CN113011248A - 一种基于lstm的核动力装置故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于LSTM的核动力装置故障诊断方法，采集正常工况下反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；将传感器信号离散采样后制作为训练数据集；构建多层长短时记忆LSTM网络；将训练样本集放入多层长短时记忆LSTM网络中进行神经网络训练；重新采集传感器信号作为测试样本集，放入训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。本发明能够对核动力装置中传感器和执行器下多类型多程度的故障均能准确诊断。

Description

一种基于LSTM的核动力装置故障诊断方法

技术领域

本发明属于核动力系统故障诊断技术领域，具体涉及一种基于LSTM的核动力装置故障诊断方法。

背景技术

故障和人因失误是核动力装置非预期停机停堆和安全事故的重要诱因。根据统计，我国在2000-2007年间发生的72起非计划停机停堆事件中，由故障引起的高达50起，由人因失误导致的为22起，不仅造成直接经济损失，而且还对系统安全构成很大威胁。核动力装置的故障种类繁多，其中控制系统的执行器作为系统运行驱动元件，故障的发生和解决已经得到人们的极大关注。在数字化仪控系统中，软件技术的可靠性已达到了比较高的水平，传感器、执行器等硬件故障是控制系统失效的主要诱因之一。

现役核电站和核动力装置普遍采用的基于PID的传统控制方法对异常工况的适应能力十分有限，为保证故障下系统的安全性并减少人因失误，一方面可增加系统的硬件冗余以提高对故障的容错能力，另一方面可加强对操纵员的培训以提高其处理突发事件的能力，并保障充足合理的人员配置以应对可能发生的多样性故障工况。但这些措施会增加核动力系统的运行成本，降低其经济竞争力；而且核动力装置的故障具有时空和强度不确定性，在操纵员培训中很难面面俱到，面对未知的故障信号，即使最有经验的操纵员也难免会背负很大的心里压力，可能出现误判断和误操作。即使是目前学术研究领域，也大多利用传统神经网络对核动力装置故障进行诊断，由于核动力装置的复杂性，往往不能达到预期的故障诊断正确率。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于LSTM的核动力装置故障诊断方法，通过建立多层的LSTM神经网络，准确预测核动力装置运行过程中出现的历史故障的类型及程度；对于全新故障，预测结果为最接近的历史故障，以达到实时有效诊断核动力装置不同类型和程度故障的目的。

本发明采用以下技术方案：

一种基于LSTM的核动力装置故障诊断方法，包括以下步骤：

S1、采集正常工况下反应堆一回路压力控制系统、液位控制系统和功率控制系统中的传感器信号；

S2、依照目标故障类型和程度，设置传感器和执行器故障；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；

S3、将步骤S1和步骤S2采集到的传感器信号的原始时间序列数据进行离散采样，预处理及归一化，作为训练数据集；

S4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；

S5、将步骤S3预处理及归一化后的训练样本集放入步骤S4构建的多层长短时记忆LSTM网络中进行神经网络训练；

S6、重新采集压力控制系统、液位控制系统和功率控制系统中不同故障类型和程度运行下的传感器信号，将采样的传感器信号经预处理和归一化处理后作为测试样本集，将测试样本集放入步骤S5训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。

具体的，步骤S1中，传感器信号包括反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降以及旁排阀开度信号。

具体的，步骤S2中，采集大于一百万的数据点作为训练样本集，训练样本集包括在不同时间点发生的各个类型的故障情况。

进一步的，故障情况包括恒偏差、卡死和恒增益，恒偏差和恒增益包括28种故障工况，故障信息以故障字典的形式给出。

具体的，步骤S3中，归一化处理具体为：

其中，

是第i个传感器信号的平均值，σ_i是第i个传感器信号的标准差。

具体的，步骤S4中，多层LSTM网络包括输入层、多层LSTM隐含层，全连接层，Softmax层和输出层；多层LSTM网络中设置梯度阈值为2；多层LSTM网络中单个LSTM单元包含一个遗忘门f^t，一个输入门i^t，一个输出门o^t和一个细胞门C^t，每个门通过有选择地筛选前一个隐含层信息h^t-1和当前输入x^t；由tanh函数确定单个LSTM单元的输出h^t。

进一步的，输入层：接受归一化处理后的单个12维时间序列训练样本；

隐含层：包括256层LSTM模块，每一层通过连接多层隐含层使得网络的深度增加，提取输入信号中的隐藏特征；

全连接层：把隐含层的12个输出值作为输入值，输出值是29个元素，代表28种传感器和执行器故障情况以及一种正常运行状态；

Softmax层：采用Softmax函数，把任意一个K维向量压缩到另一个K维向量，使得每一个元素的范围都在(0,1)之间，并且所有的元素之和为1。

进一步的，前一个隐含层信息h^t-1和当前输入x^t为：

i^t＝σ(W_xix^t+W_hi h^t-1+W_ciC^t-1+b_i)

f^t＝σ(W_xfx^t+W_hf h^t-1+W_cf C^t-1+b_f)

C^t＝f^tC^t-1+i^t tanh(W_xcx^t+W_hch^t+b_c)

其中，σ是sigmoid函数，W_xi、W_hi、W_ci分别为各个门和输入门之间的权重；W_xf、W_hf、W_cf分别是各个门与遗忘门之间的权重，W_xc、W_hc是记忆细胞和其他门之间的权重，C^t-1是上一个细胞状态；b_i、b_f、b_c分别为两个门及记忆细胞的偏置。

进一步的，单个LSTM单元的输出h^t由一个tanh函数确定：

o^t＝σ(W_xox^t+W_hoh^t-1+W_coC^t+b_o)

h^t＝o^t tanh(C^t)

其中，W_xo、W_ho、W_co分别为各个门和输出门的权重，b_o是输出门和记忆细胞的偏执。

具体的，步骤S5中，网络训练过程中设定最大迭代次数为1000，每种类型的训练样本中信号采样后的数量大于3000个。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于LSTM的核动力装置故障诊断方法，首次提出了利用长短期记忆网络(LSTM)算法来对核动力装置中传感器和执行器故障进行诊断，故障诊断方法在核动力装置传感器和执行器不同类型故障下能够有效诊断出具体故障类型信息；对核动力装置传感器和执行器同一种故障类型下的不同程度的故障，依然能够有效诊断；并且对于尚未出现过的故障信息，能够诊断其为最接近的历史故障模式，进而，能够对核动力装置不同位置(传感器和执行器)不同类型(恒增益，恒偏差，卡死)，不同时间点和不同程度的故障均有良好的诊断效果。

进一步的，通过反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降，旁排阀开度信号，能够利用有限的信号数据识别到更多维信号的异常。

进一步的，首次利用数字和字母组成的故障字典映射核动力装置的传感器和执行器不同位置、类型和程度的故障信息。

进一步的，归一化后能够加快梯度下降求最优解的速度，且在一定程度上可以提高模型训练精度。

进一步的，采用多层LSTM网络的架构，能够利用核动力装置传感器和执行器时序数据，提高预测模型的精度。

进一步的，合理的LSTM层设置能够提高预测准确率，而全连接层更能对应于目标故障模式的种类，能够一个网络诊断多种故障。

进一步的，通过较短采样时间得到的数据能够还原系统特征信息的同时不会损耗过多计算成本。

综上所述，本发明能够对核动力装置中传感器和执行器下多类型多程度的故障均能准确诊断。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明逻辑流程图；

图2为核蒸汽供应系统中核动力装置的原理图；

图3为核蒸汽供应系统中核动力装置MATLAB/Simulink仿真平台示意图；

图4为控制系统中传感器和执行器故障设置图(1.16倍恒增益故障示意图)；

图5为LSTM单元的结构图；

图6为LSTM网络的结构图；

图7为故障信息的故障字典索引图；

图8为对训练后的网络利用训练集进行正确率交叉检验示意图；

图9为故障采集信号示意图。

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明提供了一种基于LSTM的核动力装置故障诊断方法，包括执行器和传感器的恒增益、恒偏差和卡死等不同类型下的不同程度的故障。依托所建立的核蒸汽供应系统仿真平台和实际系统中观测的数据，选取多个信号进行采集，通过建立多层的LSTM神经网络，通过对上述信号的历史数据进行训练，实现准确预测核动力装置运行过程中出现历史故障的类型以及程度，而对于全新故障，预测结果为最接近的历史故障，以达到实时有效监测核动力装置中的不同类型和程度故障的目的。

请参阅图1，本发明一种基于LSTM的核动力装置故障诊断方法，基于MATLAB/Simulink等辅助软件实现，包括以下步骤：

S1、通过已建立的核蒸汽供应系统，包括压力控制系统，液位控制系统和功率控制系统，根据所处理的故障位置和类别选择正常工况下合理的信号进行采集；

请参阅图2，如图所示为本发明所建立依托的核蒸汽供应系统的建模仿真边界，包括上述控制系统和如图所示的工艺系统，能够较为完整全面的对核动力装置一回路系统进行仿真，满足本发明验证需求。从工程实际出发，选择采集核动力装置中已有的传感器信号，如反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降，旁排阀开度等信号。

在本实施例中，由于选取蒸汽压力传感器和给水阀执行器为故障点，合理选择反应堆功率设定值(POWER)和实测值(P)、堆芯控制棒棒速(vrod)、冷却剂进/出口温度(Tcold,Thot)、蒸汽流量(SF)、给水流量(FF)、蒸汽压力(SP)、给水阀门开度和压降(Cfv,DP)、汽轮机流量(TF)等十二个信号进行采集，根据数据量大小的考量，设置采样时间为0.1秒。

S2、在已有核动力装置成熟的仿真平台中，依照目标故障类型和程度，设置传感器和执行器故障，采集相关的传感器信号；根据欲分类的故障类型和程度分别于不同位置引入故障，采集故障信号进行数据预处理作为训练样本，这些样本是在不同时间，不同类型，不同位置以及不同程度下发生，包含目标的所有故障情况。

本实施例考虑的故障情况有三种常见的传感器和执行器故障类型，分别为恒偏差，恒卡死，恒增益三种，其中恒偏差和恒增益又考虑不同程度的故障情况，共计28种故障工况，故障信息以故障字典的形式给出。

请参阅图3和图4，传感器和执行器的多种故障类型通过在MATLAB/Simulink中对信号的加减乘除后以表征故障信号，一共采集一百万以上的数据点作为训练样本，这些样本包括了在不同时间点发生的各个类型的故障情况。

请参阅图7，传感器和执行器的故障信息通过如图的故障字典映射，故障字典由三位阿拉伯数字和一个英文字母构成,其中第一个数字由1、2组成，1代表无故障，2代表故障；第二位阿拉伯数字代表故障位置，即故障的传感器和执行器，其中1代表蒸汽压力传感器，2代表蒸汽流量传感器等；其中第三位阿拉伯数字代表了故障类型，其中1代表恒偏差故障，2代表恒增益故障，3代表卡死故障；其中第四位字母代表了故障程度，根据前三位的故障信息表征如图所示的故障程度。这样通过简单的数字字母的字典，能够充分的表征传感器和执行器多故障模式的情况，使得故障诊断更加精确。

S3、对步骤S1和步骤S2中采集到的传感器信号的原始时间序列数据进行离散采样后预处理及归一化，预处理即将多维信号形成的数据制作成相应的训练框架支持的格式；

归一化的方法为：

其中，

是第i个传感器信号的平均值，σ_i是第i个传感器信号的标准差。

归一化处理之后各时间序列的数据范围比较接近，对于网络训练较有帮助；归一化之后数据结构和存储量大小不变。

S4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；

定义单个LSTM单元，包含一个遗忘门f^t，一个输入门i^t，一个输出门o^t和一个细胞门C^t，每个门通过有选择的筛选前一个隐含层信息h^t-1和当前输入x^t：

i^t＝σ(W_xix^t+W_hi h^t-1+W_ci C^t-1+b_i)

f^t＝σ(W_xfx^t+W_hf h^t-1+W_cf C^t-1+b_f)

C^t＝f^tC^t-1+i^t tanh(W_xcx^t+W_hch^t+b_c)

其中，σ是sigmoid函数，W_xi、W_hi、W_ci分别为各个门和输入门之间的权重；W_xf、W_hf、W_cf分别是各个门与遗忘门之间的权重，W_xc、W_hc是记忆细胞和其他门之间的权重，C^t-1是上一个细胞状态；b_i、b_f、b_c分别为两个门及记忆细胞的偏置。

单个LSTM单元的输出h^t由一个tanh函数确定：

o^t＝σ(W_xox^t+W_hoh^t-1+W_coC^t+b_o)

h^t＝o^t tanh(C^t)

其中，W_xo、W_ho、W_co分别为各个门和输出门的权重，b_o是输出门和记忆细胞的偏执。

请参阅图5，多层LSTM网络的架构包括输入层、多层LSTM隐含层，全连接层，Softmax层和输出层；多层LSTM网络中设置梯度阈值为2，其它所有原始参数随机生成，在训练过程中再不断优化。

请参阅图6，每个LSTM单元(还是多层LSTM网络)的结构具体如下：

输入层：接受归一化处理后的单个12维时间序列训练样本。

隐含层：包括256层LSTM模块，每一层通过和连接多层隐含层使得网络的深度增加，提取输入信号中的更多隐藏特征。

全连接层：隐含层的输出为12个元素，而全连接层则把隐含层的12个输出值作为自己的输入值，输出值则是29个元素，代表了本实施例子中的28中传感器和执行器故障情况以及一种正常运行状态一种。

Softmax层：采用Softmax函数，可以把任意一个K维向量压缩到另一个K维向量，使得每一个元素的范围都在(0,1)之间，并且所有的元素之和为1。

S5、将步骤S3预处理及归一化后不同类型及程度下故障采集的历史训练数据放入步骤S4构建的多层长短时记忆LSTM网络中进行神经网络训练；

将上述的历史训练数据放入LSTM网络中进行训练。由于神经网络需要从大量样本中不断提取其特征进行学习才可以达到理想的分类效果，所有建议每种类型的训练样本采集数量在3000个以上。多个样本可以设定不同的故障发生时间，不同类型和程度的传感器和执行器故障，以丰富样本的多样性，使网络的适用范围更广。在网络训练过程中设定最大迭代次数为1000。

对训练后的网络利用训练样本集进行正确率交叉检验，在训练样本集中抽取20％的数据进行交叉验证，训练集正确率越接近100％，理论分类效果越好。损失越接近0，效果越好，如图8所示。

S6、重新采集核动力装置在不同故障类型和程度运行下的样本作为测试样本集，对测试样本集的故障类型进行诊断，进行正确率的检验。

重新采集不同类型和程度的故障采集信号，对故障采集信号进行预处理后作为测试样本集，对测试样本集的故障类型进行诊断，在核蒸汽供应系统运行过程中，不断按照步骤S1中提到的数据结构对12个传感器的数据进行采集，采集结果送入多层LSTM网络中进行测试，如果测试结果为故障，则向系统发出警告并提示故障类型，如图9所示，由相关工作人员检验是否有故障发生，并采取相应的控制策略。

综上所述，本发明一种基于LSTM的核动力装置故障诊断方法，依托所建立的核动力装置核蒸汽供应系统仿真平台和实际系统中能够观测的数据，选取多个信号进行数据采集，通过建立多层LSTM神经网络，通过对上述信号的历史数据进行训练，实现准确预测核动力装置运行过程中出现历史故障的类型以及程度，而对于全新故障，预测结果为最接近的历史故障，以达到实时有效监测核动力装置中的不同类型和程度故障的目的。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于LSTM的核动力装置故障诊断方法，其特征在于，包括以下步骤：

S1、采集正常工况下反应堆一回路压力控制系统、液位控制系统和功率控制系统中的传感器信号；

S2、依照目标故障类型和程度，设置传感器和执行器故障；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；

S3、将步骤S1和步骤S2采集到的传感器信号的原始时间序列数据进行离散采样，预处理及归一化，作为训练数据集；

S4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；

S5、将步骤S3预处理及归一化后的训练样本集放入步骤S4构建的多层长短时记忆LSTM网络中进行神经网络训练；

S6、重新采集压力控制系统、液位控制系统和功率控制系统中不同故障类型和程度运行下的传感器信号，将采样的传感器信号经预处理和归一化处理后作为测试样本集，将测试样本集放入步骤S5训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，传感器信号包括反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降以及旁排阀开度信号。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，采集大于一百万的数据点作为训练样本集，训练样本集包括在不同时间点发生的各个类型的故障情况。

4.根据权利要求3所述的方法，其特征在于，故障情况包括恒偏差、卡死和恒增益，恒偏差和恒增益包括28种故障工况，故障信息以故障字典的形式给出。

5.根据权利要求1所述的方法，其特征在于，步骤S3中，归一化处理具体为：

其中，

是第i个传感器信号的平均值，σ_i是第i个传感器信号的标准差。

6.根据权利要求1所述的方法，其特征在于，步骤S4中，多层LSTM网络包括输入层、多层LSTM隐含层，全连接层，Softmax层和输出层；多层LSTM网络中设置梯度阈值为2；多层LSTM网络中单个LSTM单元包含一个遗忘门f^t，一个输入门i^t，一个输出门o^t和一个细胞门C^t，每个门通过有选择地筛选前一个隐含层信息h^t-1和当前输入x^t；由tanh函数确定单个LSTM单元的输出h^t。

7.根据权利要求6所述的方法，其特征在于，输入层：接受归一化处理后的单个12维时间序列训练样本；

隐含层：包括256层LSTM模块，每一层通过连接多层隐含层使得网络的深度增加，提取输入信号中的隐藏特征；

全连接层：把隐含层的12个输出值作为输入值，输出值是29个元素，代表28种传感器和执行器故障情况以及一种正常运行状态；

Softmax层：采用Softmax函数，把任意一个K维向量压缩到另一个K维向量，使得每一个元素的范围都在(0,1)之间，并且所有的元素之和为1。

8.根据权利要求6所述的方法，其特征在于，前一个隐含层信息h^t-1和当前输入x^t为：

i^t＝σ(W_xix^t+W_hih^t-1+W_ciC^t-1+b_i)

f^t＝σ(W_xfx^t+W_hfh^t-1+W_cfC^t-1+b_f)

C^t＝f^tC^t-1+i^ttanh(W_xcx^t+W_hch^t+b_c)

其中，σ是sigmoid函数，W_xi、W_hi、W_ci分别为各个门和输入门之间的权重；W_xf、W_hf、W_cf分别是各个门与遗忘门之间的权重，W_xc、W_hc是记忆细胞和其他门之间的权重，C^t-1是上一个细胞状态；b_i、b_f、b_c分别为两个门及记忆细胞的偏置。

9.根据权利要求6所述的方法，其特征在于，单个LSTM单元的输出h^t由一个tanh函数确定：

o^t＝σ(W_xox^t+W_hoh^t-1+W_coC^t+b_o)

h^t＝o^ttanh(C^t)

其中，W_xo、W_ho、W_co分别为各个门和输出门的权重，b_o是输出门和记忆细胞的偏执。

10.根据权利要求1所述的方法，其特征在于，步骤S5中，网络训练过程中设定最大迭代次数为1000，每种类型的训练样本中信号采样后的数量大于3000个。

Images