CN111899905B - 一种基于核动力装置的故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种基于核动力装置的故障诊断方法及系统。所述方法包括获取核动力装置的历史的运行数据；根据所述历史的运行数据构建卷积神经网络；采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络；获取所述核动力装置的待监测的运行数据；根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。本发明所提供的一种基于核动力装置的故障诊断方法及系统，提高核动力装置的故障诊断的效率和准确性。

Description

一种基于核动力装置的故障诊断方法及系统

技术领域

本发明涉及核动力装置的故障诊断领域，特别是涉及一种基于核动力装置的故障诊断方法及系统。

背景技术

核动力装置结构复杂，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，对于核动力装置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。核动力装置运行环境恶劣，系统关键设备在长期连续工作，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，核动力装置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、核动力装置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，这能有效提高核动力装置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。在核动力领域，典型的研究成果包括美国阿贡实验室开发面向操纵员的运行决策支持系统；欧盟Halden反应堆项目开发的运行状态监测和诊断系统；韩国科学技术院开发了一个事故诊断咨询系统用于核电厂的故障诊断；清华大学研究开发了 200MW核供热站故障诊断系统，哈尔滨工程大学设计开发了核动力装置运行支持系统，其中包括了状态监测、警报分析、故障诊断、应急操作指导等功能。

在故障诊断方法上，可以划分为基于定量解析模型方法、基于定性经验知识的方法及基于历史数据的方法三类。在基于定量解析模型的故障诊断方法方面，为了解决非线性系统故障问题，Wiinnenberg首次提出非线性未知观测器的故障诊断方法。针对非线性离散系统，Julier等提出基于滤波器的故障诊断方法，并加入了表征输入下的sigma点随机分布，进一步提高了非线性滤波器的故障诊断精度。等价空间法最早由Chow和 Willsky在1984年提出来；1997年，Isermann和Balle对基于解析模型方法以及其中的等价空间法做了详细的综述。90年代，美国空军采用等价空间法实现了飞机控制系统的故障检测与分离。但是，针对非线性系统，由于很难建立其精确的数学模型，因此这类方法的应用受到了严重的限制。

在基于定性经验知识的故障诊断研究方面，它们无需建立系统的解析模型，且诊断结果易于理解、鲁棒性好；但是存在专家知识获取困难；当规则较多时，推理过程中存在匹配冲突、组合爆炸等问题。早在1980 年，专家系统被应用于故障诊断，这是人类第一次将过去学习到的经验转化为一套用于故障诊断的评估系统。Pang等提出了基于分布式的专家系统，可以将专家系统的功能分布到多个处理器并行工作，从而提高系统的处理效率。BO等针对现在可用的各种专家系统具有低通用性和低可扩展性的双重问题，提出了面向对象的知识表示方法，使得特定机器的故障规则都可以用一般规则去解决。由于测点有限的原因，获取到的故障现象会呈现出模糊性，模糊故障法的引入有利于解决检测和诊断遇到的信息不精确、不确定和噪声等问题。Liu等提出将模糊测度与模糊积分结合对机械故障数据进行分析，在轴承和电机故障诊断方面表现很好。

在基于历史数据的故障诊断方面，其相对于前述两种方法的优点是不需要建立堆芯的精确解析模型，可以直接对数据或者信号进行处理。因此，此类方法通用性广，在线性系统和非线性系统都有广泛的应用。基于历史数据的方法主要包括基于多变量统计方法、基于信号分析的故障诊断方法和基于人工智能和模式识别的故障诊断方法：

(1)基于多变量统计方法如主元分析法(PCA)、核主元分析法、独立分量分析法等在上世纪末期快速发展。Misra等提出PCA及其改进方法在实际工业过程故障检测中的应用，提出的改进方法MSPCA相对于传统的基于PCA的方法，大幅度降低了误报率；但是这类方法主要应用于故障检测，对于故障原因的识别和分类效果较差。

(2)基于信号分析的故障诊断方法在上世纪80年代才开始兴起，此类方法主要包括小波变换、希尔伯特一黄变换、S变换等。基于小波变换是目前处理信号最常用的方法，也是目前最可靠的方法。Leung等综述小波变换在化学分析中的应用，用于分析化学不同领域的噪声消除和数据压缩。在实际工业过程，取得的信号一般都存在各种形式的噪声，可用基于信号分析的方法对含有噪声的有用信号进行分解，达到区分有用信号与噪声的作用，因此基于信号分析的方法主要用在数据去噪、预处理等方面。由于信号分析的方法本身不具备模式识别和分类的能力，因此多是将基于信号分析的方法与模式识别方法结合在一起使用。

(3)基于人工智能和模式识别的方法。早在1988年，己有学者将神经网络应用到旋转机械的故障诊断。现在应用于故障检测与诊断的神经网络类型主要有：自适应网络、径向基网络(RBF网络)、反向传播算法(BP 网络)等。Venkata subramanian等首次提出将BP网络应用于过程故障诊断。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采用基于人工神经网络的策略检测钠冷快堆的堆芯组件堵塞故障，

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。除了浅层神经网络外，还有许多学者应用逻辑斯特回归、支持向量机、决策树等多种模型进行了故障诊断技术的研究。但是这些机器学习方法需要结合人工经验选择特征参数，网络训练稳定性较差同时准确率无法进一步提高，因此很难适应智能故障诊断的需求。随着人工智能技术的快速发展，深度学习的研究己经在图像识别、语音识别、自然语言、语言翻译等领域取得了巨大的成功。目前，基于深度学习算法的故障识别与诊断研究总体上都还处于初步探索阶段。 Tamilselvan等提出了基于深度置信网络的多传感器健康诊断方法。鲁春燕等基于深度置信网络实现了对炼化空压机故障的有效诊断，其结果也表明该方法诊断准确率和稳定性要好于传统的浅层神经网络。

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，因此采用深度学习技术进行智能故障诊断。卷积神经网络是一种特殊的深度神经网络，其作用原理是构建多个滤波器对输入样本逐层卷积和池化计算进行特征提取，逐层去挖掘数据中的隐藏信息。随着网络层数的增加，所提取和学习到的特征也变得更抽象，最终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，从而实现故障的诊断。相比与其他深度神经网络，其特有的局部连接、权重共享、下采样等特点可以使层与层之间建立非全连接空间关系来降低训练参数的数目，权重共享能够有效地避免算法过拟合，下采样充分利用数据本身包含的局部性等特征，减少数据维度，优化网络结构。因此，相对于其他浅层和深度神经网络，卷积神经网络更适合处理海量、高维度和高度非线性的数据，而核动力装置系统发生故障后的数据正符合这些特点。

但是，卷积神经网络在进行核动力装置的故障诊断时，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，带来了较大的不确定性，需要有人工经验的指导并且需要耗费大量的时间，且这样人工调试出来的参数也难以保证是否是最优参数，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。

发明内容

本发明的目的是提供一种基于核动力装置的故障诊断方法及系统，提高核动力装置的故障诊断的效率和准确性。

为实现上述目的，本发明提供了如下方案：

一种基于核动力装置的故障诊断方法，包括：

获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关；

根据所述历史的运行数据构建卷积神经网络；所述卷积神经网络以历史的运行数据为输入，以诊断结果为输出；所述诊断结果包括核动力装置处于正常工况或者核动力装置处于某一故障工况下；所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成；所述卷积神经网络的损失函数为交叉熵损失函数；

采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络；

获取所述核动力装置的待监测的运行数据；

根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。

可选的，所述根据所述历史的运行数据构建卷积神经网络，之前还包括：

对所述正常工况下的运行数据和各所述故障工况下的运行数据分别进行标注；

对标注后的正常工况下的运行数据和各标注后的故障工况下的运行数据采用设定标准进行标准化；

对标准化后的正常工况下的运行数据和各标准化后的故障工况下的运行数据采用设定尺度进行归一化；

利用相空间重构将归一化后的正常工况下的运行数据和各归一化后的故障工况下的运行数据转换为三维堆叠数据块。

可选的，所述根据所述历史的运行数据构建卷积神经网络，之后还包括：

利用堆叠函数在所述卷积神经网络中的中间隐藏层加入dropout操作。

可选的，所述采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络，之前还包括：

获取所述卷积神经网络的超参数；将所述超参数作为待优化的粒子；所述超参数为中间隐藏层的层数、卷积层的卷积核大小、卷积过程的步长、特征图的数量、池化层的大小、池化层的步长、特征图数量、全连接层的层数和每层中神经元个数以及Dropout操作的参数比例设置；

根据所述卷积神经网络的超参数确定所述超参数的可行解域；

根据所述历史的运行数据和所述卷积神经网络确定所述卷积神经网络的准确率；

根据所述准确率确定适应度函数。

可选的，所述采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络，具体包括：

对所述卷积神经网络进行初始化；

根据初始化的卷积神经网络确定每一所述超参数的初始位置、初始速度、初始惯性权重以及初始学习因子；

根据每一所述超参数的初始位置、初始速度、初始惯性权重、初始学习因子、初始社会学习因子以及所述适应度函数确定初始种群的适应度；

采用非线性调整算法对初始惯性权重、初始认知学习因子和初始社会学习因子进行迭代更新；

根据每一所述超参数的迁移速度确定每一所述超参数的更新位置；

根据更新后的初始惯性权重、更新后的初始认知学习因子、更新后的初始社会学习因子以及更新后的位置确定每一所述超参数对应的全局最优值；

将每一所述超参数对应的全局最优值替代所述卷积神经网络的超参数，确定优化后的卷积神经网络。

一种基于核动力装置的故障诊断系统，包括：

历史的运行数据获取模块，用于获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关；

卷积神经网络构建模块，用于根据所述历史的运行数据构建卷积神经网络；所述卷积神经网络以历史的运行数据为输入，以诊断结果为输出；所述诊断结果包括核动力装置处于正常工况或者核动力装置处于某一故障工况下；所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成；所述卷积神经网络的损失函数为交叉熵损失函数；

卷积神经网络优化模块，用于采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络；

待监测的运行数据获取模块，用于获取所述核动力装置的待监测的运行数据；

诊断结果确定模块，用于根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。

可选的，还包括：

标注模块，用于对所述正常工况下的运行数据和各所述故障工况下的运行数据分别进行标注；

标准化模块，用于对标注后的正常工况下的运行数据和各标注后的故障工况下的运行数据采用设定标准进行标准化；

归一化模块，用于对标准化后的正常工况下的运行数据和各标准化后的故障工况下的运行数据采用设定尺度进行归一化；

相空间重构模块，用于利用相空间重构将归一化后的正常工况下的运行数据和各归一化后的故障工况下的运行数据转换为三维堆叠数据块。

可选的，还包括：

dropout操作加入模块，用于利用堆叠函数在所述卷积神经网络中的中间隐藏层加入dropout操作。

可选的，还包括：

超参数获取模块，用于获取所述卷积神经网络的超参数；将所述超参数作为待优化的粒子；所述超参数为中间隐藏层的层数、卷积层的卷积核大小、卷积过程的步长、特征图的数量、池化层的大小、池化层的步长、特征图数量、全连接层的层数和每层中神经元个数以及Dropout操作的参数比例设置；

超参数的可行解域确定模块，用于根据所述卷积神经网络的超参数确定所述超参数的可行解域；

卷积神经网络的准确率确定模块，用于根据所述历史的运行数据和所述卷积神经网络确定所述卷积神经网络的准确率；

适应度函数确定模块，用于根据所述准确率确定适应度函数。

可选的，所述卷积神经网络优化模块具体包括：

初始化单元，用于对所述卷积神经网络进行初始化；

初始参数确定单元，用于根据初始化的卷积神经网络确定每一所述超参数的初始位置、初始速度、初始惯性权重以及初始学习因子；

初始种群的适应度确定单元，用于根据每一所述超参数的初始位置、初始速度、初始惯性权重、初始学习因子、初始社会学习因子以及所述适应度函数确定初始种群的适应度；

第一更新单元，用于采用非线性调整算法对初始惯性权重、初始认知学习因子和初始社会学习因子进行迭代更新；

第二更新单元，用于根据每一所述超参数的迁移速度确定每一所述超参数的更新位置；

全局最优值确定单元，用于根据更新后的初始惯性权重、更新后的初始认知学习因子、更新后的初始社会学习因子以及更新后的位置确定每一所述超参数对应的全局最优值；

优化后的卷积神经网络确定单元，用于将每一所述超参数对应的全局最优值替代所述卷积神经网络的超参数，确定优化后的卷积神经网络。

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：

本发明所提供的一种基于核动力装置的故障诊断方法及系统，通过根据所述历史的运行数据构建卷积神经网络，并通过采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络可以自适应地根据参数变化特点设置卷积神经网络的超参数，不需要像传统算法那样手动设置这些参数，避免受人为影响因素过大，很难达到最佳效果的问题。通过小卷积核堆叠形成卷积神经网络，可以灵活地调整感受野的大小并达到较好的诊断精度；通过多策略融合的粒子群可以卷积神经网络中的超参数在可行域内进行全面搜索，避免陷入局部最优。最终，本发明所述方法能够自适应地、准确地、快速地诊断出核动力装置中潜在的故障原因，为运行人员提供分析和参考依据。进而提高了核动力装置的故障诊断的效率和准确性。

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为本发明所提供的一种基于核动力装置的故障诊断方法流程示意图；

图2为卷积神经网络结构原理图；

图3为采用多策略融合粒子群算法优化所述卷积神经网络流程示意图；

图4为本发明所提供的一种基于核动力装置的故障诊断系统结构示意图。

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基于核动力装置的故障诊断方法及系统，提高核动力装置的故障诊断的效率和准确性。

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1为本发明所提供的一种基于核动力装置的故障诊断方法流程示意图，如图1所示，本发明所提供的一种基于核动力装置的故障诊断方法，包括：

S101，获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关。

其中，各种故障工况下的运行数据利用模拟机仿真得到。

为了进一步的提高诊断的准确性，将运行数据记性分类别的管理。

S102，根据所述历史的运行数据构建卷积神经网络，并如图2所示；所述卷积神经网络以历史的运行数据为输入，以诊断结果为输出；所述诊断结果包括核动力装置处于正常工况或者核动力装置处于某一故障工况下；所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成；所述卷积神经网络的损失函数为交叉熵损失函数。

其中，卷积层采用公式

进行特征的提取，卷积运算之后需要通过激活函数对特征图前馈输出到池化层，其中l为第l卷积层，k为卷积核，b为偏置参数，

为第l层的输出，

为第l-1层的输入，特征图为M_j。

采用Leaky ReLU激活函数，能够在ReLU激活函数的基础上避免死节点，更能够体现数据中的非线性特征；池化层的计算采用公式

其中

为第l层的输出，

为第l-1层的输入，down 为池化函数，β为第l层的网络乘性偏置，b为偏置；本发明采用最大池化计算，池化操作可以对训练数据进行下采样，防止模型过拟合现象的发生。

本发明采用交叉熵损失函数作为损失函数。为了对上述卷积神经网络中的权值和偏置进行优化，在训练过程中采用SGD优化算法对网络进行求解，以使损失函数取值尽可能小。

在S102之前还包括：

对所述正常工况下的运行数据和各所述故障工况下的运行数据分别进行标注。

为了避免量纲不一致以及过大和过小数据对训练过程的影响，对标注后的正常工况下的运行数据和各标注后的故障工况下的运行数据采用设定标准进行标准化。

对标准化后的正常工况下的运行数据和各标准化后的故障工况下的运行数据采用设定尺度进行归一化。将同一参数的所有数据值都映射到[0，1]之间。转换函数：x*＝(x-min)/(max-min),其中max为同一运行数据中的最大值，min为同一运行数据中的最小值。

由于二维卷积神经网络的输入数据至少是三维数据，其中第一维代表数据总量，第二维代表单个数据的长度，第三维代表单个数据的宽度，而归一化后的运行数据是二维数组，其第一维代表数据总量，第二维代表特征参数的维度。为了使核动力装置的数据能够输入到卷积神经网络中进行有效的故障诊断，利用相空间重构将归一化后的正常工况下的运行数据和各归一化后的故障工况下的运行数据转换为三维堆叠数据块。其中，间隔时间设定为1s,滑动时窗长度设定为20s。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，N为数据总量， D是特征参数的维度，num_steps是滑动时窗的长度，由于每次滑动过程中数据之间都有重叠，总数据输入长度是(N-num_steps+1)。

在S102之后还包括：

为了避免过拟合现象的发生，利用堆叠函数在所述卷积神经网络中的中间隐藏层加入dropout操作。

S103，采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络。

在S103之前还包括：

获取所述卷积神经网络的超参数；将所述超参数作为待优化的粒子；所述超参数为中间隐藏层的层数、卷积层的卷积核大小、卷积过程的步长、特征图的数量、池化层的大小、池化层的步长、特征图数量、全连接层的层数和每层中神经元个数以及Dropout操作的参数比例设置；

根据所述卷积神经网络的超参数确定所述超参数的可行解域；

根据所述历史的运行数据和所述卷积神经网络确定所述卷积神经网络的准确率；

根据所述准确率确定适应度函数。

S103具体包括：

对所述卷积神经网络进行初始化；

根据初始化的卷积神经网络确定每一所述超参数的初始位置、初始速度、初始惯性权重以及初始学习因子；

根据每一所述超参数的初始位置、初始速度、初始惯性权重、初始学习因子、初始社会学习因子以及所述适应度函数确定初始种群的适应度；

采用非线性调整算法对初始惯性权重、初始认知学习因子和初始社会学习因子进行迭代更新；

根据每一所述超参数的迁移速度确定每一所述超参数的更新位置；

根据更新后的初始惯性权重、更新后的初始认知学习因子、更新后的初始社会学习因子以及更新后的位置确定每一所述超参数对应的全局最优值；

将每一所述超参数对应的全局最优值替代所述卷积神经网络的超参数，确定优化后的卷积神经网络。

图3为采用多策略融合粒子群算法优化所述卷积神经网络流程示意图，如图3所示，具体的优化过程为：

1)初始化卷积神经网络模型和粒子群的初始位置、初始速度、惯性权重、学习因子等参数，然后使用每个粒子对应的值作为超参数、采用所述的损失函数和参数优化方法训练卷积神经网络模型，将测试数据的故障诊断准确率作为初始种群的适应度。

2)判断当前迭代时间是否达到最大时间，若大于等于最大迭代时间，则将当前得到的每个粒子对应的全局最优值传递回卷积神经网络模型；若小于最大迭代时间，则继续执行参数寻优计算。

3)采用非线性调整算法分别对粒子群算法中的惯性权重、认知学习因子和社会学习因子咋迭代过程中进行逐步调整，可以避免基本粒子群算法中线性递减权重与实际搜索过程的不匹配性。

4)按照速度公式更新粒子群的迁移速度，进而根据位置更新公式得到新一时刻下超参数所组成的粒子群中的粒子位置。分别计算适应度，并更新个体极值和全局极值。

5)采用自适应的大尺度变异保证算法对粒子群进行随机变异，变异公式如5.45所示，其中rand和rand1分别代表两个独立的0到1之间的随机数。粒子可以进行较大幅度的变化，很好地避免了陷入局部最优。

然后，重新计算变异后的所有粒子适应度值，经过比较后得到全局最优粒子，并计算该粒子的适应度值。

6)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神经网络，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％，则回到步骤2)，重复步骤 2)-5)，直到达到终止条件。

S104，获取所述核动力装置的待监测的运行数据。

S105，根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。

为了对卷积神经网络的剩余使用寿命预测结果进行评价，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所述卷积神经网络的准确性和有效性。相关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。

本发明所提供的一种基于核动力装置的故障诊断方法，通过结合多策略融合的粒子群优化算法，可以自适应地根据参数变化特点设置卷积神经网络的超参数，不需要像传统算法那样手动设置这些参数，避免受人为影响因素过大，很难达到最佳效果的问题。通过小卷积核堆叠形成卷积神经网络，可以灵活地调整感受野的大小并达到较好的诊断精度；通过多策略融合的粒子群可以卷积神经网络中的超参数在可行域内进行全面搜索，避免陷入局部最优。最终，本发明所述方法能够自适应地、准确地、快速地诊断出核动力装置中潜在的故障原因，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。

图4为本发明所提供的一种基于核动力装置的故障诊断系统结构示意图，如图4所示，本发明所提供的一种基于核动力装置的故障诊断系统，包括：历史的运行数据获取模块401、卷积神经网络构建模块402、卷积神经网络优化模块403、待监测的运行数据获取模块404和诊断结果确定模块405。

历史的运行数据获取模块401用于获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关。

卷积神经网络构建模块402用于根据所述历史的运行数据构建卷积神经网络；所述卷积神经网络以历史的运行数据为输入，以诊断结果为输出；所述诊断结果包括核动力装置处于正常工况或者核动力装置处于某一故障工况下；所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成；所述卷积神经网络的损失函数为交叉熵损失函数。

卷积神经网络优化模块403用于采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络。

待监测的运行数据获取模块404用于获取所述核动力装置的待监测的运行数据。

诊断结果确定模块405用于根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。

本发明所提供的一种基于核动力装置的故障诊断系统，还包括：标注模块、标准化模块、归一化模块和相空间重构模块。

标注模块用于对所述正常工况下的运行数据和各所述故障工况下的运行数据分别进行标注。

标准化模块用于对标注后的正常工况下的运行数据和各标注后的故障工况下的运行数据采用设定标准进行标准化。

归一化模块用于对标准化后的正常工况下的运行数据和各标准化后的故障工况下的运行数据采用设定尺度进行归一化。

相空间重构模块用于利用相空间重构将归一化后的正常工况下的运行数据和各归一化后的故障工况下的运行数据转换为三维堆叠数据块。

本发明所提供的一种基于核动力装置的故障诊断系统，还包括： dropout操作加入模块。

dropout操作加入模块用于利用堆叠函数在所述卷积神经网络中的中间隐藏层加入dropout操作。

本发明所提供的一种基于核动力装置的故障诊断系统，还包括：超参数获取模块、超参数的可行解域确定模块、卷积神经网络的准确率确定模块和适应度函数确定模块。

超参数获取模块用于获取所述卷积神经网络的超参数；将所述超参数作为待优化的粒子；所述超参数为中间隐藏层的层数、卷积层的卷积核大小、卷积过程的步长、特征图的数量、池化层的大小、池化层的步长、特征图数量、全连接层的层数和每层中神经元个数以及Dropout操作的参数比例设置。

超参数的可行解域确定模块用于根据所述卷积神经网络的超参数确定所述超参数的可行解域。

卷积神经网络的准确率确定模块用于根据所述历史的运行数据和所述卷积神经网络确定所述卷积神经网络的准确率。

适应度函数确定模块用于根据所述准确率确定适应度函数。

所述卷积神经网络优化模块403具体包括：初始化单元、初始参数确定单元、初始种群的适应度确定单元、第一更新单元、第二更新单元、全局最优值确定单元和优化后的卷积神经网络确定单元。

初始化单元用于对所述卷积神经网络进行初始化。

初始参数确定单元用于根据初始化的卷积神经网络确定每一所述超参数的初始位置、初始速度、初始惯性权重以及初始学习因子。

初始种群的适应度确定单元用于根据每一所述超参数的初始位置、初始速度、初始惯性权重、初始学习因子、初始社会学习因子以及所述适应度函数确定初始种群的适应度。

第一更新单元用于采用非线性调整算法对初始惯性权重、初始认知学习因子和初始社会学习因子进行迭代更新。

第二更新单元用于根据每一所述超参数的迁移速度确定每一所述超参数的更新位置。

全局最优值确定单元用于根据更新后的初始惯性权重、更新后的初始认知学习因子、更新后的初始社会学习因子以及更新后的位置确定每一所述超参数对应的全局最优值。

优化后的卷积神经网络确定单元用于将每一所述超参数对应的全局最优值替代所述卷积神经网络的超参数，确定优化后的卷积神经网络。

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。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于核动力装置的故障诊断方法，其特征在于，包括：

获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关；

根据所述历史的运行数据构建卷积神经网络；所述卷积神经网络以历史的运行数据为输入，以诊断结果为输出；所述诊断结果包括核动力装置处于正常工况或者核动力装置处于某一故障工况下；所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成；所述卷积神经网络的损失函数为交叉熵损失函数；

采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络；

获取所述核动力装置的待监测的运行数据；

根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果；

所述采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络，之前还包括：

获取所述卷积神经网络的超参数；将所述超参数作为待优化的粒子；所述超参数为中间隐藏层的层数、卷积层的卷积核大小、卷积过程的步长、特征图的数量、池化层的大小、池化层的步长、特征图数量、全连接层的层数和每层中神经元个数以及Dropout操作的参数比例设置；

根据所述卷积神经网络的超参数确定所述超参数的可行解域；

根据所述历史的运行数据和所述卷积神经网络确定所述卷积神经网络的准确率；

根据所述准确率确定适应度函数；

所述采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络，具体包括：

对所述卷积神经网络进行初始化；

根据初始化的卷积神经网络确定每一超参数的初始位置、初始速度、初始惯性权重以及初始学习因子；

根据每一所述超参数的初始位置、初始速度、初始惯性权重、初始学习因子、初始社会学习因子以及所述适应度函数确定初始种群的适应度；

采用非线性调整算法对初始惯性权重、初始认知学习因子和初始社会学习因子进行迭代更新；

根据每一所述超参数的迁移速度确定每一所述超参数的更新位置；

根据更新后的初始惯性权重、更新后的初始认知学习因子、更新后的初始社会学习因子以及更新后的位置确定每一所述超参数对应的全局最优值；

将每一所述超参数对应的全局最优值替代所述卷积神经网络的超参数，确定优化后的卷积神经网络。

2.根据权利要求1所述的一种基于核动力装置的故障诊断方法，其特征在于，所述根据所述历史的运行数据构建卷积神经网络，之前还包括：

对所述正常工况下的运行数据和各所述故障工况下的运行数据分别进行标注；

对标注后的正常工况下的运行数据和各标注后的故障工况下的运行数据采用设定标准进行标准化；

对标准化后的正常工况下的运行数据和各标准化后的故障工况下的运行数据采用设定尺度进行归一化；

利用相空间重构将归一化后的正常工况下的运行数据和各归一化后的故障工况下的运行数据转换为三维堆叠数据块。

3.根据权利要求1所述的一种基于核动力装置的故障诊断方法，其特征在于，所述根据所述历史的运行数据构建卷积神经网络，之后还包括：

利用堆叠函数在所述卷积神经网络中的中间隐藏层加入dropout操作。

4.一种基于核动力装置的故障诊断系统，应用于权利要求1-3任意一项所述的一种基于核动力装置的故障诊断方法，其特征在于，包括：

历史的运行数据获取模块，用于获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关；

卷积神经网络构建模块，用于根据所述历史的运行数据构建卷积神经网络；所述卷积神经网络以历史的运行数据为输入，以诊断结果为输出；所述诊断结果包括核动力装置处于正常工况或者核动力装置处于某一故障工况下；所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成；所述卷积神经网络的损失函数为交叉熵损失函数；

卷积神经网络优化模块，用于采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络；

待监测的运行数据获取模块，用于获取所述核动力装置的待监测的运行数据；

诊断结果确定模块，用于根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。

5.根据权利要求4所述的一种基于核动力装置的故障诊断系统，其特征在于，还包括：

标注模块，用于对所述正常工况下的运行数据和各所述故障工况下的运行数据分别进行标注；

标准化模块，用于对标注后的正常工况下的运行数据和各标注后的故障工况下的运行数据采用设定标准进行标准化；

归一化模块，用于对标准化后的正常工况下的运行数据和各标准化后的故障工况下的运行数据采用设定尺度进行归一化；

相空间重构模块，用于利用相空间重构将归一化后的正常工况下的运行数据和各归一化后的故障工况下的运行数据转换为三维堆叠数据块。

6.根据权利要求4所述的一种基于核动力装置的故障诊断系统，其特征在于，还包括：

dropout操作加入模块，用于利用堆叠函数在所述卷积神经网络中的中间隐藏层加入dropout操作。

7.根据权利要求6所述的一种基于核动力装置的故障诊断系统，其特征在于，还包括：

超参数获取模块，用于获取所述卷积神经网络的超参数；将所述超参数作为待优化的粒子；所述超参数为中间隐藏层的层数、卷积层的卷积核大小、卷积过程的步长、特征图的数量、池化层的大小、池化层的步长、特征图数量、全连接层的层数和每层中神经元个数以及Dropout操作的参数比例设置；

超参数的可行解域确定模块，用于根据所述卷积神经网络的超参数确定所述超参数的可行解域；

卷积神经网络的准确率确定模块，用于根据所述历史的运行数据和所述卷积神经网络确定所述卷积神经网络的准确率；

适应度函数确定模块，用于根据所述准确率确定适应度函数。

8.根据权利要求7所述的一种基于核动力装置的故障诊断系统，其特征在于，所述卷积神经网络优化模块具体包括：

初始化单元，用于对所述卷积神经网络进行初始化；

初始参数确定单元，用于根据初始化的卷积神经网络确定每一所述超参数的初始位置、初始速度、初始惯性权重以及初始学习因子；

初始种群的适应度确定单元，用于根据每一所述超参数的初始位置、初始速度、初始惯性权重、初始学习因子、初始社会学习因子以及所述适应度函数确定初始种群的适应度；

第一更新单元，用于采用非线性调整算法对初始惯性权重、初始认知学习因子和初始社会学习因子进行迭代更新；

第二更新单元，用于根据每一所述超参数的迁移速度确定每一所述超参数的更新位置；

全局最优值确定单元，用于根据更新后的初始惯性权重、更新后的初始认知学习因子、更新后的初始社会学习因子以及更新后的位置确定每一所述超参数对应的全局最优值；

优化后的卷积神经网络确定单元，用于将每一所述超参数对应的全局最优值替代所述卷积神经网络的超参数，确定优化后的卷积神经网络。

Images