CN112036496A - 一种核动力装置故障诊断方法及系统 - Google Patents
一种核动力装置故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112036496A CN112036496A CN202010908383.8A CN202010908383A CN112036496A CN 112036496 A CN112036496 A CN 112036496A CN 202010908383 A CN202010908383 A CN 202010908383A CN 112036496 A CN112036496 A CN 112036496A
- Authority
- CN
- China
- Prior art keywords
- operation data
- layer
- data
- nuclear power
- long
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000015654 memory Effects 0.000 claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 230000002776 aggregation Effects 0.000 claims abstract description 14
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 239000002826 coolant Substances 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000003381 stabilizer Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009257 reactivity Effects 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000011160 research Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000258937 Hemiptera Species 0.000 description 1
- 241001358279 Malaya Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/06—Devices or arrangements for monitoring or testing fuel or fuel elements outside the reactor core, e.g. for burn-up, for contamination
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种核动力装置故障诊断方法及系统。所述方法包括获取核动力装置的运行数据；根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果；采用引导聚集算法将多个诊断结果进行融合，得到目标诊断结果。本发明所提供的一种核动力装置故障诊断方法及系统，提高了故障诊断模型的准确率、稳定性和通用性。
Description
技术领域
本发明涉及核动力装置的故障诊断领域，特别是涉及一种核动力装置故障诊断方法及系统。
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。因此，研究核动力装置系统和设备的的故障诊断方法，对于提高核动力装置安全可靠性具有重要意义。
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；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3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，
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。
伴随着计算机及人工智能技术的发展、核动力装置数字化和信息化的普及、核工业对于数据积累和数据价值的重视，数据驱动的智能故障诊断方法逐渐成为主流。目前，故障诊断研究主要集中在以下两个方面：
(1)多种诊断策略的融合；对于复杂系统和设备而言，对其进行综合诊断，需要多种参数共同分析，才能对其运转状况做出诊断。因此，单一模型很难达到最优性能，因此需要组合或集成多种方法形成多策略混合模型，相比于单一模型，可以获得更优的性能。而近年来，典型的成果如：模糊理论、故障树、神经网络、分形技术等理论技术相互结合形成了小波神经网络、分型神经网络、专家系统与神经网络等多种诊断方法。这些理论之间的相互借鉴融合，提高了故障诊断的精度。
(2)基于深度学习的智能故障诊断。深度学习具有强大的特征学习能力，在数据足够多的情况下能够对原始数据更深度地挖掘其中隐含的信息，因此不需要像机器学习算法那样人为选定特征，可以避免人为选定特征不确定性过大的问题。多名学者采用自编码器或卷积神经网络进行了故障模式分类并取得了一定的效果，但是没有考虑故障后的时序特性；研究人员也将近年来比较流行的单向或双向长短时记忆网络应用到设备故障诊断中，取得了比机器学习准确率高很多的结果。
由于故障发生后特征参数呈现一定规律和周期性的异常波动，传统机器学习和大多数深度学习方法只关注某一时刻的输入特征而不考虑数据之间的关联性和时序性问题。
因此，本发明充分调研每种方法的优势与劣势，然后提出基于卷积长短时记忆网络的故障诊断技术。在此基础上，由于现有的卷积长短时记忆网络需要人为设定大量的超参数；因此为了避免超参数设定的不确定性以及由此而导致的诊断准确率降低，本发明将基于自主聚合的集成学习与卷积长短时记忆网络进行有机融合，将每个卷积长短时记忆网络作为基分类器，然后利用基于自主聚合的集成学习进行融合得到最终的诊断结果，与现有研究相比，可以提高故障诊断模型的准确率、稳定性和通用性。
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及系统，提高故障诊断模型的准确率、稳定性和通用性。
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：
获取核动力装置的运行数据；所述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；
根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果；所述卷积核和长短时记忆网络的基分类模型的输入层、中间隐藏层、全连接层与输出层逐层连接；所述中间隐藏层采用多层卷积层和多层长短时记忆模型层；所述卷积层用于提取运行数据的特征；所述长短时记忆模型层用于记忆运行数据的时间序列属性；
采用引导聚集算法将多个诊断结果进行融合，得到目标诊断结果。
可选的所述获取核动力装置的运行数据，之后还包括：
对所述运行数据采用设定标准进行标准化；
对标准化后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运行数据转换为三维数据组。
可选的，所述根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果，具体包括：
利用公式
提取运行数据的特征；其中，l为第l卷积层，k为卷积核，b为偏置参数，
为第l层输出的运行数据的特征，
为第l-1层的输入。
可选的，所述基于卷积核和长短时记忆网络的基分类模型采用堆叠函数每个中间隐藏层中加入dropout操作。
可选的，所述基于卷积核和长短时记忆网络的基分类模型采用Leaky ReLU激活函数。
一种核动力装置故障诊断系统，包括：
运行数据获取模块，用于获取核动力装置的运行数据；所述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；
诊断结果确定模块，用于根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果；所述卷积核和长短时记忆网络的基分类模型的输入层、中间隐藏层、全连接层与输出层逐层连接；所述中间隐藏层采用多层卷积层和多层长短时记忆模型层；所述卷积层用于提取运行数据的特征；所述长短时记忆模型层用于记忆运行数据的时间序列属性；
目标诊断结果确定模块，用于采用引导聚集算法将多个诊断结果进行融合，得到目标诊断结果。
可选的，还包括：
数据标准化模块，用于对所述运行数据采用设定标准进行标准化；
数据归一化模块，用于对标准化后的运行数据采用设定尺度进行归一化；
数据相空间重构模块，用于利用相空间重构将归一化后的运行数据转换为三维数据组。
可选的，所述诊断结果确定模块具体包括：
运行数据的特征提取单元，用于利用公式
提取运行数据的特征；其中，l为第l卷积层，k为卷积核，b为偏置参数，
为第l层输出的运行数据的特征，
为第l-1层的输入。
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核动力装置故障诊断方法及系统，通过根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果，在通过采用引导聚集算法将多个诊断结果进行融合，基于自主聚合的集成学习与卷积长短时记忆网络进行有机融合，将每个卷积长短时记忆网络作为基分类器，然后利用基于自主聚合的集成学习进行融合得到最终的诊断结果，可以在一定程度上避免和弱化超参数选取的问题，能够提高故障诊断的准确率，避免误诊断和漏诊断的发生。
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核动力装置故障诊断方法流程示意图；
图2为本发明所提供的一种核动力装置故障诊断方法原理示意图；
图3为本发明所提供的一种核动力装置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核动力装置故障诊断方法及系统，提高故障诊断模型的准确率、稳定性和通用性。
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核动力装置故障诊断方法流程示意图，图2为本发明所提供的一种核动力装置故障诊断方法原理示意图，如图1和图2所示，本发明所提供的一种核动力装置故障诊断方法，包括：
S101，获取核动力装置的运行数据；所述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。
S102之后还包括：
对所述运行数据采用设定标准进行标准化；
对标准化后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运行数据转换为三维数据组。
S102，根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果；所述卷积核和长短时记忆网络的基分类模型的输入层、中间隐藏层、全连接层与输出层逐层连接；所述中间隐藏层采用多层卷积层和多层长短时记忆模型层；所述卷积层用于提取运行数据的特征；所述长短时记忆模型层用于记忆运行数据的时间序列属性；既可以充分挖掘数据特征又兼顾时间序列数据的模式识别能力，可以提高故障诊断的准确率。
利用公式
提取运行数据的特征；其中，l为第l卷积层，k为卷积核，b为偏置参数，
为第l层输出的运行数据的特征，
为第l-1层的输入。采用卷积核进行无监督的特征提取，与不进行特征提取相比，更能够反映数据的本质特征，提升特征的表现力。
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。
所述基于卷积核和长短时记忆网络的基分类模型采用堆叠函数每个中间隐藏层中加入dropout操作。可以使卷积长短时记忆网络更加“健壮”，避免过拟合现象的发生。
所述基于卷积核和长短时记忆网络的基分类模型采用Leaky ReLU激活函数。所述Leaky ReLU激活函数在多层卷积运算之后。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。
在S102之前还包括：
构建多个基于卷积核和长短时记忆网络的基分类模型。具体的构建过程为：
采集和存储实际核动力装置系统或者设备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；
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，能够将正常状态、故障状态设定不同的标签。
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：x*＝(x-min)/(max-min)。
由于时间卷积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。为了使核动力装置的数据能够输入到时间卷积网络中进行有效的故障诊断，本发明对步骤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，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，因此对于本发明所述算法，总数据输入长度是(N-num_steps+1)。
将上述处理后的训练集随机分成i份(本发明中i＝20，与所采用的基分类器数量保持一致)；本发明中采用5折验证进行训练和测试，也是就是对于分成20份后的全部训练数据，选择80％的该部分数据作为每个基分类器的训练数据，其他20％的该部分数据作为每个基分类器的测试数据以输出模型预测的诊断结果。
每个基于卷积核和长短时记忆网络的基分类模型的输出通过SoftMax函数使各类故障发生的可能以概率的形式表示为[j1，j2，…，jn]，式中ji表示故障发生的概率，n表示故障种类数。将20个基分类模型的故障概率输出结果进行加权平均，得到最终的故障概率结果表示为[jmean-1，jmean-2，…，jmean-n]，其中mean表示加权平均后的概率结果，并将概率最高的故障作为当前诊断得到的故障模式。
了避免某个基分类模型的错误诊断而导致加权评估后对真实故障的出现概率产生淹没效应，分别将各个基分类模型得到的故障概率矩阵中最大概率的故障结果作为该基分类模型的诊断结果，然后对20个基分类模型的诊断结果进行投票表决，并将投票结果按照票数进行从高到低的排序，并将最高票数的故障作为当前诊断得到的故障模式。
得到的故障诊断结果，通过与预设的分类标签进行对比，分别评价整个卷积长短时记忆网络和引导聚集算法集成学习的目标故障诊断准确率，可以起到相互验证和确认的目的，增强了可解释性。如果步目标诊断结果相同，则可以确认诊断得出故障模式；若目标诊断结果不同，则将与测试数据所对应标签更为一致的聚合方式作为实际过程的最终分类器。
为了对模型的诊断预测结果进行评价，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模型的准确性和有效性。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。
S103，采用引导聚集算法将多个诊断结果进行融合，得到目标诊断结果。
图3为本发明所提供的一种核动力装置故障诊断系统结构示意图，如图3所示，本发明所提供的一种核动力装置故障诊断系统，包括：
运行数据获取模块301，用于获取核动力装置的运行数据；所述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；
诊断结果确定模块302，用于根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果；所述卷积核和长短时记忆网络的基分类模型的输入层、中间隐藏层、全连接层与输出层逐层连接；所述中间隐藏层采用多层卷积层和多层长短时记忆模型层；所述卷积层用于提取运行数据的特征；所述长短时记忆模型层用于记忆运行数据的时间序列属性；
目标诊断结果确定模块303，用于采用引导聚集算法将多个诊断结果进行融合，得到目标诊断结果。
本发明所提供的一种核动力装置故障诊断系统，还包括：
数据标准化模块，用于对所述运行数据采用设定标准进行标准化；
数据归一化模块，用于对标准化后的运行数据采用设定尺度进行归一化；
数据相空间重构模块，用于利用相空间重构将归一化后的运行数据转换为三维数据组。
所述诊断结果确定模块302具体包括：
运行数据的特征提取单元，用于利用公式
提取运行数据的特征；其中，l为第l卷积层，k为卷积核，b为偏置参数，
为第l层输出的运行数据的特征，
为第l-1层的输入。
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)
1.一种核动力装置故障诊断方法，其特征在于，包括：
获取核动力装置的运行数据；所述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；
根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果；所述卷积核和长短时记忆网络的基分类模型的输入层、中间隐藏层、全连接层与输出层逐层连接；所述中间隐藏层采用多层卷积层和多层长短时记忆模型层；所述卷积层用于提取运行数据的特征；所述长短时记忆模型层用于记忆运行数据的时间序列属性；
采用引导聚集算法将多个诊断结果进行融合，得到目标诊断结果。
2.根据权利要求1所述的一种核动力装置故障诊断方法，其特征在于，所述获取核动力装置的运行数据，之后还包括：
对所述运行数据采用设定标准进行标准化；
对标准化后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运行数据转换为三维数据组。
3.根据权利要求1所述的一种核动力装置故障诊断方法，其特征在于，所述根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果，具体包括：
利用公式
提取运行数据的特征；其中，l为第l卷积层，k为卷积核，b为偏置参数，
为第l层输出的运行数据的特征，
为第l-1层的输入。
4.根据权利要求1所述的一种核动力装置故障诊断方法，其特征在于，所述基于卷积核和长短时记忆网络的基分类模型采用堆叠函数每个中间隐藏层中加入dropout操作。
5.根据权利要求1所述的一种核动力装置故障诊断方法，其特征在于，所述基于卷积核和长短时记忆网络的基分类模型采用Leaky ReLU激活函数。
6.一种核动力装置故障诊断系统，其特征在于，包括：
运行数据获取模块，用于获取核动力装置的运行数据；所述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；
诊断结果确定模块，用于根据所述运行数据以及多个基于卷积核和长短时记忆网络的基分类模型，得到多个诊断结果；所述卷积核和长短时记忆网络的基分类模型的输入层、中间隐藏层、全连接层与输出层逐层连接；所述中间隐藏层采用多层卷积层和多层长短时记忆模型层；所述卷积层用于提取运行数据的特征；所述长短时记忆模型层用于记忆运行数据的时间序列属性；
目标诊断结果确定模块，用于采用引导聚集算法将多个诊断结果进行融合，得到目标诊断结果。
7.根据权利要求6所述的一种核动力装置故障诊断系统，其特征在于，还包括：
数据标准化模块，用于对所述运行数据采用设定标准进行标准化；
数据归一化模块，用于对标准化后的运行数据采用设定尺度进行归一化；
数据相空间重构模块，用于利用相空间重构将归一化后的运行数据转换为三维数据组。
8.根据权利要求6所述的一种核动力装置故障诊断系统，其特征在于，所述诊断结果确定模块具体包括：
运行数据的特征提取单元，用于利用公式
提取运行数据的特征；其中，l为第l卷积层，k为卷积核，b为偏置参数，
为第l层输出的运行数据的特征，
为第l-1层的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010908383.8A CN112036496A (zh) | 2020-09-02 | 2020-09-02 | 一种核动力装置故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010908383.8A CN112036496A (zh) | 2020-09-02 | 2020-09-02 | 一种核动力装置故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112036496A true CN112036496A (zh) | 2020-12-04 |
Family
ID=73591080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010908383.8A Pending CN112036496A (zh) | 2020-09-02 | 2020-09-02 | 一种核动力装置故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036496A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684778A (zh) * | 2020-12-24 | 2021-04-20 | 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) | 基于多源信息强化学习蒸汽发生器给水系统诊断方法 |
| CN113191556A (zh) * | 2021-05-08 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种核电Loca事件故障预测与诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
| CN109698836A (zh) * | 2019-02-01 | 2019-04-30 | 重庆邮电大学 | 一种基于深度学习的无线局域网入侵检测方法和系统 |
| CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
| 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 |
| CN111126489A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种基于集成学习的输电设备状态评价方法 |
-
2020
- 2020-09-02 CN CN202010908383.8A patent/CN112036496A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
| CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
| CN109698836A (zh) * | 2019-02-01 | 2019-04-30 | 重庆邮电大学 | 一种基于深度学习的无线局域网入侵检测方法和系统 |
| 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 |
| CN111126489A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种基于集成学习的输电设备状态评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 龙彦霖等: "基于级联卷积和Attention机制的情感分析", 《太原师范学院学报(自然科学版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684778A (zh) * | 2020-12-24 | 2021-04-20 | 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) | 基于多源信息强化学习蒸汽发生器给水系统诊断方法 |
| CN113191556A (zh) * | 2021-05-08 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种核电Loca事件故障预测与诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
| CN111899905B (zh) | 一种基于核动力装置的故障诊断方法及系统 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN112016251B (zh) | 一种核动力装置故障的诊断方法及系统 | |
| Wang et al. | A fault diagnosis method for small pressurized water reactors based on long short-term memory networks | |
| Li et al. | Transfer learning network for nuclear power plant fault diagnosis with unlabeled data under varying operating conditions | |
| CN112199890B (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| Cao et al. | PCA-SVM method with sliding window for online fault diagnosis of a small pressurized water reactor | |
| CN112036496A (zh) | 一种核动力装置故障诊断方法及系统 | |
| CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
| CN111881627A (zh) | 一种核动力装置故障诊断方法和系统 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN115758899A (zh) | 基于图马尔可夫神经网络的变压器故障的诊断系统 | |
| CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
| CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
| CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
| CN114580549A (zh) | 一种基于cnn-lstm的核电厂故障诊断方法及装置 | |
| Li et al. | Open set recognition fault diagnosis framework based on convolutional prototype learning network for nuclear power plants | |
| Xu et al. | Condition Assessment of Nuclear Power Plant Equipment Based on Machine Learning Methods: A Review | |
| Li et al. | Unsupervised leak detection of natural gas pipe based on leak-free flow data and deep auto-encoder | |
| Han et al. | Gated Recurrent Unit Neural Network and Decision Tree for Offshore Nuclear Power Plant'S Fault Diagnosis | |
| Li et al. | A Long-term Dependent and Trustworthy Approach to Reactor Accident Prognosis based on Temporal Fusion Transformer |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
| RJ01 | Rejection of invention patent application after publication |