CN111881627A - 一种核动力装置故障诊断方法和系统 - Google Patents

一种核动力装置故障诊断方法和系统 Download PDF

Info

Publication number
CN111881627A
CN111881627A CN202010776373.3A CN202010776373A CN111881627A CN 111881627 A CN111881627 A CN 111881627A CN 202010776373 A CN202010776373 A CN 202010776373A CN 111881627 A CN111881627 A CN 111881627A
Authority
CN
China
Prior art keywords
nuclear power
fault diagnosis
model
bee
fault
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.)
Granted
Application number
CN202010776373.3A
Other languages
English (en)
Other versions
CN111881627B (zh
Inventor
王航
彭敏俊
夏庚磊
邓强
王晓昆
夏虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010776373.3A priority Critical patent/CN111881627B/zh
Publication of CN111881627A publication Critical patent/CN111881627A/zh
Application granted granted Critical
Publication of CN111881627B publication Critical patent/CN111881627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明涉及一种核动力装置故障诊断方法和系统。所述核动力装置故障诊断方法包括：获取训练好的核动力装置故障诊断模型；采用传感器获取核动力装置中各子系统的运行数据；根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。本发明提供的核动力装置故障诊断方法和系统通过采用训练好的核动力装置故障诊断模型，得到的故障类别和故障概率，在提高故障诊断结果准确性、故障诊断效率的同时，确保了诊断结果的稳定性。

Description

一种核动力装置故障诊断方法和系统
技术领域
本发明涉及核动力检测领域，特别是涉及一种核动力装置故障诊断方法和系统。
背景技术
核动力系统结构复杂，且具有潜在的放射性释放危险，对于安全性有着极高的要求。因此，对于核动力系统的可靠性要求就非常高；同时，随着远海钻井平台、海岛发电等需求，不可能在相关平台上布置大量运行人员，因此对于核动力装置运行的自动化和智能化水平要求非常高，对于少人值守和无人值守的需求较为强烈。核动力系统运行环境恶劣，系统关键设备长期连续工作极容易发生故障，如若出现故障而不能及时发现并维修，可能会导致严重的放射性后果，危急运行人员和公众的生命安全。
在实际使用过程中，核动力系统的故障诊断技术大多采用传统的阈值分析和人工经验进行判断。但是，这些传统技术并不能完全适应复杂系统的可靠性要求。随着人工智能技术和大数据理论的不断发展、核动力系统大量运行数据的积累以及其他领域的应用经验，采用一些高效准确的人工智能技术快速准确地进行故障诊断，能有效提高核动力系统与关键设备的运行与维护保障能力，提高运行安全性和经济性。
在1967年，由美国海军研究室成立了机械故障预防小组，从此开始了故障诊断技术的研究工作，随后故障诊断技术的研究与应用逐渐在全球蔓延开来。20世纪60年代末，英国机器保健和状态监测协会的成立进一步推动了故障诊断技术的发展。随后，欧洲各国也相继开展了状态监测与故障诊断技术的相关研究，并形成各自特色的诊断技术体系。日本的故障诊断技术于70年代中期开始起步，通过学习借鉴世界各国的研究、不断改进提高，目前日本在钢铁生产、铁路运行、化工过程等民用工业方面的故障诊断技术已经很成熟。中国的故障诊断技术相关研究起步于80年代初，目前已经形成了相对完善的理论体系。21世纪初，美国专家VenkatV.将故障诊断方法重新划分为基于定量模型方法、基于定性模型方法及基于历史数据方法三类，如图1所示。
国外方面，Santosh研究了神经网络在核电厂始发事件识别上的应用，并对比了几种学习算法，得出了弹性BP算法为最优学习算法的结论，Marseguerra研究了核电厂瞬态的模糊识别，Zio提出改进的模糊聚类方法用于对核电厂设备的瞬态进行分类识别；Gome等采用高斯径向基神经网络对压水堆电厂事故进行分析，Sinuhe应用基于人工神经网络检测钠冷快堆的堆芯组件堵塞故障，
Figure BDA0002618576030000021
提出一种"jump"型的多层神经网络，利用两个神经网络分别用来动态识别和验证识别的结果。Seker提出应用Elman神经网络监测高温气冷堆的异常。Jose研究粒子群优化算法在核电厂中的故障识别。
国内方面，哈尔滨工程大学的辛成东研究了BP神经网络在核动力装置故障诊断中的应用，刘永阔将径向基函数神经网络和模糊神经网络引入核动力装置故障诊断系统中，并应用数据融合做全局诊断，提出分布式诊断策略。邓伟采用遗传算法进行系统级故障诊断。华北电力大学的马良玉等在高压给水系统故障诊断中研究Elman神经网络对特征参数应达值进行实时预测方法研究，白士红研究了蚁群算法在故障诊断中的应用，段孟强研究了基于入侵野草算法的核动力装置故障诊断算法。
综上，现有技术中的上述方案均需人工选择特征参数，这就导致诊断结果不准确。且因人工选择特征参数，这也导致得到的诊断结果随选取的参数不同而发生不同，存在稳定性差的问题。
因此，提供一种能够在提高诊断结果准确性同时，保证诊断结果稳定性的核动力装置故障诊断方法或系统，是本领域亟待解决的技术难题。
发明内容
本发明的目的是提供一种核动力装置故障诊断方法和系统，以提高诊断结果的准确性和稳定性。
为实现上述目的，本发明提供了如下方案：
一种核动力装置故障诊断方法，包括：
获取训练好的核动力装置故障诊断模型；所述核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型；
采用传感器获取核动力装置中各子系统的运行数据；
根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。
优选的，在所述获取训练好的核动力装置故障诊断模型之前，包括：
获取核动力装置各子系统的的历史运行数据；
根据所述历史运行数据得到仿真数据；
对所述仿真数据进行标定采样，得到所述核动力装置的故障类别，以及与该故障类别相对应的故障出现概率；
将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型。
优选的，所述将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型，具体包括：
以交叉熵损失函数作为损失函数，将所述训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对所述核动力装置故障诊断模型进行求解，当所述损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。
优选的，所述核动力装置故障诊断模型的构建过程包括：
生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型；所述中间隐藏层包括多层卷积层和多层长短时记忆模型层；
确定所述卷积长短时记忆网络初始模型的超参数；所述超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例；
以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值；所述全局最优解为所述人工蜂的位置；
根据所述全局最优值确定所述超参数的最终值，并将所述超参数的最终值传递回所述卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型；所述卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。
优选的，所述以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值，具体包括：
初始化所述卷积长短时记忆网络初始模型的初始参数，初始化所述人工蜂群算法中的种群规模、开采控制限值以及最大迭代次数，并获取预设的初始蜂群位置；
以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优；所述人工蜂包括跟随蜂、引领蜂和侦察蜂；预设跟随蜂和引领蜂的数目相等，且所述跟随蜂和引领蜂执行开采过程；侦察蜂的个数为设定值，且所述侦察蜂执行探索过程；
获取预设的最大迭代时间；
判断当前迭代时间是否大于所述最大迭代时间，若所述当前迭代时间大于等于所述最大迭代时间，则将当前得到的与每个人工蜂对应的全局最优值传递回所述卷积长短时记忆网络初始模型；若所述当前迭代时间小于所述最大迭代时间，则返回步骤“以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优”，直至所述当前迭代时间大于等于所述最大迭代时间。
优选的，所述跟随蜂和引领蜂执行开采过程，具体包括：
所述引领蜂采用公式Vij＝xij+Rij(xij-xkj)对引领蜂相应食物源的邻域进行搜索得到所述引领蜂的新食物源的位置；其中，Vij是新食物源的位置，Rij是一个[-1,1]之间的随机数，k∈{1,2，…，SN}，SN是解的个数
获取所述新食物源的位置的适应度值和所述引领蜂的初始位置的适应度值；
根据所述新食物源的位置的适应度值和所述引领蜂的初始位置的适应度值确定所述引领蜂的最终位置，具体包括：若所述新食物源的位置的适应度值优于所述初始位置的适应度值，则将所述新食物源的位置作为所述引领蜂的最终位置，反之，则将所述初始位置作为所述引领蜂的最终位置；
根据所述引领蜂的最终位置和与所述最终位置相对应的适应度值确定概率值；
所述跟随蜂根据所述概率值选择食物源，并执行与所述引领蜂相同的开采过程以确定所述跟随蜂的最终位置。
优选的，所述侦察蜂执行探索过程，具体包括：
获取所述跟随蜂和所述引领蜂的预设开采次数；
判断所述跟随蜂和所述引领蜂的开采次数是否达到预设开采次数，若达到所述预设开采次数，则判断根据适应度函数确定的适应度值是否达到预设值，若没有达到所述预设值，则所述侦察蜂根据公式
Figure BDA0002618576030000051
确定新解
Figure BDA0002618576030000052
并用所述新解
Figure BDA0002618576030000053
代替所侦察蜂的初始位置；其中，
Figure BDA0002618576030000054
是蜂群搜索的上下界；
重复“判断所述跟随蜂和所述引领蜂的开采次数是否达到预设开采次数，若达到所述预设开采次数，则判断根据适应度函数确定的适应度值是否达到预设值，若没有达到所述预设值，则所述侦察蜂根据公式
Figure BDA0002618576030000055
确定新解
Figure BDA0002618576030000056
并用所述新解
Figure BDA0002618576030000057
代替所侦察蜂的初始位置”，直至所述适应度值连续大于等于所述预设值的次数达到预设次数时，输出所述跟随蜂、所述引领蜂和所述侦察蜂的位置。
一种核动力装置故障诊断系统，包括：
故障诊断模型获取模块，用于获取训练好的核动力装置故障诊断模型；所述核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型；
运行数据获取模块，用于采用传感器获取核动力装置中各子系统的运行数据；
故障类别及概率确定模块，用于根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。
优选的，还包括：
历史运行数据获取模块，用于获取核动力装置各子系统的的历史运行数据；
仿真数据确定模块，用于根据所述历史运行数据得到仿真数据；
标定采样模块，用于对所述仿真数据进行标定采样，得到所述核动力装置的故障类别，以及与该故障类别相对应的故障出现概率；
模型训练模块，用于将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型；
优选的，所述模型训练模块，具体包括：
模型确定单元，用于以交叉熵损失函数作为损失函数，将所述训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对所述核动力装置故障诊断模型进行求解，当所述损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。
优选的，还包括：
初始模型生成模块，用于生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型；所述中间隐藏层包括多层卷积层和多层长短时记忆模型层；
超参数确定模块，用于确定所述卷积长短时记忆网络初始模型的超参数；所述超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例；
全局最优值确定模块，用于以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值；所述全局最优解为所述人工蜂的位置；
故障诊断模型构建模块，用于根据所述全局最优值确定所述超参数的最终值，并将所述超参数的最终值传递回所述卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型；所述卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的核动力装置故障诊断方法和系统，通过采用训练好的核动力装置故障诊断模型，根据传感器获取核动力装置中各子系统的运行数据就可以得到的故障类别和故障概率，在提高故障诊断结果准确性的同时，确保了诊断结果的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中的故障诊断方法分类图；
图2为本发明提供的核动力装置故障诊断方法的流程图；
图3为本发明实施例提供的基于卷积长短时记忆网络的故障诊断基本流程图；
图4为本发明实施例提供的人工蜂群算法优化卷积长短时网络的流程图；
图5为本发明提供的核动力装置故障诊断系统的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明的目的是提供一种核动力装置故障诊断方法和系统，以提高诊断结果的准确性和稳定性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图2为本发明提供的核动力装置故障诊断方法的流程图，如图2所示，一种核动力装置故障诊断方法，包括：
步骤100：获取训练好的核动力装置故障诊断模型。核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型。
步骤101：采用传感器获取核动力装置中各子系统的运行数据。
步骤102：根据运行数据，采用核动力装置故障诊断模型确定子系统的故障类别以及与故障类别相对应的故障概率。
优选的，在步骤100之前，本发明提供的核动力装置故障诊断方法还包括：
获取核动力装置各子系统的的历史运行数据。
根据历史运行数据得到仿真数据。
对仿真数据进行标定采样，得到核动力装置的故障类别，以及与该故障类别相对应的故障出现概率。
将历史运行数据、故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型。
其中，在对核动力装置故障诊断模型进行训练得到训练好的核动力装置故障诊断模型的过程中，还包括：
以交叉熵损失函数作为损失函数，将训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对核动力装置故障诊断模型进行求解，当损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。
优选的，核动力装置故障诊断模型的构建过程包括：
生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型。中间隐藏层包括多层卷积层和多层长短时记忆模型层。
确定卷积长短时记忆网络初始模型的超参数。超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例。
以超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值。全局最优解为人工蜂的位置。
根据全局最优值确定超参数的最终值，并将超参数的最终值传递回卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型。卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。
优选的，以超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值，具体包括：
初始化卷积长短时记忆网络初始模型的初始参数，初始化人工蜂群算法中的种群规模、开采控制限值以及最大迭代次数，并获取预设的初始蜂群位置。
以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优。人工蜂包括跟随蜂、引领蜂和侦察蜂。预设跟随蜂和引领蜂的数目相等，且跟随蜂和引领蜂执行开采过程。侦察蜂的个数为设定值，且侦察蜂执行探索过程。
获取预设的最大迭代时间。
判断当前迭代时间是否大于最大迭代时间，若当前迭代时间大于等于最大迭代时间，则将当前得到的与每个人工蜂对应的全局最优值传递回卷积长短时记忆网络初始模型。若当前迭代时间小于最大迭代时间，则返回步骤“以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优”，直至当前迭代时间大于等于最大迭代时间。
其中，跟随蜂和引领蜂执行开采过程，具体包括：
引领蜂采用公式Vij＝xij+Rij(xij-xkj)对引领蜂相应食物源的邻域进行搜索得到引领蜂的新食物源的位置。其中，Vij是新食物源的位置，Rij是一个[-1,1]之间的随机数，k∈{1,2，…，SN}，SN是解的个数
获取新食物源的位置的适应度值和引领蜂的初始位置的适应度值。
根据新食物源的位置的适应度值和引领蜂的初始位置的适应度值确定引领蜂的最终位置，具体包括：若新食物源的位置的适应度值优于初始位置的适应度值，则将新食物源的位置作为引领蜂的最终位置，反之，则将初始位置作为引领蜂的最终位置。
根据引领蜂的最终位置和与最终位置相对应的适应度值确定概率值。
跟随蜂根据概率值选择食物源，并执行与引领蜂相同的开采过程以确定跟随蜂的最终位置。
侦察蜂执行探索过程，具体包括：
获取跟随蜂和引领蜂的预设开采次数。
判断跟随蜂和引领蜂的开采次数是否达到预设开采次数，若达到预设开采次数，则判断根据适应度函数确定的适应度值是否达到预设值，若没有达到预设值，则侦察蜂根据公式
Figure BDA0002618576030000111
确定新解
Figure BDA0002618576030000112
并用新解
Figure BDA0002618576030000113
代替所侦察蜂的初始位置。其中，
Figure BDA0002618576030000114
是蜂群搜索的上下界。
重复“判断跟随蜂和引领蜂的开采次数是否达到预设开采次数，若达到预设开采次数，则判断根据适应度函数确定的适应度值是否达到预设值，若没有达到预设值，则侦察蜂根据公式
Figure BDA0002618576030000115
确定新解
Figure BDA0002618576030000116
并用新解
Figure BDA0002618576030000117
代替所侦察蜂的初始位置”，直至适应度值连续大于等于预设值的次数达到预设次数时，输出跟随蜂、引领蜂和侦察蜂的位置。
此时，输出的跟随蜂、引领蜂和侦察蜂的位置就是全局最优解，也就是求取的核动力装置故障诊断模型的最佳超参数值。
将所求取得到的最佳超参数值返回到核动力装置故障诊断初始模型中，就可以得到最终的核动力装置故障诊断模型，然后采用训练数据样本对对得到的核动力装置故障诊断模型进行训练后，就得到了训练好的核动力装置故障诊断模型。
下面以一个完整的具体实施方式对本发明上述提供的核动力装置故障诊断方法进行说明。本发明提供的这一实施例仅为本发明提供技术方案的进一步细化，但不限于此，本领域技术人员基于本发明提供的技术方案所进行的细节改动均属于本发明的保护范围。
图3为本发明实施例提供的基于卷积长短时记忆网络的故障诊断基本流程图(图3中m为单个数据中的划定时窗长度，n为特征参数的维度)。图4为本发明实施例提供的人工蜂群算法优化卷积长短时网络的流程图。如图3和图4所示，本发明公开的核动力装置故障诊断方法进一步可以包括以下步骤：
步骤1：采集和存储实际核动力装置的运行数据以及其对应全范围模拟机仿真的各种故障下的运行数据。
步骤2：将采集到的运行数据根据传感器所属的子系统在计算机中进行分门别类地管理，同时对每个子系统中实际历史运行数据、仿真数据进行标注，以能够将正常状态、故障状态设定不同的标签，便于后续训练本发明的核动力装置故障诊断模型。
步骤3：将步骤2中的所有数据按照同样的标准和尺度进行归一化，避免量纲不一致以及过大和过小数据对训练过程的影响。
利用数据标准化和归一化方法，将同一参数的所有数据值都映射到[0,1]之间。转换函数为：x*＝(x-min)/(max-min)。其中，max为步骤2中所有样本数据的最大值，min为所有样本数据中的最小值。
步骤4：对步骤3中的数据进行相空间重构。其中，间隔时间设定为1s，滑动时窗长度设定为20s。
最后将二维数据(N×D维)转换为(N_num_steps+1)×(num_steps×D)的三维堆叠数据块。其中，第一维N为数据总量、第二维D是特征参数的维度、第三维num_steps是滑动时窗的长度。而步骤3中的数据是二维数组，其第一维代表数据总量，第二维代表特征参数的维度。由于每次滑动过程中数据之间都有重叠，因此在本发明中，总数据输入长度是(N_num_steps+1)。
步骤5：在TensorFlow框架下建立卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型结构。
在TensorFlow框架下建立卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型结构的目的是为了能够在充分利用卷积核的特征提取能力的同时，充分发挥长短时记忆网络在时序数据的模式识别优势。
本发明的卷积长短时记忆网络模型结构是由输入层(经过预处理后的训练数据)、中间隐藏层(包括多层卷积层和多层长短时记忆模型层)、全连接层与输出层进行逐层连接而成。
步骤6：卷积层采用公式(1)进行特征的提取。
Figure BDA0002618576030000131
其中，l为第l卷积层，k为卷积核，b为偏置参数，
Figure BDA0002618576030000132
为第l层的输出，
Figure BDA0002618576030000133
为第l-1层的输入，特征图为Mj。
在卷积运算中采用一维卷积，可以避免在对特征维度进行卷积运算时而造成的特征信息丢失的问题。同时，在本发明中并未添加池化层，但是基于这一结构却能够避免池化抽象过程导致信息丢失的问题。
多层卷积运算之后需要通过激活函数将特征图前馈输出到长短时记忆网络层中。
步骤7：建立长短时记忆元组模型。
长短时记忆元组模型在每一次计算过程中加入了贯穿整个时间序列的“细胞状态”和判断信息是否有用的“处理器”。
上述处理器包含了输入门、遗忘门和输出门。其中，遗忘门通过Sigmoid函数决定上一时刻信息中需要舍弃的内容以得到输出ft，输入门通过sigmoid和tanh函数共同配合，决定上一时刻信息中需要保留的部分以得到输出it。而Ot代表输出门的计算结果，通过tanh函数激活后得到当前时刻的输出数据Ct，然后以此类推针对每一个时间步长进行反复计算。
步骤8：在激活函数的选择上，本发明采用Leaky ReLU为激活函数，以在避免死节点的同时，体现数据中的非线性特征。
还有，本发明对形成的卷积长短时记忆网络模型结构使用dropout操作，以使卷积长短时记忆网络模型更加“健壮”，避免过拟合现象的发生。其中，使用堆叠函数在步骤6和步骤7的每个中间隐藏层中加入dropout操作后，得到整个卷积长短时记忆网络的基本结构。
步骤9：定义损失函数与参数优化。
本发明采用交叉熵损失函数作为损失函数。为了对上述卷积长短时记忆网络模型中的权值和偏置进行优化，在训练过程中采用SGD优化算法对卷积长短时记忆网络模型进行求解，以使损失函数取值尽可能小。同时，在卷积长短时记忆网络模型的训练过程中，将所有训练数据样本对拆分成多个批次的训练样本，同时将处理后的历史运行数据随机打乱，以减少不确定性并防止过拟合。随着训练轮数的增加，训练误差逐渐降低，表明卷积长短时记忆网络模型能不断逼近实际故障下的参数变化特性。
步骤10：梳理卷积长短时记忆网络中的超参数。
步骤6、7和8在设定卷积长短时记忆网络模型的结构过程中，涉及到大量的超参数。对超参数进行梳理后得到的超参数包括：卷积层的层数和卷积核大小、卷积过程的步长、长短时记忆网络层的堆叠层数和图层单元数、全连接层的层数和每层中神经元个数、Dropout操作的参数比例设置。
步骤11：将步骤10中梳理得到的超参数作为待优化的蜂群位置，确定超参数的可行解域。采用步骤9中的损失函数和参数优化方法训练卷积长短时记忆网络模型。将卷积长短时记忆网络模型针对测试数据的准确率作为适应度函数，采用人工蜂群算法对卷积长短时记忆网络模型进行优化。在优化过程中，可以将全局搜索和局部搜索相结合，避免优化过程陷入局部最优。
步骤12：初始化卷积长短时记忆网络模型的初始参数，初始化人工蜂群算法中的种群规模、开采控制限值以及最大迭代次数，并随机产生初始蜂群位置，设置人工蜂群中的跟随蜂和引领蜂的数目都相等并负责执行开采过程。设置人工蜂群的侦察蜂的个数为1，并负责执行探索过程。然后使用人工蜂所对应的位置作为超参数解集，将测试数据的故障诊断准确率作为初始种群的适应度。
步骤13：判断当前迭代时间是否达到最大迭代时间，若大于等于最大迭代时间，则将当前得到的每个人工蜂对应的全局最优值传递回卷积长短时记忆网络模型。若小于最大迭代时间，则继续执行参数寻优计算。
步骤14：对引领蜂相应食物源的邻域进行一次搜索，人工蜂群中的引领蜂和跟随蜂采用公式(2)进行搜索以产生新食物源的位置，并计算新食物源的位置的适应度值。
Vij＝xij+Rij(xij-xkj) (2)
如果Vij的适应度值优于初始位置xi的适应度值，则用Vij代替初始位置xi，将Vij作为人工蜂的最终位置，否则保留该人工蜂的位置xi不变。
步骤15：计算所有xi的适应度值，并按公式(3)计算与xi相关的概率值pi：
Figure BDA0002618576030000151
其中，fiti是第i个解的适应度函数值，SN是解的个数。
这样，适应度高的人工蜂所在位置能招募到其他蜂群的概率会更高，可以引导蜂群向相对最优适应度的方向迁移，达到参数优化的效果。
步骤16：跟随蜂根据pi选择食物源，并根据位置更新公式(2)对邻域进行搜索以产生新解Vi，并再次计算其适应度值，如果新解Vi的适应度值优于xi，则用Vi代替xi，将Vi作为当前最好解，否则保留xi不变。
步骤17：判断是否有要放弃的解，即如果某个解连续经过开采控制限(设为3)次数的循环之后根据适应度函数判断有没有得到改善，那么侦察蜂根据公式(4)产生新解xi，并用新解xi来替代初始解(初始位置)：
Figure BDA0002618576030000152
然后通过计算该蜂群所对应的适应度值，并与前面的最好解进行对比，如果适应度值优于步骤16所得到的解，则将新解xi作为当前最好解，否则保留步骤16的解不变。
步骤18：若适应度值大于等于90％，则计数1次，若连续计数大于等于5，则将得到全局最优超参数解的集合传递给卷积长短时记忆网络模型，完成超参数的寻优。最终可以得到针对训练数据所对应的最佳超参数，完成整个故障诊断模型的训练过程。若适应度值小于90％，则重复步骤14-步骤17，直到达到终止条件。
步骤19：在实际故障诊断的过程中，将发生异常后的数据按照步骤1-步骤4的内容进行数据预处理，以保证数据的处理方式与训练数据完全一致。
步骤20：利用步骤18优化好的卷积长短时记忆网络模型进行实际核动力装置故障的诊断，得到分类结果。
为了对模型的故障诊断结果进行评价，本发明采用混淆矩阵和故障诊断准确率作为指标来评价本发明提供的核动力装置故障诊断模型的准确性和有效性。所得到的诊断结果可以供运行和决策人员进行参考，及时采取相关措施，在保证安全性的同时还可以提高经济性。
此外，针对上述提供的核动力装置故障诊断方法，本发明还对应提供了一种核动力装置故障诊断系统。如图5所示，该故障诊断系统包括：故障诊断模型获取模块1、运行数据获取模块2和故障类别及概率确定模块3。
其中，故障诊断模型获取模块1用于获取训练好的核动力装置故障诊断模型。核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型。
运行数据获取模块2用于采用传感器获取核动力装置中各子系统的运行数据。
故障类别及概率确定模块3用于根据运行数据，采用核动力装置故障诊断模型确定子系统的故障类别以及与故障类别相对应的故障概率。
作为本发明的一优选实施例，上述故障诊断系统还可以包括：历史运行数据获取模块、仿真数据确定模块、标定采样模块和模型训练模块。
历史运行数据获取模块用于获取核动力装置各子系统的的历史运行数据。
仿真数据确定模块用于根据历史运行数据得到仿真数据。
标定采样模块用于对仿真数据进行标定采样，得到核动力装置的故障类别，以及与该故障类别相对应的故障出现概率。
模型训练模块用于将历史运行数据、故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型。
上述模型训练模块具体包括：模型确定单元。该模型确定单元用于以交叉熵损失函数作为损失函数，将训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对核动力装置故障诊断模型进行求解，当损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。
作为本发明的另一优选实施例，上述故障诊断系统还可以包括：初始模型生成模块、超参数确定模块、全局最优值确定模块和故障诊断模型构建模块。
初始模型生成模块用于生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型。中间隐藏层包括多层卷积层和多层长短时记忆模型层。
超参数确定模块用于确定卷积长短时记忆网络初始模型的超参数。超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例。
全局最优值确定模块用于以超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值。全局最优解为人工蜂的位置。
故障诊断模型构建模块用于根据全局最优值确定超参数的最终值，并将超参数的最终值传递回卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型。卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。
综上，本发明选择人工智能和模式识别技术实现核动力装置故障智能诊断的过程中，由于深度学习方法可以避免人工选择特征参数、诊断结果的稳定性和准确性更好，所以采用深度学习技术进行智能故障诊断。采用该智能诊断方法相较于现有技术具有以下优势：
首先，利用卷积神经网络的思想采用多层卷积核提取数据特征，可以得到输入样本的比例缩放、平移、旋转等形式不变的特征表示，能够充分发挥卷积神经网络的优势，便于对核动力装置故障过程中测量得到的特征参数进行深度提取，进而能够期充分获取蕴含在数据中的重要特征。
其次，由于多层卷积核的操作是在局部序列上进行的，因此具有平移不变的特性，且并不会改变特征的时序，能够有效地进行特征提取，而不需要人为去选择特征。
但是，卷积核没有考虑故障数据之间的顺序和关联性，将每一时刻的故障数据都认为是独立的，而无法处理不同时序之间的相关性。因此，本发明在多层卷积核的基础上，引入长短时记忆网络进行时序关联数据的模式识别，形成卷积长短时记忆网络模型，以能够充分结合卷积核的特征提取能力得到相对准确的故障诊断结果。
同时，本发明虽建立了卷积长短时记忆网络故障诊断模型，但是在进行核动力装置的故障诊断时，该模型需要设置大量的超参数，最终诊断结果的好坏严重依赖于超参数的设置。再加上深度学习方法采用了几倍于传统浅层机器学习模型的深层结构，在计算效率上远远低于浅层模型，同时诊断准确率也会大打折扣。因此，本发明针对这一问题提出人工蜂群算法对卷积长短时记忆网络中涉及到的重要参数进行启发式迭代优化，以提高故障诊断的效率。
再者，本发明提出的卷积长短时记忆网络和人工蜂群算法可以自适应地对核动力装置的不同子系统甚至是其他类型的动力装置进行准确诊断，且具有稳定性和通用性好的特点，以在提高故障诊断准确率的同时，为运行人员提供分析和参考依据，进而提高核动力装置的安全性和可靠性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种核动力装置故障诊断方法，其特征在于，包括：
获取训练好的核动力装置故障诊断模型；所述核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型；
采用传感器获取核动力装置中各子系统的运行数据；
根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。
2.根据权利要求1所述的核动力装置故障诊断方法，其特征在于，在所述获取训练好的核动力装置故障诊断模型之前，包括：
获取核动力装置各子系统的的历史运行数据；
根据所述历史运行数据得到仿真数据；
对所述仿真数据进行标定采样，得到所述核动力装置的故障类别，以及与该故障类别相对应的故障出现概率；
将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型。
3.根据权利要求2所述的核动力装置故障诊断方法，其特征在于，所述将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型，具体包括：
以交叉熵损失函数作为损失函数，将所述训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对所述核动力装置故障诊断模型进行求解，当所述损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。
4.根据权利要求1所述的核动力装置故障诊断方法，其特征在于，所述核动力装置故障诊断模型的构建过程包括：
生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型；所述中间隐藏层包括多层卷积层和多层长短时记忆模型层；
确定所述卷积长短时记忆网络初始模型的超参数；所述超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例；
以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值；所述全局最优解为所述人工蜂的位置；
根据所述全局最优值确定所述超参数的最终值，并将所述超参数的最终值传递回所述卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型；所述卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。
5.根据权利要求4所述的核动力装置故障诊断方法，其特征在于，所述以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值，具体包括：
初始化所述卷积长短时记忆网络初始模型的初始参数，初始化所述人工蜂群算法中的种群规模、开采控制限值以及最大迭代次数，并获取预设的初始蜂群位置；
以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优；所述人工蜂包括跟随蜂、引领蜂和侦察蜂；预设跟随蜂和引领蜂的数目相等，且所述跟随蜂和引领蜂执行开采过程；侦察蜂的个数为设定值，且所述侦察蜂执行探索过程；
获取预设的最大迭代时间；
判断当前迭代时间是否大于所述最大迭代时间，若所述当前迭代时间大于等于所述最大迭代时间，则将当前得到的与每个人工蜂对应的全局最优值传递回所述卷积长短时记忆网络初始模型；若所述当前迭代时间小于所述最大迭代时间，则返回步骤“以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优”，直至所述当前迭代时间大于等于所述最大迭代时间。
6.根据权利要求5所述的核动力装置故障诊断方法，其特征在于，所述跟随蜂和引领蜂执行开采过程，具体包括：
所述引领蜂采用公式Vij＝xij+Rij(xij-xkj)对引领蜂相应食物源的邻域进行搜索得到所述引领蜂的新食物源的位置；其中，Vij是新食物源的位置，Rij是一个[-1,1]之间的随机数，k∈{1,2，…，SN}，SN是解的个数
获取所述新食物源的位置的适应度值和所述引领蜂的初始位置的适应度值；
根据所述新食物源的位置的适应度值和所述引领蜂的初始位置的适应度值确定所述引领蜂的最终位置，具体包括：若所述新食物源的位置的适应度值优于所述初始位置的适应度值，则将所述新食物源的位置作为所述引领蜂的最终位置，反之，则将所述初始位置作为所述引领蜂的最终位置；
根据所述引领蜂的最终位置和与所述最终位置相对应的适应度值确定概率值；
所述跟随蜂根据所述概率值选择食物源，并执行与所述引领蜂相同的开采过程以确定所述跟随蜂的最终位置。
7.根据权利要求6所述的核动力装置故障诊断方法，其特征在于，所述侦察蜂执行探索过程，具体包括：
获取所述跟随蜂和所述引领蜂的预设开采次数；
判断所述跟随蜂和所述引领蜂的开采次数是否达到预设开采次数，若达到所述预设开采次数，则判断根据适应度函数确定的适应度值是否达到预设值，若没有达到所述预设值，则所述侦察蜂根据公式
Figure FDA0002618576020000031
确定新解
Figure FDA0002618576020000032
并用所述新解
Figure FDA0002618576020000033
代替所侦察蜂的初始位置；其中，
Figure FDA0002618576020000034
是蜂群搜索的上下界；
重复“判断所述跟随蜂和所述引领蜂的开采次数是否达到预设开采次数，若达到所述预设开采次数，则判断根据适应度函数确定的适应度值是否达到预设值，若没有达到所述预设值，则所述侦察蜂根据公式
Figure FDA0002618576020000041
确定新解
Figure FDA0002618576020000042
并用所述新解
Figure FDA0002618576020000043
代替所侦察蜂的初始位置”，直至所述适应度值连续大于等于所述预设值的次数达到预设次数时，输出所述跟随蜂、所述引领蜂和所述侦察蜂的位置。
8.一种核动力装置故障诊断系统，其特征在于，包括：
故障诊断模型获取模块，用于获取训练好的核动力装置故障诊断模型；所述核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型；
运行数据获取模块，用于采用传感器获取核动力装置中各子系统的运行数据；
故障类别及概率确定模块，用于根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。
9.根据权利要求8所述的核动力装置故障诊断系统，其特征在于，还包括：
历史运行数据获取模块，用于获取核动力装置各子系统的的历史运行数据；
仿真数据确定模块，用于根据所述历史运行数据得到仿真数据；
标定采样模块，用于对所述仿真数据进行标定采样，得到所述核动力装置的故障类别，以及与该故障类别相对应的故障出现概率；
模型训练模块，用于将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型；
所述模型训练模块，具体包括：
模型确定单元，用于以交叉熵损失函数作为损失函数，将所述训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对所述核动力装置故障诊断模型进行求解，当所述损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。
10.根据权利要求8所述的核动力装置故障诊断系统，其特征在于，还包括：
初始模型生成模块，用于生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型；所述中间隐藏层包括多层卷积层和多层长短时记忆模型层；
超参数确定模块，用于确定所述卷积长短时记忆网络初始模型的超参数；所述超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例；
全局最优值确定模块，用于以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值；所述全局最优解为所述人工蜂的位置；
故障诊断模型构建模块，用于根据所述全局最优值确定所述超参数的最终值，并将所述超参数的最终值传递回所述卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型；所述卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。
CN202010776373.3A 2020-08-05 2020-08-05 一种核动力装置故障诊断方法和系统 Active CN111881627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010776373.3A CN111881627B (zh) 2020-08-05 2020-08-05 一种核动力装置故障诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010776373.3A CN111881627B (zh) 2020-08-05 2020-08-05 一种核动力装置故障诊断方法和系统

Publications (2)

Publication Number Publication Date
CN111881627A true CN111881627A (zh) 2020-11-03
CN111881627B CN111881627B (zh) 2023-07-18

Family

ID=73211456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010776373.3A Active CN111881627B (zh) 2020-08-05 2020-08-05 一种核动力装置故障诊断方法和系统

Country Status (1)

Country Link
CN (1) CN111881627B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036087A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种多策略融合的核动力关键设备故障诊断方法及系统
CN112327701A (zh) * 2020-11-09 2021-02-05 浙江大学 面向非线性动态工业过程的慢特征网络监测方法
CN113112000A (zh) * 2021-03-29 2021-07-13 太原科技大学 一种多层次卷积神经网络模型的构建方法及应用
CN114186617A (zh) * 2021-11-23 2022-03-15 浙江大学 一种基于分布式深度学习的机械故障诊断方法
WO2024087404A1 (zh) * 2022-10-25 2024-05-02 中广核研究院有限公司 核反应堆故障判定方法、装置、设备、存储介质和产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808509A (zh) * 2014-02-19 2014-05-21 华北电力大学（保定） 一种基于人工智能算法的风机齿轮箱故障诊断方法
CN108169639A (zh) * 2017-12-29 2018-06-15 南京康尼环网开关设备有限公司 基于并行长短时记忆神经网络的识别开关柜故障的方法
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110109015A (zh) * 2019-05-31 2019-08-09 中南大学 一种基于深度学习的异步电动机故障监测与诊断方法
CN110334866A (zh) * 2019-07-05 2019-10-15 上海交通大学 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103808509A (zh) * 2014-02-19 2014-05-21 华北电力大学（保定） 一种基于人工智能算法的风机齿轮箱故障诊断方法
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108169639A (zh) * 2017-12-29 2018-06-15 南京康尼环网开关设备有限公司 基于并行长短时记忆神经网络的识别开关柜故障的方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110109015A (zh) * 2019-05-31 2019-08-09 中南大学 一种基于深度学习的异步电动机故障监测与诊断方法
CN110334866A (zh) * 2019-07-05 2019-10-15 上海交通大学 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
MINHEE KIM: ""RNN-Based online anomaly detection in nuclear reactors for highly imbalanced datasets with uncertainty"", 《NUCLEAR ENGINEERING AND DESIGN》 *
MIN-JUNPENG,HANGWANG: ""An intelligent hybrid methodology of on-line system-level fault diagnosis for nuclear power plant"", 《NUCLEAR ENGINEERING AND TECHNOLOGY》 *
WANG HANG: ""A hybrid fault diagnosis methodology with support vector machine and improved particle swarm optimization for nuclear power plants"", 《ISA TRANSACTIONS》 *
崔乃刚;郭冬子;王瑞鸣;王铭泽;韦常柱;: "飞航导弹智能故障诊断与容错控制", 战术导弹技术 *
张树团;张晓斌;雷涛;邸亚洲;: "基于粒子群算法和支持向量机的故障诊断研究", 计算机测量与控制 *
李晓冬: ""M-P人工神经网络用于核电站故障诊断系统"", 《清华大学学报(自然科学版)》 *
程起泽: ""基于CNN-LSTM的太阳能光伏组件故障诊断研究"", 《电子技术应用》 *
程起泽;陈泽华;张?钦;蒋文杰;刘晓峰;沈亮;: "基于CNN-LSTM的太阳能光伏组件故障诊断研究", 电子技术应用 *
高丹妮;: "基于AQPSO-LSTM-BN的APU故障诊断模型", 信息技术与网络安全 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036087A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种多策略融合的核动力关键设备故障诊断方法及系统
CN112327701A (zh) * 2020-11-09 2021-02-05 浙江大学 面向非线性动态工业过程的慢特征网络监测方法
CN112327701B (zh) * 2020-11-09 2021-11-02 浙江大学 面向非线性动态工业过程的慢特征网络监测方法
CN113112000A (zh) * 2021-03-29 2021-07-13 太原科技大学 一种多层次卷积神经网络模型的构建方法及应用
CN113112000B (zh) * 2021-03-29 2022-11-25 太原科技大学 一种多层次卷积神经网络模型的构建方法及应用
CN114186617A (zh) * 2021-11-23 2022-03-15 浙江大学 一种基于分布式深度学习的机械故障诊断方法
WO2024087404A1 (zh) * 2022-10-25 2024-05-02 中广核研究院有限公司 核反应堆故障判定方法、装置、设备、存储介质和产品

Also Published As

Publication number Publication date
CN111881627B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN111881627A (zh) 一种核动力装置故障诊断方法和系统
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN111899905B (zh) 一种基于核动力装置的故障诊断方法及系统
CN108921230A (zh) 基于类均值核主元分析和bp神经网络的故障诊断方法
CN111767657B (zh) 一种核动力系统故障诊断方法和系统
Yue et al. An end-to-end model based on cnn-lstm for industrial fault diagnosis and prognosis
CN110705812A (zh) 一种基于模糊神经网络的工业故障分析系统
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
Peng et al. A mixed intelligent condition monitoring method for nuclear power plant
CN115510975A (zh) 基于并行Transofmer-GRU的多变量时序异常检测方法及系统
CN112699597A (zh) 一种核电启动水泵滚动轴承故障检测方法及系统
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
Di et al. Fault diagnosis of rotating machinery based on domain adversarial training of neural networks
CN117032165A (zh) 一种工业设备故障诊断方法
CN107689015A (zh) 一种改进的电力系统不良数据辨识方法
CN114581699A (zh) 考虑多源信息时基于深度学习模型的变压器状态评估方法
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
Zhang et al. Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels
CN117113202A (zh) 基于联合误差堆叠模型的电力回路能耗检测方法及设备
CN112036496A (zh) 一种核动力装置故障诊断方法及系统
CN116383747A (zh) 基于多时间尺度深度卷积生成对抗网络的异常检测方法
GB2623358A (en) Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network
CN113780230A (zh) 一种基于不变时空注意融合网络的不平衡故障诊断方法
CN115184734A (zh) 一种电网线路故障检测方法和系统

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