CN107316057B - 核动力装置故障诊断方法 - Google Patents
核动力装置故障诊断方法 Download PDFInfo
- Publication number
- CN107316057B CN107316057B CN201710421200.8A CN201710421200A CN107316057B CN 107316057 B CN107316057 B CN 107316057B CN 201710421200 A CN201710421200 A CN 201710421200A CN 107316057 B CN107316057 B CN 107316057B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- sample
- data
- nuclear power
- low
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
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
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xi,计算其与其余样本点xj的欧氏距离,找出最近的k个近邻点,欧氏距离公式为
d(xi,xj)=||xi-xj||,
2)根据每个样本点xi的近邻点,通过使目标函数||xi-ΣjWij||最小,ΣjWij=1,计算样本的局部重建权值矩阵W,公式为:
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
其中yi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,…wc类,k1,k2,k3,…kc分别是k个近邻中属于w1,w2,w3,…wc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
gi(x)=ki,i=1,2,3,…c
判别规则为,若
则x∈wj。
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xi,计算其与其余样本点xj的欧氏距离,找出其最近的k个近邻点。距离公式为
d(xi,xj)=||xi-xj||
2)根据每个样本点xi的近邻点,通过使目标函数||xi-∑jWij||最小,∑jWij=1,计算样本的局部重建权值矩阵W,公式为:
其中yi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,…wc类,k1,k2,k3,…kc分别是k个近邻中属于w1,w2,w3,…wc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
gi(x)=ki,i=1,2,3,…c
判别规则为,若
则x∈wj。
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xi,计算其与其余样本点xj的欧氏距离,找出最近的k个近邻点,欧氏距离公式为
d(xi,xj)=||xi-xj||,
2)根据每个样本点xi的近邻点,通过使目标函数||xi-∑jWij||最小,∑jWij=1,计算样本的局部重建权值矩阵W,公式为:
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
其中yi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,…wc类,k1,k2,k3,…kc分别是k个近邻中属于w1,w2,w3,…wc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
gi(x)=ki,i=1,2,3,…c
判别规则为,若
则x∈wj;
(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421200.8A CN107316057B (zh) | 2017-06-07 | 2017-06-07 | 核动力装置故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421200.8A CN107316057B (zh) | 2017-06-07 | 2017-06-07 | 核动力装置故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316057A CN107316057A (zh) | 2017-11-03 |
CN107316057B true CN107316057B (zh) | 2020-09-25 |
Family
ID=60182138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710421200.8A Active CN107316057B (zh) | 2017-06-07 | 2017-06-07 | 核动力装置故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316057B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110081851A (zh) * | 2019-03-18 | 2019-08-02 | 合肥通用机械研究院有限公司 | 一种基于关联分析的管道监测与预警方法 |
CN110532444A (zh) * | 2019-07-22 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种高维电力大数据可视化方法及系统 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN111062447B (zh) * | 2019-12-26 | 2022-07-19 | 东北石油大学 | 通过降维方式进行风力发电机故障诊断的方法和装置 |
CN111638427B (zh) * | 2020-06-03 | 2021-05-28 | 西南交通大学 | 一种基于核胶囊神经元覆盖的变压器故障检测方法 |
CN111797533B (zh) * | 2020-07-09 | 2022-05-13 | 哈尔滨工程大学 | 一种核动力装置运行参数异常检测方法及系统 |
CN112414714A (zh) | 2020-11-05 | 2021-02-26 | 苏州大学 | 基于自适应流形概率分布的轴承故障诊断方法 |
CN112633358B (zh) * | 2020-12-19 | 2022-11-25 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统 |
CN112598057B (zh) * | 2020-12-22 | 2022-10-21 | 河北建设投资集团有限责任公司 | 一种基于feknn策略的燃煤电厂锅炉故障诊断方法 |
CN113868291A (zh) * | 2021-10-21 | 2021-12-31 | 深圳云天励飞技术股份有限公司 | 一种最近邻搜索方法、装置、终端和存储介质 |
CN114139639B (zh) * | 2021-12-06 | 2024-05-14 | 东北大学 | 一种基于自步邻域保持嵌入的故障分类方法 |
CN116975588B (zh) * | 2023-09-22 | 2023-12-19 | 太原理工大学 | 用于带式输送机的故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6622135B1 (en) * | 1998-12-29 | 2003-09-16 | International Business Machines Corporation | Method for detecting and classifying anomalies using artificial neural networks |
WO2007115426A2 (en) * | 2006-03-30 | 2007-10-18 | Carestream Health, Inc. | Smote algorithm with locally linear embedding |
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN103310216A (zh) * | 2013-07-03 | 2013-09-18 | 北京大学 | 基于保内积降维技术的模式识别方法 |
CN106503633A (zh) * | 2016-10-10 | 2017-03-15 | 上海电机学院 | 一种视频图像中人脸特征库的建立方法 |
-
2017
- 2017-06-07 CN CN201710421200.8A patent/CN107316057B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6622135B1 (en) * | 1998-12-29 | 2003-09-16 | International Business Machines Corporation | Method for detecting and classifying anomalies using artificial neural networks |
WO2007115426A2 (en) * | 2006-03-30 | 2007-10-18 | Carestream Health, Inc. | Smote algorithm with locally linear embedding |
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN103310216A (zh) * | 2013-07-03 | 2013-09-18 | 北京大学 | 基于保内积降维技术的模式识别方法 |
CN106503633A (zh) * | 2016-10-10 | 2017-03-15 | 上海电机学院 | 一种视频图像中人脸特征库的建立方法 |
Non-Patent Citations (3)
Title |
---|
《一种基于LLE特征融合的故障识别方法 》;胡建中;《中国机械工程》;20140226;全文 * |
《基于改进LLE算法的机械故障特征压缩与诊断》;王江萍;《科学技术与工程》;20160706;全文 * |
《核动力装置故障诊断智能技术的研究》;刘永阔;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20071030;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107316057A (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316057B (zh) | 核动力装置故障诊断方法 | |
CN101587155B (zh) | 一种油浸式变压器的故障诊断方法 | |
CN105134619B (zh) | 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法 | |
Hyeon et al. | Diagnosing cervical cell images using pre-trained convolutional neural network as feature extractor | |
Jiang et al. | Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm | |
CN113241138B (zh) | 医疗事件信息的抽取方法、装置、计算机设备及存储介质 | |
Bao et al. | A Deep Transfer Learning Network for Structural Condition Identification with Limited Real‐World Training Data | |
CN108509995A (zh) | 基于中文文本分析和obd数据处理的汽车故障诊断方法 | |
Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
CN105574489A (zh) | 基于层次级联的暴力群体行为检测方法 | |
CN105701504A (zh) | 用于零样本学习的多模态流形嵌入方法 | |
Ye et al. | Fault detection of railway freight cars mechanical components based on multi-feature fusion convolutional neural network | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Almatared et al. | Digital twin in the architecture, engineering, and construction industry: A bibliometric review | |
CN107392129A (zh) | 基于Softmax的人脸检索方法和系统 | |
Tutek et al. | Toward practical usage of the attention mechanism as a tool for interpretability | |
Jian et al. | An end-to-end algorithm for solving circuit problems | |
Li et al. | Deep learning-based defects detection of certain aero-engine blades and vanes with DDSC-YOLOv5s | |
Liu et al. | FCENet: an instance segmentation model for extracting figures and captions from material documents | |
Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation | |
CN102298775B (zh) | 以样本为基础的人脸超分辨率重建方法与系统 | |
Li et al. | Open set recognition fault diagnosis framework based on convolutional prototype learning network for nuclear power plants | |
Gao et al. | Early stage damage detection of wind turbine blades based on UAV images and deep learning | |
Zhao et al. | A small sample bearing fault diagnosis method based on ConvGRU relation network | |
Dejun et al. | Fault diagnosis of automobile engine based on support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |