CN112199890A - 一种综合式核动力装置系统级故障诊断方法 - Google Patents
一种综合式核动力装置系统级故障诊断方法 Download PDFInfo
- Publication number
- CN112199890A CN112199890A CN202011080818.0A CN202011080818A CN112199890A CN 112199890 A CN112199890 A CN 112199890A CN 202011080818 A CN202011080818 A CN 202011080818A CN 112199890 A CN112199890 A CN 112199890A
- Authority
- CN
- China
- Prior art keywords
- fault
- nuclear power
- data
- model
- fault diagnosis
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种综合式核动力装置系统级故障诊断方法,具体包括以下步骤:采集核动力装置在稳态以及典型事故下的仿真运行数据,综合得到的各参数时间序列并存储在历史训练库中;在核动力装置的运行中,数据采集系统通过传感器等将系统级参数运行数据存储在实时运行数据库中;建立故障诊断模型;在核动力装置运行期间,将运行数据库中采集到的实时参数输入至训练好的故障诊断模型中,最终辨识出故障类型;诊断出不同类型的故障后,随即将此时运行数据输入至训练好的粒子群优化‑高斯过程回归的故障程度评估模型中,评估实时的故障程度值,并最终显示在人机界面中。本发明能够更快速高效的处理模拟器的数据,以进行可靠的运行支持。
Description
技术领域
本发明涉及一种综合式核动力装置故障诊断方法,特别涉及一种综合式核动力装置系统级故障诊断方法,属于故障诊断技术领域。
背景技术
核能的利用为世界飞速发展做出了突出贡献,核动力装置的安全性与经济性一直被核研究人员所关注。核动力装置是一个拥有众多系统及组件的复杂系统,一些设备或结构发生故障时,可能严重威胁核动力装置的安全,并消耗巨大的维修成本。在核动力装置的总发电成本中,运维成本所占比例高达60-70%。因此,在不损害安全性的前提下,合理优化运维计划十分重要,这有助于提高核能发电的竞争力。随着核动力装置仪器与控制技术的不断完善,故障检测及诊断方法得到了广泛研究及应用,以协助操作员了解核动力装置运行情况。此外,通过故障诊断系统综合各种技术,以此进行实时监测、故障诊断及故障程度的识别,能够更加充分了解核动力装置的实时运行情况,最终做出有效准确的操作决策。因此,功能完善的故障诊断系统不仅能提高安全裕度,而且能够减小运行成本。
针对核动力装置的不同应用,故障诊断方法各种各样。通常故障诊断主要分为三种类型:基于模型、基于信号及基于数据驱动的方法。近年随着机器学习技术的突飞猛进,基于数据驱动的故障诊断技术蓬勃发展,一直被研究人员所持续关注。在核动力装置中,大量数据驱动的故障诊断方法得到了研究及应用。Razavi-Far等人研究了两种神经模糊网络模型,用于核电站(NPP)的U型管蒸汽发生器故障诊断,并对故障进行定性的描述。Jie Liu等人提出应用概率支持向量回归技术进行NPP组件状态检测。Piero Baraldi等人研究了一种基于模糊C均值的聚类算法,以识别核动力装置不同运行工况的故障。Farhan Jamil等人针对巴基斯坦研究反应堆-2(PARR-2)的故障检测及隔离问题,研究了基于主成分分析和Fish判别分析的方法,并得到了较好的检测效果。但是目前数据驱动方法仍没有得到充分研究,数据驱动方法获取的是一个经验模型,其在训练数据所代表的运行范围之外应用效果不好。因此,如果能够削减对过多数据的依赖,一定能为核动力装置的安全高效运行做出贡献。
此外,单一的故障诊断方法只适用于假定的条件,目前关于核动力装置的故障诊断研究更倾向于系统化及综合化。也就是说,通过综合多种智能技术,相互补偿各自的缺陷以达到更好的效果,同时综合的故障诊断框架不再仅仅达到单一的目标,而是一个优化的集成系统以具备多种故障诊断功能,通过多维度地反映核动力装置运行状况从而进行更好的决策支持。比如,Yong-Kuo Liu等人针对核动力装置系统级故障诊断及推理问题,提出结合基于符号有向图(SDG)的规则模型及基于状态矩阵的路径推理方法,从而有效地实现了故障诊断及传播路径推理等功能。Min-jun Peng等人综合主成分分析、多流模型及Mahalanobis距离的方法,提出了一个混合智能故障诊断系统,具备良好的状态检测、故障诊断及故障程度评估功能。Wei Li等人为实现核动力装置传感器的故障检测、识别及重构,在基于主成分分析的模型中集成数据预处理系统、基于统计的减小误报警方法及数据重构的方法,从而得到了一个可靠的优化系统。Abiodun Ayodeji等人研究了一种用于核动力装置蒸汽发生器传热管破裂(SGTR)故障诊断及故障程度评估的混合系统,综合基于粒子群优化的支持向量回归及N-16的断裂诊断方法,实例结果表明,该综合系统具备较好的故障诊断及故障程度评估性能。最近的研究文献表明了在研究核动力装置的故障诊断领域,更倾向于应用数据驱动方法,并集成一个功能完善的框架,以方便操作员更全面地了解运行情况。通过多方面了解系统或组件的运行状态,才能保障核动力装置安全性,合理降低成本。
综上所述,针对核动力装置故障诊断研究的分析,考虑到运行安全性及高效性,开发一套可靠的、高效的优化故障诊断系统框架,以具备系统级故障诊断以及程度评估功能对核动力装置稳定运行以及操作员决策支持具有重大的实际意义。
发明内容
本发明的目的是为了针对核动力装置运行期间的系统级故障而提供一种综合式核动力装置系统级故障诊断方法。
本发明的目的是这样实现的:
一种综合式核动力装置系统级故障诊断方法,具体包括以下步骤:
步骤1:采集核动力装置在稳态以及典型事故下的仿真运行数据,综合得到的各参数时间序列并存储在历史训练库中;
所述历史训练库需将采集到的数据经过一系列的数据预处理,包括剔除无法反映故障信息的参数以及参数标准化处理;
步骤2:在核动力装置的运行中,数据采集系统通过传感器等将系统级参数运行数据存储在实时运行数据库中,并对其进行步骤1中的数据预处理操作;
步骤3:利用最小二乘支持向量机学习历史训练库中运行数据以建立故障诊断模型,该模型辨识正常状态以及典型故障类型;
步骤4:在核动力装置运行期间,将运行数据库中采集到的实时参数输入至训练好的故障诊断模型中,最终辨识出故障类型;
步骤5:针对步骤4中不同故障类型,利用历史训练库中不同故障程度的数据输入至高斯过程回归模型中进行训练,并采用粒子群优化算法来搜寻最优超参数,以得到不通故障的程度评估模型;
步骤6:在步骤4中诊断出不同类型的故障后,随即将此时运行数据输入至训练好的粒子群优化-高斯过程回归(PSO-GPR)的故障程度评估模型中,评估实时的故障程度值,并最终显示在人机界面中。
本发明还包括这样一些特征:
1.所述的历史训练库与实时运行数据库中包含的工况有正常工况、冷却剂丧失事故、冷却剂丧失事故、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故、蒸汽发生器传热管破裂事故以及甩负荷事故;
2.所述的数据预处理采用最大差分方法,其计算公式如下:
式中,x*(t)为归一化后的t时刻的各参数值x(t),xmin(t)及xmax(t)为t时刻的最小及最大
参数值;
3.所述利用最小二乘支持向量机学习历史训练库中运行数据以建立故障诊断模型,该模型辨识正常状态以及典型故障类型;
步骤1:对核动力装置各参数组成的样本集S={(xi,yi),i=1,2,…,l},xi∈Rn是输入数据,yi∈Rn是对应的输出数据,在建立故障诊断模型中,首先将模型训练转化为最小化结构风险及其满足的约束条件;
步骤2:步骤1中对应的Lagrange函数为:
式中:αi=R是拉格朗日乘子,α=[α1,…,αl]T∈Rl;e=[e1,…,el]T∈Rl。ω∈H是权值向量;b∈R是偏置项;ei∈R是误差变量;
步骤3:根据优化条件并消除步骤2中变量ω,e,得到的故障诊断模型为
其中,核函数K(xj,xi)选用径向基核函数;
4.所述的粒子群优化-高斯过程回归的故障评估程度模型的建立包含以下步骤:
步骤1:初始化粒子群优化算法的模型参数,包括确定粒子种群、最大迭代次数、粒子初速度及初始位置,在迭代中每个粒子代表一个潜在的模型;
步骤2:将不同粒子,即不同的高斯过程回归模型进行训练和测试,并计算出每个粒子个体的适应度值fi;
步骤3:将步骤2中的适应值fi与粒子迭代历史中的个体极值pbesti,j(t)进行比较,如果前者小于后者,则用新的适应值取代前一轮的pbesti,j(t),用新的粒子取代前一轮的粒子;
步骤4:将每个粒子的个体极值pbesti,j(t)与所有粒子的全局极值gbesti,j(t)进行比较。如果pbesti,j(t)<gbesti,j(t),则用该粒子的最佳适应值取代原有全局最佳适应值,同时保存粒子的当前状态;
步骤5:当迭代满足预设步数时结束程序并返回当前适应值最小的粒子,找到最优解;如不满足,再进行新一轮迭代,更新粒子的位置和速度,即产生新的粒子,返回到步骤2,直到满足最大迭代步,算法结束并得到基于粒子群优化的高斯过程回归的故障程度评估模型。
与现有技术相比,本发明的有益效果是:
本发明考虑到核动力装置运行的安全性及高效性,针对传统故障诊断方法在非线性问题处理及辨识模型泛化能力的不足,本发明提出将最小二乘支持向量机方法应用于核动力装置的故障诊断中,在小样本问题下具有良好的性能,并以此为基础综合粒子群优化及高斯过程回归的方法进行故障程度评估,从而形成了一个优化的故障诊断系统框架,具备辨识正常工况、故障类型以及程度评估的功能。相比基于模型的故障诊断方法,本发明中改进的混合数据驱动方法能够有效且可靠地反映核动力装置运行信息,避免构建复杂大系统所需要的精力。同时一个优化的故障诊断系统能够多维度实时地反映核电站运行情况,为了克服单一系统功能的低效率性,通过综合一个优化适用的集成系统,具备故障检测及故障程度评估功能,在噪声环境下及相比其他方法,均能表型出良好性能。并且该框架统一集成在同一系统中,避免了不同平台和不同故障诊断方法类型的相互耦合,从而能够更快速高效的处理模拟器的数据,以进行可靠的运行支持。
附图说明
图1为本发明的综合式核动力装置系统级故障诊断流程图;
图2为本发明所模拟核动力装置的故障诊断系统;
图3为本发明历史训练库及实时运行库的样本集细节;
图4为本发明及对比方法的工况分类精度结果;
图5为本发明及对比方法的参数细节及准确率结果;
图6为本发明在不同信噪比下的工况分类精度结果;
图7为本发明及对比方法在不同故障下的程度评估模型参数细节;
图8为本发明及对比方法在故障1中程度评估测试结果;
图9为本发明及对比方法在故障2中程度评估测试结果;
图10为本发明及对比方法在故障3中程度评估测试结果;
图11为本发明及对比方法在故障4中程度评估测试结果;
图12为本发明
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的目的是为了针对核动力装置运行期间的系统级故障,提供一种集成故障诊断及程度估计的优化框架,结合多种数据驱动及优化算法,如最小二乘支持向量机(LSSVM)算法的小样本问题泛化能力、高斯过程回归(GPR)算法的复杂问题良好适应性以及粒子群优化(PSO)方法的智能搜索特性,从而提高了运行支持与决策的效率及可靠性。
一种综合式核动力装置故障诊断方法,具体包括以下步骤:
步骤1:采集核动力装置在稳态以及典型事故下的仿真运行数据,综合得到的各参数时间序列并存储在历史训练库中。
所述历史训练库需将采集到的数据经过一系列的数据预处理,包括剔除无法反映故障信息的参数以及参数标准化处理;
及对比方法在故障5中程度评估测试结果;
图13为本发明及对比方法在故障6中程度评估测试结果。
具体实施方式
步骤2:在核动力装置的运行中,数据采集系统通过传感器等将系统级参数运行数据存储在实时运行数据库中,并对其进行步骤1中的数据预处理操作;
步骤3:利用最小二乘支持向量机学习历史训练库中运行数据以建立故障诊断模型,该模型辨识正常状态以及典型故障类型;
步骤4:在核动力装置运行期间,将运行数据库中采集到的实时参数输入至训练好的故障诊断模型中,最终辨识出故障类型,
步骤5:针对步骤4中不同故障类型,利用历史训练库中不同故障程度的数据输入至高斯过程回归模型中进行训练,并采用粒子群优化算法来搜寻最优超参数,以得到不通故障的程度评估模型;
步骤6:在步骤4中诊断出不同类型的故障后,随即将此时运行数据输入至训练好的粒子群优化-高斯过程回归(PSO-GPR)的故障程度评估模型中,评估实时的故障程度值,并最终显示在人机界面中。
所述的历史训练库及实时运行数据库中包含的工况有正常工况、冷却剂丧失事故(冷管段)、冷却剂丧失事故(热管段)、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故、蒸汽发生器传热管破裂事故以及甩负荷事故。
所述的数据标准化预处理采用最大差分方法,其计算公式如下:
式中,x*(t)为归一化后的t时刻的各参数值x(t),xmin(t)及xmax(t)为t时刻的最小及最大参数值。
所述的基于最小二乘支持向量机的故障诊断模型建立包含以下步骤:
步骤1:对核动力装置各参数组成的样本集S={(xi,yi),i=1,2,…,l},xi∈Rn是输入数据,yi∈Rn是对应的输出数据,在建立故障诊断模型中,首先将模型训练转化为最小化结构风险及其满足的约束条件;
步骤2:步骤1中对应的Lagrange函数为:
式中:αi=R是拉格朗日乘子,α=[α1,…,αl]T∈Rl;e=[e1,…,el]T∈Rl。ω∈H是权值向量;b∈R是偏置项;ei∈R是误差变量;
步骤3:根据优化条件并消除步骤2中变量ω,e,得到的故障诊断模型为
其中,核函数K(xj,xi)选用径向基核函数。
所述的粒子群优化高斯过程回归的故障评估模型建立包含以下步骤:
步骤1:初始化粒子群优化算法的模型参数,包括确定粒子种群、最大迭代次数、粒子初速度及初始位置。在迭代中每个粒子代表一个潜在的模型;
步骤2:将不同粒子,即不同的高斯过程回归模型进行训练和测试,并计算出每个粒子个体的适应度值fi;
步骤3:将步骤2中的适应值fi与粒子迭代历史中的个体极值pbesti,j(t)进行比较,如果前者小于后者,则用新的适应值取代前一轮的pbesti,j(t),用新的粒子取代前一轮的粒子;
步骤4:将每个粒子的个体极值pbesti,j(t)与所有粒子的全局极值gbesti,j(t)进行比较。如果pbesti,j(t)<gbesti,j(t),则用该粒子的最佳适应值取代原有全局最佳适应值,同时保存粒子的当前状态;
步骤5:当迭代满足预设步数时结束程序并返回当前适应值最小的粒子,找到最优解;如不满足,再进行新一轮迭代,更新粒子的位置和速度,即产生新的粒子,返回到步骤2,直到满足最大迭代步,算法结束并得到基于粒子群优化的高斯过程回归的故障程度评估模型。
本发明提出一种优化的综合式核动力装置故障诊断框架,如图1所示,通过改进多种数据驱动方法以具备工况辨识及故障程度评估功能,从而方便操作员多维度地了解设备运行状态。本发明主要包括:核动力装置参数历史训练集的建立;实时运行数据集的建立;构造最小二乘支持向量机的故障诊断模型;利用训练好的模型辨识正常工况或故障类型;建立粒子群优化-高斯过程回归的故障程度评估模型;应用模型评估实时的故障程度。
本发明采用以下技术方案:
本发明的软件采用C#语言编程与Mysql数据库存储和管理,主要功能为:通过Mysql实现运行数据库的建立,其中包括参数的历史及实时数据库,以模拟实际核动力装置数据采集系统对设备运行信息的存储,如图2所示。同时借助Visual Studio 2018平台与Mysql交互实时读取数据库信息,建立基于历史训练库的故障诊断及评估模型,最终对读取的实时参数数据进行运行工况的辨识及故障程度估计,并最终并显示在人机交互界面上。
1.故障类型辨识计算:
本发明以压水堆作为测试对象,鉴于在核电站中人为插入故障的困难性,采用PCTRAN仿真软件模拟运行工况并采集相应的数据,经数据处理,提取实时运行数据库中的64个能反映故障信息的系统级参数,其中包括流量、压力、温度及水位等参数。其中作为历史训练库的训练集及作为实时运行库的测试集样本数目如图3所示。首先在离线训练阶段,提取包含不同运行工况的历史训练库中数据并输入至最小二乘支持向量机分类器中,最终建立故障诊断模型。接着对于实时运行数据库中提取的测试集,应用训练好的模型即可进行实时工况辨识。为了验证本发明中采用方法的有效性,采用BP神经网络(BPNN)、支持向量机(SVM)以及深度置信网络(DBN)方法进行对比测试,鉴于随机性对结果的影响,进行了10次测试,四种方法在7种工况下的平均诊断精度如图4所示,其具体参数、平均精度及方差对比如图5所示。可以看出,基于LSSVM的故障诊断方法能够取得最高精度及最低的方差,从而验证了本发明方法的精度及可靠性。
本发明考虑到由于核动力装置复杂的运行环境,实际传感器测得数据不可避免带有各种噪声及其他干扰,不利于设备的状态检测及故障诊断。因此对本发明中方法的抗噪性能进行测试。针对存储的数据,分别将运行数据加入不确定性最大的白噪声,使其信噪比分别为20-50dB。将加噪的训练数据分别输入至最小二乘-支持向量机分类器中,并应用对应信噪比的测试数据进行验证,得到了不同信噪比下的故障诊断精度,如图6所示。当信号信噪比为20dB,故障诊断精度也高于91%。随着信噪比的增加,本发明方法的故障诊断精度逐渐增加,当信噪比为30dB时,精度为97%以上,随后逐渐收敛到100%。因此在核动力装置运行环境下,该故障诊断方法能取得较高精度具有良好且稳定的抗噪性能。
2.故障程度估计计算:
针对上述辨识的故障类型,进行具体故障的程度评估操作。其中破口类事故程度定义为破口与总截面积比值,甩负荷事故程度则为负荷与满功率比值。在历史训练库中将故障程度分别为5%、10%、15%、20%、25%、30%、35%、40%、45%及50%的数据作为训练集,在实时运行库中测试集选为12%及22%的连续拼接数据。将六种故障的各故障程度下的训练数据输入至高斯过程回归器中进行学习,同时采用基于粒子群算法对惩罚系数及核函数参数进行多目标寻优。设置的PSO种群大小设为200,学习因子设置为1.49,最大迭代次数为600,惯性权重初始为1,粒子初始速度为[0,1]之间的随机数,最终搜索得到的各故障下最优核函数及其超参数如图7所示。其中适应度函数为
其中,g(xi)为第i个训练样本的预测值,yi为训练样本的实际值。
最终,在离线阶段的故障程度评估模型建立完毕之后,即可基于实时运行参数评估故障程度大小。提取实时运行库中数据,得到的回归结果如图8-13所示,其中每幅图对应不同故障时的程度评估测试结果,各曲线的前半段为12%程度评估结果,后半段为22%程度评估结果,深色曲线为本发明方法的测试结果,浅色曲线为对比的GPR测试结果。可以看出高斯过程回归算法对核动力装置故障程度评估具有一定的效果,能够快速得出评估结果,然而更重要的是,本发明借助粒子群优化搜索高斯过程回归的最优超参数,使得模型较好地评估故障程度,从而提高了模型的预测精度。
以上所述为了便于介绍本发明的流程而进行的实例分析,但并未限制本发明的技术范畴,因此凡是基于本发明的方案流程对上述实例的细节改变、替换变化及修饰,仍均属于本发明技术流程的范围。
Claims (5)
1.一种综合式核动力装置系统级故障诊断方法,其特征在于,具体包括以下步骤:
步骤1:采集核动力装置在稳态以及典型事故下的仿真运行数据,综合得到的各参数时间序列并存储在历史训练库中;
所述历史训练库需将采集到的数据经过一系列的数据预处理,包括剔除无法反映故障信息的参数以及参数标准化处理;
步骤2:在核动力装置的运行中,数据采集系统通过传感器等将系统级参数运行数据存储在实时运行数据库中,并对其进行步骤1中的数据预处理操作;
步骤3:利用最小二乘支持向量机学习历史训练库中运行数据以建立故障诊断模型,该模型辨识正常状态以及典型故障类型;
步骤4:在核动力装置运行期间,将运行数据库中采集到的实时参数输入至训练好的故障诊断模型中,最终辨识出故障类型;
步骤5:针对步骤4中不同故障类型,利用历史训练库中不同故障程度的数据输入至高斯过程回归模型中进行训练,并采用粒子群优化算法来搜寻最优超参数,以得到不通故障的程度评估模型;
步骤6:在步骤4中诊断出不同类型的故障后,随即将此时运行数据输入至训练好的粒子群优化-高斯过程回归(PSO-GPR)的故障程度评估模型中,评估实时的故障程度值,并最终显示在人机界面中。
2.根据权利要求1所述的综合式核动力装置系统级故障诊断方法,其特征在于,所述的历史训练库中包含的工况有正常工况、冷却剂丧失事故、冷却剂丧失事故、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故、蒸汽发生器传热管破裂事故以及甩负荷事故。
4.根据权利要求1所述的综合式核动力装置系统级故障诊断方法,其特征在于,所述利用最小二乘支持向量机学习历史训练库中运行数据以建立故障诊断模型,该模型辨识正常状态以及典型故障类型;
步骤1:对核动力装置各参数组成的样本集S={(xi,yi),i=1,2,…,l},xi∈Rn是输入数据,yi∈Rn是对应的输出数据,在建立故障诊断模型中,首先将模型训练转化为最小化结构风险及其满足的约束条件;
步骤2:步骤1中对应的Lagrange函数为:
式中:αi=R是拉格朗日乘子,α=[α1,…,αl]T∈Rl;e=[e1,…,el]T∈Rl。ω∈H是权值向量;b∈R是偏置项;ei∈R是误差变量;
步骤3:根据优化条件并消除步骤2中变量ω,e,得到的故障诊断模型为
其中,核函数K(xj,xi)选用径向基核函数。
5.根据权利要求1所述的综合式核动力装置系统级故障诊断方法,其特征在于,所述的粒子群优化-高斯过程回归的故障评估程度模型的建立包含以下步骤:
步骤1:初始化粒子群优化算法的模型参数,包括确定粒子种群、最大迭代次数、粒子初速度及初始位置,在迭代中每个粒子代表一个潜在的模型;
步骤2:将不同粒子,即不同的高斯过程回归模型进行训练和测试,并计算出每个粒子个体的适应度值fi;
步骤3:将步骤2中的适应值fi与粒子迭代历史中的个体极值pbesti,j(t)进行比较,如果前者小于后者,则用新的适应值取代前一轮的pbesti,j(t),用新的粒子取代前一轮的粒子;
步骤4:将每个粒子的个体极值pbesti,j(t)与所有粒子的全局极值gbesti,j(t)进行比较。如果pbesti,j(t)<gbesti,j(t),则用该粒子的最佳适应值取代原有全局最佳适应值,同时保存粒子的当前状态;
步骤5:当迭代满足预设步数时结束程序并返回当前适应值最小的粒子,找到最优解;如不满足,再进行新一轮迭代,更新粒子的位置和速度,即产生新的粒子,返回到步骤2,直到满足最大迭代步,算法结束并得到基于粒子群优化的高斯过程回归的故障程度评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080818.0A CN112199890B (zh) | 2020-10-11 | 2020-10-11 | 一种综合式核动力装置系统级故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080818.0A CN112199890B (zh) | 2020-10-11 | 2020-10-11 | 一种综合式核动力装置系统级故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112199890A true CN112199890A (zh) | 2021-01-08 |
CN112199890B CN112199890B (zh) | 2023-03-17 |
Family
ID=74014237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011080818.0A Active CN112199890B (zh) | 2020-10-11 | 2020-10-11 | 一种综合式核动力装置系统级故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112199890B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484813A (zh) * | 2021-06-11 | 2021-10-08 | 国网山东省电力公司营销服务中心(计量中心) | 多环境应力下的智能电表故障率预估方法及系统 |
CN114398800A (zh) * | 2022-01-27 | 2022-04-26 | 矿冶科技集团有限公司 | 破碎机系统故障诊断方法及装置 |
CN115017978A (zh) * | 2022-05-18 | 2022-09-06 | 东南大学 | 一种基于加权概率神经网络的故障分类方法 |
CN116306095A (zh) * | 2023-01-16 | 2023-06-23 | 中国电建集团北京勘测设计研究院有限公司 | 基于边缘计算的抽水蓄能机组故障诊断系统及方法 |
CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
CN116628986A (zh) * | 2023-05-24 | 2023-08-22 | 中国人民解放军海军工程大学 | 一种用于核动力装置严重事故分析仿真计算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
CN106408031A (zh) * | 2016-09-29 | 2017-02-15 | 南京航空航天大学 | 一种最小二乘支持向量机的超参优化方法 |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106597965A (zh) * | 2016-12-07 | 2017-04-26 | 中国船舶重工集团公司第七〇九研究所 | 核动力装置运行状态监控系统及监控方法 |
CN110703077A (zh) * | 2019-09-25 | 2020-01-17 | 西安工程大学 | 基于hpso-tsvm的高压断路器故障诊断方法 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
KR20200098238A (ko) * | 2019-02-12 | 2020-08-20 | 한국수력원자력 주식회사 | 원전설비의 예측 진단 방법 및 시스템 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
-
2020
- 2020-10-11 CN CN202011080818.0A patent/CN112199890B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
CN106408031A (zh) * | 2016-09-29 | 2017-02-15 | 南京航空航天大学 | 一种最小二乘支持向量机的超参优化方法 |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106597965A (zh) * | 2016-12-07 | 2017-04-26 | 中国船舶重工集团公司第七〇九研究所 | 核动力装置运行状态监控系统及监控方法 |
KR20200098238A (ko) * | 2019-02-12 | 2020-08-20 | 한국수력원자력 주식회사 | 원전설비의 예측 진단 방법 및 시스템 |
CN110703077A (zh) * | 2019-09-25 | 2020-01-17 | 西安工程大学 | 基于hpso-tsvm的高压断路器故障诊断方法 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
Non-Patent Citations (7)
Title |
---|
BINSEN PENG等: "A mixed intelligent condition monitoring method for nuclear power plant", 《ANNALS OF NUCLEAR ENERGY》 * |
RONGDA JIAO等: "Research on Fault Diagnosis and Prediction of Power Plant Fans", 《2019 INTERNATIONAL CONFERENCE ON SENSING,DIAGNOSTICS,PROGNOSTICS,AND CONTROL(SDPC)》 * |
WU PENG等: "A novel intelligent diagnosis method using optimal LS-SVM with improved PSO algorithm", 《SOFT COMPUTING》 * |
XIAODAN HONG等: "Multi-model multivariate Gaussian process modelling with correlated noises", 《JOURNAL OF PROCESS CONTROL》 * |
周刚等: "基于神经网络与表决融合的核动力装置故障诊断方法", 《原子能科学技术》 * |
彭彬森等: "核动力装置运行数据的特征提取方法研究", 《原子能科学技术》 * |
杜兴富: "基于支持向量机的核动力装置故障诊断", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484813A (zh) * | 2021-06-11 | 2021-10-08 | 国网山东省电力公司营销服务中心(计量中心) | 多环境应力下的智能电表故障率预估方法及系统 |
CN113484813B (zh) * | 2021-06-11 | 2023-12-05 | 国网山东省电力公司营销服务中心(计量中心) | 多环境应力下的智能电表故障率预估方法及系统 |
CN114398800A (zh) * | 2022-01-27 | 2022-04-26 | 矿冶科技集团有限公司 | 破碎机系统故障诊断方法及装置 |
CN115017978A (zh) * | 2022-05-18 | 2022-09-06 | 东南大学 | 一种基于加权概率神经网络的故障分类方法 |
CN116306095A (zh) * | 2023-01-16 | 2023-06-23 | 中国电建集团北京勘测设计研究院有限公司 | 基于边缘计算的抽水蓄能机组故障诊断系统及方法 |
CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
CN116522088B (zh) * | 2023-04-27 | 2024-01-26 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
CN116628986A (zh) * | 2023-05-24 | 2023-08-22 | 中国人民解放军海军工程大学 | 一种用于核动力装置严重事故分析仿真计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112199890B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199890B (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
Lee et al. | A convolutional neural network model for abnormality diagnosis in a nuclear power plant | |
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
Tan et al. | A new sensor fault diagnosis method for gas leakage monitoring based on the naive Bayes and probabilistic neural network classifier | |
Wang et al. | A Bayesian inference-based approach for performance prognostics towards uncertainty quantification and its applications on the marine diesel engine | |
CN111899905B (zh) | 一种基于核动力装置的故障诊断方法及系统 | |
CN112016251B (zh) | 一种核动力装置故障的诊断方法及系统 | |
Kim et al. | Abnormality diagnosis model for nuclear power plants using two-stage gated recurrent units | |
Zhao et al. | A novel cap-LSTM model for remaining useful life prediction | |
Moradi et al. | Intelligent health indicator construction for prognostics of composite structures utilizing a semi-supervised deep neural network and SHM data | |
Li et al. | Research on robustness of five typical data-driven fault diagnosis models for nuclear power plants | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
Wang et al. | A multi-stage hybrid fault diagnosis approach for operating conditions of nuclear power plant | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN112036496A (zh) | 一种核动力装置故障诊断方法及系统 | |
CN117408422A (zh) | 基于深度学习的天然气流量计性能评估方法和系统 | |
CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
Qin et al. | A novel physically interpretable end-to-end network for stress monitoring in laser shock peening | |
CN115540935A (zh) | 一种新型护航舰艇压载水系统设备故障诊断方法 | |
CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 |
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 |