CN111913463A - 一种核电厂化学容积控制系统状态监测方法 - Google Patents

一种核电厂化学容积控制系统状态监测方法 Download PDF

Info

Publication number
CN111913463A
CN111913463A CN202010537150.1A CN202010537150A CN111913463A CN 111913463 A CN111913463 A CN 111913463A CN 202010537150 A CN202010537150 A CN 202010537150A CN 111913463 A CN111913463 A CN 111913463A
Authority
CN
China
Prior art keywords
value
data
matrix
nuclear power
distance
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
CN202010537150.1A
Other languages
English (en)
Other versions
CN111913463B (zh
Inventor
成玮
李芸
陈雪峰
张乐
周光辉
高琳
邢继
堵树宏
孙涛
徐钊
于方小稚
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010537150.1A priority Critical patent/CN111913463B/zh
Publication of CN111913463A publication Critical patent/CN111913463A/zh
Application granted granted Critical
Publication of CN111913463B publication Critical patent/CN111913463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明公开了一种核电厂化学容积控制系统状态监测方法。对从化容系统仪表采集的原始数据进行离群点剔除及补充，按标签进行分类以及去噪后进行趋势特征符号化处理，再基于shapelets学习的记忆矩阵选取。利用记忆矩阵与稳健欧几里得距离函数计算待测数据与记忆矩阵之间的距离，获得距离矩阵，综合核函数分配待测数据的权重矩阵。根据权重矩阵计算待测数据的估计值，将一组新的测量值与一组原型测量值或状态进行比较，以提供测点真实的估计值，作为输入信号的期望值，以表达设备正常运行时的状态。利用各原始数据，从时间序列中选取最能代表数据特征的子序列，获取数据有效特征，能有效减少维度灾难、噪声及随机误差影响，保证了模型准确性及鲁棒性。

Description

一种核电厂化学容积控制系统状态监测方法
技术领域
本发明属于电厂化学容积控制系统状态监测领域，特别涉及一种核电厂化学容积控制系统状态监测方法。
背景技术
核电厂的运营和维护成本占整个核电厂成本的60％～70％，燃料成本只占15％～30％。如果对核电机组故障进行预测并且实现健康管理可以预防性维护，将显著降低经济损失，因此基于状态的运营维护意义重大。状态监测(OLM)技术主要监测传感器及其相关设备回路状况。该技术能够有效降低维护成本以及误校准的可能性，以减少设备停机时间，极大降低核电厂运营维护成本及经济损失。化学和容积控制系统是核电厂反应堆冷却剂系统(RCP)的一个主要的辅助系统。它在反应堆的启动、停运及正常运行过程中都起着十分重要的作用，它保证了反应堆的冷却剂的水容积，化学特性的稳定和控制反应性的变化。目前国内对核电厂化容系统的研究目前主要聚焦在系统设计及动态特性仿真等方面，对化容系统的在线监测技术研究较少。国内核电厂状态监测技术研究起步晚，其中记忆矩阵选取停留在传统分段截取等方法上，没有充分考虑趋势及时序特征，且存在很大的信号冗余及噪声数据干扰，极大降低了状态监测的准确性和鲁棒性。因此，一种基于科学有效的记忆矩阵选取方法的核电厂化容系统状态监测方法亟待研究。
发明内容
本发明的目的在于提供一种核电厂化学容积控制系统状态监测方法，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种核电厂化学容积控制系统状态监测方法，包括以下步骤：
步骤1)，对从化容系统仪表采集的原始数据进行离群点剔除及补充，按标签进行分类以及去噪；
步骤2)，对分类以及去噪后的原始数据进行趋势特征符号化处理，再基于shapelets学习的记忆矩阵选取，计算检测模型的记忆矩阵；
步骤3)，利用步骤2)的记忆矩阵与稳健欧几里得距离函数计算待测数据与记忆矩阵之间的距离，获得距离矩阵；
步骤4)，根据距离矩阵，综合核函数分配待测数据的权重矩阵，根据权重矩阵计算待测数据的估计值；
步骤5)，计算待测数据的估计值和实时监测值的残差，将残差与化容系统设备运行状态阈值进行比较，获得核电厂化容系统设备或仪表的运行状态。
进一步的，对原始数据进行基于动态更新的3σ准则的离群点剔除及去噪。
进一步的，具体包括以下步骤：
a、获取i时刻之前所有从化容系统仪表采集的原始数据x(1)，x(2)，...，x(i)，计算相邻点间变化量的标准差σi；
b、比较当前时刻传感器测量值变化量δx(i)与3σi的大小，若|δx(i)|>3σi，转向步骤c，否则返回步骤a，进行下一时刻x(i+1)是否为离群点的检验；
c、重构传感器测量值中离群点x(i)：x(i)＝(x(i-1)+x(i+1))/2。
进一步的，在趋势特征符号化的过程中，首先对要符号化的序列进行分段，分段点用u表示，将每一段分割后的序列对应成一个二元组<K,u>，其中K是该段序列的斜率，其符号代表了该段序列的趋势，正表示上升趋势，负表示下降趋势，0保持平稳；u是该段序列的终点值，即分段过程产生的分段点，最后一段序列的终点值即为整条序列的终点值，对每一段分割后的序列计算出其对应的二元组值，即完成符号化。
进一步的，符号化完成后使用快速shapelets算法，获得shapelets候选集，对产生的shapelets候选集进行多样化top-k查询选出k个最具代表性的shapelets，去除冗余的shapelets，将最具有代表性的k个shapelets候选集留存；最后利用k个shapelets候选集，使用shapelets转换技术对原始数据集进行转换，从而获得检测模型所需的记忆矩阵X。
进一步的，计算待测数据与记忆矩阵之间的距离：
Figure BDA0002537412070000031
其中，dj是待测数据与记忆矩阵第j个时刻的距离，
Figure BDA0002537412070000032
是待测数据xq的第i个传感器的待测值，
Figure BDA0002537412070000033
是记忆矩阵第j个时刻第i个传感器的样本值，
Figure BDA0002537412070000034
是待测向量与记忆矩阵中第j个时刻向量的最大平方差；计算n个输入示例的距离的结果是n个距离的向量，即距离矩阵d：
Figure BDA0002537412070000035
进一步的，根据步骤3)获得的距离矩阵，进行相似性量化，根据距离矩阵d计算高斯核式：
Figure BDA0002537412070000036
其中，h为核函数的带宽，用于控制范围相近的有效距离；带宽较小(h＝0.1)的高斯核仅在距离非常接近于零时才产生较大的权重，而带宽较大的高斯核则为较大的距离范围分配较大的权重；
综合核函数分配待测数据的权重矩阵w：
Figure BDA0002537412070000041
对上面的结果进行输出估计：输出被预测为无误差样本向量的加权平均，将其转化为方程式形式，得到以下输出方程式：
Figure BDA0002537412070000042
式中，
Figure BDA0002537412070000043
即模型的输出值，即待测数据x的估计值；wi为第i个样本的权重，Xi,j是记忆矩阵中第j个传感器的第i个时刻的样本。
进一步的，计算估计值和实时监测值的残差，将该残差及设定的预警阈值及故障阈值进行对比分析，判断估计值和实时监测值的残差是否小于预警阈值，如果估计值和实时监测值的残差小于预警阈值，则判定化容系统回路设备正常；如果估计值和实时监测值的残差大于等于预警阈值，则判断估计值和实时监测值的残差是否介于该预警阈值及该故障阈值之间，如果估计值和实时监测值的残差介于预警阈值和故障阈值之间，则执行判定该核电设备运行异常，存在风险，触发预警，否则，判定该核电设备运行出现故障，记录故障信息，并启动报警。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种核电厂化学容积控制系统状态监测方法，对从化容系统仪表采集的原始数据进行离群点剔除及补充，按标签进行分类以及去噪，对分类以及去噪后的原始数据进行趋势特征符号化处理，再基于shapelets学习的记忆矩阵选取，计算检测模型的记忆矩阵，利用记忆矩阵与稳健欧几里得距离函数计算待测数据与记忆矩阵之间的距离，获得距离矩阵，综合核函数分配待测数据的权重矩阵，根据权重矩阵计算待测数据的估计值，将一组新的测量值与一组原型测量值或状态进行比较，以提供测点真实的估计值，作为输入信号的期望值，以表达设备正常运行时的状态，利用在化容系统上测得的各原始数据，从时间序列中选取最能代表数据特征的子序列，获取数据有效特征，能有效减少维度灾难、噪声及随机误差影响，保证了模型准确性及鲁棒性，本方法结合附图充分展示了其在状态监测领域的有效性，适用于核电厂化容系统的状态监测，具有重要的理论意义及工程应用价值。
附图说明
图1为本发明实施例中方法的流程图。
图2为本发明实施例中化容系统四个流程正常情况示意图。
图3为本发明实施例中化容系统个别参数异常情况示意图。
图4为本发明实施例中基于shapelets记忆矩阵选择与原始数据对比图。
图5为本发明实施例中仪表a模型预测值和传感器实测值对比图。
图6为本发明实施例中仪表b模型预测值和传感器实测值对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明所述的核电厂化容系统在线状态监测方法主要步骤由图1流程图所示。通常，对于核电厂化学容积控制系统(简称化容系统)，有如下几个传感器监测与其操作相关的参数：
·加料流量(测量从容积控制箱(VCT)向RCS和RCP密封提供的冷却剂的流速)
·反应堆冷却剂泵密封注入流量(测量向RCP提供的冷却剂的流速密封)
·密封回流(测量从RCP密封注入返回VCT的冷却剂流量)
·下泄流量(测量反应堆冷却剂在正常运行期间离开RCS并进入VCT时的流量)
在运行过程中，虽然这些参数的测量值会有所波动，但应分别保持在相对一致的水平上(如示意图2)。然而，在异常情况下(如示意图3，RCP密封泄漏)，一些参数可能会显示出较大波动趋势，则表明该设备存在问题。个别参数异常的原因可能是传感器性能下降(如图3：密封注入流程)，但是若参数在短期内出现了较大波动异常，则更可能是因为系统或设备出现问题(如图3：加料流程)。
受限于核电厂仪表众多，特征复杂，人为无法判断测得数据是否异常。通过本发明，可预测传感器在设备正常情况下应有的输出值，根据预测值与系统的实测值对比，即可判断该数据属于异常波动，或是传感器性能下降。
为达到上述目的，本发明采用如下技术方案：一种核电厂化学容积控制系统状态监测方法，包括以下步骤：
步骤1)，对从化容系统仪表采集的原始数据进行离群点清洗以及去噪，其中本发明中使用3σ原则剔除离群点，具体实施步骤如下：
①获取i时刻之前所有从化容系统仪表采集的原始数据x(1)，x(2)，…，x(i)，计算相邻时间点间变化量的标准差σi；
②比较当前时刻传感器测量值变化量δx(i)与3σi的大小，若|δx(i)|>3σi，转向步骤③，否则返回步骤①，进行下一时刻x(i+1)是否为离群点的检验；
③重构传感器测量值中离群点x(i)：x(i)＝(x(i-1)+x(i+1))/2。
本发明方法中使用动态更新的3σi值代替固定三倍标准差值，相比于三倍标准差值，在动态更新的3σi值计算中考虑了传感器测量值的局部变化信息。当某一段时间内传感器的测量值波动范围比较大，相应的阈值也比较大；因此采用动态更新的3σ准则可以更多保留数据中的局部特征信息。
步骤2)，对于AAKR这样的非参数模型，第一步是确定记忆矩阵X；记忆矩阵作为核电设备的样本数据集，用于实时输入待测数据进行对比估计，获得一组待测数据的真实期望值。具体步骤：首先，对分类以及去噪后的原始数据进行趋势特征符号化处理；再使用shapelets方法，选择出最能代表输入时间序列的k个子序列，形成记忆矩阵X；记忆矩阵X作为非参数模型的样本数据集，用于待测数据的自联想核回归估计；通过上述过程，能在保留原始数据的趋势特性同时，较高效的生成shapelets候选集。
在趋势特征符号化的过程中，首先对要符号化的序列进行分段，分段点用u表示，将每一段分割后的序列对应成一个二元组<K,u>，其中K是该段序列的斜率，其符号代表了该段序列的趋势，正表示上升趋势，负表示下降趋势，0保持平稳；u是该段序列的终点值，即分段过程产生的分段点，最后一段序列的终点值即为整条序列的终点值，对每一段分割后的序列计算出其对应的二元组值，即完成符号化。
符号化完成后使用快速shapelets算法，获得shapelets候选集，对产生的shapelets候选集进行多样化top-k查询，(即选出k个最具代表性的shapelets)，这样可以去除冗余的shapelets，将最具有代表性的k个shapelets候选集留存；最后，利用k个shapelets候选集，使用shapelets转换技术对原始数据集进行转换，从而获得检测模型所需的记忆矩阵X。
如附图4所示，通过本发明中的记忆矩阵选取方法，实现了某仪表出口温度数据由3800个数据点到500个数据点的降维，并保持了原有信息中的趋势特征和局部特征，证明本发明方法的有效性。
步骤3)，利用步骤2)的记忆矩阵计算待测数据与记忆矩阵X的距离矩阵d；由于核电厂运行过程中设备复杂、噪声信号较多，传统的欧氏距离对预测数据中的突变信息敏感，降低了模型的鲁棒性，不完全适用于本发明场景。本发明中使用稳健欧几里得距离函数，删除了最大距离或性能最差的欧几里得距离，降低随机误差对模型结果的影响，提高模型的鲁棒性，首先计算待测数据与记忆矩阵之间的距离：
Figure BDA0002537412070000081
其中，dj是待测数据与记忆矩阵第j个时刻的距离，
Figure BDA0002537412070000082
是待测数据xq的第i个传感器的待测值，
Figure BDA0002537412070000083
是记忆矩阵第j个时刻第i个传感器的样本值，
Figure BDA0002537412070000084
是待测向量与记忆矩阵中第j个时刻向量的最大平方差；计算n个输入示例的距离的结果是n个距离的向量，即距离矩阵d：
Figure BDA0002537412070000085
步骤4)，根据步骤3)获得的距离矩阵，进行相似性量化，根据距离矩阵d计算高斯核式：
Figure BDA0002537412070000086
其中，h为核函数的带宽，用于控制范围相近的有效距离；带宽较小(h＝0.1)的高斯核仅在距离非常接近于零时才产生较大的权重，而带宽较大的高斯核则为较大的距离范围分配较大的权重；
综合核函数分配待测数据的权重矩阵w：
Figure BDA0002537412070000091
对上面的结果进行输出估计：输出被预测为无误差样本向量的加权平均，将其转化为方程式形式，得到以下输出方程式：
Figure BDA0002537412070000092
式中，
Figure BDA0002537412070000093
即模型的输出值，即待测数据x的估计值；wi为第i个样本的权重，Xi,j是记忆矩阵中第j个传感器的第i个时刻的样本。
步骤5)，计算待测数据的估计值和实时监测值的残差，将该残差及设定的预警阈值及故障阈值进行对比分析，判断估计值和实时监测值的残差是否小于预警阈值，如果估计值和实时监测值的残差小于预警阈值，则判定化容系统回路设备正常；如果估计值和实时监测值的残差大于等于预警阈值，则判断估计值和实时监测值的残差是否介于该预警阈值及该故障阈值之间，如果估计值和实时监测值的残差介于预警阈值和故障阈值之间，则执行判定该核电设备运行异常，存在风险，触发预警；否则，判定该核电设备运行出现故障，记录故障信息，并启动报警。
通过上述方法，对于化容系统A、B两个仪表进行状态监测。对比监测值和预测值可得出，仪表A两者重合，说明A仪表监测点正常运行(如图5所示)；B仪表出现了传感器性能下降，该故障为仪表B漂移(如图6所示)。
现有非参数模型记忆矩阵选取方法中，使用最大最小向量选择等传统方法对数据进行了简单的分段截取，无法科学提取出能代表原始时间序列特征数据，以及无法避免噪声数据的影响。本发明中首次使用shapelets学习的方法来确定AAKR技术的记忆矩阵，能有效解决核电厂化容系统海量时间序列维度高、特征选取困难、其时序特征及趋势特征被忽略等问题，能有效提高模型预测精度及鲁棒性。
本发明基于建模及数据对比分析的核电厂化容系统核电设备在线监测方案，根据监测结果的严重程度启动不同级别的告警方式，以便监测人员直观了解化容系统各回路的当前运行状况及其损坏程度，对于实现核电厂基于状态的在线监测及维修具有重要理论意义和工程价值。

Claims (8)

1.一种核电厂化学容积控制系统状态监测方法，其特征在于，包括以下步骤：
步骤1)，对从化容系统仪表采集的原始数据进行离群点剔除及补充，按标签进行分类以及去噪；
步骤2)，对分类以及去噪后的原始数据进行趋势特征符号化处理，再基于shapelets学习的记忆矩阵选取，计算检测模型的记忆矩阵；
步骤3)，利用步骤2)的记忆矩阵与稳健欧几里得距离函数计算待测数据与记忆矩阵之间的距离，获得距离矩阵；
步骤4)，根据距离矩阵，综合核函数分配待测数据的权重矩阵，根据权重矩阵计算待测数据的估计值；
步骤5)，计算待测数据的估计值和实时监测值的残差，将残差与化容系统设备运行状态阈值进行比较，获得核电厂化容系统设备或仪表的运行状态。
2.根据权利要求1所述的一种核电厂化学容积控制系统状态监测方法，其特征在于，对原始数据进行基于动态更新的3σ准则的离群点剔除及去噪。
3.根据权利要求2所述的一种核电厂化学容积控制系统状态监测方法，其特征在于，具体包括以下步骤：
a、获取i时刻之前所有从化容系统仪表采集的原始数据x(1)，x(2)，…，x(i)，计算相邻点间变化量的标准差σi；
b、比较当前时刻传感器测量值变化量δx(i)与3σi的大小，若|δx(i)|>3σi，转向步骤c，否则返回步骤a，进行下一时刻x(i+1)是否为离群点的检验；
c、重构传感器测量值中离群点x(i)：x(i)＝(x(i-1)+x(i+1))/2。
4.根据权利要求1所述的一种核电厂化学容积控制系统状态监测方法，其特征在于，在趋势特征符号化的过程中，首先对要符号化的序列进行分段，分段点用u表示，将每一段分割后的序列对应成一个二元组<K,u>，其中K是该段序列的斜率，其符号代表了该段序列的趋势，正表示上升趋势，负表示下降趋势，0保持平稳；u是该段序列的终点值，即分段过程产生的分段点，最后一段序列的终点值即为整条序列的终点值，对每一段分割后的序列计算出其对应的二元组值，即完成符号化。
5.根据权利要求4所述的一种核电厂化学容积控制系统状态监测方法，其特征在于，符号化完成后使用快速shapelets算法，获得shapelets候选集，对产生的shapelets候选集进行多样化top-k查询选出k个最具代表性的shapelets，去除冗余的shapelets，将最具有代表性的k个shapelets候选集留存；最后利用k个shapelets候选集，使用shapelets转换技术对原始数据集进行转换，从而获得检测模型所需的记忆矩阵X。
6.根据权利要求1所述的一种核电厂化学容积控制系统状态监测方法，其特征在于，计算待测数据与记忆矩阵之间的距离：
Figure FDA0002537412060000021
其中，dj是待测数据与记忆矩阵第j个时刻的距离，
Figure FDA0002537412060000022
是待测数据xq的第i个传感器的待测值，
Figure FDA0002537412060000023
是记忆矩阵第j个时刻第i个传感器的样本值，
Figure FDA0002537412060000024
是待测向量与记忆矩阵中第j个时刻向量的最大平方差；计算n个输入示例的距离的结果是n个距离的向量，即距离矩阵d：
Figure FDA0002537412060000025
7.根据权利要求6所述的一种核电厂化学容积控制系统状态监测方法，其特征在于，根据步骤3)获得的距离矩阵，进行相似性量化，根据距离矩阵d计算高斯核式：
Figure FDA0002537412060000031
其中，h为核函数的带宽，用于控制范围相近的有效距离；带宽较小(h＝0.1)的高斯核仅在距离非常接近于零时才产生较大的权重，而带宽较大的高斯核则为较大的距离范围分配较大的权重；
综合核函数分配待测数据的权重矩阵w：
Figure FDA0002537412060000032
对上面的结果进行输出估计：输出被预测为无误差样本向量的加权平均，将其转化为方程式形式，得到以下输出方程式：
Figure FDA0002537412060000033
式中，
Figure FDA0002537412060000034
即模型的输出值，即待测数据x的估计值；wi为第i个样本的权重，Xi,j是记忆矩阵中第j个传感器的第i个时刻的样本。
8.根据权利要求1所述的一种核电厂化学容积控制系统状态监测方法，其特征在于，计算估计值和实时监测值的残差，将该残差及设定的预警阈值及故障阈值进行对比分析，判断估计值和实时监测值的残差是否小于预警阈值，如果估计值和实时监测值的残差小于预警阈值，则判定化容系统回路设备正常；如果估计值和实时监测值的残差大于等于预警阈值，则判断估计值和实时监测值的残差是否介于该预警阈值及该故障阈值之间，如果估计值和实时监测值的残差介于预警阈值和故障阈值之间，则执行判定该核电设备运行异常，存在风险，触发预警；否则，判定该核电设备运行出现故障，记录故障信息，并启动报警。
CN202010537150.1A 2020-06-12 2020-06-12 一种核电厂化学容积控制系统状态监测方法 Active CN111913463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010537150.1A CN111913463B (zh) 2020-06-12 2020-06-12 一种核电厂化学容积控制系统状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537150.1A CN111913463B (zh) 2020-06-12 2020-06-12 一种核电厂化学容积控制系统状态监测方法

Publications (2)

Publication Number Publication Date
CN111913463A true CN111913463A (zh) 2020-11-10
CN111913463B CN111913463B (zh) 2021-07-13

Family

ID=73237631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537150.1A Active CN111913463B (zh) 2020-06-12 2020-06-12 一种核电厂化学容积控制系统状态监测方法

Country Status (1)

Country Link
CN (1) CN111913463B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435676A (zh) * 2023-07-13 2024-01-23 南京电力设计研究院有限公司 基于子序列挖掘与有向加权图聚类的建筑能源管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105556247A (zh) * 2013-09-24 2016-05-04 三菱电机株式会社 用于调节车辆中的车辆导航系统的用户接口的方法
CN110097134A (zh) * 2019-05-08 2019-08-06 合肥工业大学 一种基于时间序列的机械故障早期诊断方法
CN110598674A (zh) * 2019-09-24 2019-12-20 西安理工大学 一种基于模式识别的转辙机故障识别方法
CN111191192A (zh) * 2019-12-27 2020-05-22 潍柴动力股份有限公司 数据的去噪方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105556247A (zh) * 2013-09-24 2016-05-04 三菱电机株式会社 用于调节车辆中的车辆导航系统的用户接口的方法
CN110097134A (zh) * 2019-05-08 2019-08-06 合肥工业大学 一种基于时间序列的机械故障早期诊断方法
CN110598674A (zh) * 2019-09-24 2019-12-20 西安理工大学 一种基于模式识别的转辙机故障识别方法
CN111191192A (zh) * 2019-12-27 2020-05-22 潍柴动力股份有限公司 数据的去噪方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435676A (zh) * 2023-07-13 2024-01-23 南京电力设计研究院有限公司 基于子序列挖掘与有向加权图聚类的建筑能源管理方法

Also Published As

Publication number Publication date
CN111913463B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN108681633B (zh) 一种基于状态参数的凝结水泵故障预警方法
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
EP1982301B1 (en) Method of condition monitoring
KR101178235B1 (ko) 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템
Ko et al. A new auto-encoder-based dynamic threshold to reduce false alarm rate for anomaly detection of steam turbines
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
KR102005138B1 (ko) 기기 이상징후 사전감지 방법 및 시스템
CN111597223A (zh) 故障预警处理方法、装置及系统
US20220137611A1 (en) Abnormality determination apparatus, learning apparatus and abnormality determination method
Mathew et al. Regression kernel for prognostics with support vector machines
CN116383636A (zh) 一种基于pca与lstm融合算法的磨煤机故障预警方法
CN111913463B (zh) 一种核电厂化学容积控制系统状态监测方法
CN113962253B (zh) 基于深度小波极限学习机的轴承剩余寿命预测方法及系统
CN113359665B (zh) 一种基于加权关键主元的工业过程故障检测方法及系统
Al-Dahidi et al. A novel fault detection system taking into account uncertainties in the reconstructed signals
Yang et al. Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods
Na et al. Inferential sensing and monitoring for feedwater flowrate in pressurized water reactors
He et al. Fault detection and health assessment of equipment based on fuzzy DPCA spatial eigenvalue similarity
Hu et al. A multi-feature-based fault diagnosis method based on the weighted timeliness broad learning system
Lee et al. Sensor drift detection in SNG plant using auto-associative kernel regression
CN111780149B (zh) 火力发电厂制粉系统设备状态远程诊断方法
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
CN109976316B (zh) 一种故障相关的变量选择方法
CN114997313B (zh) 一种海洋在线监测数据的异常检测方法
KR102486462B1 (ko) 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치

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