CN113191556A - 一种核电Loca事件故障预测与诊断方法 - Google Patents

一种核电Loca事件故障预测与诊断方法 Download PDF

Info

Publication number
CN113191556A
CN113191556A CN202110499335.2A CN202110499335A CN113191556A CN 113191556 A CN113191556 A CN 113191556A CN 202110499335 A CN202110499335 A CN 202110499335A CN 113191556 A CN113191556 A CN 113191556A
Authority
CN
China
Prior art keywords
data
sample
real
time
nuclear power
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
Application number
CN202110499335.2A
Other languages
English (en)
Inventor
王瑞
张照生
王海东
毕道伟
荣辉
侯军委
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.)
Shanghai Nuclear Engineering Research and Design Institute Co Ltd
Original Assignee
Shanghai Nuclear Engineering Research and Design Institute Co Ltd
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 Shanghai Nuclear Engineering Research and Design Institute Co Ltd filed Critical Shanghai Nuclear Engineering Research and Design Institute Co Ltd
Priority to CN202110499335.2A priority Critical patent/CN113191556A/zh
Publication of CN113191556A publication Critical patent/CN113191556A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明的目的在于公开一种基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，与现有技术相比，能有效识别管道处于正常运行还是破裂状态，并当管道处于破裂状态时，能精准定位到破裂管道与破口大小范围；同时基于定时计算，能在提前10分钟预测管道故障，并能达到99％以上的故障诊断准确率，实现本发明的目的。

Description

一种核电Loca事件故障预测与诊断方法
技术领域
本发明涉及一种核电Loca事件故障预测与诊断方法，特别涉及一种基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法。
背景技术
设备是生产制造企业非常重要的资产，也是生产制造系统稳定可靠的核心。随着现代生产管理模式的不断改进，生产制造企业对设备的安全、经济和环保运行的要求也越来越高。在核电这个特殊的领域，对机组、系统与设备的安全运行有着更高的要求，同时反应堆冷却系统作为核电发电系统中尤为重要的一环，当反应堆冷却系统出现Loca故障时，整个机组将处于高风险状态。对于核电领域来说，避免Loca事件的发生极其重要。
然而，由于核电机组系统庞大繁杂，存在多物理场耦合，相比于火电厂，存在较大的特殊性，导致了传统的专家知识和机理知识无法有效的对Loca事件进行预测与诊断。
近年来，随着大数据和人工智能等新兴技术的发展，设备状态监测与故障诊断技术得到了的推广和应用，相比于传统手段，基于大数据与人工智能的诊断技术适用性广，可提前发现故障征兆，做到故障的预测与诊断。
因此，特别需要一种基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，以解决上述现有存在的问题。
发明内容
本发明的目的在于提供一种基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，针对现有技术的不足，通过采集仿真数据、数据平衡、数据增强、数据预处理、训练LSTM模型、建立实时数据预测任务，从而完成反应堆冷却系统Loca事件的实时故障预测与诊断，降低核反应堆因故障带来的安全与经济风险。
本发明所解决的技术问题可以采用以下技术方案来实现：
一种基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，包括如下步骤：
(1)样本数据的采集与平衡：
通过仿真器模拟反应堆冷却系统管道在发生热段大破口、热段小破口、ADS4大破口和ADS4小破口四种故障前管道运行数据，与管道正常运行数据；样本标签数量不均衡时，采用smote进行过采样处理标签不混合问题；
(2)数据增强与预处理；
(3)LSTM模型训练与优化：
将四种故障与正常运行共五类数据进行数据集的等比例划分，70％数据作为训练数据集，30％作为测试数据集；将样本数据的标签进行独热编码；采用一层LSTM网络加2层全连接层构建网络；
(4)实时预测与诊断：
通过定时任务，构建一个从实时数据采集、处理、预测的任务，定期计算。实时计算设备当前状态。
在本发明的一个实施例中，步骤(1)中，数据的范围与格式的步骤如下：
1)故障数据与正常数据包含各种功率台阶，包括0％，5％，20％，30％，50％，60％，70％，80％，90％，100％；
2)模拟破口尺寸大小包括1％，2％，3％，4％，5％，20％，40％，60％，80％，100％；
3)采集冷却系统管道63个传感器，仿真故障发生前的5分钟数据，每个样本均为一个(300，63)的二维矩阵。
4)组合不同破口尺寸、不同功率台阶下工况，模拟不同工况下的故障与不同工况下的正常运行数据，生成样本数据。
在本发明的一个实施例中，步骤(1)中，样本标签均衡的步骤如下：
1)对于热段小破口中每一个样本x，以矩阵差范数为标准计算它到热段小破口样本集中所有样本的距离，得到其5个近邻；
2)根据样本不平衡比例10：1设置一个采样比例以确定采样倍率N，对于每一个小破口样本x，从其5个近邻中随机选择若干个样本，假设选择的近邻为xn；
3)对于随机选出的近邻xn，分别与原样本按照如下的公式构建新的样本，将新的样本加入原有样本集：
Figure BDA0003055758150000031
4)多次重复上述步骤，使得热段小破口样本数量与正常运行样本数量保持近似。
在本发明的一个实施例中，步骤(2)中，数据增强的步骤如下：
1)用以下公式计算一列时序信号数据的功率Ps：
Figure BDA0003055758150000032
2)设定50db信噪比噪声用以下公式得到噪声信号数据Xn：
Xn＝rand(0，1)*sqrt(Ps/105)
3)原始信号X与Xn相加得到增强后的信号数据；
4)对该样本下每一列信号数据均进行上述步骤；
5)将计算得到增强样本加入到样本集。
在本发明的一个实施例中，步骤(2)中，数据处理的步骤如下：
1)计算一列时序信号数据的最大最小值；
2)用以下公式归一化该列数据；
Figure BDA0003055758150000033
3)对每列重复上述步骤，得到新样本Xn；
4)用新样本X替代原来的X。
在本发明的一个实施例中，步骤(4)中，具体步骤如下：
1)采集当前时间点向前5分钟的63个测点数据，与样本数据一致；
2)对采集到的实时数据进行最大最小归一化；
3)将数据输入模型得到设备当前运行状态预测结果，并写入数据库；
4)定时计算，重复上述步骤，不断预测最新设备运行状态。
本发明的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，与现有技术相比，能有效识别管道处于正常运行还是破裂状态，并当管道处于破裂状态时，能精准定位到破裂管道与破口大小范围；同时基于定时计算，能在提前10分钟预测管道故障，并能达到99％以上的故障诊断准确率，实现本发明的目的。
本发明的特点可参阅本案图式及以下较好实施方式的详细说明而获得清楚地了解。
附图说明
图1为本发明的核电Loca事件故障预测与诊断方法的流程示意图；
图2为本发明的smote过采样生成数据的示意图；
图3为本发明的通过高斯白噪声信号实现数据增强的示意图；
图4为本发明的常见算法准确率的比较示意图；
图5为本发明的基于平台的技术实现的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
实施例
如图1至图4所示，本发明的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，包括如下步骤：
1、样本数据的采集与平衡
1)仿真器模拟数据
通过仿真器模拟核电反应堆冷却系统管道设备正常与四类故障发生前的设备运行数据。
Figure BDA0003055758150000041
Figure BDA0003055758150000051
生成的设备数据分别采集了设备运行时63个传感器的实时数据。部分测点对应表如下：
*部分测点表
测点名 测点描述
RATMW 反应堆
RRROOX Xe135反应堆
RC21RCSLT195AZSOUT 稳压器水位
RC21RCSPT191AZSOUT 稳压器窄量程压力
RCS_PT140A 稳压器宽量程压力
RC21RCSTE186ZSOUT 稳压器蒸汽温度
RC21RCSTE185ZSOUT 稳压器液体温度
RC01WMXZ[147] 稳压器波动管流量
通过仿真器模拟的数据均为多元时序数据，每个数据样本为故障发生前63个测点五分钟数据(每秒一条)，共计300s。因此每个数据样本是一个(300，63)的数据矩阵样本。列代表测点，行代表时间点。
RATMW RRROOX RC21RCSLT195AZSOUT RC21RCSPT191AZSOUT ......
1.23 1.23 1.23 1.23 1.23
2.3 2.3 2.3 2.3 2.3
2.4 2.4 2.4 2.4 2.4
5.1 5.1 5.1 5.1 5.1
2.6 2.6 2.6 2.6 2.6
4.4 4.4 4.4 4.4 4.4
...... ...... ...... ...... ......
2)数据平衡处理
模拟器生成样本数据后，往往会出现样本标签不均衡的情况，例如正常运行的样本数据有200条，热段小破口样本数据只有20条。当出现数据标签不均衡时，直接进行模型训练会出现模型失效，召回率低的情况。因此需要对样本数据做均衡处理，使其各标签样本数量近似一致。本发明中，采用smote进行过采样。
对于少数类中每一个样本x，以矩阵差范数为标准计算它到少数类样本集中所有样本的距离，得到其k近邻。
(2)根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择的近邻为xn。
(3)对于每一个随机选出的近邻xn，分别与原样本按照如下的公式构建新的样本。
Figure BDA0003055758150000061
2、数据增强与预处理
1)数据增强
样本数据由仿真器生成，但实际设备运行过程中，工况往往会收到干扰。为减少网络的过拟合现象，提高模型的的鲁棒性。采用数据增强的方法对数据进行增强。考虑原始数据为多元的时序信号数据。本发明采用高斯白噪声对原有数据增强。
(1)获取每个样本每一列的时序信号数据X
(2)计算列时序数据的功率Ps
Figure BDA0003055758150000062
(3)设定50db信噪比噪声并生成噪声信号数据Xn
Xn＝rand(0，1)*sqrt(Ps/105)
(4)原始信号X与Xn相加得到增强后的信号数据
(5)遍历每个样本中每个列(1)-(4)完成样本数据的数据增强
2)数据预处理
样本数据因每列特征的物理意义不一致，因此每列数据的单位不一致，也就导致数据的量纲不一致。本发明为避免数据量纲不一致导致的模型收敛缓慢问题，采用最大最小归一化方案，解决该问题。
Figure BDA0003055758150000071
3、LSTM模型训练与优化
1)数据集划分
将四种故障与正常运行共五类数据进行数据集的等比例划分，70％数据作为训练数据集，30％作为测试数据集。
2)标签编码
将样本数据的标签进行独热编码。
3)构建LSTM模型
采用一层LSTM网络加2层全连接层构建网络。
Figure BDA0003055758150000072
参数名称 参数值
1 epoch 1000
2 batch_size 16
3 activation softmax
4 optimizer Adam
5 learning_rate 2e-6
4、实时预测与诊断
通过定时任务，构建一个从实时数据采集、处理、预测的任务，定期计算。实时计算设备当前状态。
(1)采集当前时间点向前5分钟的63个测点数据，与样本数据一致。
(2)对采集到的实时数据进行最大最小归一化。
(3)将数据输入模型得到设备当前运行状态预测结果，并写入数据库。
(4)定时计算，重复步骤(1)-(3)，不断预测最新设备运行状态。
本发明的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，有效地解决的以下问题：
1、平衡样本数据集，采用smote做过采样，避免模型失效，提高分类召回率。
2、多元时序数据样本增强，添加高斯白噪声，避免网络的过拟合现象，提升模型鲁棒性。
3、样本去量纲化，采用最大最小值归一化数据，加速模型收敛，降低训练时间。
4、考虑数据时序相关性，使用LSTM替代传统全连接网络，将分类准确率从92提升至99％。
5、通过定时数据流计算，实现故障的预测与诊断。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，包括如下步骤：
(1)样本数据的采集与平衡：
通过仿真器模拟反应堆冷却系统管道在发生热段大破口、热段小破口、ADS4大破口和ADS4小破口四种故障前管道运行数据，与管道正常运行数据；样本标签数量不均衡时，采用smote进行过采样处理标签不混合问题；
(2)数据增强与预处理；
(3)LSTM模型训练与优化：
将四种故障与正常运行共五类数据进行数据集的等比例划分，70％数据作为训练数据集，30％作为测试数据集；将样本数据的标签进行独热编码；采用一层LSTM网络加2层全连接层构建网络；
(4)实时预测与诊断：
通过定时任务，构建一个从实时数据采集、处理、预测的任务，定期计算。实时计算设备当前状态。
2.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(1)中，数据的范围与格式的步骤如下：
1)故障数据与正常数据包含各种功率台阶，包括0％，5％，20％，30％，50％，60％，70％，80％，90％，100％；
2)模拟破口尺寸大小包括1％，2％，3％，4％，5％，20％，40％，60％，80％，100％；
3)采集冷却系统管道63个传感器，仿真故障发生前的5分钟数据，每个样本均为一个(300，63)的二维矩阵。
4)组合不同破口尺寸、不同功率台阶下工况，模拟不同工况下的故障与不同工况下的正常运行数据，生成样本数据。
3.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(1)中，样本标签均衡的步骤如下：
1)对于热段小破口中每一个样本x，以矩阵差范数为标准计算它到热段小破口样本集中所有样本的距离，得到其5个近邻；
2)根据样本不平衡比例10：1设置一个采样比例以确定采样倍率N，对于每一个小破口样本x，从其5个近邻中随机选择若干个样本，假设选择的近邻为xn；
3)对于随机选出的近邻xn，分别与原样本按照如下的公式构建新的样本，将新的样本加入原有样本集：
Figure FDA0003055758140000021
4)多次重复上述步骤，使得热段小破口样本数量与正常运行样本数量保持近似。
4.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(2)中，数据增强的步骤如下：
1)用以下公式计算一列时序信号数据的功率Ps：
Figure FDA0003055758140000022
2)设定50db信噪比噪声用以下公式得到噪声信号数据Xn：
Xn＝rand(0，1)*sqrt(Ps/105)
3)原始信号X与Xn相加得到增强后的信号数据；
4)对该样本下每一列信号数据均进行上述步骤；
5)将计算得到增强样本加入到样本集。
5.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(2)中，数据处理的步骤如下：
1)计算一列时序信号数据的最大最小值；
2)用以下公式归一化该列数据；
Figure FDA0003055758140000031
3)对每列重复上述步骤，得到新样本Xn；
4)用新样本X替代原来的X。
6.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(4)中，具体步骤如下：
1)采集当前时间点向前5分钟的63个测点数据，与样本数据一致；
2)对采集到的实时数据进行最大最小归一化；
3)将数据输入模型得到设备当前运行状态预测结果，并写入数据库；
4)定时计算，重复上述步骤，不断预测最新设备运行状态。
CN202110499335.2A 2021-05-08 2021-05-08 一种核电Loca事件故障预测与诊断方法 Pending CN113191556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110499335.2A CN113191556A (zh) 2021-05-08 2021-05-08 一种核电Loca事件故障预测与诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110499335.2A CN113191556A (zh) 2021-05-08 2021-05-08 一种核电Loca事件故障预测与诊断方法

Publications (1)

Publication Number Publication Date
CN113191556A true CN113191556A (zh) 2021-07-30

Family

ID=76984367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110499335.2A Pending CN113191556A (zh) 2021-05-08 2021-05-08 一种核电Loca事件故障预测与诊断方法

Country Status (1)

Country Link
CN (1) CN113191556A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131457A (zh) * 2023-10-26 2023-11-28 杭州海兴泽科信息技术有限公司 基于ai模型的电力大数据采集处理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103548093A (zh) * 2010-11-23 2014-01-29 西屋电气有限责任公司 全谱的loca评价模型及分析方法
CN107067143A (zh) * 2016-12-30 2017-08-18 山东鲁能软件技术有限公司 一种设备安全等级分类方法
CN110334580A (zh) * 2019-05-04 2019-10-15 天津开发区精诺瀚海数据科技有限公司 基于集成增量的动态权重组合的设备故障分类方法
CN111354497A (zh) * 2018-12-21 2020-06-30 核动力运行研究所 一种核电站破口事故信息诊断方法
CN111458092A (zh) * 2020-03-02 2020-07-28 河北工业大学 工业机器人早期微弱故障信号筛选方法
CN111679903A (zh) * 2020-01-09 2020-09-18 北京航空航天大学 一种面向深度学习的边云协同装置
CN112036496A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种核动力装置故障诊断方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103548093A (zh) * 2010-11-23 2014-01-29 西屋电气有限责任公司 全谱的loca评价模型及分析方法
CN107067143A (zh) * 2016-12-30 2017-08-18 山东鲁能软件技术有限公司 一种设备安全等级分类方法
CN111354497A (zh) * 2018-12-21 2020-06-30 核动力运行研究所 一种核电站破口事故信息诊断方法
CN110334580A (zh) * 2019-05-04 2019-10-15 天津开发区精诺瀚海数据科技有限公司 基于集成增量的动态权重组合的设备故障分类方法
CN111679903A (zh) * 2020-01-09 2020-09-18 北京航空航天大学 一种面向深度学习的边云协同装置
CN111458092A (zh) * 2020-03-02 2020-07-28 河北工业大学 工业机器人早期微弱故障信号筛选方法
CN112036496A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种核动力装置故障诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
佘兢克: "基于深度学习的核电站事故预测及故障诊断方法", 《仪器仪表用户》, vol. 26, no. 12, pages 39 - 44 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131457A (zh) * 2023-10-26 2023-11-28 杭州海兴泽科信息技术有限公司 基于ai模型的电力大数据采集处理方法及系统
CN117131457B (zh) * 2023-10-26 2024-01-26 杭州海兴泽科信息技术有限公司 基于ai模型的电力大数据采集处理方法及系统

Similar Documents

Publication Publication Date Title
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
US11507049B2 (en) Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111460728B (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN112016251B (zh) 一种核动力装置故障的诊断方法及系统
CN111737909A (zh) 基于时空图卷积网络的结构健康监测数据异常识别方法
CN111337256A (zh) 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法
CN116341901B (zh) 一种滑坡面域-单体危险性预警的一体化评价方法
CN109472097B (zh) 一种输电线路在线监测设备故障诊断方法
CN114297918A (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN114839492A (zh) 一种基于mobilenetv3的gis局部放电类型识别方法及装置
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
CN114021620B (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN116677569A (zh) 一种风机塔架应力监测与预警方法及其系统
CN115163424A (zh) 基于神经网络的风电机组齿轮箱油温故障检测方法和系统
CN113191556A (zh) 一种核电Loca事件故障预测与诊断方法
CN114487643A (zh) 一种特高压gil设备现场交接验收综合测试平台
CN117633690A (zh) 一种基于数据驱动的旋转机械健康状态监测方法及设备
CN112380763A (zh) 一种基于数据挖掘的堆内构件可靠性分析系统及方法
CN116842358A (zh) 一种基于多尺度卷积和自适应特征融合的软测量建模方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No. 29 Hong Cao Road, Xuhui District, Shanghai

Applicant after: Shanghai Nuclear Engineering Research and Design Institute Co.,Ltd.

Address before: No. 29 Hong Cao Road, Xuhui District, Shanghai

Applicant before: SHANGHAI NUCLEAR ENGINEERING RESEARCH & DESIGN INSTITUTE Co.,Ltd.