CN113283288B - 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 - Google Patents
基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 Download PDFInfo
- Publication number
- CN113283288B CN113283288B CN202110377204.7A CN202110377204A CN113283288B CN 113283288 B CN113283288 B CN 113283288B CN 202110377204 A CN202110377204 A CN 202110377204A CN 113283288 B CN113283288 B CN 113283288B
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- cnn
- network
- eddy current
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 51
- 238000011176 pooling Methods 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Abstract
本发明公开了一种基于LSTM‑CNN的核电站蒸发器涡流信号类型识别方法,所述方法包括:标定涡流信号各通道数据;采用时间窗口处理标定后数据;采用差分方式处理时间序列数据;通过LSTM网络提取时间序列的时间特征信息;CNN网络可以提取时间序列局部特征信息;融合LSTM与CNN网络的特征信息,利用三元组损失原理,经大量数据训练学习后,输入信号可以向量形式表示其特征信息;构建缺陷信号特征数据库,并以所述向量形式表征,对比输入信号的向量特征与缺陷库内向量特征间的欧氏距离,根据欧氏距离大小确定信号所属类别,最终实现涡流信号分类的目的。
Description
技术领域
本发明属于核电检测设备领域,特别涉及一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法。
背景技术
核电站在役检查通常使用涡流检测技术(ET)对传热管降质现象进行跟踪检测,而对大量蒸汽发生器传热管涡流数据的准确快速分析成为主要工作及难点之一。传统的数据分析方法由具备相关资质的人员按照既定规则对信号进行多通道数据对比,最终给出确定结论。分析工作重复繁杂,分析人员极易疲劳增加人因失误的可能性。
发明内容
本发明的目的是提供一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,对核电站蒸发器涡流信号时间序列数据表征的信号类型进行智能识别,实现LSTM-CNN技术在无损检测中的应用。
为解决上述技术问题,本发明采用如下技术方案:一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,其包括以下步骤:
A.采集核电站蒸发器传热管涡流数据;
B.对采集到的核电站蒸发器传热管涡流数据进行标定处理,建立评价基准,蒸发器传热管涡流数据包含N个通道,每个通道的数据包含水平分量以及垂直分量,将t时刻的涡流数据表示为(ch1x,ch1y,ch2x,ch2y,…chNx,chNy);
C.利用标定后的数据构建基于时间窗口的时间序列,时间窗口长度优选的参数为M个采样点,该时间窗口的数据可以表示为[t1,t2,…,tM];
D.对步骤C中的时间序列数据做差分处理,即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差,表示为[t2-t1,t3-t2,…,tM-TM-1],即δt1,δt2,…,δtM-1;
E.LSTM网络的输入时间序列δt1,δt2,…,δtM-1,利用LSTM网络提取到时间序列特征信息;CNN网络的输入时间序列δt1,δt2,…,δtM-1,CNN网络由L个卷积层、和L个最大池化层、以及全连接层构成;融合LSTM网络与CNN网络的输出,利用三元组损失函数原理优化网络参数,实现输入信号以向量形式表征;
F.利用步骤E构建缺陷信号特征数据库,并以所述向量形式表征,计算输入信号的向量特征与数据库内所有缺陷向量特征间的欧氏距离,逐一比较所有缺陷欧氏距离大小确定信号所属类别,最终实现涡流信号分类。
优化的,所述LSTM网络采用单层单向架构,由多个LSTM单元组成,每个所述LSTM单元内包含遗忘门、输入门以及输出门。
进一步的,所述LSTM单元持续更新和记忆前期时间序列的信息,保留有效信息以及遗忘无用信息。
优化的,在所述数据中加入正态分布高斯噪声扩展数据样本的数量。
进一步的,所述高斯噪声扩展数据为历史样本数量的5%-30%。
本发明的有益效果在于:
1.本发明提供的一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,采用时间序列处理方式,对时间序列信号差分处理可以有效的滤除信号中的噪声,从信号的变化趋势提取信号特征信息;
2.本发明提供的一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,将包含多个通道的蒸发器传热管涡流信号作为输入,构建的LSTM-CNN网络可以同时提取多个通道的特征信息,实现对涡流信号识别分类的目的;
3.本发明提供的一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,通过构建LSTM-CNN网络,利用LSTM网络可以从时间序列角度解决信号分类问题,进而提取到时间序列特征信息,利用CNN网络可以提取时间序列特征信息中的局部特征信息。融合LSTM与CNN网络的特征信息,利用三元组损失函数原理优化网络参数,经大量数据训练学习后,输入信号可以向量形式表示其特征信息;通过构建缺陷信号数据库,并以所述向量形式表征,对比输入信号的向量特征与缺陷库内向量特征欧氏距离,根据欧氏距离大小确定信号所属类别。
附图说明
图1为本发明的网络流程图;
图2为本发明的一个训练损失变化情况图。
具体实施方式
下面结合附图所示的实施例对本发明作以下详细描述:
LSTM:LSTM(Long Short-term Memory)是指长短期记忆网络,其独特的设计结构,处理时间序列数据时有明显的优势,CNN:(Convolutional Neural Networks)是指卷积神经网络,其仿造生物的视觉机制构建,具有表征学习能力。
基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,其包括以下步骤:
A.采集核电站蒸发器传热管涡流数据;
B.对采集到的核电站蒸发器传热管涡流数据进行标定处理,建立评价基准,蒸发器传热管涡流数据包含N个通道,每个通道的数据包含水平分量以及垂直分量,将t时刻的涡流数据表示为(ch1x,ch1y,ch2x,ch2y,…chNx,chNy);
C.利用标定后的数据构建基于时间窗口的时间序列,时间窗口长度优选的参数为M个采样点,该时间窗口的数据可以表示为[t1,t2,…,tM];
D.对步骤C中的时间序列数据做差分处理,即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差,表示为[t2-t1,t3-t2,…,tM-TM-1],即δt1,δt2,…,δtM-1;
E.LSTM网络采用单层单向架构,由多个LSTM单元组成,每个LSTM单元内包含遗忘门、输入门以及输出门,LSTM网络的输入时间序列δt1,δt2,…,δtM-1,利用LSTM网络提取到时间序列特征信息,LSTM单元持续更新和记忆前期时间序列的信息,保留有效信息以及遗忘无用信息;CNN网络的输入时间序列δt1,δt2,…,δtM-1,CNN网络由L个卷积层、和L个最大池化层、以及全连接层构成;融合LSTM网络与CNN网络的输出,利用三元组损失函数原理优化网络参数,实现输入信号以向量形式表征;
F.利用步骤E构建缺陷信号特征数据库,并以向量形式表征,计算输入信号的向量特征与数据库内所有缺陷向量特征间的欧氏距离,逐一比较所有缺陷欧氏距离大小确定信号所属类别,最终实现涡流信号分类。
实施例一
设定核电站蒸发器传热管涡流信号可整合成10个通道,每个通道的数据包含水平分量以及垂直分量;时间窗口长度优选的参数为150个采样点;CNN网络由卷积层1、最大池化层1、卷积层2、最大池化层2、卷积层3、最大池化层3、卷积层4、最大池化层4、全连接层构成。
则在本实施例中,基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法的流程图,具体包括以下步骤:
A.采集一段时间内的核电站蒸发器传热管涡流数据;
B.t时刻的涡流数据可以表示为(ch1x,ch1y,ch2x,ch2y,…,ch10x,ch10y);将选定的数据完成标定处理,
C.利用标定后的数据构建基于时间窗口的时间序列,该时间窗口的数据可以表示为[t1,t2,…t150];
D.对步骤C中的时间序列数据做差分处理,即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差,可表示为[t2-t1,t3-t2,…,t150-t149],即[Δt1,Δt2,…,Δt149],从时间序列数据变化趋势判断信号类型不仅可以有效的滤除信号中的噪声,同时也符合人工分析时采用的信号趋势识别方法,经时间序列差分处理后的数据可视为149*20的矩阵,
E.按照步骤A-D,将核电站蒸发器传热管涡流信号历史数据完成标定以及差分处理,并且根据时间窗口内信号特征所属类别完成人工标注,根据需求将数据集中的信号进行分类,包括但不限于传热管NDD(自由段信号),TSP(支撑信号)以及制造阶段打磨痕迹(MBM),采用一个3维的one-hot向量表示每一时间窗口信号所属类别,将NDD表示为[1,0,0],TSP表示为[0,1,0],MBM表示为[0,0,1];历史数据分为训练数据以及测试数据,训练数据用来训练模型,测试数据用来验证模型可靠性,对于历史数据中样本数量少的类别,加入N(0,0.001)的正态分布高斯噪声扩展样本数量,其数量为历史样本数量的15%,以增加模型的鲁棒性;
F.LSTM网络的输入为[Δt1,Δt2,…,Δt149]的时间序列,利用LSTM网络可以学习到时间序列特征信息;CNN网络的输入为[Δt1,Δt2,…,Δt149]的时间序列,CNN网络由卷积层1、最大池化层1、卷积层2、最大池化层2、卷积层3、最大池化层3、卷积层4、最大池化层4、全连接层构成;融合LSTM网络与CNN网络,利用三元组损失函数原理优化网络参数,可生成用向量特征表示输入信号特征的网络;LSTM网络采用单层单向架构,由多个LSTM单元组成,其中每个LSTM单元内包含遗忘门、输入门以及输出门,LSTM数量为149,LSTM网络的输出为1*1*512的向量,LSTM单元可以持续更新和记忆前期时间序列的信息。遗忘门决定了上一时刻的单元状态有多少保留到当前时刻,输入门它决定了当前时刻网络的输入有多少保存到单元状态,输出门控制单元状态有多少输出到LSTM的当前输出值:
遗忘门:ft=σ(Wf·[ht-1,xt]+bf)
输入门:it=σ(Wi·[ht-1,xt]+bi)
记忆更新:
输出门:ot=σ(Wf·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
Wf,Wi,Wc为权重矩阵;bf,bi,bc为偏置向量;σ表示sigmoid函数,其取值范围0~1;tanh表示双曲正切函数,其取值范围为-1~1;Ct表示记忆更新,其取值与输入信息、遗忘门信息以及上一时刻的记忆Ct-1有关;ht为隐含层输出结果;
CNN网络模型的输入为LSTM的输出结果,优选的输出矩阵大小为149*149,由CNN网络卷积层1、最大池化层1、卷积层2、最大池化层2、卷积层3、最大池化层3、卷积层4、最大池化层4、全连接层构成,使用三元组损失函数训练网络;
CNN网络卷积层1,采用线性整流(Relu)激活函数,优选的卷积核大小为7*1,优选的卷积核的数量为64,优选的步长为1;
CNN网络最大池化层1,采用最大池化(max-pooling)方式,优选的池化层的尺寸大小为2*1,优选的步长为2;
CNN网络卷积层2,采用Relu激活函数,优选的卷积核大小为7*1,优选的卷积核的数量为64,优选的步长为1;
CNN网络最大池化层2,采用常见的max-pooling方式,优选的池化层的尺寸大小为2*1,优选的步长为2;
CNN网络卷积层3,采用常见的Relu激活函数,优选的卷积核大小为5*1,优选的卷积核的数量为128,优选的步长为1;
CNN网络最大池化层3,采用常见的max-pooling方式,优选的池化层的尺寸大小为2*1,优选的步长为2;
CNN网络卷积层4,采用常见的Relu激活函数,优选的卷积核大小为3*1,优选的卷积核的数量为256,优选的步长为1;
CNN网络最大池化层2,采用常见的max-pooling方式,优选的池化层的尺寸大小为2*1,优选的步长为2;
CNN网络全连接层,优选神经元数量,CNN网络的输出为1*1*512的向量;
LSTM网络输出与CNN网络采用全连接层融合输出结果,优选神经元数量,可构成1*1*128的输出向量;
三元组损失函数为:
式中表示相同信号类别之间的欧氏距离、/>表示不同信号类别之间的欧氏距离、α表示相同信号类别之间的欧氏距离与不同信号类别之间的欧氏距离最小间隔;
将人工标注的训练数据喂入步骤E的网络模型,一次正向传递以及一次反向的传递过程,可完成网络参数的更新,即完成一次训练。若干次训练后,可得到网络模型的参数,并将模型的网络结构、权重等信息保存为指定格式文件。输入信号可利用网络模型表征为1*1*128的向量形式;
选取已被确定为缺陷类型的缺陷信号,并将其表征为1*1*128的向量形式,形成缺陷信号特征库;将新的输入信号以1*1*128向量表示,并与缺陷特征库之间的各缺陷信号间的欧氏距离逐一比对,欧氏距离最小的所对应的信号类别即认为新的输入信号所属类别;
为了评价步骤F所训练的模型效果,本发明在模型测试过程中引入精确率、召唤率以及F1-Score指标评价模型。TP(True Positive,真阳性):实际为正类样本被模型预测为正类样本;TN(True Negative,真阴性):实际为负类样本被模型预测为负类样本;FP(FalsePositive,假阳性):实际为负类样本被模型预测为正类样本;FN(False Negative,假阴性):实际为正类样本被模型预测为负类样本。
精确率:
召唤率:
F1-Score:
在本实例中,采用了某核电站的不同机组的蒸发器传热管涡流历史数据,并将其分为训练数据以及测试数据。以其中NDD、TSP、MBM分类测试为例:训练数据集共计132320条,其中NDD数据为76875条、TSP为36134条、MBM为19311条;测试数据集共计144676条,其中NDD数据为82319条、TSP为36981条、MBM为25376条。按步骤5、步骤6、步骤7网络进行100次训练,训练过程损失变化情况如图2所示。训练所得模型在测试数据集中信号识别分类效果如表1所示,模型的预测精度为0.9889,模型的分类识别精度较高。从表2可以得到模型的各个分类上均有很高的精确率、召回率以及F1-Score,其在NDD、TSP、MBM信号识别上有很好的分类效果。
表1本发明提供的涡流信号识别分类方法测试集识别结果
类别 | Precision(%) | Recall(%) | F1-Score |
NDD | 99.96 | 99.88 | 0.9992 |
TSP | 99.96 | 95.93 | 0.9790 |
MBM | 94.20 | 100 | 0.9701 |
表2本发明提供的涡流信号识别分类方法性能对比
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,其特征在于,其包括以下步骤:
A.采集核电站蒸发器传热管涡流数据;
B.对采集到的核电站蒸发器传热管涡流数据进行标定处理,建立评价基准,蒸发器传热管涡流数据包含N个通道,每个通道的数据包含水平分量以及垂直分量,将t时刻的涡流数据表示为(ch1x,ch1y,ch2x,ch2y,…chNx,chNy);
C.利用标定后的数据构建基于时间窗口的时间序列,时间窗口长度参数为M个采样点,该时间窗口的数据表示为[t1,t2,…,tM];
D.对步骤C中的时间序列数据做差分处理,即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差,表示为[t2-t1, t3-t2,…,tM-TM-1],即δt1, δt2,…,δtM-1 ;
E. LSTM网络的输入时间序列δt1, δt2,…,δtM-1 ,利用LSTM网络提取到时间序列特征信息;CNN网络的输入时间序列δt1, δt2,…,δtM-1 ,CNN网络由L个卷积层、和L个最大池化层、以及全连接层构成;融合LSTM网络与CNN网络的输出,利用三元组损失函数原理优化网络参数,实现输入信号以向量形式表征;
F.利用步骤E构建缺陷信号特征数据库,并以所述向量形式表征,计算输入信号的向量特征与数据库内所有缺陷向量特征间的欧氏距离,逐一比较所有缺陷欧氏距离大小确定信号所属类别,最终实现涡流信号分类;
所述LSTM网络采用单层单向架构,由多个LSTM单元组成,每个所述LSTM单元内包含遗忘门、输入门以及输出门;
所述LSTM单元持续更新和记忆前期时间序列的信息,保留有效信息以及遗忘无用信息。
2.根据权利要求1所述的基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,其特征在于:在所述数据中加入正态分布高斯噪声扩展数据样本的数量。
3.根据权利要求2所述的基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法,其特征在于:所述高斯噪声扩展数据为历史样本数量的5%-30%。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377204.7A CN113283288B (zh) | 2021-04-08 | 2021-04-08 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
PCT/CN2021/129548 WO2022213600A1 (zh) | 2021-04-08 | 2021-11-09 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
GB2308984.0A GB2616996A (en) | 2021-04-08 | 2021-11-09 | Method for recognizing type of vortex signal of evaporator of nuclear power plant on basis of LSTM-CNN |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377204.7A CN113283288B (zh) | 2021-04-08 | 2021-04-08 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283288A CN113283288A (zh) | 2021-08-20 |
CN113283288B true CN113283288B (zh) | 2023-08-18 |
Family
ID=77276404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110377204.7A Active CN113283288B (zh) | 2021-04-08 | 2021-04-08 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN113283288B (zh) |
GB (1) | GB2616996A (zh) |
WO (1) | WO2022213600A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283288B (zh) * | 2021-04-08 | 2023-08-18 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
CN110209715A (zh) * | 2019-05-31 | 2019-09-06 | 中广核检测技术有限公司 | 用于涡流检测数据分析的数据预分析方法 |
CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
CN111337234A (zh) * | 2020-03-09 | 2020-06-26 | 西南交通大学 | 一种基于实时监测的tbm刮刀寿命预测系统及方法 |
CN111832417A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 |
CN112561165A (zh) * | 2020-12-16 | 2021-03-26 | 南京航空航天大学 | 一种基于组合模型的多维时序数据预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930347B (zh) * | 2018-09-04 | 2022-12-27 | 京东方科技集团股份有限公司 | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 |
US11294367B2 (en) * | 2018-12-21 | 2022-04-05 | Canvass Analytics Inc. | Predictive analysis of industrial processes |
CN111274395B (zh) * | 2020-01-19 | 2021-11-12 | 河海大学 | 基于卷积和长短期记忆网络的电网监控告警事件识别方法 |
CN112232483A (zh) * | 2020-10-15 | 2021-01-15 | 昆明理工大学 | 一种结合cnn和lstm的航班平均票价预测方法 |
CN113283288B (zh) * | 2021-04-08 | 2023-08-18 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
-
2021
- 2021-04-08 CN CN202110377204.7A patent/CN113283288B/zh active Active
- 2021-11-09 WO PCT/CN2021/129548 patent/WO2022213600A1/zh unknown
- 2021-11-09 GB GB2308984.0A patent/GB2616996A/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
CN110209715A (zh) * | 2019-05-31 | 2019-09-06 | 中广核检测技术有限公司 | 用于涡流检测数据分析的数据预分析方法 |
CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
CN111337234A (zh) * | 2020-03-09 | 2020-06-26 | 西南交通大学 | 一种基于实时监测的tbm刮刀寿命预测系统及方法 |
CN111832417A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 |
CN112561165A (zh) * | 2020-12-16 | 2021-03-26 | 南京航空航天大学 | 一种基于组合模型的多维时序数据预测方法 |
Non-Patent Citations (1)
Title |
---|
Features extraction and discussion in a novel frequency-band-selecting pulsed eddy current testing method for the detection of a certain depth range of defects;Shejuan Xie et al;《ELSEVIER》;第1-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113283288A (zh) | 2021-08-20 |
WO2022213600A1 (zh) | 2022-10-13 |
GB2616996A (en) | 2023-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN113283288B (zh) | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 | |
CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
CN111340292B (zh) | 一种基于聚类的集成神经网络pm2.5预测方法 | |
CN106897774B (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN114578011A (zh) | 一种基于多传感器多源数据融合的水质监测方法 | |
CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN116933084A (zh) | 一种污染物排放的预测方法和装置 | |
CN115169504B (zh) | 一种煤气精脱硫工艺中的设备异常识别方法 | |
CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
CN115034140A (zh) | 一种基于关键控制因子的地表水水质变化趋势预测方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN115288994B (zh) | 一种基于改进dcgan的压缩机异常状态检测方法 | |
CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |