CN112633358A - 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统 - Google Patents

基于语义级特征学习蒸汽发生器给水系统诊断方法及系统 Download PDF

Info

Publication number
CN112633358A
CN112633358A CN202011509462.8A CN202011509462A CN112633358A CN 112633358 A CN112633358 A CN 112633358A CN 202011509462 A CN202011509462 A CN 202011509462A CN 112633358 A CN112633358 A CN 112633358A
Authority
CN
China
Prior art keywords
steam generator
state
semantic
sample data
generator water
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
CN202011509462.8A
Other languages
English (en)
Other versions
CN112633358B (zh
Inventor
冯毅
郑伟
周宏宽
姚涌涛
柯志武
陶模
陈朝旭
刘伟
李献领
吴君
李勇
柯汉兵
魏志国
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.)
Wuhan No 2 Ship Design Institute No 719 Research Institute of China Shipbuilding Industry Corp
Original Assignee
Wuhan No 2 Ship Design Institute No 719 Research Institute of China Shipbuilding Industry Corp
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 Wuhan No 2 Ship Design Institute No 719 Research Institute of China Shipbuilding Industry Corp filed Critical Wuhan No 2 Ship Design Institute No 719 Research Institute of China Shipbuilding Industry Corp
Priority to CN202011509462.8A priority Critical patent/CN112633358B/zh
Publication of CN112633358A publication Critical patent/CN112633358A/zh
Application granted granted Critical
Publication of CN112633358B publication Critical patent/CN112633358B/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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种基于语义级特征学习蒸汽发生器给水系统诊断方法，包括实时采集蒸汽发生器给水系统的状态参数，形成样本数据集；根据样本数据集构建状态数据矩阵，提取状态数据矩阵的语义级特征向量；按照故障类型对语义级特征向量进行标签标记；根据深度学习模型和元学习器构成深度元学习模型，对深度元学习模型进行训练；提取测试状态参数，输入训练好的深度元学习模型，获得故障诊断结果。本发明针对蒸汽发生器给水系统运行状态的故障诊断问题，提出了通过提取装备的运行状态参数的语义级特征，采用深度元学习方法快速学习新样本，通过语义级特征向量中的相似性输出新样本的诊断结果，有效提高了模型对于新样本的快速适应与诊断能力。

Description

基于语义级特征学习蒸汽发生器给水系统诊断方法及系统
技术领域
本发明涉及数据特征处理与机器学习领域，具体涉及一种基于语义级特征学习蒸汽发生器给水系统诊断方法及系统。
背景技术
蒸汽发生器是电厂一、二回路的枢纽，其主要功能是把一回路反应堆产生的热量传递给二回路给水，使二回路给水变为一定温度和压力的蒸汽，从而起到热量交换、能量传递的作用；蒸汽发生器给水系统是由汽轮机、冷凝器、给水泵、调节阀等部件组成的系统。蒸汽发生器给水控制是压水堆核电厂极其重要的控制功能，用于调节核电厂蒸汽发生器二次侧水位在需求定值上，以保证机组的稳定运行。蒸汽发生器给水控制功能要求集成度高，操作要求复杂，涉及电厂的多个系统，因此其故障诊断需要快速、准确。
目前，人工智能发展非常迅速，但是大部分的人工智能系统都需要通过大量的时间与数据训练得到学习技能，人工智能较为原始并依赖于统计能力。面对复杂环境及任务时，再根据每一种情形分别训练学习技能已经不现实了。因此，使得模型能够复用曾经的经验学会如何快速学习新技能，而不是独立地解决每一个新的任务，成为了当前人工智能发展的重要方向。但是，有效样本匮乏是蒸汽发生器给水系统复杂装备健康管理无法回避的难题，蒸汽发生器给水系统具有结构组成复杂、信息多元异构、运行工况多变等基本特性，由此所产生的复杂装备故障等级分层、故障类型多样、有效故障样本匮乏等现象一直以来都是大型复杂装备健康管理所需要解决的关键问题，其中有效故障样本的匮乏是该研究领域中长期面临的瓶颈。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于语义级特征学习蒸汽发生器给水系统诊断方法及系统，该方法借鉴神经科学的研究成果和目前已有的机器学习理论，以深度神经网络和元学习理论为突破方向，建立一种面向语义级特征、具备学习经验复用的深度元学习方法，实现对于小样本与无样本新故障模式的快速学习与诊断识别，从而有效提高故障诊断系统的新任务学习能力与智能化自适应能力。
为实现上述目的，本发明第一方面提供一种基于语义级特征学习蒸汽发生器给水系统诊断方法，所述方法包括：
实时采集所述蒸汽发生器给水系统的状态参数，形成M组样本数据集；
根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量；
按照故障类型对所述语义级特征向量进行标签标记；
根据深度学习模型和元学习器构成深度元学习模型，使用所述语义级特征向量及对应标签对所述深度元学习模型进行训练；
提取所述蒸汽发生器给水系统中各监测点测试状态参数，构建测试样本向量后将其输入训练好的深度元学习模型，获得故障诊断结果；
其中，所述M为蒸汽发生器给水系统设置的监测点数量。
根据权利要求1所述的基于语义级特征学习蒸汽发生器给水系统诊断方法，所述状态参数包括蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度。
进一步地，所述根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量包括：
根据状态参数类型对M组样本数据集进行分类，根据所述状态参数类型和各组样本数据方差对所述M组样本数据集进行排序，构成状态数据矩阵；
使用卷积神经网络对所述状态数据矩阵进行卷积、池化迭代计算，提取所述状态数据矩阵的语义级特征向量。
进一步地，所述根据所述状态参数类型和各组样本数据方差对所述M组样本数据集进行排序，构成状态数据矩阵包括：
根据状态参数类型对M组样本数据集进行分类，形成P个子样本数据集，每个子样本数据集包括至少一组样本数据；其中，M≥P；
计算各组样本数据的方差及各子样本数据集的平均方差，依据子样本数据集的平均方差升序及各组样本数据升序原则对M组数据进行排序，构成状态数据矩阵。
进一步地，所述使用卷积神经网络对所述状态数据矩阵进行卷积、池化迭代计算，提取所述状态数据矩阵的语义级特征向量包括：
对所述状态数据矩阵中第m-1层数据特征采用卷积函数计算第m层特征值；设置所述状态数据矩阵中第m-1层为卷积层，第m层为池化层；
将m-1次卷积池化的结果作为第m次卷积池化的输入，将多次卷积池化迭代的输出结果首尾连接起来，构成所述状态数据矩阵的语义级特征向量；
其中，所述m取值范围为m＝1，2……M。
进一步地，所述计算各组样本数据的方差及各子样本数据集的平均方差，依据子样本数据集的平均方差升序及各组样本数据升序原则对M组数据进行排序，构成状态数据矩阵包括：
计算第p类状态参数的第m组样本数据的方差，获取第一方差；计算第p类状态参数的第一方差数据集的平均方差，获取第二方差；
按状态参数类型对M组样本数据集进行分类组成p个状态数据子矩阵，依照各状态参数类型的第二方差升序对状态数据子矩阵排序；
依照各组样本数据的第一方差升序对各状态数据子矩阵中的样本数据集排序，将所述状态数据子矩阵依该排序合并构成状态数据矩阵；
其中，所述p取值范围为p＝1，2……P，所述m取值范围为m＝1，2……M。
本发明第二方面提供一种基于语义级特征学习蒸汽发生器给水系统诊断系统，所述系统包括：
数据采集模块，用于实时采集所述蒸汽发生器给水系统中各监测点的状态参数，形成M组样本数据集；所述M为蒸汽发生器给水系统中监测点数量；
第一处理模块，用于根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量；
第二处理模块，用于按照故障类型对所述语义级特征向量进行标签标记；
第三处理模块，用于采用自深度学习模型和元学习器构成深度元学习模型，使用所述语义级特征向量及对应标签对所述深度元学习模型进行训练；
故障诊断模块，用于提取所述蒸汽发生器给水系统中各监测点测试状态参数，构建测试样本向量后将其输入训练好的深度元学习模型，获得故障诊断结果。
进一步地，所述状态参数包括蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度。
本发明第三方面提供一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明第四发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
本发明针对蒸汽发生器给水系统运行状态的故障诊断问题，创造性的提出了通过提取装备的运行状态参数的语义级特征，采用深度元学习方法复用以往数据的学习经验，快速学习新样本，通过语义级特征向量中的相似性输出新样本的诊断结果，避免了传统诊断方法需要大量样本长时间训练的缺点，有效提高了模型对于新样本的快速适应与诊断能力。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1.本发明创造性地将蒸汽发生器给水系统的多维运行数据进行了分类、排列与重构，并构建了状态数据矩阵，建立了装备各个测点不同类别信息的关联性，为深度元学习模型提供了更为完备和准确的装备状态信息。
2.本发明创造性地将卷积神经网络应用于非图像类的蒸汽发生器给水系统状态数据矩阵特征提取，有效获取状态数据矩阵中不同时间尺度的动态特征、不同信息类别之间的关联特征，最终形成蒸汽发生器给水系统运行数据的语义级特征。
3.本发明创造性地将元学习器引入深度学习模型，构建了面向语义级特征的深度元学习模型，通过元学习器学习样本训练的参数与网络权重条件过程，在学习新样本时快速生成适用于新样本特征的学习参数，实现新样本的快速学习。
4.本发明创造性的采用特征距离衡量新样本在数据-语义特征空间中与其他样本特征的相似性，通过特征距离相似性向量诊断新样本的故障类型。
附图说明
图1为按照本发明提供的一种基于语义级特征学习蒸汽发生器给水系统诊断方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
需要说明的是，本发明涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里描述或图示的那些以外的顺序实施。
如图1所示，本发明提供了一种基于语义级特征学习蒸汽发生器给水系统诊断方法，能够在元学习器指导下对蒸汽发生器给水系统的运行数据语义级特征进行深度学习，提高小样本无样本故障模式的学习效率，解决传统机器学习方法难以识别小样本无样本故障模式的问题。该方法包括：实时采集所述蒸汽发生器给水系统的状态参数，形成M组样本数据集；根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量；按照故障类型对所述语义级特征向量进行标签标记，再使用所述语义级特征向量及对应标签对深度元学习模型进行训练；提取所述蒸汽发生器给水系统中各监测点测试状态参数，构建测试样本向量后将其输入训练好的深度元学习模型，获得故障诊断结果；其中，所述M为蒸汽发生器给水系统设置的监测点数量。具体地，所述状态参数包括蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度。
根据一种具体的实施方式，提供的一种基于语义级特征学习蒸汽发生器给水系统诊断方法，包括以下步骤：
步骤1：在蒸汽发生器给水系统中设置M个监测点，同时采集获得状态参数长度为N，样本数据向量(xM1xM2…xMN)；具体地，N为监测频率，状态参数为物理量，包括蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度。
步骤2：多维状态数据矩阵重构。根据状态参数类型对M组样本数据集进行分类，根据所述状态参数类型和各组样本数据方差对所述M组样本数据集进行排序，构成状态数据矩阵；使用卷积神经网络对所述状态数据矩阵进行卷积、池化迭代计算，提取所述状态数据矩阵的语义级特征向量。
具体地，将M个传感器同时采集获得的数据长度为N的多维状态数据矩阵依据以下原则进行重构：
(1)根据状态参数类型对M组样本数据集进行分类，形成P个子样本数据集，每个子样本数据集包括至少一组样本数据；其中，M≥P。具体地将M个传感器的数据按照数据的物理量类型(蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度)分为P类；
(2)计算各组样本数据的方差及各子样本数据集的平均方差，计算第p类状态参数的第m组样本数据的方差，获取数据方差。具体地，计算第p类状态参数的第一方差数据集的平均方差，获取数据类平均方差；所述p取值范围为p＝1，2……P，所述m取值范围为m＝1，2……M。更具体地，计算所有信号的自身方差σ，以及每类数据的方差均值；其中第1类物理量的第1组数据的方差为1σ1＝σ(1x11,1x12,…,1x1N)，1σ1≤1σ2,…,≤1σp，第1类数据平均方差为
Figure BDA0002845945400000071
1σ≤2σ,…,≤Pσ，同类可获得其他类别物理量的数据方差与数据类平均方差。
(3)依据子样本数据集的平均方差升序及各组样本数据升序原则对M组数据进行排序，构成状态数据矩阵。具体地，按状态参数类型对M组样本数据集进行分类组成p个状态数据子矩阵，依照各状态参数类型的数据类平均方差升序对状态数据子矩阵排序；依照各组样本数据的数据方差升序对各状态数据子矩阵中的样本数据集排序，将所述状态数据子矩阵依该排序合并构成状态数据矩阵。更具体地，依据类内方差升序、类间方差升序原则对M组数据进行排列，构成状态数据矩阵X：
Figure BDA0002845945400000072
步骤3，状态信息语义级特征提取。使用卷积神经网络提取所述状态数据矩阵的语义级特征向量。具体地，对所述状态数据矩阵中第m-1层数据特征采用卷积函数计算第m层特征值；设置所述状态数据矩阵中第m-1层为卷积层，第m层为池化层；将m-1次卷积池化的结果作为第m次卷积池化的输入，将多次卷积池化迭代的输出结果首尾连接起来，构成所述状态数据矩阵的语义级特征向量；所述m取值范围为m＝1，2……M。
更具体地，采用卷积神经网络对状态数据矩阵进行卷积、池化迭代计算，提取状态数据矩阵中的特征：
(1)对第m-1层数据特征xm-1采用卷积函数
Figure BDA0002845945400000081
计算第m层特征值xm，
Figure BDA0002845945400000082
其中，
Figure BDA0002845945400000083
表示m-1层第i个神经元和m层第j个神经元之间的权值。
(2)假设第m-1层为卷积层，第m层为池化层，则m层的计算公式为
Figure BDA0002845945400000084
其中函数down(x)为下采样函数，即求和M×N数据矩阵内的数值，δ为下采样后的权重系数。
(3)对状态数据矩阵X进行多次卷积和池化迭代计算，即将第前一次卷积池化的结果作为后一次卷积池化的输入。最终每r次卷积池化迭代的输出结果首尾连接起来，构成状态数据矩阵X的语义级特征向量L＝[l1,l2,…,lr]。
步骤3，数据-语义向量构建。按照故障类型对所述语义级特征向量进行标签标记。具体地，对不同时期获取蒸汽发生器给水系统的状态参数(包括无故障状态参数和故障状态参数)进行语义特征向量提取，构建蒸汽发生器给水系统的数据-语义特征矩阵H，对应的状态标签位为S。
Figure BDA0002845945400000085
其中，语义级特征共t个，对应状态标志位s表示故障类型，状态标签位si＝0时为无故障。
步骤4，深度元学习模型构建。具体地，根据深度学习模型和元学习器构成深度元学习模型，使用所述语义级特征向量及对应标签对所述深度元学习模型进行训练；包括：
(1)建立深度学习模型f、参数θ、元学习器g，那么对于每一个任务Di，元学习器g负责输出新的参数θi给深度神经网络使用，在测试集上的输入和输出分别为L*和
Figure BDA0002845945400000091
其中输入为t个样本，具体可以描述为：
Figure BDA0002845945400000092
对于任务Di原始的深度学习模型参数θ会沿着损失函数ε反向传播的梯度进行调整，通过少量的梯度更新找到合适的新参数，使模型快速适应新任务，如下所示：
Figure BDA0002845945400000093
其中，α可以设置为固定的超参数或者由元学习器通过学习获得。
(3)在多个任务上都求得更新后的θi以后，训练集上计算综合损失，以更新最终的参数，其中β为学习参数：
Figure BDA0002845945400000094
其中，τ为学习任务，P(τ)为任务分布，{τi}～P(τ)为元训练任务集，
Figure BDA0002845945400000095
为训练数据。
步骤5，深度元学习模型诊断。具体地，提取所述蒸汽发生器给水系统中各监测点测试状态参数，构建测试样本向量后将其输入训练好的深度元学习模型，获得故障诊断结果。
更具体地，将蒸汽发生器给水系统的需要诊断的新状态数据样本输入到深度元学习模型中，通过特征映射到属性语义向量后，采用余弦距离函数度量提取的新样本语义特征R＝(r1,r2,…,rN)与语义特征空间的相似性：
Figure BDA0002845945400000096
获得特征距离相似性向量D＝(d1,d2,…,dt)，最后通过计算状态标签位输出诊断结果SR，从而实现对新样本的学习与诊断识别：
SR＝[d1,d2,…,dt][s1,s2,s2,…,sq]T
根据另一种具体的实施方式，基于上述方法提供的一种基于语义级特征学习蒸汽发生器给水系统诊断系统，包括：
数据采集模块，用于实时采集所述蒸汽发生器给水系统中各监测点的状态参数，形成M组样本数据集；所述M为蒸汽发生器给水系统中监测点数量；
第一处理模块，用于根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量；
第二处理模块，用于按照故障类型对所述语义级特征向量进行标签标记；
第三处理模块，用于采用自深度学习模型和元学习器构成深度元学习模型，使用所述语义级特征向量及对应标签对所述深度元学习模型进行训练；
故障诊断模块，用于提取所述蒸汽发生器给水系统中各监测点测试状态参数，构建测试样本向量后将其输入训练好的深度元学习模型，获得故障诊断结果。
具体地，状态参数包括蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度。
具体地，所述第二处理模块包括：
第一处理子模块，用于根据状态参数类型对M组样本数据集进行分类，根据所述状态参数类型和各组样本数据方差对所述M组样本数据集进行排序，构成状态数据矩阵；
第二处理子模块，用于使用卷积神经网络对所述状态数据矩阵进行卷积、池化迭代计算，提取所述状态数据矩阵的语义级特征向量。
本发明基于上述实施方式还提供一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述方法。
本发明基于上述实施方式还一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述方法。
应当理解，本发明的方法、结构图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。

Claims (10)

1.一种基于语义级特征学习蒸汽发生器给水系统诊断方法，其特征在于，所述方法包括：
实时采集所述蒸汽发生器给水系统的状态参数，形成M组样本数据集；
根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量；
按照故障类型对所述语义级特征向量进行标签标记；
根据深度学习模型和元学习器构成深度元学习模型，使用所述语义级特征向量及对应标签对所述深度元学习模型进行训练；
提取所述蒸汽发生器给水系统中各监测点测试状态参数，构建测试样本向量后将其输入训练好的深度元学习模型，获得故障诊断结果；
其中，所述M为蒸汽发生器给水系统设置的监测点数量。
2.根据权利要求1所述的基于语义级特征学习蒸汽发生器给水系统诊断方法，其特征在于，所述状态参数包括蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度。
3.根据权利要求1或2所述的基于语义级特征学习蒸汽发生器给水系统诊断方法，其特征在于，所述根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量包括：
根据状态参数类型对M组样本数据集进行分类，根据所述状态参数类型和各组样本数据方差对所述M组样本数据集进行排序，构成状态数据矩阵；
使用卷积神经网络对所述状态数据矩阵进行卷积、池化迭代计算，提取所述状态数据矩阵的语义级特征向量。
4.根据权利要求3所述的基于语义级特征学习蒸汽发生器给水系统诊断方法，其特征在于，所述根据所述状态参数类型和各组样本数据方差对所述M组样本数据集进行排序，构成状态数据矩阵包括：
根据状态参数类型对M组样本数据集进行分类，形成P个子样本数据集，每个子样本数据集包括至少一组样本数据；其中，M≥P；
计算各组样本数据的方差及各子样本数据集的平均方差，依据子样本数据集的平均方差升序及各组样本数据升序原则对M组数据进行排序，构成状态数据矩阵。
5.根据权利要求3所述的基于语义级特征学习蒸汽发生器给水系统诊断方法，其特征在于，所述使用卷积神经网络对所述状态数据矩阵进行卷积、池化迭代计算，提取所述状态数据矩阵的语义级特征向量包括：
对所述状态数据矩阵中第m-1层数据特征采用卷积函数计算第m层特征值；设置所述状态数据矩阵中第m-1层为卷积层，第m层为池化层；
将m-1次卷积池化的结果作为第m次卷积池化的输入，将多次卷积池化迭代的输出结果首尾连接起来，构成所述状态数据矩阵的语义级特征向量；
其中，所述m取值范围为m＝1，2……M。
6.根据权利要求4所述的基于语义级特征学习蒸汽发生器给水系统诊断方法，其特征在于，所述计算各组样本数据的方差及各子样本数据集的平均方差，依据子样本数据集的平均方差升序及各组样本数据升序原则对M组数据进行排序，构成状态数据矩阵包括：
计算第p类状态参数的第m组样本数据的方差，获取第一方差；计算第p类状态参数的第一方差数据集的平均方差，获取第二方差；
按状态参数类型对M组样本数据集进行分类组成p个状态数据子矩阵，依照各状态参数类型的第二方差升序对状态数据子矩阵排序；
依照各组样本数据的第一方差升序对各状态数据子矩阵中的样本数据集排序，将所述状态数据子矩阵依该排序合并构成状态数据矩阵；
其中，所述p取值范围为p＝1，2……P，所述m取值范围为m＝1，2……M。
7.一种基于语义级特征学习蒸汽发生器给水系统诊断系统，其特征在于，所述系统包括：
数据采集模块，用于实时采集所述蒸汽发生器给水系统中各监测点的状态参数，形成M组样本数据集；所述M为蒸汽发生器给水系统中监测点数量；
第一处理模块，用于根据所述样本数据集构建二维状态数据矩阵，使用卷积神经网络提取所述状态数据矩阵的语义级特征向量；
第二处理模块，用于按照故障类型对所述语义级特征向量进行标签标记；
第三处理模块，用于采用自深度学习模型和元学习器构成深度元学习模型，使用所述语义级特征向量及对应标签对所述深度元学习模型进行训练；
故障诊断模块，用于提取所述蒸汽发生器给水系统中各监测点测试状态参数，构建测试样本向量后将其输入训练好的深度元学习模型，获得故障诊断结果。
8.根据权利要求7所述的基于语义级特征学习蒸汽发生器给水系统诊断系统，其特征在于，所述状态参数包括蒸汽发生器进水口温度、蒸汽发生器进水口流量、蒸汽发生器进水口压力、给水泵速度、给水泵加速度和给水阀开度。
9.一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。
CN202011509462.8A 2020-12-19 2020-12-19 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统 Active CN112633358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011509462.8A CN112633358B (zh) 2020-12-19 2020-12-19 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011509462.8A CN112633358B (zh) 2020-12-19 2020-12-19 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统

Publications (2)

Publication Number Publication Date
CN112633358A true CN112633358A (zh) 2021-04-09
CN112633358B CN112633358B (zh) 2022-11-25

Family

ID=75317531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011509462.8A Active CN112633358B (zh) 2020-12-19 2020-12-19 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统

Country Status (1)

Country Link
CN (1) CN112633358B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177584A (zh) * 2021-04-19 2021-07-27 合肥工业大学 基于零样本学习的复合故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316057A (zh) * 2017-06-07 2017-11-03 哈尔滨工程大学 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
CN111899905A (zh) * 2020-08-05 2020-11-06 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN112016251A (zh) * 2020-09-02 2020-12-01 哈尔滨工程大学 一种核动力装置故障的诊断方法及系统
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN112084974A (zh) * 2020-09-14 2020-12-15 北京工商大学 一种基于元学习的多标签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
CN107316057A (zh) * 2017-06-07 2017-11-03 哈尔滨工程大学 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法
CN110428004A (zh) * 2019-07-31 2019-11-08 中南大学 数据失衡下基于深度学习的机械零部件故障诊断方法
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN111899905A (zh) * 2020-08-05 2020-11-06 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统
CN112016251A (zh) * 2020-09-02 2020-12-01 哈尔滨工程大学 一种核动力装置故障的诊断方法及系统
CN112084974A (zh) * 2020-09-14 2020-12-15 北京工商大学 一种基于元学习的多标签滚动轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董慕杰 等: "核电站主给水系统建模仿真及故障诊断", 《中国优秀硕士学位论文全文数据库》, no. 02, 15 February 2016 (2016-02-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177584A (zh) * 2021-04-19 2021-07-27 合肥工业大学 基于零样本学习的复合故障诊断方法
CN113177584B (zh) * 2021-04-19 2022-10-28 合肥工业大学 基于零样本学习的复合故障诊断方法

Also Published As

Publication number Publication date
CN112633358B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN113486578A (zh) 一种工业过程中设备剩余寿命的预测方法
CN113111820B (zh) 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置
CN113722985B (zh) 航空发动机健康状态评估和剩余寿命预测方法及系统
CN112232407B (zh) 病理图像样本的神经网络模型训练方法、装置
CN103093087A (zh) 一种基于多任务学习的多模态脑网络特征融合方法
CN114429150A (zh) 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统
CN109192298A (zh) 基于脑网络的深度脑疾病诊断算法
CN110289987B (zh) 基于表征学习的多智能体系统网络抗攻击能力评估方法
WO2023108418A1 (zh) 脑图谱构建及神经环路检测的方法和相关产品
CN111382807A (zh) 图像处理方法、装置、计算机设备和存储介质
CN107491656B (zh) 一种基于相对危险度决策树模型的妊娠结局影响因子评估方法
Wu et al. Tomato Leaf Disease Identification and Detection Based on Deep Convolutional Neural Network.
CN112633358B (zh) 基于语义级特征学习蒸汽发生器给水系统诊断方法及系统
Bi et al. Critical direction projection networks for few-shot learning
CN114821337B (zh) 基于时相一致性伪标签的半监督sar图像建筑区提取方法
CN116383757A (zh) 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法
CN114417681B (zh) 基于动态决策和神经网络的二维结构变形监测方法及装置
CN115730194A (zh) 齿轮箱油温信号的可变步长压缩采样方法、装置和设备
Song et al. Study of Sugarcane Buds Classification Based on Convolutional Neural Networks.
Xie et al. Novel deep-learning method based on LSA-Transformer for fault detection and its implementation in penicillin fermentation process
CN111127305A (zh) 基于早孕期胎儿颅面部三维容积自动获取标准切面的方法
CN117521274A (zh) 一种故障样本稀缺条件下的电静液作动器故障诊断方法
Yu et al. Fault diagnosis of wearable temperature sensors based on multi-scale feature extraction

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