CN112632845A - 基于数据的小型反应堆在线故障诊断方法、介质及设备 - Google Patents

Abstract

本发明公开了一种基于数据的小型反应堆在线故障诊断方法、介质及设备，通过对反应堆典型故障的模拟建立故障诊断的离线数据样本集，将样本集分为训练集数据和测试集数据；再经时序数据采集窗口进行采集，利用主元分析方法提取不同级别窗口对应样本数据的特征值；然后将故障特征值作为支持向量机方法建立的故障诊断模型的输入参数，训练生成针对故障类型，位置和程度的诊断模型；分别记录故障类型、故障位置和故障程度诊断模型连续三级数据窗口诊断精度大于90％的时间t1，t2和t3；根据SVM方法建立的三层故障诊断模型以及确定的时间t1，t2和t3实现在线故障诊断。本发明实现了对反应堆典型故障的在线高精度，快速以及深层次的诊断效果。

Description

基于数据的小型反应堆在线故障诊断方法、介质及设备

技术领域

本发明属于反应堆故障诊断技术领域，具体涉及一种基于数据的小型反应堆在线故障诊断方法、介质及设备。

背景技术

核反应堆技术的发展为人类获取清洁高效的能源提供了可靠的解决方案。然而，故障的发生严重影响了反应堆的安全运行，轻则引起反应堆停堆，造成重大的经济损失，重则出现重大事故威胁到人员身体健康以及环境安全。反应堆中***设备众多，运行参数复杂多样，同时反应堆***又具有强耦合，非线性的特点。因此，反应堆的故障诊断难度高，准确性和诊断速度难以保障。

反应堆中现有的故障诊断技术是基于信号的方法，发生故障以后运行参数的变化会超出设定信号的阈值，从而触发报警，同时结合相关的专家知识和经验来判断故障类型。该方法方式单一，容易出现误报和漏报的情况，诊断精确性低，同时信号触发后专家经验知识的诊断过程需要较长时间，不利于故障的早发现早处理。另外，随着信息技术的快速发展，反应堆的故障诊断方法的研究出现了基于知识，基于模型的方法。基于知识的方法需要大量的专家知识经验，目前还无法有效克服知识获取的瓶颈问题。基于模型方法对建模过程的精确性要求很高，由于反应堆的复杂特性，精确数学模型难以获取。

现有的反应堆中采用的基于信号和专家知识经验的故障诊断方法方式单一，简单易于实现，但是由于反应堆具有强耦合和时延等特性，故障发生后，信号的阈值被触发报警需要较长的时间。并且，如果参数阈值设置过小，反应堆在运行过程中的正常扰动的情况下又会出现频繁误报的情况。另外专家知识经验获取困难，在面对复杂故障机理时，知识无法有效表达。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于数据的小型反应堆在线故障诊断方法、介质及设备，利用PCA数据处理技术和SVM方法的数据分类功能建立在线的多层故障诊断模型，依次诊断出故障类型，位置和故障程度，大大提高了对故障信息诊断深度，精度和诊断速度。

本发明采用以下技术方案：

基于数据的小型反应堆在线故障诊断方法，包括以下步骤：

S1、建立反应堆仿真机，模拟反应堆中的失流事故，冷却剂丧失事故(LOCA)以及蒸汽发生器传热管破口事故(SGTR)，选取反应堆功率，冷却剂平均温度，稳压器压力和水位，蒸汽发生器水位，蒸汽发生器出口蒸汽温度，蒸汽发生器出口蒸汽压力作为关键参数建立故障诊断的离线数据样本集，将样本集分为训练集数据和测试集数据；

S2、将步骤S1生成的训练集数据以及测试集数据经时序数据采集窗口进行采集，利用主元分析方法提取不同级别窗口对应样本数据的特征值；然后将故障特征值作为支持向量机方法建立的故障诊断模型的输入参数进行训练，生成针对故障类型，故障位置和故障程度诊断的模型；

S3、利用步骤S1的训练集数据对步骤S2建立的故障诊断模型进行训练，获得第一层故障类型诊断模型，第二层故障位置诊断模型和第三层故障程度诊断模型，通过测试过程分别获得第一层模型对于故障类型连续三级窗口诊断精度大于90％所对应的时间t1，第二层模型对于故障位置连续三级窗口诊断精度大于90％所对应的时间t2，第三层模型对于故障程度连续三级窗口诊断精度大于90％所对应的时间t3；

S4、根据步骤S3获得的第一层故障类型诊断模型，第二层故障位置诊断模型和第三层故障程度诊断模型以及确定的时间t1，t2和t3进行在线故障诊断，输出故障详细信息。

具体的，步骤S2中，将训练集数据按照时间间隔ΔT累加形成不同级别的窗口数据，训练过程将不同级别的窗口数据分别传输给故障诊断模型进行训练，生成针对类型，位置和程度诊断的三层模型；测试集数据或在线实时运行数据经过时序数据窗口，进入故障诊断模型用于检测故障的类型，位置和故障程度。

具体的，步骤S3具体为：

对于故障类型诊断，测试集数据连续三级时序窗口的测试精度处于90％～100％的置信区间内，记录时间t1；

对于故障位置的诊断，测试集数据对于故障位置的诊断精度连续三级时序窗口处于90％～100％的置信区间内，记录时间t2；

对于故障程度的诊断，测试集数据对于故障程度的诊断精度连续三级时序窗口处于90％～100％的置信区间内，记录时间t3。

具体的，步骤S4具体为：

S401、利用主元分析方法提取在线样本数据特征值作为支持向量机分类器的输入参数，在线样本数据特征值是指反应堆功率，冷却剂平均温度，稳压器压力和水位，蒸汽发生器水位，蒸汽发生器出口蒸汽温度，蒸汽发生器出口蒸汽压力参数组成的矩阵的协方差矩阵的特征值；

S402、经过第一层SVM分类器，诊断故障类型，判断是否经过t1时间并且连续三级窗口诊断结果不变，如果是，则进入下一层继续诊断故障发生位置，如果否，则进入下一级窗口继续对故障类型进行诊断；

S403、经过第二层SVM分类器，诊断故障位置，判断是否经过了时间t2并且连续三级窗口诊断结果不变，如果是，则进入下一层继续诊断故障程度，如果否，则进入下一级窗口继续对故障位置诊断；

S404、经过第三层SVM分类器，诊断故障程度，判断是否经过了时间t3并且连续三级窗口诊断结果不变，如果否，则进入下一级窗口继续对故障程度诊断，如果是，则输出全部的故障信息，故障诊断结束。

进一步的，步骤S401中，利用主元分析方法求取并筛选出在线数据累计方差贡献率超过95％的主元对应的特征值，将特征值作为输入参数，并制作不同分类数据的标签作为模型输出参数。

本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

本发明的另一个技术方案是，一种计算设备，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于数据的小型反应堆在线故障诊断方法，利用特征值分解原理计算样本数据的特征值和特征向量，有效提取故障特征；计算所选择变量的累计方差贡献率，选取累计方差贡献率超过95％的主元所对应的特征值作为SVM分类器的输入参数；利用支持向量机方法建立故障的类型层，位置层和程度层三层故障诊断模型；通过建立时序数据采集窗口，按照窗口级别由小到大逐次对运行数据进行诊断，满足判别准则就进行下一层模型进行诊断，不满足则移动到下一级窗口继续进行诊断，从而实现在线深层次故障诊断，通过在不同的诊断层分别制定相应的判别准则，确保在诊断故障类型，位置和程度的过程中诊断精度达到要求，诊断过程速度快；支持向量机方法通过非线性映射对于处理非线性数据相比其它方法有很大优势，同时可适用于小样本的学习，对于故障样本数量较少的情况诊断精度较高；多层诊断模型使得诊断过程更加全面，获取的故障信息更加详细，不但可以诊断出故障类型，还能够诊断故障位置和程度，而对于故障位置和程度的判断是单纯依靠知识经验以及信号的方法在故障发生初期无法达到的。

进一步的，建立时序数据采集窗口，可以将样本数据按照时间顺序进行切割，在故障发生初期，数据样本数量较少，诊断精度较低。随着时间推移，窗口级别越来越高，数据量越来越多，故障诊断的精度不断提高。从而可以及时准确的诊断出故障信息。主元分析方法是实现数据降维的有效方法，从反应堆采集的样本参数的高维复杂的数据无法直接用于故障诊断。通过主元分析方法计算出样本数据的特征值实现高维数据的降维，同时保留了故障的有效特征。利用支持向量机方法建立的分类器，采用非线性映射的方法在小样本的情况下仍然可以达到较高的分类精度。

进一步的，对于离线的样本数据主要用来对建立的多层故障诊断模型进行训练和测试。三层故障诊断模型分别为故障类型诊断层，故障位置诊断层和故障程度诊断层。通过离线的测试数据可以发现随着数据采集窗口的推移，样本数据的不断累加，对于故障类型的诊断精度不断提高。在时序故障诊断的过程中会出现诊断精度的波动，在故障发生初期某些时刻也会存在诊断精度高于90％的情况，是由于数据量较少，此时诊断的误差较大造成的。因此，设置连续三级窗口诊断精度都在90％以上可以确保故障诊断的有效性。并分别记录在故障类型，位置和程度诊断过程中连续三级窗口诊断精度都在90％以上所对应的时间t1,t2和t3，为进行在线故障诊断提供参数依据。

进一步的，在离线诊断过程中记录诊断时间t1是为了在线故障诊断过程中，当时间小于t1时，故障类型诊断层模型不投入工作，优化了***的工作量；当诊断时间大于t1时，开始统计连续三级窗口诊断结果是否相同。该设置最主要的目的是保障了在线故障诊断过程的精确性，同时还可以保障较高的诊断速度，在故障发生初期就可以获得精确的故障信息。对于其它两层故障诊断模型中t2和t3的设置是同理的。

进一步的，利用主元分析方法对样本数据降维并选取累计方差贡献率高于95％的主元所对应的特征值，首先实现了将高维非线性的复杂样本数据的降维处理，其次通过累计方差贡献率的筛选又进一步确定了最能够表征故障特性的特征值。从而实现了利用少量数据有效表征故障特征的目的。将筛选出的特征值作为SVM故障诊断模型的输入参数，从而使故障诊断过程效率和精度更高。

综上所述，本发明建立的多层故障诊断方案，结合主元分析(PCA)方法和支持向量机(SVM)方法实现了对于反应堆典型故障在线高精度，深层次以及快速的诊断效果。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为反应堆冷却***结构图；

图2为反应堆典型故障模拟示意图；

图3为故障诊断原理图；

图4为时序数据采集窗口示意图；

图5为故障诊断模型离线训练和测试示意图；

图6为在线故障诊断模型流程图；

图7为LCOA，SGTR和失流事故离线诊断结果；

图8为三种事故工况在线诊断结果；

图9为LOCA和SGTR事故的不同位置诊断结果；

图10为LOCA事故的三个不同位置在线诊断结果；

图11为SGTR事故的三个不同位置在线诊断结果；

图12为LOCA事故不同位置处的破口程度诊断结果；

图13为SGTR事故三种不同位置处破口程度诊断结果；

图14为LCOA事故三种不同位置处破口程度在线诊断结果；

图15为SGTR事故下不同位置不同破口程度在线诊断结果；

图16为PCA方法故障诊断结果。

其中，1.堆芯；2.上腔室；3.下腔室；4.蒸汽发生器；5.冷却剂泵；6.稳压器。

具体实施方式

本发明提供了一种基于数据的小型反应堆在线故障诊断方法、介质及设备，将PCA方法和SVM理论结合，并且利用反应堆运行过程中的大量有效数据。摆脱对专家知识经验的依赖，研究反应堆中关键参数的变化，通过PCA方法求取参数矩阵的特征值作为SVM分类器的输入，对故障进行分类。通过设定时序数据的采集窗口可以按照时序段截取数据进行分时诊断，逐步增加故障信息的可信度，加快了故障诊断速度。

本发明一种基于数据的小型反应堆在线故障诊断方法，包括以下步骤：

S1、建立反应堆仿真机，利用模拟的故障数据建立故障诊断的离线数据样本集，将样本集数据分为训练集数据以及测试集数据；

请参阅图1和图2，反应堆结构包括：堆芯1，稳压器6，蒸汽发生器4，冷却剂泵5以及管道；堆芯1设置在上腔室2和下腔室3之间，蒸汽发生器4设置在上腔室2内，冷却剂泵5分别与上腔室2和下腔室3连接，稳压器6与上腔室2连接。利用仿真机分别模拟蒸汽发生器传热管破口事故(SGTR)，冷却剂丧失事故(LOCA)和冷却剂失流事故。

S2、利用生成的离线数据样本集实现基于PCA和SVM理论的反应堆故障诊断方法；

请参阅图3，训练集数据先经过时序数据采集窗口按照时序数据块的形式训练并建立分别针对故障类型，位置和程度的三层故障诊断模型；测试集数据或在线实时运行数据经过时序数据窗口，进入故障诊断模型检测故障的类型，位置和故障程度。

故障诊断模型中包含利用PCA方法的故障特征提取功能和基于SVM方法的分类功能，将PCA方法提取的故障特征值作为SVM模型的输入参数。

请参阅图4，时序数据采集窗口的原理是通过按照时间间隔ΔT累加形成不同级别的窗口数据，这些数据将依次进入故障诊断模型进行训练和测试。

S3、利用离线数据测试并确定故障类型诊断、故障位置诊断和故障程度诊断的时间t1，t2和t3保障在线故障诊断过程中对于故障类型，位置和程度的诊断精度在90％以上，增加诊断结果的可信度；

请参阅图5，具体过程如下：

对于第一层诊断(故障类型诊断)，离线测试集数据连续三级时序窗口的测试精度处于90％～100％的置信区间内，此时故障类型的诊断精度达到要求，记录此时的时间为t1；

对于第二层诊断(故障位置的诊断)，离线测试集数据对于故障位置的诊断精度连续三级时序窗口处于90％～100％的置信区间内，此时故障位置的诊断精度达到要求，记录此时的时间为t2；

对于第三层诊断(故障程度的诊断)，离线测试集数据对于故障程度的诊断精度连续三级时序窗口处于90％～100％的置信区间内，此时故障程度的诊断精度达到要求，记录此时的时间为t3。

S4、在线运行实时数据故障诊断。

请参阅图6，具体步骤如下：

S401、利用PCA方法提取数据的特征值作为SVM分类器的输入参数；

S402、对第一层诊断(故障类型诊断)，判断是否经过t1时间并且连续3级窗口诊断结果不变(判别准则一)，如果是，则进入下一层继续诊断故障发生位置，如果否，则进入下一级窗口继续对故障类型诊断；

S403、对于第二层诊断(故障位置诊断)，判断是否经过了时间t2并且连续3级窗口诊断结果不变(判别准则二)，如果是，则进入下一层继续诊断故障程度，如果否，则进入下一级窗口继续对故障位置诊断；

S404、对于第三层诊断(故障程度诊断)，判断是否经过了时间t3并且连续3级窗口诊断结果不变(判别准则三)，如果是，则输出全部的故障信息，故障诊断结束，如果否，则进入下一级窗口继续对故障程度诊断。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图7和图8，分别对LOCA，SGTR和失流事故进行离线故障测试的结果如图7所示。ΔT选取10s。在1515s时引入各故障，从图7中可以看出，故障诊断***随着时间的变化以及样本数据的累积，诊断精度不断提高，在1635s时对于三种类型的故障的诊断精度超过了90％，并且连续三级窗口(每增加10s代表一级窗口)的诊断精度都在90％～100％范围，因此t1等于1635s。图8为随机选取了三种工况单独进行在线测试，可以看出和图7中的诊断结果是符合的，在1635s之后连续三级窗口的诊断结果不变，并且对于不同的故障类型都可以准确诊断。

请参阅图9，为LOCA和SGTR事故的发生位置的离线数据测试结果。在1695～1725s时间范围内，连续三级窗口的诊断结果在90％-100％的精度范围内，因此令t2等于1695s。

请参阅图10和图11，分别随机选取的LOCA和SGTR的三种不同位置的在线工况的诊断结果；图10中在1695～1725s的时间范围内，对LOCA事故的不同位置的诊断精度连续三级时序窗口诊断精度都是100％。图11中在1695～1725s的时间范围内，对SGTR事故的不同位置的诊断精度连续三级时序窗口诊断精度也都是100％。

请参阅图12和图13，为LOCA和SGTR不同位置处的破口程度的离线数据测试结果。可以看出在第二层模型诊断结束1725s之后，LOCA和SGTR在1725～1755s的时间范围内的诊断精度可以达到100％。

请参阅图14和图15，图中分别随机选取了LOCA和SGTR不同位置，不同破口程度的在线样本数据进行测试，最终结果也验证了离线测试结果。完全可以精确的诊断出故障程度。

以上对于故障类型，位置和程度的在线诊断效果，对于目前核电厂中的故障诊断方法是无法达到的。目前核电厂中的基于信号的故障诊断方法，只能在设定的信号阈值被触发后察觉有异常工况发生，但是什么类型的故障，故障发生的位置以及程度是没办法及时有效获取的。

表1LOCA事故部分信号触发时间

事件	触发时间
		破口引入时间	1515s
稳压器压力低2停堆信号	1642.2s
		稳压器压力低3信号触发“S”信号	1642.5s
安注***投入	1645.6s
		堆芯补水箱投入	1653.4s
PRS***出口隔离阀开启	1658.4s
		蒸汽发生器安全阀打开	1999s

表1中举例出来了稳压器波动管位置，破口尺寸为0.008m²的LOCA事故下的部分信号触发过程，可以看出在1642.2s停堆信号首次被触发，之后其它保护信号触发。该LOCA事故是大破口事故，对于小破口事故的异常被察觉的时间会更晚。通常情况下，LOCA和SGTR事故的发生都是从小破口事故开始，而后发展为大破口，对于微小破口的发生，利用基于信号的故障诊断方法在短时间内判断出异常是十分困难的。

请参阅图15和图16，基于PCA的方法，通过检测运行数据的T²(主成分得分构成的多变量指标)和SPE(预测误差平方和指标)统计量可以较早的发现异常工况，在故障发生后的10s时间内，两个统计量就超出了阈值范围。然而PCA方法不能判断故障类型，位置和程度。

综上所述，本发明一种基于数据的小型反应堆在线故障诊断方法、介质及设备，结合了PCA方法和SVM理论，通过特征提取以及建立时序窗口和三层故障诊断模型可以较早的发现故障，并且准确诊断出故障的详细信息，可以被用作操作员的辅助***来全面提升反应堆的运行安全。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.基于数据的小型反应堆在线故障诊断方法，其特征在于，包括以下步骤：

S1、利用反应堆仿真机模拟故障，然后选取反应堆功率，冷却剂平均温度，稳压器压力和水位，蒸汽发生器水位，蒸汽发生器出口蒸汽温度，蒸汽发生器出口蒸汽压力作为关键参数建立故障诊断的离线数据样本集，将样本集分为训练集数据和测试集数据；

S2、将步骤S1生成的训练集数据以及测试集数据经时序数据采集窗口进行采集，利用主元分析方法提取不同级别窗口对应样本数据的特征值；然后将故障数据特征值作为支持向量机方法建立的故障诊断模型的输入参数进行训练，生成针对故障类型，故障位置和故障程度的三层诊断模型；

S3、利用步骤S1的训练集数据对步骤S2建立的故障诊断模型进行训练，获得第一层故障类型诊断模型，第二层故障位置诊断模型和第三层故障程度诊断模型，利用步骤S1中测试集数据进行测试，分别获得第一层模型对于故障类型的诊断过程连续三级窗口诊断精度大于90％所对应的时间t1，第二层模型对于故障位置的诊断过程连续三级窗口诊断精度大于90％所对应的时间t2，第三层模型对于故障程度的诊断过程连续三级窗口诊断精度大于90％所对应的时间t3；

S4、根据步骤S3获得的第一层故障类型诊断模型，第二层故障位置诊断模型和第三层故障程度诊断模型以及确定的时间t1，t2和t3进行在线故障诊断，输出故障详细信息。

2.根据权利要求1所述的方法，其特征在于，步骤S2中，将训练集数据按照时间间隔ΔT累加形成不同级别的窗口数据，训练过程将不同级别的窗口数据分别传输给故障诊断模型进行训练，生成针对故障类型，位置和程度的三层模型；测试集数据或在线实时运行数据经过时序数据窗口，进入故障诊断模型用于检测故障的类型，位置和故障程度。

3.根据权利要求1所述的方法，其特征在于，步骤S3具体为：

对于故障类型的诊断，测试集数据连续三级时序窗口的测试精度处于90％～100％的置信区间内，记录时间t1；

对于故障位置的诊断，测试集数据连续三级时序窗口处于90％～100％的置信区间内，记录时间t2；

对于故障程度的诊断，测试集数据连续三级时序窗口处于90％～100％的置信区间内，记录时间t3。

4.根据权利要求1所述的方法，其特征在于，步骤S4具体为：

S401、利用主元分析方法提取在线样本数据特征值作为支持向量机分类器的输入参数，在线样本数据特征值是指反应堆功率，冷却剂平均温度，稳压器压力和水位，蒸汽发生器水位，蒸汽发生器出口蒸汽温度，蒸汽发生器出口蒸汽压力参数组成的矩阵的协方差矩阵的特征值；

S402、经过第一层故障诊断模型诊断故障类型，判断是否经过t1时间并且连续三级窗口诊断结果不变，如果是，则进入下一层继续诊断故障发生位置，如果否，则进入下一级窗口继续对故障类型进行诊断；

S403、经过第二层故障诊断模型诊断故障位置，判断是否经过了时间t2并且连续三级窗口诊断结果不变，如果是，则进入下一层继续诊断故障程度，如果否，则进入下一级窗口继续对故障位置诊断；

S404、经过第三层故障诊断模型诊断故障程度，判断是否经过了时间t3并且连续三级窗口诊断结果不变，如果否，则进入下一级窗口继续对故障程度诊断，如果是，则输出全部的故障信息，故障诊断结束。

5.根据权利要求4所述的方法，其特征在于，步骤S401中，利用主元分析方法求取并筛选出样本数据累计方差贡献率超过95％的主元对应的特征值，将特征值作为支持向量机方法建立的诊断模型的输入参数，并制作不同分类数据的标签作为模型输出。

6.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至5所述的方法中的任一方法。

7.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。

Images