一種基于隨機森林的電動閥門泄漏模式識別方法及裝置與流程
1.本發明涉及電動閥門泄漏模式識別技術領域，具體涉及一種基于隨機森林的電動閥門泄漏模式識別方法及裝置。
背景技術：
2.閥門是核電廠不可或缺的控制設備，其主要功能有切斷或者聯通管路介質的流動，改變介質流動方向，調節管路中介質流量和壓力，確保設備和系統的正常運行。其中，電動閥門是核電廠反應堆一回路應用最為廣泛的閥門，電動閥門在長時間的工作過程中，會發生卡澀、泄漏等故障，而泄漏故障是閥門諸多故障中出現頻度最高的一類故障。當閥門發生泄漏故障時，一方面會造成系統能量損失，降低系統運行效率，另一方面，一回路管路中的介質為高溫、高壓的放射性流體，一旦發生泄漏，可能會導致事故的發生，嚴重時會威脅機組運行安全。
3.閥門泄漏可分為內漏和外漏。目前，核電站閥門泄漏檢測通常是在大修時期借助聲發射、紅外等檢測手段來完成的，其中，基于聲學的檢測是目前應用最為成熟的閥門泄漏檢測手段。但基于聲學的檢測手段僅僅能夠識別出閥門是否發生泄漏，而無法判斷閥門發生的是外部泄漏還是內部泄漏，即無法確定是由于閥門內部結構損傷造成的泄漏還是由于外部結構、安裝等因素引起的泄漏，這就導致在給后續的維修工作中，仍然片面地對閥門進行解體檢修，而解體檢修過程又可能引入新的閥門結構類故障，這種缺乏針對性地維修方式，即降低了閥門可靠性，又無形中加重了核電廠的維修成本。
技術實現要素：
4.本發明目的在于提供一種基于隨機森林的電動閥門泄漏模式識別方法及裝置，可解決目前無法通過泄漏聲信號區分電動閥門發生的是內漏還是外漏的問題，以指導后續維修工作。
5.本發明通過下述技術方案實現：
6.第一方面，本發明提供了一種基于隨機森林的電動閥門泄漏模式識別方法，該方法包括：
7.獲取核電廠反應堆一回路電動閥門的泄漏聲發射信號；
8.根據所述泄漏聲發射信號，采用有效值法對電動閥門是否泄漏進行初步判斷，得到初步判斷結果；
9.根據所述初步判斷結果，當所述初步判斷結果為泄漏，則基于隨機森林的電動閥門泄漏模式識別法，對電動閥門進行進一步泄漏類型判斷，得到泄漏類型判斷結果；當所述初步判斷結果為未泄漏，則對電動閥門不進行進一步泄漏類型判斷。
10.進一步地，所述泄漏聲發射信號的獲取方式是通過在核電廠反應堆一回路中靠近電動閥門法蘭結合面、閥桿與填料密封處，以及靠近閥瓣與閥座密封面外側的閥體上，采用涂抹耦合劑并用卡環壓緊聲發射傳感器的方式。
11.進一步地，該方法還包括：對獲取的所述泄漏聲發射信號進行預處理，得到預處理后的泄漏聲發射信號；
12.所述預處理為對所述泄漏聲發射信號進行去直流處理。
13.進一步地，所述的采用有效值法對電動閥門是否泄漏進行初步判斷，得到初步判斷結果，包括：
14.采用有效值法，計算泄漏聲發射信號的有效值；
15.對所述泄漏聲發射信號的有效值與預設值的a倍進行比較：
16.若所述泄漏聲發射信號的有效值超過預設值的a倍，則初步判斷結果為泄漏；
17.若所述泄漏聲發射信號的有效值未超過預設值的a倍，則初步判斷結果為未泄漏。
18.進一步地，所述有效值法的計算公式為：
[0019][0020]
式中，rms為泄漏聲發射信號的有效值；n為采樣點數；n的取值為1,2,3,
…
,n-1；x(n)為輸入的泄漏聲發射信號。
[0021]
進一步地，所述的基于隨機森林的電動閥門泄漏模式識別法，對電動閥門進行進一步泄漏類型判斷，得到泄漏類型判斷結果，包括：
[0022]
對所述泄漏聲發射信號，基于快速傅里葉變換進行頻譜分析，得到泄漏聲發射信號的頻譜分布；根據所述頻譜分布，提取泄漏數據特征向量；
[0023]
根據所述泄漏特征向量，基于隨機森林算法建立內漏和外漏的模式識別模型，對所述泄漏特征向量進行識別，輸出表征電動閥門內漏和外漏的類別標簽。
[0024]
進一步地，根據所述頻譜分布，提取泄漏數據特征向量，包括：
[0025]
步驟a，對所述頻譜分布進行等間隔劃分，得到劃分后的各分段頻率；
[0026]
步驟b，根據劃分后的各分段頻率，計算各分段頻率的能量；所述各分段頻率的能量的計算公式為：
[0027][0028]
其中，j的數值代表電動閥門發生的泄漏類型，即內漏還是外漏；e
j,s
為第s段頻譜的平均能量，s取值為1,2,3,
…
,s，其中s為泄漏聲發射信號采樣頻率fs和頻譜劃分間隔δf的比值；x(k
j,s
)是信號x(n)的頻譜劃分后第s段頻譜，k
j,s
＝1,2,3,
…
,k
j,s
，k
j,s
為第s段頻譜的譜線數；
[0029]
步驟c，根據各分段頻率的能量，計算泄漏聲發射信號各分段頻譜的能量比；所述各分段頻譜的能量比的計算公式為：
[0030][0031]
[0032]
其中，為分段頻譜的能量比，ej為信號頻譜的全頻帶能量；
[0033]
步驟d，將計算得到的泄漏聲發射信號各分段頻譜的能量比作為一組特征，構造泄漏數據特征向量所述泄漏數據特征向用于基于隨機森林算法建立內漏和外漏的模式識別模型建立的輸入。
[0034]
進一步地，所述基于隨機森林算法建立內漏和外漏的模式識別模型的構建過程包括決策樹生成部分和組合投票部分。
[0035]
進一步地，所述基于隨機森林算法建立內漏和外漏的模式識別模型的構建過程，具體為：
[0036]
步驟a，對于包含m個樣本的訓練集，根據泄漏數據特征向量的計算步驟，計算各樣本特征，得到m個樣本的特征構成的初始的特征矩陣；從所述初始的特征矩陣中有放回地隨機選擇樣本數量為k樣本數據構成一個訓練樣本子集，將所述訓練樣本子集作為一顆決策樹的初始訓練集數據；其中，k《m；
[0037]
步驟b，針對具有s個特征屬性的樣本子集，在單棵決策樹的各個節點處，隨機地從s個特征屬性中選擇n個特征屬性，并且以節點不純度g最小為標準從所述特征屬性中選擇部分特征屬性，自上而下遞歸分裂產生二叉樹；
[0038]
步驟c，重復步驟b，直至該決策樹遍歷s個特征屬性，得到一顆決策樹；在整個決策樹的生長過程中n保持恒定；
[0039]
步驟d，根據步驟a至c，生成若干顆決策樹；根據全部決策樹構造隨機森林分類器；并采用所述隨機森林分類器對樣本數據進行分類，得到分類結果。
[0040]
進一步地，所述泄漏類型判斷結果包括電動閥門外漏和電動閥門內漏；
[0041]
所述電動閥門外漏為管路中的介質通過法蘭結合面、閥桿與填料間的縫隙由閥門內部流向閥門外部的泄漏；
[0042]
所述電動閥門內漏為閥體內部閥瓣密封面處由于關閉不嚴或者閥瓣本身存在結構缺陷而產生的泄漏，所述電動閥門內漏時管路內的介質無法被完全截斷。
[0043]
第二方面，本發明又提供了一種基于隨機森林的電動閥門泄漏模式識別裝置，該裝置支持所述的一種基于隨機森林的電動閥門泄漏模式識別方法；該裝置包括：
[0044]
獲取單元，用于獲取核電廠反應堆一回路電動閥門的泄漏聲發射信號；
[0045]
泄漏初步判斷單元，用于根據所述泄漏聲發射信號，采用有效值法對電動閥門是否泄漏進行初步判斷，得到初步判斷結果；
[0046]
泄漏類型進一步判斷單元，用于根據所述初步判斷結果，當所述初步判斷結果為泄漏，則基于隨機森林的電動閥門泄漏模式識別法，對電動閥門進行進一步泄漏類型判斷，得到泄漏類型判斷結果；當所述初步判斷結果為未泄漏，則對電動閥門不進行進一步泄漏類型判斷。
[0047]
本發明與現有技術相比，具有如下的優點和有益效果：
[0048]
本發明一種基于隨機森林的電動閥門泄漏模式識別方法及裝置，針對基于聲學的閥門泄漏檢測中，無法區分閥門泄漏模式為內漏還是外漏的問題，通過對泄漏聲發射信號進行頻譜分析，構造了分段頻譜能量比特征作為閥門泄漏模式識別的特征，并基于隨機森林算法建立了一種可實現內漏和外漏區分的電動閥門泄漏模式識別模型。本發明通過構造
泄漏聲發射信號建模特征并建立基于隨機森林算法的電動閥門泄漏模式識別模型，解決了當前基于聲信號的電動閥門泄漏檢測中對閥門泄漏具體模式無法識別的問題，為后續指導維修提供了可能。
附圖說明
[0049]
此處所說明的附圖用來提供對本發明實施例的進一步理解，構成本技術的一部分，并不構成對本發明實施例的限定。在附圖中：
[0050]
圖1為本發明一種基于隨機森林的電動閥門泄漏模式識別方法流程圖。
[0051]
圖2為本發明實施例2一種基于隨機森林的電動閥門泄漏模式識別方法詳細流程圖。
[0052]
圖3為本發明實施例2泄漏聲發射信號的獲取過程示意圖。
[0053]
圖4為本發明一種基于隨機森林的電動閥門泄漏模式識別裝置結構示意圖。
具體實施方式
[0054]
為使本發明的目的、技術方案和優點更加清楚明白，下面結合實施例和附圖，對本發明作進一步的詳細說明，本發明的示意性實施方式及其說明僅用于解釋本發明，并不作為對本發明的限定。
[0055]
實施例1
[0056]
本發明一種基于隨機森林的電動閥門泄漏模式識別方法，可解決目前無法通過泄漏聲信號區分電動閥門發生的是內漏還是外漏的問題，以指導后續維修工作。
[0057]
如圖1所示，該方法包括：
[0058]
(1)獲取核電廠反應堆一回路電動閥門的泄漏聲發射信號，對獲取的所述泄漏聲發射信號進行預處理，得到預處理后的泄漏聲發射信號；所述預處理為對所述泄漏聲發射信號進行去直流處理。
[0059]
電動閥門在帶壓力工況下，可能會發生泄漏。電動閥門的泄漏模式主要有兩種，一種是電動閥門外漏，即管路中的介質通過法蘭結合面、閥桿與填料間的縫隙由閥門內部流向閥門外部的泄漏；另一種是電動閥門內漏，即閥體內部閥瓣密封面處由于關閉不嚴或者閥瓣本身存在結構缺陷而產生的泄漏，內漏情況下管路內的介質無法被完全截斷。在實際工程中，基于聲學的檢測是目前閥門泄漏檢測中應用最成熟的一種檢測手段，由于閥門發生泄漏時高速流體介質湍流會產生聲信號，故可利用聲發射傳感器來對泄漏信號進行探測。因此，為有效探測閥門泄漏聲信號，在靠近閥門法蘭結合面、閥桿與填料密封處，以及靠近閥瓣與閥座密封面外側的閥體上，采用涂抹耦合劑并用卡環壓緊聲發射傳感器的方式，探測閥門泄漏產生的聲信號。由于閥體外表面不規則，聲發射傳感器的安裝位置可根據現場實際情況做適當調整。
[0060]
(2)根據預處理后的泄漏聲發射信號，采用有效值法對電動閥門是否泄漏進行初步判斷，得到初步判斷結果；包括：
[0061]
采用有效值法，計算泄漏聲發射信號的有效值；所述有效值法的計算公式為：
[0062][0063]
式中，rms為泄漏聲發射信號的有效值；n為采樣點數；n的取值為1,2,3,
…
,n-1；x(n)為輸入的泄漏聲發射信號。
[0064]
對所述泄漏聲發射信號的有效值與預設值的a倍進行比較：
[0065]
若所述泄漏聲發射信號的有效值超過預設值的a倍，則初步判斷結果為泄漏；
[0066]
若所述泄漏聲發射信號的有效值未超過預設值的a倍，則初步判斷結果為未泄漏。
[0067]
以上步驟是考慮到電動閥門有無泄漏情況出現可通過采集到的泄漏聲發射信號的能量大小來判斷，其能量可用泄漏聲發射信號(電壓)的有效值rms值來表征。對于采集到的泄漏聲發射信號，經過直流處理后得到預處理后的泄漏聲發射信號；根據上述有效值計算公式計算泄漏聲發射信號的rms值；當采集到的泄漏聲發射信號rms值，超過閥門相同工況下未發生泄漏時的本底噪聲rms的a倍時，可認為閥門發生泄漏，其中a的確定需要根據閥門具體規格和實際工程環境標定后得到。
[0068]
(3)根據所述初步判斷結果，當所述初步判斷結果為泄漏，則基于隨機森林的電動閥門泄漏模式識別法，對電動閥門進行進一步泄漏類型判斷，得到泄漏類型判斷結果；當所述初步判斷結果為未泄漏，則對電動閥門不進行進一步泄漏類型判斷。
[0069]
具體地，所述的基于隨機森林的電動閥門泄漏模式識別法，對電動閥門進行進一步泄漏類型判斷，得到泄漏類型判斷結果，包括：
[0070]
對所述泄漏聲發射信號，基于快速傅里葉變換進行頻譜分析，得到泄漏聲發射信號的頻譜分布；根據所述頻譜分布，提取泄漏數據特征向量；
[0071]
根據所述泄漏特征向量，基于隨機森林算法建立內漏和外漏的模式識別模型，對所述泄漏特征向量進行識別，輸出表征電動閥門內漏和外漏的類別標簽。
[0072]
作為進一步地實施，對所述泄漏聲發射信號，基于快速傅里葉變換(fft)進行頻譜分析，得到泄漏聲發射信號的頻譜分布x(k)為：
[0073][0074]
其中，x(k)表示頻譜分析后得到的信號頻譜，x(n)為輸入的泄漏聲發射信號，n為采樣點數，k＝0,1,2,
…
,n-1。
[0075]
作為進一步地實施，所述頻譜分布，提取泄漏數據特征向量；當電動閥門發生內漏或外漏時，雖泄漏聲發射信號時域rms值都會出現增大的現象，但對于內漏或外漏兩種泄漏形式時，其頻譜能量分布情況存在差異。因此，對泄漏聲發射信號做如下處理：
[0076]
步驟a，對所述頻譜分布進行等間隔劃分，得到劃分后的各分段頻率；
[0077]
步驟b，根據劃分后的各分段頻率，計算各分段頻率的能量；所述各分段頻率的能量的計算公式為：
[0078]
[0079]
其中，j的數值代表電動閥門發生的泄漏類型，即內漏還是外漏；e
j,s
為第s段頻譜的平均能量，s取值為1,2,3,
…
,s，其中s為泄漏聲發射信號采樣頻率fs和頻譜劃分間隔δf的比值；x(k
j,s
)是信號x(n)的頻譜劃分后第s段頻譜，k
j,s
＝1,2,3,
…
,k
j,s
，k
j,s
為第s段頻譜的譜線數；
[0080]
步驟c，根據各分段頻率的能量，計算泄漏聲發射信號各分段頻譜的能量比；所述各分段頻譜的能量比的計算公式為：
[0081][0082][0083]
其中，為分段頻譜的能量比，ej為信號頻譜的全頻帶能量；
[0084]
步驟d，將計算得到的泄漏聲發射信號各分段頻譜的能量比作為一組特征，構造泄漏數據特征向量所述泄漏數據特征向用于基于隨機森林算法建立內漏和外漏的模式識別模型建立的輸入。
[0085]
作為進一步地實施，即將上述得到的由多個泄漏數據樣本得到的泄漏數據特征向量作為輸入，輸入到基于隨機森林算法建立內漏和外漏的模式識別模型中，將表征內漏和外漏的類別標簽(數值)作為輸出；所述基于隨機森林算法建立內漏和外漏的模式識別模型的構建過程包括決策樹生成部分和組合投票部分。
[0086]
所述基于隨機森林算法建立內漏和外漏的模式識別模型的構建過程，具體為：
[0087]
步驟a，對于包含m個樣本的訓練集，根據泄漏數據特征向量的計算步驟，計算各樣本特征，得到m(k《m)個樣本的特征構成的初始的特征矩陣；其中，初始的特征矩陣可表示如下：
[0088][0089]
從所述初始的特征矩陣中有放回地隨機選擇樣本數量為k樣本數據構成一個訓練樣本子集，將所述訓練樣本子集作為一顆決策樹的初始訓練集數據；
[0090]
步驟b，針對具有s個特征屬性的樣本子集，在單棵決策樹的各個節點處，隨機地從s個特征屬性中選擇n個特征屬性，并且以節點不純度g最小為標準從所述特征屬性中選擇部分特征屬性，自上而下遞歸分裂產生二叉樹；節點不純度g由下式得到：
[0091][0092]
式中，g(i)為節點i的不純度，pw是節點i上樣本屬于w類(假設樣本的特征屬性數量為w)的頻率。
[0093]
步驟c，重復步驟b，直至該決策樹遍歷s個特征屬性，得到一顆決策樹；在整個決策樹的生長過程中n保持恒定；
[0094]
步驟d，根據步驟a至c，生成若干顆決策樹；根據全部決策樹構造隨機森林分類器；并采用所述隨機森林分類器對樣本數據進行分類，得到分類結果。所述的采用所述隨機森林分類器對樣本數據進行分類時，最終的分類結果由各決策樹的分類結果投票確定，投票過程可表示如下：
[0095][0096]
式中，n
t
為構成隨機森林的決策樹個數；i(*)為性函數；n
hi,c
為決策樹hi對預測類樣本c的分類結果；n
hi
是決策樹hi的葉子結點數。
[0097]
本發明針對基于聲學的閥門泄漏檢測中，無法區分閥門泄漏模式為內漏還是外漏的問題，通過對泄漏聲發射信號進行頻譜分析，構造了分段頻譜能量比特征作為閥門泄漏模式識別的特征，并基于隨機森林算法建立了一種可實現內漏和外漏區分的電動閥門泄漏模式識別模型。本方法通過構造泄漏聲發射信號建模特征并建立基于隨機森林算法的電動閥門泄漏模式識別模型，解決了當前基于聲信號的電動閥門泄漏檢測中對閥門泄漏具體模式無法識別的問題，為后續指導維修提供了可能。
[0098]
實施例2
[0099]
如圖2所示，本實施例與實施例1的區別在于，本實施例以某全封閉式電動閥門為例，來說明本發明方法具體實施過程：
[0100]
步驟1，獲取核電廠反應堆一回路電動閥門的泄漏聲發射信號；
[0101]
本實施例中電動閥門的泄漏主要有法蘭密封面外漏和閥體內部閘板與閥座密封面處的內漏，為最近距離的探測閥門泄漏信息，在電動閥門的中法蘭密封面外側和閥體下側外表面上，采用涂抹耦合劑并用卡環壓緊聲發射傳感器的方式探測電動閥門的泄漏信息。
[0102]
泄漏聲發射信號的獲取(即采集與處理過程)如圖3所示。前端傳感器采集的信號首先進過前置放大器進行放大，再經過信號調理設備對信號進行濾波等處理，然后由a/d采集卡對信號進行采集，本實施例中以1mhz采樣頻率對信號進行連續采樣，每次采樣時間為50ms，最后在以labview軟件為開發平臺開發的閥門泄漏信號采集軟件中對信號進行處理。
[0103]
步驟2，根據所述泄漏聲發射信號，采用有效值法對電動閥門是否泄漏進行初步判斷，得到初步判斷結果；包括：
[0104]
采用有效值法，計算泄漏聲發射信號的有效值；
[0105]
對所述泄漏聲發射信號的有效值與預設值的a倍進行比較：
[0106]
若所述泄漏聲發射信號的有效值超過預設值的a倍，則初步判斷結果為泄漏；
[0107]
若所述泄漏聲發射信號的有效值未超過預設值的a倍，則初步判斷結果為未泄漏。
[0108]
步驟3，根據所述初步判斷結果，當所述初步判斷結果為泄漏，則基于隨機森林的電動閥門泄漏模式識別法，對電動閥門進行進一步泄漏類型判斷，得到泄漏類型判斷結果；當所述初步判斷結果為未泄漏，則對電動閥門不進行進一步泄漏類型判斷。
[0109]
步驟3具體包括：
[0110]
可基于信號處理軟件對采集到的泄漏聲發射信號進行快速傅里葉變換(fft)，得到其頻譜x(k)：
[0111][0112]
其中，x(n)為輸入信號，k＝0,1,2,
…
,49999。
[0113]
對上述過程獲得的泄漏聲發射信號的頻譜進行等間隔劃分。其中，泄漏聲發射信號采樣頻率fs為1mhz，以δf(25khz)為頻率間隔對泄漏聲發射信號頻譜進行劃分，共獲得20個分段頻譜。對劃分后得到的各分段頻譜，根據下式計算其能量值：
[0114][0115]
其中，e
0,s
為電動閥門內漏信號第s段頻譜的平均能量，e
1,s
為電動閥門外漏信號第s段頻譜的平均能量，s取值為1,2,3,
…
,20；k
0,s
＝1,2,3,
…
,k
0,s
，k
0,s
為內漏信號第s段頻譜的譜線數，k
1,s
＝1,2,3,
…
,k
1,s
，k
1,s
為外漏信號第s段頻譜的譜線數。
[0116]
得到各分段頻譜的能量值后，再根據下式計算信號各分段頻譜能量比：
[0117][0118]
其中，
[0119][0120]
上式中，為內漏聲發射信號分段頻譜的能量比，e0為內漏聲發射信號全頻帶能量；為內漏聲發射信號分段頻譜的能量比，e1為內漏聲發射信號全頻帶能量。
[0121]
將計算得到的泄漏聲發射信號各分段頻譜能量比作為一組特征，構造用于模型建立的輸入特征向量，其中內漏數據樣本的特征向量可表示為外漏數據樣本的特征向量可表示為
[0122]
基于隨機森林的內漏和外漏診斷模型建立，如下：
[0123]
對于分別包含200個樣本的內漏樣本集和外漏樣本集，首先對樣本進行劃分，按照7：3的比例將兩類數據樣本集劃分為訓練樣本集和測試樣本集。對于包含280個樣本的訓練集，根據前述特征計算步驟，分別計算內漏和外漏各樣本特征，得到280個樣本的特征構成的初始的特征矩陣，其中，內漏樣本訓練集特征矩陣可表示為：
[0124][0125]
外漏樣本訓練集特征矩陣可表示為：
[0126][0127]
將上述特征矩陣作為輸入，表征內漏和外漏的類別標簽(數值)作為輸出，這里表征閥門發生內漏的標簽數值為0，表征閥門發生外漏的標簽數值為1，基于隨機森林算法建立內漏和外漏的模式識別模型。在訓練隨機森林模型時，對決策樹個數予以限定，本實施例中決策樹個數為500。
[0128]
在生成決策樹過程中，首先從上述樣本中隨機選擇樣本數量為k(k《500)的樣本數據構成一個訓練樣本子集，將其作為一棵決策樹的初始訓練集數據；經過500次有放回地隨機選擇，形成500棵決策樹的初始訓練樣本子集；
[0129]
其次，對于上述過程生成的500個決策樹初始訓練樣本子集，每個子集均具有20個特征屬性；在單棵決策樹的各個節點處，隨機地從20個特征屬性中選擇n個特征屬性，并且以節點不純度g最小為標準從上述特征屬性中選擇部分特征屬性，自上而下遞歸分裂產生二叉樹。節點不純度g取決于下式：
[0130][0131]
式中，g(i)為節點i的不純度，pw是節點i上樣本屬于w類(假設樣本的特征屬性數量為w)的頻率。
[0132]
最后，重復上述過程直至單棵決策樹遍歷20個特征屬性，在整個森林的生長過程中n保持恒定不變。
[0133]
生成500個決策樹后，由全部決策樹構成隨機森林分類器，此隨機森林分類器對訓練集樣本數據進行分類時，最終的分類結果由各決策樹的分類結果投票確定，投票過程可表示如下：
[0134][0135]
式中，i(*)為性函數；為決策樹hi對預測類樣本c的分類結果；是決策樹hi的葉子結點數。
[0136]
本實施例中，建立的隨機森林模型對訓練集樣本的分類準確率為100％。
[0137]
此后，利用測試集樣本數據，驗證隨機森林模型對閥門內漏和外漏樣本的識別能力。將包含120個樣本的測試集特征矩陣作為輸入，利用前述過程中獲得的隨機森林模型對其類別進行預測，預測后發現模型對閥門內漏和外漏測試集樣本的分類準確度分別為95.8％和97.5％。可見本發明在該案例上有較高的分類準確率，能夠實現電動閥門內漏和
外漏兩種泄漏模式的識別。
[0138]
本發明針對基于聲信號的電動閥門泄漏檢測方法中無法實現內漏和外漏兩種泄漏模式識別的缺陷，通過對泄漏聲信號進行頻譜分析，構造了泄漏聲發射信號各分段頻譜能量比作為建模特征，并基于隨機森林算法建立了泄漏模式識別模型來實現電動閥門內漏和外漏兩種泄漏模式的識別，解決了以往基于聲信號的電動閥門泄漏檢測方法中內漏和外漏無法區分的問題，為后期有針對性地維修提供了必要條件。
[0139]
實施例3
[0140]
如圖4所示，本實施例與實施例1的區別在于，本實施例又提供了一種基于隨機森林的電動閥門泄漏模式識別裝置，該裝置支持實施例1所述的一種基于隨機森林的電動閥門泄漏模式識別方法；該裝置包括：
[0141]
獲取單元，用于獲取核電廠反應堆一回路電動閥門的泄漏聲發射信號；
[0142]
泄漏初步判斷單元，用于根據所述泄漏聲發射信號，采用有效值法對電動閥門是否泄漏進行初步判斷，得到初步判斷結果；
[0143]
泄漏類型進一步判斷單元，用于根據所述初步判斷結果，當所述初步判斷結果為泄漏，則基于隨機森林的電動閥門泄漏模式識別法，對電動閥門進行進一步泄漏類型判斷，得到泄漏類型判斷結果；當所述初步判斷結果為未泄漏，則對電動閥門不進行進一步泄漏類型判斷。
[0144]
各個單元的執行過程按照實施例1所述的一種基于隨機森林的電動閥門泄漏模式識別方法流程步驟執行即可，此實施例中不再一一贅述。
[0145]
本領域內的技術人員應明白，本技術的實施例可提供為方法、系統、或計算機程序產品。因此，本技術可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本技術可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產品的形式。
[0146]
本技術是參照根據本技術實施例的方法、設備(系統)、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0147]
這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
[0148]
這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。
[0149]
以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步
詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，并不用于限定本發明的保護范圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
