CN109543894B - 一种核电站松脱部件事前预测系统及预测方法 - Google Patents
一种核电站松脱部件事前预测系统及预测方法 Download PDFInfo
- Publication number
- CN109543894B CN109543894B CN201811358759.1A CN201811358759A CN109543894B CN 109543894 B CN109543894 B CN 109543894B CN 201811358759 A CN201811358759 A CN 201811358759A CN 109543894 B CN109543894 B CN 109543894B
- Authority
- CN
- China
- Prior art keywords
- signal
- loosening
- vibration
- module
- vibration signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000013178 mathematical model Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明提供了一种核电站松脱部件事前预测系统和预测方法,包括第一建立模块,用于建立神经网络模型,将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练,得到预松动振动信号的标准曲线;第一信号采集模块,用于实时采集需要预测的零部件振动信号;预测模块,用于将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断,预测零部件松脱的可能性。本发明在预测过程中不需要大量的真实故障数据,通过有限的真实数据和系统数学模型仿真得到典型零部件不同阶段的松脱数据,利用神经网络方法进行识别和预测;填补了该领域对松脱部件监测只能进行事后判断的无法进行事前预测空白。
Description
技术领域
本发明涉及核电站反应堆一回路松脱部件监测领域,具体涉及一种基于信号采集及处理系统和预测性算法的松脱部件分析预测方法,尤其涉及一种核电站松脱部件事前预测系统及预测方法。
背景技术
核电站反应堆一回路是核电站最为核心、也是安全级别最高的系统,但在核电站调试和运行中,时有松脱部件现象发生,威胁核电站的安全运行,为此尽可能早地发现松脱件可避免或减轻回路系统部件发生与安全相关的损坏或故障,减小核电站的经济损失。松脱部件监测系统(Loose part monitoring system,LPMS)是核电站一回路基本的安全监测系统之一,对核电站的安全运行具有重大意义。
现有的松脱部件监测系统是对已经产生的冲击信号进行分析,即只能对已经松脱脱落或与其他部件产生明显撞击的零部件进行识别和报警,无法在明显碰撞发生前对撞击事件进行预测,且传统的故障预测方法建立在经验公式或实验数据上,但由于核电站一回路结构复杂,零件数量庞大,没有成熟的经验公式和大量的系统实验数据。神经网络和人工智能技术虽在复杂系统的故障诊断和预测中得到日益广泛的应用,但机器学习往往需要大量的样本进行训练,而核电站一回路是安全级别要求最高的系统,同样没有太多现场的故障数据进行机器学习。
所以急需寻求一种可以实现对一回路典型零部件可能发生的松脱事件进行预测的技术方案。
发明内容
本发明针对上述技术问题,提供了一种基于预测性数学模型的神经网络算法的核电站松脱部件事前预测方法及系统,解决了现有技术中无法在明显碰撞发生前对撞击事件进行预测以及传统松脱部件预测方法需要借鉴经验公式以及大量的真实故障数据的技术问题。
本发明用于解决以上技术问题的技术方案为,一种核电站松脱部件事前预测系统,用于核电站反应堆一回路松脱部件监测,其系统包括:第一建立模块,用于建立神经网络模型,将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练,得到预松动振动信号的标准曲线;第一信号采集模块,用于实时采集需要预测的零部件振动信号;预测模块,连接所述第一建立模块和第一信号采集模块,用于将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断,预测零部件松脱的可能性。
其中,所述系统还包括显示模块,连接所述预测模块,用于将预测结果进行量化呈现。
其中,所述系统还包括:第二信号采集模块,设置在所述一回路某一区域上,用于采集该区域零部件的正常振动信号;第三信号采集模块,设置在所述一回路某一区域上,用于采集该区域松动零部件的松脱部件振动信号。第二建立模块,用于根据一回路各区域的结构特点,建立不同区域的数学模型;优化仿真模型模块,连接第二信号采集模块和第二建立模块,用于接收所述正常振动信号,利用正常振动信号数据对所述数学模型进行优化以得到优化仿真模型;仿真故障信号数据模块,连接第三信号采集模块和优化仿真模型模块,用于接收松脱部件振动信号,将松脱部件信号数据和预设的松脱指标输入至所述优化仿真模型,计算得到所述仿真松脱事件信号数据。
其中,所述第一建立模块,分别连接第二信号采集模块、第三信号采集模块和仿真故障信号数据模块,还用于接收经信号预处理后的正常振动信号和松脱部件振动信号,以及所述仿真松脱事件信号数据,将所述正常振动信号、松脱部件信号以及仿真松脱事件信号的数据分别输入至神经网络模型中,得到预松动振动信号的标准曲线;所述预测模块还用于根据实时采集的、经信号预处理后的零部件振动信号与对应的预松动振动信号的标准曲线进行比较,若判断与预松动振动信号的标准曲线相符,预测该零部件可能松脱,并将结果识别发送至显示模块进行预测结果显示;
其中,所述信号预处理包括:对采集的振动信号进行低通滤波处理,对所述低通滤波后的信号进行盲解卷积计算和归一化处理,提取振动信号中微弱的振动信息;所述振动信号包括正常振动信号、松脱部件振动信号和零部件振动信号。
其中,所述系统第一信号采集模块、第二信号采集模块和第三信号采集模块为振动传感器;所述一回路松脱部件的主要构件包括压力容器和蒸汽发生器;根据松脱部件事件容易发生的区域和核电站一回路主要结构的安全区域要求布置多个所述振动传感器,设置在所述压力容器上的多个所述振动传感器呈周向均匀分布,设置在所述蒸汽发生器上的至少2个振动传感器呈对称分布。
另一方面,本发明还提供了一种核电站松脱部件事前预测方法,所述方法包括如下步骤:
建立神经网络模型,将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练,得到预松动振动信号的标准曲线;实时采集需要预测的零部件振动信号;将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断,预测零部件松脱的可能性并将预测结果进行量化呈现。
其中,在建立所述神经网络模型之前还包括如下步骤:
根据一回路各区域的结构特点,建立不同区域的数学模型;
接收采集的正常振动信号,利用正常振动信号数据对所述数学模型进行优化以得到优化仿真模型;
接收采集的松脱部件信号,将真实松脱部件信号数据和预设的松脱指标输入至所述优化仿真模型,计算得到所述仿真松脱事件信号数据。
其中,建立所述神经网络模型还进一步包括:接收经信号预处理后的正常振动信号和松脱部件信号,以及所述仿真松脱事件信号数据,将所述正常振动信号、松脱部件信号以及仿真松脱事件信号的数据分别输入至神经网络模型中,得到预松动振动信号的标准曲线;
所述预测零部件松脱的可能性的步骤进一步包括:根据实时采集的、经信号预处理后的零部件振动信号与对应的预松动振动信号的标准曲线进行比较,若判断与预松动振动信号的标准曲线相符,预测该零部件可能松脱,并将结果识别发送至显示模块进行预测结果显示;
对采集的振动信号进行低通滤波处理,对所述低通滤波后的信号进行盲解卷积计算和归一化处理,提取振动信号中微弱的振动信息;所述振动信号包括正常振动信号、松脱部件振动信号和零部件振动信号。
本发明实施例提供的技术方案带来的有益效果是:通过建立一种核电站松脱部件事前预测系统,有效解决了核电站一回路发生碰撞前的预测问题以及核电站一回路没有太多现场的故障数据进行学习的问题;将可能出现的松脱部件以数字量化的方式提供给运维人员。本发明提出的核电站松脱部件事前预测方法及系统,通过有限的真实数据和系统数学模型仿真得到典型零部件不同阶段的松脱数据,利用神经网络方法进行识别和预测,尽可能早地发现松脱件可避免或减轻回路系统部件发生与安全相关的损坏或故障,填补了该领域对松脱部件监测只能进行事后判断的无法进行事前预测空白;由于核电站一回路采集的信号包含运行时的各类噪声干扰,采用了盲解卷积算法和归一化处理技术能够较好的提取出轻微的振动特征,从而提高振动信号的信噪比;在神经网络预测模型进行深度学习时,为了弥补因为样本的不足导致的精度问题,采用建立数学仿真模型的方法,利用仿真的松脱数据进行学习,再利用真实的故障数据验证预测模型,为核电站的安全防御提供了保障,减小核电站的经济损失。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例一提供的核电站松脱部件事前预测系统的结构示意图;
图2是本发明实施例一提供的核电站松脱部件事前预测系统的另一结构示意图;
图3是本发明实施例一提供的核电站松脱部件事前预测系统的具有信号处理模块的结构示意图;
图4是本发明实施例二提供的典型零部件松脱事前预测方法工作流程图;
图5是对应图4的典型零部件松脱事前预测方法具体实施步骤;
图6是步骤S100的子步骤流程图;
图7是步骤S130的子步骤流程图;
图8是盲解卷积计算模型;
图9是正常振动信号和微弱的松脱部件信号示意图;
图10是对应图6经过数据模块处理后的正常振动信号和微弱的松脱信号示意图;
图11是利用系统数学模型仿真得到的松脱部件信号示意图。
具体实施方式
为解决现有技术中存在的仅能对已经产生的冲击信号进行分析,即只能对已经松脱脱落或与其他部件产生明显撞击的零部件进行识别和报警,无法在明显碰撞发生前对撞击事件进行预测,以及核电站一回路没有太多现场的故障数据进行机器学习的问题。本发明提供了一种核电站松脱部件事前预测方法及系统,通过有限的真实数据和系统数学模型仿真得到典型零部件不同阶段的松脱数据,利用神经网络方法进行识别和预测,尽可能早地发现松脱件可避免或减轻回路系统部件发生与安全相关的损坏或故障,减小核电站的经济损失。其核心思想是:通过提供一设计方案建立一种核电站松脱部件事前预测系统,该方法包括了神经网络模型的建立、优化仿真模型的建立和实时采集及信号处理模块的建立;将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练,得到预松动振动信号的标准曲线;将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断,预测零部件松脱的可能性。本发明基于核电厂运行标准,对紧急事故规程中的操作目标和完成目标所需的功能进行分析,采用了盲解卷积算法能够较好的在低信噪比条件下提取出轻微的振动特征,较好的还原了松脱信号的信号特征,建立从设计出发的神经网络预测模型,根据特定的传感器布置、典型零件特征和主要构件工况建立的多个系统模型,利用已有的正常振动信号和松脱部件信号,实现典型零件松脱信号的仿真和生成,完成对实时采集信号的松脱事件预测。通过上述设计所建立的核电站松脱部件事前预测系统,通过有限的真实数据和系统数学模型仿真得到典型零部件不同阶段的松脱数据,利用神经网络方法进行识别和预测,尽可能早地发现松脱件可避免或减轻回路系统部件发生与安全相关的损坏或故障,减小核电站的经济损失。
为了使本领域技术人员能够更加清楚地理解本发明,下面将结合附图及具体实施例对本发明做进一步详细的描述。
实施例一
图1是本发明实施例一提供的核电站松脱部件事前预测系统的结构示意图;如图1所示,本发明提供了一种核电站松脱部件事前预测系统,用于核电站反应堆一回路松脱部件监测,其系统包括第一建立模块100,用于建立神经网络模型,将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练,得到预松动振动信号的标准曲线;第一信号采集模块200,用于实时采集需要预测的零部件振动信号;预测模块300,连接所述第一建立模块100和第一信号采集模块200,用于将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断,预测零部件松脱的可能性;显示模块400,连接所述预测模块300,用于将预测结果进行量化呈现。
本发明设计核电站松脱部件事前预测系统,其总体功能要求需要满足以下条件:对核电站一回路典型零部件可能发生的松脱事件进行预测,将可能出现的松脱部件以数字量化的方式提供给运维人员。通过预先建立神经网络模型,可以对现场部件的信息实时进行识别,为安全生产提供了保障,减小核电站的经济损失。
附图2是对应图1的预测系统另一实施方式的结构示意图;参见图2所示,系统还包括:第二信号采集模块500,设置在所述一回路某一区域上,其信号输出端分别连接在优化仿真模型模块130和第一建立模块100,用于采集该区域内零部件的正常振动信号;第三信号采集模块600,设置在所述一回路某一区域上,其信号输出端分别连接在第一建立模块100和仿真故障信号数据模块110,用于采集该区域松动零部件的松脱部件振动信号。第二建立模块120,用于根据一回路各区域的结构特点,建立不同区域的数学模型,其信号输出端连接在优化仿真模块130;优化仿真模型模块130,连接第二信号采集模块500和第二建立模块120,用于接收所述正常振动信号,利用正常振动信号数据对所述数学模型进行优化以得到优化仿真模型;仿真故障信号数据模块110,连接第三信号采集模块600和优化仿真模型模块130,用于接收松脱部件振动信号,将松脱部件信号数据和预设的松脱指标140和输入至所述优化仿真模型130的正常振动信号,计算得到所述仿真松脱事件信号数据。
进一步地,结合图1和图2,第一建立模块100的至少三个信号输入端,分别连接第二信号采集模块500、第三信号采集模块600和仿真故障信号数据模块110,至少一个信号输出端连接预测模块200,第一建立模块100的三个信号输入端正常振动信号和松脱部件振动信号,以及所述仿真松脱事件信号数据,将所述正常振动信号、松脱部件信号以及仿真松脱事件信号的数据分别输入至神经网络模型中,得到预松动振动信号的标准曲线;预测模块300包括至少两个信号输入端,一个信号输出端,其中一个信号输入端接收实时采集的零部件振动信号,预测模块300的另一个信号输入端,用于调取存储在第一建立模块100内的、与对应的预松动振动信号的标准曲线,并进行比较,若判断与预松动振动信号的标准曲线相符,预测该零部件可能松脱,并将结果识别通过预测模块300的信号输出端发送至显示模块400进行预测结果显示;其中,第一信号采集模块200、第二信号采集模块500和第三信号采集模块600为振动传感器;本发明其中一个实施例中,一回路松脱部件的主要构件包括压力容器和蒸汽发生器;根据松脱部件事件容易发生的区域和核电站一回路主要结构的安全区域要求布置多个所述振动传感器,设置在所述压力容器上的多个所述振动传感器呈周向均匀分布,要求压力容器上的传感器不少于6个,设置在所述蒸汽发生器上的至少2个振动传感器呈对称分布。当然,上述的主要构件和振动传感器的分布和数量仅仅是本发明的其中一个实施例,实际生产中,可以根据不同需要进行重新设计,并不受此实施例的限制。
附图3是本发明实施例一提供的核电站松脱部件事前预测系统的具有信号处理模块的结构示意图,如图3所示:本实施例中,与附图2的区别在于在每一个信号采集模块的输出端对应连接有一个信号预处理模块700,其它结构均相同,所以此处仅仅对涉及到信号预处理模块700的结构做描述,相同部分不做赘述。参见附图3,三个信号预处理模块700采用同样的电路结构,每一个对应的信号预处理模块700输入端分别连接在第一信号采集模块200、第二信号采集模块500以及第三信号采集模块600,连接第一信号采集模块200的信号预处理模块700,将处理完的信号发送至预测模块300,连接第二信号采集模块500的预处理模块700,将处理完的信号发送至第一建立模块100和优化仿真模型模块130,连接第三信号采集模块600的预处理模块700,将处理完的信号发送至仿真故障信号数据模块110和第一建立模块100,每一个信号预处理模块700均用于对采集的振动信号进行低通滤波处理,对所述低通滤波后的信号进行盲解卷积计算和归一化处理,提取振动信号中微弱的振动信息;其中该振动信号包括正常振动信号、松脱部件振动信号和零部件振动信号。在上述低通滤波处理中,本发明其中一个最佳实施例的截止频率设定在15kHZ到20kHZ之间,但并不受此限制。从上面的预处理信号模块可以看出,采用盲解卷积算法能够有效避免核电站一回路采集的信号包含运行时的各类噪声干扰,较好的提取出轻微的振动特征,从而提高振动信号的信噪比。
实施例二
本发明实施提供了一种核电站松脱部件事前预测方法,适用于实施例一所示的核电站松脱部件事前预测系统,为了实现上述核电站松脱部件事前预测系统的结构,图4是本发明实施例二提供的典型零部件松脱事前预测方法工作流程图;主要包括如下步骤:
建立神经网络模型10,将正常振动信号数据1和松脱部件信号数据3以及仿真松脱事件信号13数据注入至建立神经网络模型10进行训练,得到预松动振动信号的标准曲线;实时采集需要预测的零部件振动信号4;将实时采集的零部件振动信号注入至所述神经网络模型10进行识别判断,预测零部件松脱的可能性并将预测结果30进行量化呈现。
其中,在建立所述神经网络模型之前还包括如下步骤:
根据一回路各区域的结构特点,建立不同区域的数学模型2;
接收采集的正常振动信号1,利用正常振动信号数据对所述数学模型进行优化以得到优化仿真模型12;
接收采集的松脱部件信号11,将真实松脱部件信号数据3和预设的松脱指标5输入至所述优化仿真模型12,计算得到所述仿真松脱事件信号数据。
其中,建立所述神经网络模型10还进一步包括:接收经信号预处理后的正常振动信号1和松脱部件信号3,以及所述仿真松脱事件信号数据2,将所述正常振动信号1、松脱部件信号3以及仿真松脱事件信号2的数据分别输入至神经网络模型10中,得到预松动振动信号的标准曲线;
所述预测零部件松脱的可能性的步骤进一步包括:根据实时采集的、经信号预处理后的零部件振动信号与对应的预松动振动信号的标准曲线进行比较,若判断与预松动振动信号的标准曲线相符,预测该零部件可能松脱,并将结果识别发送至显示模块进行预测结果30显示。
图5是对应图4的典型零部件松脱事前预测方法具体实施步骤;
S100、建立神经网络模型,将仿真得到的松脱事件数据、真实的正常振动数据和松脱部件数据注入到模型中进行训练;
具体训练方法为:将正常振动信号、仿真得到的振动信号和真实松脱信号分按照零件松脱的过程本方法选用3层BP神经网络来建立预测模型,选区信号的均方根(RMS),峭度,裕度和快速傅里叶变换(FFT)频率范围[0-20kHz]的归一化数据作为神经网络的输入层,输出层[0,1,2]代表零件从未发生松脱、部分松脱和完全松脱的三种期望输出。
其中信号均方根值为:
峭度由以下公式得到:
裕度由以下公式得到:
设置神经网络隐含层节点数为20,最小均方误差为1e-5,学习率为0.01,最大训练次数为10000。
参见图6,步骤S100进一步包括如下步骤:
S110、根据松脱部件事件容易发生的区域和核电站一回路主要结构的安区要求布置振动传感器,要求压力容器上的传感器不少于6个,呈周向均匀分布,蒸汽发生器上不少于2个,呈对称分布;
S120、根据典型松脱部件的安装方式与安装区域和一回路主要构件(压力容器和蒸汽发生器等)的结构及工况,建立多个不同区域的系统模型;
S130、利用处理后的正常振动数据对仿真模型进行优化;
参见图7,步骤S130进一步包括如下步骤:
S131、对反应堆一回路采集的正常振动信号和真实的松脱部件事件信号进行低通滤波处理,信号采用同样的滤波方法和截至频率,确保振动信号具有相同的频率成分,截至频率设定在15kHz到20kHz之间;
S132、对低通滤波后的信号进行盲解卷积计算和归一化处理,提取信号中微弱的振动信息;盲解卷积算法主要用于信号的提取,其基本模型如图8所示:
ai为一松脱部件冲击信号,经过非最小相位、线性时不变系统H,得到观测信号yi,即传感器采集信号。由于系统H未知,无法逆解出源信号,因此,需要找到与H相反的系统,即均衡器C,使得经系统C处理后的信号zi接近于原始跌落信号ai。
将系统H和系统C等效为一个系统S=H*C,即:
由于信号zi为跌落冲击信号ai的恢复信号,因此信号s=(s1s2L)T为一个只有一个非零值的向量,可令:
s=ejθ(0...0↑k0…0)T (1-2)
式中:↑k:非零值;k:时间延迟;θ:相移。
恢复信号zi与跌落冲击信号ai之间的关系为:
则恢复信号zi的二阶矩
恢复信号zi的四阶矩:
将1-4式代入1-5式,得恢复信号zi的峭度:
式中:
最终得到:
|K(z)|≤|K(a)| (1-9)
因此,系统C的系数c=(c1c2L)T由下述准则确定:
对于有限冲击响应模型,系统输入输出关系式可以表示为:
式中:L:系统长度
上式等价于:
化简得:
盲解卷积算法求解步骤如下:
a)随机生成初始系数向量c(0),设置迭代次数d,总迭代次数D;
d)迭代次数d=d+1,系数向量c(d)=cEV,若d<D,返回步骤c继续计算;若d>D,迭代完成。
e)将系数向量c与观测信号yi做卷积,可以得到盲解卷积处理后的恢复信号zi。
采用min-max归一化方法将信号映射到[0,1]区间内,公式如下:
其中,x*(i):归一化后的信号:x(i):归一化前的信号;min和max为归一化前的信号的最小值和最大值。
S140、将典型零部件的松脱指标和处理后的松脱部件振动信号注入到仿真模型中,仿真得到典型零部件的松脱事件数据
S200、实时监测模块按照一定采样频率采集现场的振动信号;
S300、将预测结果进行量化呈现。
由于真实的松脱部件信号有时会被背景噪声淹没,通过数据处理模块(S131和S132),可将信号的冲击成分从噪声中提前出来。通过S110、S120、S130得到大量的振动信号样本,S110是根据典型松脱部件的安装方式与安装区域和一回路主要构件的结构及工况,建立多个不同区域的系统模型;S120是利用已知的正常振动信号对振动模型的相关参数进行优化(如各零件的一阶二阶模态固有振动频率,阻尼,传感器安装位置和零件固定方式等),使其更接近真实工况;S130根据典型零部件的松脱指标(如振动幅值,振动位移等)和现有的松脱部件振动信号注入到建立优化后的模型中,输出仿真得到的松动部件信号,这一步骤的目的就是因为现有的松脱部件振动信号样本不足以完成后面的预测模型的训练,因此可以利用仿真的方法得到大量的振动信号样本,以此满足神经网络预测模型对大样本数据的要求。S200和S300由识别与预测模块完成,实现实时信号的预测和结果输出。
正常振动信号和微弱的松脱部件信号如图9所示:
由图可以看出:在不经过任何数据处理的情况下,微弱的松脱部件信号和正常振动信号肉眼几乎看不出差别,在0.05S的时间间隔内,幅值均在-2到2之间变化;
经过数据模块处理后的正常振动信号和微弱的松脱信号如图10所示;
由图可以看出:经过数据处理模块后,微弱的松脱信号有较大变化,同取时间间隔为0.05S,松脱信号的幅值变化范围是-1到1之间,且在0.005S的时间点波动最大,逐渐趋于平稳;
利用系统数学模型仿真得到的松脱部件信号如图11所示。
有图可以看出,由于其幅值坐标取的范围较小,我们可以很明显看出其信号变化过程。通过仿真得到的松脱信号在0.05S时间间隔内幅值变化范围在-1到1之间,在0.005S时间点左右信号变化最大,当时间在0.015S之后逐渐趋于平缓,其幅值在-0.5到0.5之间变化。
从上述分析可以看出,采用了盲解卷积算法能够有效避免采集的信号包含运行时的各类噪声干扰,较好的提取出轻微的振动特征,从而提高振动信号的信噪比。
需要说明的是:上述实施例提供系统在试验方法实现时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的系统和方法实施例属于同一构思,其具体实现过程详见方法实施例的描述,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中。上面所提到的控制或者实现的切换功能都是通过控制器实现,控制器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。上面所提到的存储器可以是终端内置的存储设备,例如硬盘或内存。本发明系统还包括了存储器,存储器也可以是系统的外部存储设备,插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器还可以既包括系统的内部存储单元,也包括外部存储设备,用于存储计算机程序以及所需的其他程序和信息。存储器还可以用于暂时地存储已经输出或者将要输出的信息。
本发明上述方案带来如下技术效果:通过建立一种核电站松脱部件事前预测系统,有效解决了核电站一回路发生碰撞前的预测问题以及核电站一回路没有太多现场的故障数据进行学习的问题;将可能出现的松脱部件以数字量化的方式提供给运维人员。本发明提出的核电站松脱部件事前预测方法及系统,通过有限的真实数据和系统数学模型仿真得到典型零部件不同阶段的松脱数据,利用神经网络方法进行识别和预测,尽可能早地发现松脱件可避免或减轻回路系统部件发生与安全相关的损坏或故障,填补了该领域对松脱部件监测只能进行事后判断的无法进行事前预测空白;由于核电站一回路采集的信号包含运行时的各类噪声干扰,采用了盲解卷积算法和归一化处理技术能够较好的提取出轻微的振动特征,从而提高振动信号的信噪比;在神经网络预测模型进行深度学习时,为了弥补因为样本的不足导致的精度问题,采用建立数学仿真模型的方法,利用仿真的松脱数据进行学习,再利用真实的故障数据验证预测模型,为核电站的安全防御提供了保障,减小核电站的经济损失。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种核电站松脱部件事前预测系统, 用于核电站反应堆一回路松脱部件监测, 其特征在于,所述系统包括:
第一建立模块,用于建立神经网络模型,将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练,得到预松动振动信号的标准曲线;
第一信号采集模块,用于实时采集需要预测的零部件振动信号;
预测模块,连接所述第一建立模块和第一信号采集模块,用于将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断,预测零部件松脱的可能性。
2.根据权利要求1所述系统,其特征在于,还包括显示模块,连接所述预测模块,用于将预测结果进行量化呈现。
3.根据权利要求1所述系统,其特征在于,还包括:
第二信号采集模块,设置在所述一回路任一区域上,用于采集所述任一区域零部件的正常振动信号;
第三信号采集模块,设置在所述任一区域上,用于采集所述任一区域松动零部件的松脱部件振动信号;
第二建立模块,用于根据一回路各区域的结构特点,建立不同区域的数学模型;
优化仿真模型模块,连接第二信号采集模块和第二建立模块,用于接收所述正常振动信号,利用正常振动信号数据对所述数学模型进行优化以得到优化仿真模型;
仿真故障信号数据模块,连接第三信号采集模块和优化仿真模型模块,用于接收松脱部件振动信号,根据松脱部件信号数据、预设的松脱指标以及输入至所述优化仿真模型的正常振动信号,计算得到所述仿真松脱事件信号数据。
4.根据权利要求3所述系统,其特征在于,所述第一建立模块,分别连接第二信号采集模块、第三信号采集模块和仿真故障信号数据模块,还用于接收经信号预处理后的正常振动信号和经信号预处理后的松脱部件振动信号,以及经信号预处理后的所述仿真松脱事件信号数据,将所述正常振动信号、松脱部件信号以及仿真松脱事件信号的数据分别输入至神经网络模型中,得到预松动振动信号的标准曲线;
所述预测模块还用于根据实时采集的、经信号预处理后的零部件振动信号与对应的预松动振动信号的标准曲线进行比较,若判断与预松动振动信号的标准曲线相符,预测该零部件可能松脱,并将识别结果发送至显示模块进行预测结果显示。
5.根据权利要求4所述系统,其特征在于,所述信号预处理包括:对采集的振动信号进行低通滤波处理,对所述低通滤波处理后的信号进行盲解卷积计算和归一化处理,提取振动信号中微弱的振动信息;
振动信号包括正常振动信号、松脱部件振动信号和零部件振动信号。
6.根据权利要求3所述系统,其特征在于,第一信号采集模块、第二信号采集模块和第三信号采集模块为振动传感器;
所述一回路松脱部件的主要构件包括压力容器和蒸汽发生器;根据松脱部件事件容易发生的区域和核电站一回路主要结构的安全区域要求布置多个所述振动传感器,设置在所述压力容器上的多个所述振动传感器呈周向均匀分布,设置在所述蒸汽发生器上的至少2个振动传感器呈对称分布。
7.一种核电站松脱部件事前预测方法,其特征在于,利用如权利要求1至6任一所述系统,所述方法包括如下步骤:
建立神经网络模型,将正常振动信号数据和松脱部件信号数据以及仿真松脱事件信号数据注入至建立神经网络模型进行训练,得到预松动振动信号的标准曲线 ;
实时采集需要预测的零部件振动信号;
将实时采集的零部件振动信号注入至所述神经网络模型进行识别判断,预测零部件松脱的可能性并将预测结果进行量化呈现。
8.根据权利要求7所述的方法,其特征在于,在建立所述神经网络模型之前还包括如下步骤:
根据一回路各区域的结构特点,建立不同区域的数学模型;
接收采集的正常振动信号,利用正常振动信号数据对所述数学模型进行优化以得到优化仿真模型;
接收采集的松脱部件信号,将真实松脱部件信号数据和预设的松脱指标输入至所述优化仿真模型,计算得到所述仿真松脱事件信号数据。
9.根据权利要求8所述的方法,其特征在于,建立所述神经网络模型还进一步包括:接收经信号预处理后的正常振动信号和松脱部件信号,以及所述仿真松脱事件信号数据,将所述正常振动信号、松脱部件信号以及仿真松脱事件信号的数据分别输入至神经网络模型中,得到预松动振动信号的标准曲线;
所述预测零部件松脱的可能性的步骤进一步包括:根据实时采集的、经信号预处理后的零部件振动信号与对应的预松动振动信号的标准曲线进行比较,若判断与预松动振动信号的标准曲线相符,预测该零部件可能松脱,并将识别结果发送至显示模块进行预测结果显示。
10.根据权利要求9所述的方法,其特征在于,对采集的振动信号进行低通滤波处理,对所述低通滤波处理后的信号进行盲解卷积计算和归一化处理,提取振动信号中微弱的振动信息;振动信号包括正常振动信号、松脱部件振动信号和零部件振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811358759.1A CN109543894B (zh) | 2018-11-15 | 2018-11-15 | 一种核电站松脱部件事前预测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811358759.1A CN109543894B (zh) | 2018-11-15 | 2018-11-15 | 一种核电站松脱部件事前预测系统及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543894A CN109543894A (zh) | 2019-03-29 |
CN109543894B true CN109543894B (zh) | 2020-11-24 |
Family
ID=65847594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811358759.1A Active CN109543894B (zh) | 2018-11-15 | 2018-11-15 | 一种核电站松脱部件事前预测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543894B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111140830A (zh) * | 2019-11-26 | 2020-05-12 | 深圳中广核工程设计有限公司 | 压水堆核电站立式蒸汽发生器及其松动部件捕集装置 |
CN113010389B (zh) * | 2019-12-20 | 2024-03-01 | 阿里巴巴集团控股有限公司 | 一种训练方法、故障预测方法、相关装置及设备 |
CN114778103B (zh) * | 2022-06-17 | 2022-10-28 | 深圳市永达电子信息股份有限公司 | 一种检测部件结构紧密度的自动化测试装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630282A (zh) * | 2013-11-13 | 2014-03-12 | 同济大学 | 一种螺栓松动监测方法及其实现装置 |
CN107064796A (zh) * | 2017-04-20 | 2017-08-18 | 哈尔滨理工大学 | 智能电机振动在线监测及预警系统 |
CN107544337A (zh) * | 2017-09-19 | 2018-01-05 | 中国核动力研究设计院 | 一种松脱部件监测系统触发数据智能分类的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043729B (zh) * | 2015-06-25 | 2017-12-15 | 中铁第四勘察设计院集团有限公司 | 一种悬挂设备松动故障的监测预警方法和系统 |
US20180165599A1 (en) * | 2016-12-12 | 2018-06-14 | Business Objects Software Ltd. | Predictive model integration |
-
2018
- 2018-11-15 CN CN201811358759.1A patent/CN109543894B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630282A (zh) * | 2013-11-13 | 2014-03-12 | 同济大学 | 一种螺栓松动监测方法及其实现装置 |
CN107064796A (zh) * | 2017-04-20 | 2017-08-18 | 哈尔滨理工大学 | 智能电机振动在线监测及预警系统 |
CN107544337A (zh) * | 2017-09-19 | 2018-01-05 | 中国核动力研究设计院 | 一种松脱部件监测系统触发数据智能分类的方法 |
Non-Patent Citations (1)
Title |
---|
基于振动信号的堆内构件监测系统研究;吕阳;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140415;C040-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN109543894A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491057B (zh) | 保护工业资产控制系统的系统及方法及计算机可读介质 | |
US10819725B2 (en) | Reliable cyber-threat detection in rapidly changing environments | |
CN109543894B (zh) | 一种核电站松脱部件事前预测系统及预测方法 | |
EP3454289B1 (en) | Plant abnormality detection method and system | |
Polycarpou | Fault accommodation of a class of multivariable nonlinear dynamical systems using a learning approach | |
US10678912B2 (en) | Dynamic normalization of monitoring node data for threat detection in industrial asset control system | |
CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
CN108445759B (zh) | 一种传感器饱和约束下网络化系统的随机故障检测方法 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
US20210081270A1 (en) | Adaptive, self-tuning virtual sensing system for cyber-attack neutralization | |
CN109519233B (zh) | 用于核电厂汽轮机进汽调节阀的在线监测方法和系统 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
EP2923311A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
RU2563161C2 (ru) | Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
CN113255584B (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
KR102404498B1 (ko) | 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법 | |
US20210084056A1 (en) | Replacing virtual sensors with physical data after cyber-attack neutralization | |
CN114738205A (zh) | 一种浮式风机基础的状态监测方法、装置、设备和介质 | |
Qian et al. | Condition monitoring of wind turbines based on extreme learning machine | |
Nikitin et al. | Mechatronic modules diagnosis by use of fuzzy sets | |
CN117200250A (zh) | 火储联合调频的控制方法及系统 | |
US20220083039A1 (en) | Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and nontemporary computer-readable medium storing the same |
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 |