《Annals of Nuclear Energy》：Research on dual-model collaborative optimization method for intelligent fault diagnosis of nuclear main pump rotor under constant speed and variable speed conditions
編輯推薦：
提出雙模型協作智能故障診斷框架，針對反應堆冷卻泵轉子恒速（VMD-SVM）與變速（ResNet-STFT）工況設計專用模型，通過實時轉速監測模塊動態切換，實驗表明恒速下準確率達99.41%、響應<14ms，變速下準確率97.46%，顯著提升復雜工況診斷效率。
冉文豪|肖霞|黃雪英|尹文哲|姜佩琪
哈爾濱工程大學核安全與仿真技術基礎科學實驗室，哈爾濱150001，中國
摘要
對于核電站的安全而言，反應堆冷卻泵（RCP）轉子的智能故障診斷至關重要，然而在穩態和瞬態運行條件下實現可靠且高效的診斷仍然具有挑戰性。為了解決這一問題，本文提出了一種新穎的雙模型協同智能診斷框架。其核心創新在于兩種專用診斷模型的條件感知動態協作：（1）在恒速條件下，開發了一種高效模型（VMD-XY），該模型結合了通過皮爾遜相關系數優化的變分模態分解（VMD）與奇異值分解（SVD）和支持向量機（SVM），實現了快速準確的特征提取和分類。（2）在變速條件下，提出了一種魯棒模型（ResNet-XY），該模型通過多傳感器數據的短時傅里葉變換（STFT）構建融合的時頻表示，并采用殘差神經網絡（ResNet）進行深度特征學習。（3）設計了一個實時轉速監測模塊，根據計算出的轉速變化率自動在兩種模型之間切換。實驗結果表明，在恒速條件下，VMD-XY模型的診斷準確率為99.41%，響應時間小于14毫秒；在變速條件下，ResNet-XY模型的準確率為97.46%，顯示出較強的泛化能力。兩種模型的協同應用在保證診斷性能的同時，平衡了準確性和計算效率。這項工作為RCP轉子的智能故障診斷提供了全面實用的解決方案，具有重要的工程應用價值。
引言
作為主泵的核心部件之一，轉子在高溫高壓的惡劣環境中高速旋轉很長時間，可能會出現不同類型和程度的故障（Wang等人（2020a），（Xue等人（2013））。單一的轉子故障診斷模型通常存在局限性，在不同工作條件下難以準確快速地識別各種故障類型（Wang等人，2021），（Shao等人，2021）。針對主泵轉子在恒速和變速運行條件下的復雜特性，本文研究了轉子恒速和變速智能故障診斷的雙模型協同應用，并構建了一個全面高效的診斷系統，有效提高了轉子故障診斷的準確性和效率。
時頻分析方法在恒速條件下的轉子故障診斷中具有很好的適用性。希爾伯特-黃變換（HHT）（LIU等人，2015）是最廣泛使用的時頻分析方法之一，其核心是經驗模態分解（EMD）。然而，EMD方法在分解轉子振動信號的過程中會產生虛假成分和模態混疊，嚴重影響其性能。盡管對EMD進行了改進，如集合經驗模態分解（EEMD）（Gong等人，2017），（Jiang等人，2013）和互補集合經驗模態分解（CEEMD）（Zhang等人，2024），（Faysal等人，2021），但由于引入了白噪聲和多次迭代，信號重建誤差和計算復雜性增加了。為了解決上述問題，變分模態分解（VMD）被廣泛用于旋轉設備的故障診斷。Hang等人（Hang等人，2024）提出了一種基于VMD的特征提取方法，有效提取了微電機轉子的不平衡故障特征。Zhu等人（Zhu等人，2020）將VMD應用于不同摩擦程度的轉子故障數據分析實驗中，該方法能夠獲得摩擦故障信號的頻率成分并準確反映故障信息。Li等人（Li等人，2020a）提出了一種基于VMD-FRFT的滾動軸承故障診斷方法，該方法對噪聲具有魯棒性，適用于信噪比較高的信號。Li等人（Li等人，2020b）提出了一種基于優化VMD方法的滾動軸承診斷新方法，并通過仿真信號分析和實際案例分析證明了該方法的可行性。然而，VMD模態的數量需要預先設置且存在不確定性，其選擇對信號分解性能起著決定性作用。此外，基于信號分解的故障診斷方法要求技術人員深入理解不同故障特性的表現，這增加了診斷的難度。因此，在本文中，結合了皮爾遜相關系數、奇異值分解和支持向量機（SVM）的改進VMD算法，構建了恒速轉子故障模型（VMD-XY）。在提高VMD方法性能的同時，診斷結果直接輸出，降低了技術人員分類故障的難度。
在變速條件下，轉子振動信號的幅度和特征頻率不斷變化，增加了故障診斷的難度。相關研究表明，卷積神經網絡（CNN）具有強大的學習能力、靈活的模型結構和良好的移動性，在變速旋轉設備的故障診斷中取得了顯著成果。Wei等人（Wei等人，2017）提出了一個寬卷積核深度卷積神經網絡模型，用于在原振動信號下實現變速條件下的滾動軸承故障診斷。Qiu等人（Qiu等人，2024）基于WSO-VMDA和ResNet-SWIN構建了軸承變速條件下的故障診斷模型，并通過實驗驗證了模型的有效性。Wang等人（Wang等人，2020b）使用逐步優化的級聯CNN構建了變速條件下的電機故障診斷模型。Zhao等人（Zhao等人，2022）結合了新的類內和類間約束（IIC）與自適應激活函數，用于變速條件下的齒輪箱故障診斷。Yuan等人（Yuan等人，2024）提出了一個速度自適應圖卷積網絡（SAGCN），用于實現變速條件下的輪對軸承故障診斷。然而，現有的變速旋轉設備故障診斷模型大多關注軸承，典型CNN的性能可能會隨著網絡層數的增加而下降。因此，本文提出了一種結合STFT變換和ResNet的變速轉子故障診斷模型（ResNet-XY）。該模型可以充分利用多傳感器信息。將轉子振動信號作為樣本輸入后，自動完成特征提取、模型訓練和診斷結果輸出。
開發實用的RCP智能診斷系統需要解決轉子-軸承系統中的典型故障模式。這些故障大致分為三類：（1）轉子本體故障（例如，不平衡、不對中、裂紋、摩擦-沖擊）（Huang等人，2024），（Wang等人，2023a）；（2）軸承故障（例如，磨損、疲勞剝落、潤滑問題、推力軸承的保持架損壞）（Wu等人，2025），（Mo等人，2020），（Bai等人，2024）；（3）其他子系統故障（例如，密封摩擦和流體誘導的不穩定性）（Nikas等人，2017）。本研究策略性地將轉子本體故障作為提出框架的主要驗證目標，基于兩個考慮因素。首先，這些故障會產生明顯且易于理解的振動特征，為驗證診斷模型的核心特征學習能力提供了清晰的基準。其次，轉子故障往往是軸承和其他組件后續退化的根本原因或前兆。因此，建立對這些基本故障的魯棒診斷能力是至關重要的第一步。本文開發的條件感知、數據驅動的框架旨在學習此類通用故障模式。其在轉子故障上的成功驗證為將來擴展到其他常見故障類型（包括特定于軸承的故障）奠定了可轉移的基礎。
盡管核主泵通常以恒定速度運行，但在實際啟停、功率調節和瞬態條件下會經歷速度變化。此外，故障的早期特征在恒速時可能不明顯，但在變速過程中會被激發和放大，這更有可能出現，并有利于早期預警。因此，本文旨在通過分別在恒速和變速條件下構建高性能診斷模型，并實現它們的協同應用，以提高故障診斷系統的完整性和魯棒性。
實驗結果表明，恒速診斷模型具有快速的速度、高準確率和低樣本需求。變速模型具有高準確率和強泛化能力。兩者都有獨特的優勢和顯著的特點。通過兩種故障診斷模型的協同應用，可以整合不同模型的優勢，彌補各自的缺點，提高故障診斷的準確性、可靠性和速度。這可以促進核主泵故障診斷技術的進步和創新，為核主泵轉子的持續、穩定和安全運行建立堅實可靠的保障線。
本文的亮點如下：
1)在實驗中模擬主泵轉子故障并收集振動信號。
2)結合改進的VMD、SVD和SVM構建恒速主泵轉子的故障診斷模型。
3)基于傳感器信息融合技術，結合STFT和ResNet構建變速轉子診斷模型。
4)同時應用恒速和變速診斷模型，提高診斷的整體效率。
方法部分
2 方法
所提出算法的開發過程如圖1所示，概述了主泵轉子故障診斷系統。分別構建了恒速和變速的轉子故障診斷模型，然后將這兩個模型有效結合，形成一套具有高精度和高速度的轉子故障診斷系統。分別在恒速和變速條件下收集轉子振動信號，并進行z-score分析3.1 轉子故障模擬和數據介紹
通過實驗模擬收集的轉子振動信號用于測試故障診斷系統。轉子故障模擬平臺如圖9所示。選擇鼠籠式三相異步電機作為驅動源，滑動軸承作為支撐組件，故障模式設置為轉子的典型故障。需要指出的是，這個實驗平臺是實際核主泵轉子系統的簡化模型。其主要目的是結論
本文開發了一種核主泵轉子的智能故障診斷系統，可以有效解決單一模型在復雜交叉運行條件下的性能下降問題。通過提出一種狀態感知的雙模型協同框架，實現了診斷準確性和計算效率的協同優化。主要研究成果如下：
(1)通過皮爾遜相關系數優化的VMD方法優于
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文報告的工作。
致謝
本研究工作得到了國家自然科學基金（U21B2083）的資助
