CN107316057B - 核动力装置故障诊断方法 - Google Patents

Abstract

本发明提供的是一种基于局部线性嵌入与K‑最近邻分类器的核动力装置故障诊断方法。(1)获取核动力装置在稳态运行和典型事故状态下的运行数据作为训练数据；(2)采用均值‑方差标准化方法将训练数据进行无量纲的标准化处理得到高维样本数据；(3)采用局部线性嵌入算法提取高维样本数据的低维流形结构，得到低维特征向量；(4)将低维特征向量输入K‑最近邻分类器中进行分类训练；(5)获取核动力装置实时运行数据，重复(2)、(3)；(6)利用已经训练好的K‑最近邻分类器对特征向量分类决策。本发明利用非线性流形学习方法在特征降维提取方面的优势，适用于非线性，数据高维数系统的故障诊断，具有很高的故障诊断准确度。

Description

核动力装置故障诊断方法

技术领域

本发明涉及的是一种核动力装置故障诊断方法。

背景技术

核动力装置是一个复杂的动态时变系统，具有潜在的放射性危害。一旦发生故障或者事故可能造成严重的放射性后果。核动力装置因其特殊性对运行人员的能力和素质要求较高，一旦操作失误可能会造成重大损失，而操作人员在巨大的心理压力下很难做出完全正确的判断和行为。故障诊断技术可以根据系统参数变化情况，对可能出现的故障类型、故障发生位置及故障程度大小进行判断，协助运行人员对核动力装置真实状态进行判断并采取合理操作，从而将故障损失降到最小。因此对核动力装置进行在线故障诊断研究是保证核动力装置安全稳定运行的重要手段。

故障诊断过程可分为两个部分：特征提取和模式识别。不同的特征提取方法对模式识别的准确度影响极大，从而影响最终的故障诊断准确度。核动力装置运行过程复杂，工况变动频繁，具有强烈的非线性、非平稳特性。而目前的特征提取方法大都为主元分析方法、线性判别分析等线性方法，并不能完全适用于非线性系统，提取到的特征并不能全面准确地反映系统的真实状态，其工程应用范围有限。流形学习方法是一种非线性的数据降维方法，可将非线性高维数据映射到低维流形结构中，能有效获得嵌入在高维空间中的内在低维流形结构，具有强大的非线性理论基础，可将核动力装置运行过程中产生的高维数据经特征提取后变为低维特征向量。特征降维提取过程可以有效的去除系统的冗余信息，从原始数据中发现能够表征系统状态的内在流形特征，从而只留下能反映系统真实状态的特征，进而提高分类器的模式识别能力。

从上面的分析可以看出，针对核动力装置系统非线性、运行数据维数高的特点，在对其进行故障诊断过程中一种良好的特征降维提取方法非常重要。目前应用于核动力装置的特征提取、数据降维方法都是线性方法，不能满足核动力装置故障诊断的要求。

综上所述，开发出一套准确的针对核动力装置非线性、数据高维数特点的实时故障诊断方法对协助运行人员做出准确操作、保障核动力装置安全可靠运行具有重要的实际意义。

发明内容

本发明的目的在于提供一种能够解决系统非线性、数据维数高的问题，能够提高故障诊断的准确性和有效性的基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法。

本发明的目的是这样实现的：

(1)获取核动力装置在稳态运行和典型事故状态下的运行数据作为训练数据；

(2)采用均值-方差标准化方法将训练数据进行无量纲的标准化处理得到高维样本数据；

(3)采用局部线性嵌入算法提取高维样本数据的低维流形结构，得到低维特征向量；

(4)将低维特征向量输入K-最近邻分类器中进行分类训练；

(5)获取核动力装置实时运行数据，重复(2)、(3)步骤；

(6)利用已经训练好的K-最近邻分类器对特征向量分类决策，得到诊断结果。

本发明还可以包括：

1、所述典型事故包括冷却剂丧失事故、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故和蒸汽发生器传热管破裂事故。

2、所述采用局部线性嵌入算法提取高维样本数据的低维流形结构具体包括：

1)对高维数据的每个样本点x_i，计算其与其余样本点x_j的欧氏距离，找出最近的k个近邻点，欧氏距离公式为

d(x_i,x_j)＝||x_i-x_j||，

2)根据每个样本点x_i的近邻点，通过使目标函数||x_i-Σ_jW_ij||最小，Σ_jW_ij＝1，计算样本的局部重建权值矩阵W，公式为：

其中，

x_ij,x_ik为x_i的近邻点；

3)通过使低维空间重构误差Φ(Y)最小，在低维空间重构原始样本，即

上式需要满足：

其中，y_ij(j＝1,2,…k)是y_i的第j个近邻点，N是样本点的个数，I是d维单位阵，d是降维后的维数，j＝1,2,…k，

其中y_i为低维特征向量。

3、所述K-最近邻分类器中进行分类训练具体包括：

对于某一测试样本y，K-最近邻算法根据与y最近的k个带有类别标签的训练样本中多数样本的类别，来决定测试样本y的类别属性，具体内容为：设样本类数目为c，分别为：w₁,w₂,w₃,…w_c类，k₁,k₂,k₃,…k_c分别是k个近邻中属于w₁,w₂,w₃,…w_c类的样本数目，首先计算测试样本y与各个训练样本之间的余弦距离，并找到与样本余弦距离最近的k个近邻，然后计算这k个近邻分别属于哪一类别的训练样本，某类训练样本的近邻点最多，则该测试样本属于这一类；

定义判别函数为

g_i(x)＝k_i,i＝1,2,3,…c

判别规则为，若

则x∈w_j。

本发明提供了一种能较好解决系统非线性、数据维数高的基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法，能够提高核动力装置故障诊断的准确性和有效性。

本发明的有益效果在于：

本发明所用的局部线性嵌入算法是一种非线性的特征降维提取方法，针对核动力装置非线性、运行数据维数高的特点，在故障诊断过程中，可更好地提取故障特征使得故障诊断过程计算更简便，结果更准确。

附图说明

图1故障诊断流程图；

图2局部线性嵌入算法过程示意图；

图3故障信息流形特征提取后的三维效果图。

具体实施方式

下面结合附图举例对本发明做进一步描述：

本发明的软件是以Visual Studio 2010为平台，采用C#与Matlab混合编写的，其中数据的降维特征提取模块由Matlab实现，其主要功能为：

连接好系统后，输入核动力装置正常运行数据及典型故障数据训练得到流形学习模型和 K-最近邻分类器模型，然后连接到核动力装置进行实时故障诊断。诊断结果以文字和曲线形式实时显示在故障诊断主界面中。

如图1所示，本发明的基于局部线性嵌入与K-最近邻分类器的故障诊断方法，其步骤如下：

(1)获取核动力装置在稳态运行和典型故障状态下的运行数据作为训练数据；

(2)为了减少噪声以及量纲的影响，采用均值-方差标准化方法将训练数据进行无量纲的标准化处理得到高维样本数据；

(3)采用局部线性嵌入算法提取高维样本数据的低维流形结构，得到低维特征向量。样本数据采用的是PCTRAN软件的仿真数据，共有81个特征参量。局部线性嵌入算法将81维样本数据降维成d维特征向量，d作为参数设定。具体降维过程如图2所示：

1)对高维数据的每个样本点x_i，计算其与其余样本点x_j的欧氏距离，找出其最近的k个近邻点。距离公式为

d(x_i,x_j)＝||x_i-x_j||

2)根据每个样本点x_i的近邻点，通过使目标函数||x_i-∑_jW_ij||最小，∑_jW_ij＝1，计算样本的局部重建权值矩阵W，公式为：

其中，

x_ij,x_ik为x_i的近邻点。3)通过使低维空间重构误差Φ(Y)最小，在低维空间重构原始样本，即

上式需要满足：

其中，y_ij(j＝1,2,…k)是y_i的第j个近邻点，N是样本点的个数，I是d维单位阵，d是降维后的维数。

其中y_i为低维特征向量。图3所示是采用局部线性嵌入算法对四种故障数据进行特征降维提取后的三维示意图。从图中可以看出，不同故障类型的低维特征聚类效果明显，区分度较大，有利于后续K-最近邻分类器对不同种类的数据进行分类。

(4)将每一组带有类别标签的d维特征向量输入K-最近邻分类器中进行分类训练，得到训练成功的K-最近邻分类器；

(5)获取核动力装置实时运行数据，重复(2)、(3)步骤；

(6)利用已经训练好的K-最近邻分类器对特征向量分类决策，得到诊断结果。

K-最近邻分类器分类过程如下：对于某一测试样本y，K-近邻算法会根据与y最近的k 个带有类别标签的训练样本中多数样本的类别，来决定测试样本y的类别属性。其具体内容如下：设样本类数目为c，分别为：w₁,w₂,w₃,…w_c类，k₁,k₂,k₃,…k_c分别是k个近邻中属于w₁,w₂,w₃,…w_c类的样本数目。首先计算测试样本y与各个训练样本之间的余弦距离，并找到与样本距离最近的k个近邻，然后计算这k个近邻分别属于哪一类别的训练样本，某类训练样本的近邻点最多，则该测试样本属于这一类。

定义判别函数为

g_i(x)＝k_i,i＝1,2,3,…c

判别规则为，若

则x∈w_j。

Claims (2)

1.一种基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法，其特征是：

(1)获取核动力装置在稳态运行和典型事故状态下的运行数据作为训练数据；

(2)采用均值-方差标准化方法将训练数据进行无量纲的标准化处理得到高维样本数据；

(3)采用局部线性嵌入算法提取高维样本数据的低维流形结构，得到低维特征向量，所述采用局部线性嵌入算法提取高维样本数据的低维流形结构具体包括：

1)对高维数据的每个样本点x_i，计算其与其余样本点x_j的欧氏距离，找出最近的k个近邻点，欧氏距离公式为

d(x_i,x_j)＝||x_i-x_j||，

2)根据每个样本点x_i的近邻点，通过使目标函数||x_i-∑_jW_ij||最小，∑_jW_ij＝1，计算样本的局部重建权值矩阵W，公式为：

其中，

x_ij,x_ik为x_i的近邻点；

3)通过使低维空间重构误差Φ(Y)最小，在低维空间重构原始样本，即

上式需要满足：

其中，y_ij(j＝1,2,…k)是y_i的第j个近邻点，N是样本点的个数，I是d维单位阵，d是降维后的维数，j＝1,2,…k，

其中y_i为低维特征向量；

(4)将低维特征向量输入K-最近邻分类器中进行分类训练，所述K-最近邻分类器中进行分类训练具体包括：

对于某一测试样本y，K-最近邻算法根据与y最近的k个带有类别标签的训练样本中多数样本的类别，来决定测试样本y的类别属性，具体内容为：设样本类数目为c，分别为：w₁,w₂,w₃,…w_c类，k₁,k₂,k₃,…k_c分别是k个近邻中属于w₁,w₂,w₃,…w_c类的样本数目，首先计算测试样本y与各个训练样本之间的余弦距离，并找到与样本余弦距离最近的k个近邻，然后计算这k个近邻分别属于哪一类别的训练样本，某类训练样本的近邻点最多，则该测试样本属于这一类；

定义判别函数为

g_i(x)＝k_i,i＝1,2,3,…c

判别规则为，若

则x∈w_j；

(5)获取核动力装置实时运行数据，重复(2)、(3)步骤；

(6)利用已经训练好的K-最近邻分类器对特征向量分类决策，得到诊断结果。

2.根据权利要求1所述的基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法，其特征是：所述典型事故包括冷却剂丧失事故、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故和蒸汽发生器传热管破裂事故。

Images