4提供了用于训练的LPRS的环行器的满负荷特性。
相应的振动响应这些可变负载的周期形成数据驱动的方法来建模事件的基础。如在第III- B节中所讨论的，有三个不同的发电机负载水平，对应于加油运动的元素。通过使用k＝3 GMM来对平均LPR负荷分布的分布进行定义，这些经验值的每一个都是用图5所示的平均LPR负荷分布来实现的。注意，该K值被直接作为GC监测学科领域知识的三个行为图。其他K值将不符合该领域的可靠性专家所理解的标准行为组。确定这些值，并在（1）中表示，允许在负荷密度值上定义的训练数据集在GMM密度的局部最小值（分别为386和603毫瓦）定义。这使得所得到的振动响应被分类为每个状态，使用监督ML方法：
Online,:xgt;603
FState(x)= Upper,:386le;xle;603 (1)
Lower,:xlt;386
在建立数据驱动模型中评估了四种监督学习技术：
1）基于感知器的线性模型；
2）LR；
3）线性支持向量机（L1正则化）；
4）线性支持向量机（L2正则化）。
在检查数据集和与更复杂、更高阶分类器相关联的典型训练时间之后选择线性模型：它决定了建立一个没有非线性的判别函数的初步研究将提供有用的结果而不需要过多的计算。tion. ML建模技术本身将被选择，这是由于它们的历史应用到可靠性工程问题的组合，以及多类分类场景中的功能。其他候选算法包括相关向量机〔30〕、最近邻模型和极限学习机〔31〕：这些方法的比较将是有价值的未来发展。
作为线性分类问题的一般性概述，考虑线性可分二元分类问题，由训练集{（x，y）} i＝1，hellip;，m定义，其中m是训练元组的数目，y是{{ 1, 1 }。Y是第i多维输入模式X的标签。
特定模型的参数化可以表示为Ty，它表示参数或权重的有限数组。二维实例中的线性决策边界（如LPR相空间）采用通用参数形式THI 1X THE0。通过对决策函数的检验，从一个成功学习的分离超平面上对测试输入模式X进行分类：
Y(x|theta;)=sgn(theta;Tx theta;0) (2)
其中SGN（）表示符号或阈值函数，定义为
1, xge;0
Sgn(x)= -1, xlt;0 (3)
LPR分类问题是多类（具有三个状态标签{联机，上，下}）。本文中的每一个训练模型都遵循一对一的二元分类策略，每个类都归结为一个定义超平面，它表示成员或非成员。
- 基于感知器的线性：也称为单层感知器，使用感知器学习规则的线性建模是用于在两类行为之间创建判别函数的二元分类技术。该方法也可以扩展到多类方案，这是相关的LPR状态分类问题，其中有三个类的兴趣。
感知器学习方法可以概括如下。
1）初始状态被初始化（通常是theta;，theta;0＝0）。
2）用theta;，theta;0的值，对每个输入实例检查函数，比较假设输出与每个目标标记。在实例theta;，theta;0＝0，由于（3），每个例子被标记为y= 1。
3）当输出和目标标签之间存在差异时（例如，当y＝1是针对y＝1的例子的假设）时，感知器修正了theta;，theta;0的值，以更好地反映训练实例。
在每个迭代中使用规则更新的theta;值：对于第i个参数
theta;ilarr;theta;i alpha;(y-htheta;(x))*xi (4)
其中alpha;是一个被称为学习速率的选择参数，它的选择影响了对theta;值进行更新的幅度
全文共7169字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14072]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
