《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
编辑推荐：
提出双模型协作智能故障诊断框架，针对反应堆冷却泵转子恒速（VMD-SVM）与变速（ResNet-STFT）工况设计专用模型，通过实时转速监测模块动态切换，实验表明恒速下准确率达99.41%、响应<14ms，变速下准确率97.46%，显著提升复杂工况诊断效率。
冉文豪|肖霞|黄雪英|尹文哲|姜佩琪
哈尔滨工程大学核安全与仿真技术基础科学实验室，哈尔滨150001，中国
摘要
对于核电站的安全而言，反应堆冷却泵（RCP）转子的智能故障诊断至关重要，然而在稳态和瞬态运行条件下实现可靠且高效的诊断仍然具有挑战性。为了解决这一问题，本文提出了一种新颖的双模型协同智能诊断框架。其核心创新在于两种专用诊断模型的条件感知动态协作：（1）在恒速条件下，开发了一种高效模型（VMD-XY），该模型结合了通过皮尔逊相关系数优化的变分模态分解（VMD）与奇异值分解（SVD）和支持向量机（SVM），实现了快速准确的特征提取和分类。（2）在变速条件下，提出了一种鲁棒模型（ResNet-XY），该模型通过多传感器数据的短时傅里叶变换（STFT）构建融合的时频表示，并采用残差神经网络（ResNet）进行深度特征学习。（3）设计了一个实时转速监测模块，根据计算出的转速变化率自动在两种模型之间切换。实验结果表明，在恒速条件下，VMD-XY模型的诊断准确率为99.41%，响应时间小于14毫秒；在变速条件下，ResNet-XY模型的准确率为97.46%，显示出较强的泛化能力。两种模型的协同应用在保证诊断性能的同时，平衡了准确性和计算效率。这项工作为RCP转子的智能故障诊断提供了全面实用的解决方案，具有重要的工程应用价值。
引言
作为主泵的核心部件之一，转子在高温高压的恶劣环境中高速旋转很长时间，可能会出现不同类型和程度的故障（Wang等人（2020a），（Xue等人（2013））。单一的转子故障诊断模型通常存在局限性，在不同工作条件下难以准确快速地识别各种故障类型（Wang等人，2021），（Shao等人，2021）。针对主泵转子在恒速和变速运行条件下的复杂特性，本文研究了转子恒速和变速智能故障诊断的双模型协同应用，并构建了一个全面高效的诊断系统，有效提高了转子故障诊断的准确性和效率。
时频分析方法在恒速条件下的转子故障诊断中具有很好的适用性。希尔伯特-黄变换（HHT）（LIU等人，2015）是最广泛使用的时频分析方法之一，其核心是经验模态分解（EMD）。然而，EMD方法在分解转子振动信号的过程中会产生虚假成分和模态混叠，严重影响其性能。尽管对EMD进行了改进，如集合经验模态分解（EEMD）（Gong等人，2017），（Jiang等人，2013）和互补集合经验模态分解（CEEMD）（Zhang等人，2024），（Faysal等人，2021），但由于引入了白噪声和多次迭代，信号重建误差和计算复杂性增加了。为了解决上述问题，变分模态分解（VMD）被广泛用于旋转设备的故障诊断。Hang等人（Hang等人，2024）提出了一种基于VMD的特征提取方法，有效提取了微电机转子的不平衡故障特征。Zhu等人（Zhu等人，2020）将VMD应用于不同摩擦程度的转子故障数据分析实验中，该方法能够获得摩擦故障信号的频率成分并准确反映故障信息。Li等人（Li等人，2020a）提出了一种基于VMD-FRFT的滚动轴承故障诊断方法，该方法对噪声具有鲁棒性，适用于信噪比较高的信号。Li等人（Li等人，2020b）提出了一种基于优化VMD方法的滚动轴承诊断新方法，并通过仿真信号分析和实际案例分析证明了该方法的可行性。然而，VMD模态的数量需要预先设置且存在不确定性，其选择对信号分解性能起着决定性作用。此外，基于信号分解的故障诊断方法要求技术人员深入理解不同故障特性的表现，这增加了诊断的难度。因此，在本文中，结合了皮尔逊相关系数、奇异值分解和支持向量机（SVM）的改进VMD算法，构建了恒速转子故障模型（VMD-XY）。在提高VMD方法性能的同时，诊断结果直接输出，降低了技术人员分类故障的难度。
在变速条件下，转子振动信号的幅度和特征频率不断变化，增加了故障诊断的难度。相关研究表明，卷积神经网络（CNN）具有强大的学习能力、灵活的模型结构和良好的移动性，在变速旋转设备的故障诊断中取得了显著成果。Wei等人（Wei等人，2017）提出了一个宽卷积核深度卷积神经网络模型，用于在原振动信号下实现变速条件下的滚动轴承故障诊断。Qiu等人（Qiu等人，2024）基于WSO-VMDA和ResNet-SWIN构建了轴承变速条件下的故障诊断模型，并通过实验验证了模型的有效性。Wang等人（Wang等人，2020b）使用逐步优化的级联CNN构建了变速条件下的电机故障诊断模型。Zhao等人（Zhao等人，2022）结合了新的类内和类间约束（IIC）与自适应激活函数，用于变速条件下的齿轮箱故障诊断。Yuan等人（Yuan等人，2024）提出了一个速度自适应图卷积网络（SAGCN），用于实现变速条件下的轮对轴承故障诊断。然而，现有的变速旋转设备故障诊断模型大多关注轴承，典型CNN的性能可能会随着网络层数的增加而下降。因此，本文提出了一种结合STFT变换和ResNet的变速转子故障诊断模型（ResNet-XY）。该模型可以充分利用多传感器信息。将转子振动信号作为样本输入后，自动完成特征提取、模型训练和诊断结果输出。
开发实用的RCP智能诊断系统需要解决转子-轴承系统中的典型故障模式。这些故障大致分为三类：（1）转子本体故障（例如，不平衡、不对中、裂纹、摩擦-冲击）（Huang等人，2024），（Wang等人，2023a）；（2）轴承故障（例如，磨损、疲劳剥落、润滑问题、推力轴承的保持架损坏）（Wu等人，2025），（Mo等人，2020），（Bai等人，2024）；（3）其他子系统故障（例如，密封摩擦和流体诱导的不稳定性）（Nikas等人，2017）。本研究策略性地将转子本体故障作为提出框架的主要验证目标，基于两个考虑因素。首先，这些故障会产生明显且易于理解的振动特征，为验证诊断模型的核心特征学习能力提供了清晰的基准。其次，转子故障往往是轴承和其他组件后续退化的根本原因或前兆。因此，建立对这些基本故障的鲁棒诊断能力是至关重要的第一步。本文开发的条件感知、数据驱动的框架旨在学习此类通用故障模式。其在转子故障上的成功验证为将来扩展到其他常见故障类型（包括特定于轴承的故障）奠定了可转移的基础。
尽管核主泵通常以恒定速度运行，但在实际启停、功率调节和瞬态条件下会经历速度变化。此外，故障的早期特征在恒速时可能不明显，但在变速过程中会被激发和放大，这更有可能出现，并有利于早期预警。因此，本文旨在通过分别在恒速和变速条件下构建高性能诊断模型，并实现它们的协同应用，以提高故障诊断系统的完整性和鲁棒性。
实验结果表明，恒速诊断模型具有快速的速度、高准确率和低样本需求。变速模型具有高准确率和强泛化能力。两者都有独特的优势和显著的特点。通过两种故障诊断模型的协同应用，可以整合不同模型的优势，弥补各自的缺点，提高故障诊断的准确性、可靠性和速度。这可以促进核主泵故障诊断技术的进步和创新，为核主泵转子的持续、稳定和安全运行建立坚实可靠的保障线。
本文的亮点如下：
1)在实验中模拟主泵转子故障并收集振动信号。
2)结合改进的VMD、SVD和SVM构建恒速主泵转子的故障诊断模型。
3)基于传感器信息融合技术，结合STFT和ResNet构建变速转子诊断模型。
4)同时应用恒速和变速诊断模型，提高诊断的整体效率。
方法部分
2 方法
所提出算法的开发过程如图1所示，概述了主泵转子故障诊断系统。分别构建了恒速和变速的转子故障诊断模型，然后将这两个模型有效结合，形成一套具有高精度和高速度的转子故障诊断系统。分别在恒速和变速条件下收集转子振动信号，并进行z-score分析3.1 转子故障模拟和数据介绍
通过实验模拟收集的转子振动信号用于测试故障诊断系统。转子故障模拟平台如图9所示。选择鼠笼式三相异步电机作为驱动源，滑动轴承作为支撑组件，故障模式设置为转子的典型故障。需要指出的是，这个实验平台是实际核主泵转子系统的简化模型。其主要目的是结论
本文开发了一种核主泵转子的智能故障诊断系统，可以有效解决单一模型在复杂交叉运行条件下的性能下降问题。通过提出一种状态感知的双模型协同框架，实现了诊断准确性和计算效率的协同优化。主要研究成果如下：
(1)通过皮尔逊相关系数优化的VMD方法优于
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究工作得到了国家自然科学基金（U21B2083）的资助
