摘要
阀门是工业中常见控制工质输运的机械设备，核电站结构复杂，设备众多，在核电站中存在大量不同种类的阀门，它们具有控制流体输运，保护系统安全等功能。由于阀门所处的工作环境恶劣、开关频繁很容易引发阀门性能退化，从而无法较好的完成相应的任务。据统计，在核电站中，阀门维修所需的费用占总体费用的一半左右，其中闸阀等切断型阀门故障占阀门总故障的一半左右。阀门的性能优劣在一定程度上会影响核电站运行的安全性。 本文以电动闸阀为研究对象，通过搭建实验台架模拟电动闸阀一些常见的故障，在此基础上利用实验台架采集电动闸阀正常状态以及故障状态信号，并对采集信号进行去噪、特征提取，进而完成状态监测、故障诊断等技术的研究。本文的主要工作内容如下: 本文通过搭建实验台模拟电动闸阀三相不平衡、填料阀盖松动以及内漏等故障，利用加速度传感器以及声发射传感器采集电动阀门正常与故障状态下的振动与声发射信号。利用小波包方法对采集的振动信号进行去噪以及特征提取，使用SWAE4声发射系统完成对声发射信号的特征提取。 本文对阀门的故障检测可以分为三个部分，首先采用自动编码器(AutoEncoder，AE)对电动闸阀进行状态监测。使用正常状态电动闸阀实验数据训练自动编码器，并利用自动编码器中间层输出作为最终状态监测指标。然后针对工业中不同种类样本存在不平衡现象，本文采用生成式对抗神经网络(GenerativeAdversarialNetworks，GAN)进行样本数据生成，增加少数类样本数量，来解决样本不平衡问题。最后采用极致梯度提升(ExtremeGradientBoosting，XGBoost)方法的分类模型对电动闸阀进行故障诊断;采用XGBoost回归模型对电动闸阀内漏故障进行故障程度评估。 实验结果表明所研究方法能够准确识别电动闸阀的状态，且能够对电动闸阀的样本不平衡故障诊断以及故障程度评估做出较好的预测结果，本文的研究内容为电动闸阀的状态监测、故障诊断等技术的进一步研究奠定了基础。
NETL