VMD和随机森林在反应堆金属撞击信号识别中的应用研究

反应堆中脱落部件或金属遗留件的存在会与压力边界产生碰撞而严重影响反应堆的安全,为有效解决由于特征信息不足和模型构建不合理而导致的反应堆中金属撞击信号识别精度低的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和随机森林算法(random forest,RF)的反应堆金属撞击信号识别方法。利用变分模态分解方法对原始信号进行分解得到若干分量信号,从各分量信号中提取分量特征以构成原始信号特征向量,将其作为输入建立VMDRF模型来对撞击信号、自检信号、脉冲尖峰信号、噪声波动信号、通道闪断信号、噪声信号六类信号进行分类以识别出金属撞击信号。采用核电现场LPMS监测系统所采集的数据对该方法的可行性和有效性进行验证,结果表明,该方法在反应堆金属撞击信号的识别方面能够获得良好的识别效果。

KPCA和改进SVM在滚动轴承剩余寿命预测中的应用研究

为解决支持向量机模型在预测滚动轴承剩余寿命时准确率不高的问题,对核主成分分析(Kernel Principal Com-ponent Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在剩余寿命预测中的应用进行了研究。采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况,并将满足要求的多个KPCA主成分作为输入,建立KPCA-LSSVM模型来对轴承剩余寿命进行预测。采用轴承全寿命试验数据对该方法的有效性进行验证,结果表明,该方法提取的轴承性能退化评估指标能够更为全面地表征轴承性能退化情况,建立的KPCA-LSSVM模型可在滚动轴承剩余寿命预测工作中获得良好的预测效果。

基于KPCA和SVM的工艺管道腐蚀速率预测

为解决有限样本数据下工艺管道中腐蚀速率难以估算的问题,提出一种基于核主成分分析(KPCA)和支持向量机(SVM)的腐蚀速率预测的方法。采用核主成分分析方法有效融合多种腐蚀影响因素,剔除核主成分分析结果中贡献率低的主元变量,将贡献率大的主元变量作为输入,腐蚀速率作为输出,建立了支持向量机模型,并预测了管道腐蚀速率。采用工艺管道实际工程数据检验KPCA-SVM模型预测腐蚀速率的效果,结果表明,基于核主成分分析和支持向量机方法的管道腐蚀速率预测误差较小,能够获得准确的预测结果。

电动阀门故障特征分析及检测方法研究

针对核电站电动阀门故障多发且故障类型多样的情况,通过分析电动阀门结构和动作原理,对电动阀门典型故障原因和故障信息表现形式进行了分析,研究了适用于电动阀门故障探测的信号探测方法,结合对获取的各类型信号的数据分析和处理,提出了电动阀门信号处理及特征量分析方法,通过提取电动阀门故障特征量,进一步表征阀门的故障状态。结合实际的阀门运行状态测试,表明提取的特征量能够反应电动阀门的真实故障,为电动阀门故障诊断和故障趋势分析奠定了技术基础。