CN114298226A - 一种核电厂故障诊断方法、装置及其介质 - Google Patents
一种核电厂故障诊断方法、装置及其介质 Download PDFInfo
- Publication number
- CN114298226A CN114298226A CN202111645902.7A CN202111645902A CN114298226A CN 114298226 A CN114298226 A CN 114298226A CN 202111645902 A CN202111645902 A CN 202111645902A CN 114298226 A CN114298226 A CN 114298226A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- model
- nuclear power
- data
- power plant
- 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
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种核电厂故障方法、装置及其介质,针对目前采用专家系统辅助人工监察的方式无法避免人为错误以及对以前未发生过的故障问题判断不准确的问题,提供了一种核电厂故障诊断方法,包括:获取核电厂的实际工况数据;将实际工况数据输入至预先建立的诊断模型;获取诊断模型输出的诊断结果。由于诊断结果是将实际工况数据输入至诊断模型后,由诊断模型返回的,无需人工参与,避免了人工监测会出现的人为错误。又因为对于由训练集数据训练出的各LSTM模型通过验证集数据进行准确性验证,选取准确性最高的作为诊断模型,所以诊断模型对于未见过的数据同样有准确度的保证,相比于完全依赖于过往人工经验的专家系统,故障诊断更为准确。
Description
技术领域
本申请涉及核电厂故障诊断技术领域,特别是涉及一种核电厂故障诊断方法、装置及其介质。
背景技术
核电厂是一个复杂而庞大的系统,由许多子系统组成,子系统又包括了很多不同的设备,同时,核电厂对于安全性的要求又是极为严苛的,如果当出现问题时不能在第一时间确定故障类型以便采取补救措施,或者在事故发生时错误判断故障类型,将可能会导致严重的放射性泄漏风险,这将对公众的身心健康产生重大影响。为了全面地掌握核电厂各个系统设备的运行状态,整个系统设备中布置了大量的传感器来测量温度、压力、水位等参数,通过专家系统辅助人工监察,实现对于核电厂机组故障的诊断。
目前,通常采用专家系统辅助人工进行监测的方法实现对于核电厂机组的故障诊断,但是人工监测不可避免的会出现人为错误,且对监管人员的经验有着严格的要求,而专家系统本身也是人们基于积累的关于核电厂机组运行的经验开发出的,对于以前未发生过的故障问题无法有效的识别诊断,无法很好的保障核电站机组的安全性。
所以,现在本领域的技术人员亟需要一种核电厂故障诊断方法,解决目前采用专家系统辅助人工监察的方式无法避免人为错误以及对于以前未发生过的故障问题判断不准确的问题。
发明内容
本申请的目的是提供一种核电厂故障诊断方法、装置及其介质,解决目前采用专家系统辅助人工监察的方式无法避免人为错误以及对于以前未发生过的故障问题判断不准确的问题。
为解决上述技术问题,本申请提供一种核电厂故障诊断方法,包括:
获取核电厂的实际工况数据;
将实际工况数据输入至预先建立的诊断模型;其中,诊断模型的建立过程包括:获取核电厂的故障数据,将故障数据按照预设比例分割,得到训练集数据和验证集数据,建立LSTM模型并使用训练集数据进行训练得到初始模型,获取初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数,通过验证集数据得到各迭代超参数所确定的LSTM模型的预测准确度和误差,根据预测准确度和误差确定最终超参数,根据最终超参数获取诊断模型;
获取诊断模型输出的诊断结果。
优选地,诊断模型的建立过程还包括:
将故障数据按照预设比例分割,得到测试集数据;
在根据最终超参数获取诊断模型之后,还包括:通过诊断模型对测试集数据进行预测,判断诊断模型是否满足初始要求,若不满足,则返回至建立过程中的获取初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数的步骤。
优选地,诊断模型的建立过程还包括:将故障数据按照预设比例分割,得到泛化集数据;
在根据最终超参数获取诊断模型之后,还包括:通过泛化集数据对诊断模型进行泛化处理。
优选地,诊断模型的建立过程还包括:对故障数据进行线性归一化处理。
优选地,故障信息包括:正常运行时的工况数据、蒸汽发生器传热管破裂时的工况数据、安全壳蒸汽管道破裂时的工况数据、冷却剂给水丧失时的工况数据、以及慢化剂稀释时的工况数据。
优选地,工况数据包括:核功率、稳压器压力、稳压器水位、冷却剂流量、冷却剂平均温度、以及蒸汽发生器水位。
优选地,诊断模型的建立过程中,判断诊断模型是否满足初始要求包括:根据诊断模型对测试集数据的预测结果的准确度、交叉熵损失函数和预测混淆矩阵图判断诊断模型是否满足初始要求。
为解决上述技术问题,本申请还提供一种核电厂故障诊断装置,包括:
数据获取模块,用于获取核电厂的实际工况数据;
数据输入模块,用于将实际工况数据输入至预先建立的诊断模型;其中,诊断模型的建立过程包括:获取核电厂的故障数据,将故障数据按照预设比例分割,得到训练集数据和验证集数据,建立LSTM模型并使用训练集数据进行训练得到初始模型,获取初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数,通过验证集数据得到各迭代超参数所确定的LSTM模型的预测准确度和误差,根据预测准确度和误差确定最终超参数,根据最终超参数获取诊断模型;
结果获取模块,用于获取诊断模型输出的诊断结果。
为解决上述技术问题,本申请还提供一种核电厂故障诊断装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的核电厂故障诊断的步骤。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,计算机可读存储介质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述的核电厂故障诊断的步骤。
本申请提供的一种核电厂故障诊断方法通过获取核电厂的实际工况数据,再输入至预先建立的诊断模型中,以获得诊断结果。由于诊断结果是将实际工况数据输入至诊断模型后,由诊断模型返回的,无需人工参与,避免了人工监测会出现的人为错误。又因为对于由训练集数据训练出的各长短期记忆网络(Long Short-Term Memory,LSTM)模型通过验证集数据进行准确性验证,选取准确性最高的LSTM模型作为诊断模型,所以诊断模型对于未见过的数据同样有准确度的保证,相比于完全依赖于过往人工经验的专家系统,对核电厂机组的故障诊断更为准确,进一步保证了核电厂的安全。
本申请提供的核电厂故障诊断装置、及计算机可读存储介质,与上述方法对应,效果同上。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种核电厂故障方法的流程图;
图2为本发明提供的另一种核电厂故障方法的流程图;
图3为本发明提供的一种核电厂故障装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,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,都属于本申请保护范围。
本申请的核心是提供一种核电厂故障诊断方法、装置及其介质。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
核电厂所运行的系统复杂而庞大,由许多子系统组成,每个子系统又包括了大量不同的设备,但是核电厂由于其特性,对于系统运行安全性的要求极为严苛,一旦出现故障无法及时处理可能会出现放射性物质泄露的风险,会对周围公众的身心健康产生极大的影响。所以,为全面的监控、掌握核电厂各系统设备的运行状态,在整个核电厂系统中设置了大量的传感器采集温度、压力、水位等信息,并反映在平台上,使得监管人员可以及时掌握并根据自身经验判断当前系统是否有发生故障的风险或已经发生故障。同时,为了降低纯人工监测无法避免人为错误带来的风险,还使用基于规则的专家系统,这种专家系统通过人们过往积累的关于核电站机组运行的知识,可以很好地辅助监管人员对核电站机组运行情况进行诊断,但是,这种专家系统完全依赖于过往的经验,对于未出现过情况诊断结果较差,准确性也无法保证。
因此,本申请为解决上述问题,提供一种核电厂故障诊断方法,如图1所示,包括:
S11:获取核电厂的实际工况数据。
由上述论述可知,本申请提到的工况数据应是由布置在系统各设备处的采集器采集的反映设备的温度、压力、水位等物理参数的特征量数据。一般情况下,采集的工况数据中包含的反应各设备的特征量数据种类越多,作为判断当前核电站机组的样本量越大,判断的准确性也就越高,但由于样本量变大,模型处理数据的速度也减慢,对核电厂机组故障诊断的及时性又产生了影响,所以工况数据所包含的具体特征量的种类应根据实际情况而定。
同时,容易理解的是,采集的特征量的种类受诊断模型所支持输入的数据种类所限制,也即本实施例所获取到的实际工况数据的特征量类型,应根据诊断模型所支持进行判断的数据种类而定。
S12:将实际工况数据输入至预先建立的诊断模型。
其中,诊断模型的建立过程如图2所示,包括:
S21:获取核电厂的故障数据,将故障数据按照预设比例分割,得到训练集数据和验证集数据。
需要进行说明的是,上述的核电厂的故障数据可以不仅仅包含真实的核电厂的故障数据,由于实际情况中,真实的故障数据较少,通常不足以支持训练出诊断模型,所以可以通过模拟机模拟生成故障数据对诊断模型进行训练,另外,本实施例未对预设比例作出限制,但一般来说,训练集数据包含的数据量应大于验证集数据量。
另外,由上述可知,诊断模型由故障数据训练而来,其支持输入的数据种类为故障数据中所包含的各数据种类,诊断模型训练好后又通过输入实际工况数据以得到诊断结果,所以故障数据和实际工况数据所包含的数据种类应该相同。
S22:建立LSTM模型并使用训练集数据进行训练得到初始模型。
S23:获取初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数。
为了获得预测准确度符合预期的诊断模型,在对初始超参数通过遗传变异算法进行迭代时,应有至少进行一定迭代次数的保证,具体的迭代次数可根据实际需要而定。
S24:通过验证集数据得到各迭代超参数所确定的LSTM模型的预测准确度和误差。
关于确定LSTM模型的预测准确度和误差的方式包括但不限于:计算准确度、交叉熵损失函数以及预测混淆矩阵图。
S25:根据预测准确度和误差确定最终超参数,根据最终超参数获取诊断模型。
当由S24得到各LSTM模型的准确度以及误差后,选取准确度最高,误差最小的LSTM模型,判断其是否满足预期要求,若不满足则重新返回至S23步骤,若满足则将其对应的超参数作为最终超参数,并得到诊断模型。
S13:获取诊断模型输出的诊断结果。
本申请提供的一种核电厂故障诊断方法通过将获取到的核电厂的实际工况数据输入至预先建立的诊断模型中,以获得核电厂机组是否出现故障的诊断结果。由于整个诊断过程为先将实际工况数据输入至诊断模型,再接收由诊断模型返回的诊断结果,即可判定机组是否出现故障,无需人工参与,所以可以避免人工监测会出现的人为错误。同时,又因为对于由训练集数据训练出的各LSTM模型还通过验证集数据进行准确性验证,选取准确性最高、且符合预期要求的LSTM模型作为诊断模型,而训练集数据和验证集数据又互不相交,对于诊断模型来说,验证集数据就是从未见过的数据,诊断模型对验证集数据的预测准确度能符合预期要求就说明诊断模型对于未见过的数据同样有准确度的保证,相比于完全依赖于过往人工经验的专家系统,对核电厂机组的故障诊断更为准确,进一步保证了核电厂的安全。
为进一步说明本申请所提供的一种核电厂故障诊断方法,下面关于诊断模型的建立过程进行详细说明。
本实施例提供一种诊断模型建立过程的优选方案,如图2所示,诊断模型的建立过程还包括:
步骤S21将故障数据按照预设比例分割,还得到测试集数据。
一种优选的实施方式是:按照预设比例分割为将故障数据按照80%作为训练集数据、10%作为验证集数据、10%作为测试集数据分割。
此时,在步骤S25之后,还包括:
S26:通过诊断模型对测试集数据进行预测,判断诊断模型是否满足初始要求,若不满足,则返回至步骤S23。
另外,本实施例还提供另一种优选方案,诊断模型的建立过程还包括:
步骤S21将故障数据按照预设比例分割,还得到泛化集数据。
此时,在步骤S25之后,还包括:
S27:通过泛化集数据对诊断模型进行泛化处理。
容易理解的是,进行步骤S26的前提条件为当前诊断模型不满足初始要求,而步骤S27应是在确定诊断模型之后再进行的,也即当前的诊断模型符合预期要求。
本实施例提供的优选的实施方案通过对于初得到的诊断模型进行准确度的检验,满足预期要求时就对诊断模型进行泛化处理,以使诊断模型在实际的核电厂机组故障诊断过程中能有更高的适应性;而准确度不满足预期要求的诊断模型则重新返回至遗传迭代的步骤重新获取新的诊断模型,直到获得的诊断模型的准确度能满足预期要求为止,进一步保证诊断模型对故障诊断的预测精确性。
容易知道的是,由采集器采集到的反映核电站机组各设备物理参数的特征量之间取值范围相差较大,在通过这些相差较大的数据对诊断模型进行训练时,会产生不利于诊断模型预测精度的影响,所以,本实施例提供一种优选的实施方案,如图2所示,在获取到故障数据之后,还包括:
S28:对故障数据进行线性归一化处理。
具体的线性归一化处理方法如下算式所示:
其中,xmin为特征最小值,xmax为特征最大值,x为初始特征值,x*为处理后的特征值。
将故障数据中的各特征量都进行线性归一化处理后,相互之间的取值范围差异变小,在使用处理后的故障数据对诊断模型进行训练时,能提高诊断模型对机组故障诊断的精度,进一步保障核电厂机组的运行安全。
由上述可知,反映核电厂机组状态的数据信息种类繁多数量庞大,如果将所有数据都用来训练诊断模型或用于故障的诊断的话,会影响诊断效率,可能会出现故障发生后无法及时被诊断出来的情况,进而造成更为严重的问题,所以,本实施例提供一种优选方案,故障信息包括:正常运行时的工况数据、蒸汽发生器传热管破裂时的工况数据、安全壳蒸汽管道破裂时的工况数据、冷却剂给水丧失时的工况数据、以及慢化剂稀释时的工况数据。
以及本实施例提供的另一种优选的实施方案,上述的工况信息包括:核功率、稳压器压力、稳压器水位、冷却剂流量、冷却剂平均温度、以及蒸汽发生器水位。
在核电厂机组运行时,最常见也是最具代表性的几种运行状态即为:正常运行、蒸汽发生器传热管破裂、安全壳蒸汽管道破裂、冷却剂给水丧失以及慢化剂稀释这五种运行状态。
同样的,在组成工况数据的各种特征量中,最常见也是最具代表性的几种特征量为:核功率、稳压器压力、稳压器水位、冷却剂流量、冷却剂平均温度、以及蒸汽发生器水位这六种特征量。
本实施例通过选取采集核功率、稳压器压力、稳压器水位、冷却剂流量、冷却剂平均温度、以及蒸汽发生器水位这六种特征量反映此工作状态下的核电厂机组的工况。同时,又通过正常运行、蒸汽发生器传热管破裂、安全壳蒸汽管道破裂、冷却剂给水丧失以及慢化剂稀释这五种运行状态下的工况信息对诊断模型进行训练,满足诊断模型的对机组工况全面的训练需求,保证预测的准确性。因此,本实施例在保证诊断模型预测的准确性的前提下,最大程度的减少所采集的数据量,进一步降低诊断模型的复杂程度,提高诊断效率,实现对于故障情况的提早发现,为操作人员采取相应措施留出更多的准备时间。
在上述说明中,对于建立的诊断模型有判断其满不满足初始要求的步骤,若诊断模型不满足初始条件,则需重新建立诊断模型,而关于如何判断诊断模型是否满足初始要求,本实施例提供一种优选的实施方案,包括:
根据诊断模型对测试集数据的预测结果的准确度、交叉熵损失函数和预测混淆矩阵图判断诊断模型是否满足初始要求。
关于准确度的计算方法如下算式所示:
其中,acc表示准确度、n1表示预测正确的样本数、n表示总样本数。
关于交叉熵损失函数的计算方法如下算式所示:
根据上述算式得到当前诊断模型的准确度、交叉熵损失函数、以及建立了混淆矩阵图之后,可以通过上述三项指标实现对于诊断模型预测精准性的判断。对于上述的三项指标,准确度越接近于1;交叉熵损失函数越接近于0;混淆矩阵值在对角线上,代表预测精度越高,可根据实际需要判断当前诊断模型是否满足预测需要。
通过上述三种方法从不同角度对诊断模型预测故障情况的准确性进行判断,最大程度的保证通过筛选的诊断模型在实际使用中也能够满足核电厂对于故障诊断精确度的要求。
在上述实施例中,对于一种核电厂故障诊断方法进行了详细描述,本申请还提供一种核电厂故障诊断装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
基于功能模块,本实施例提供的一种优选方案包括:
数据获取模块,用于获取核电厂的实际工况数据;
数据输入模块,用于将实际工况数据输入至预先建立的诊断模型;其中,诊断模型的建立过程包括:获取核电厂的故障数据,将故障数据按照预设比例分割,得到训练集数据和验证集数据,建立LSTM模型并使用训练集数据进行训练得到初始模型,获取初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数,通过验证集数据得到各迭代超参数所确定的LSTM模型的预测准确度和误差,根据预测准确度和误差确定最终超参数,根据最终超参数获取诊断模型;
结果获取模块,用于获取诊断模型输出的诊断结果。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本实施例提供的一种核电厂故障诊断装置通过数据获取模块获取核电厂的实际工况数据,并通过数据输入模块将实际工况数据输入至预先建立的诊断模型中,最后通过结果获取模块获得核电厂机组是否出现故障的诊断结果,实现对核电厂机组故障问题的诊断和预测。由于整个诊断过程为先将实际工况数据输入至诊断模型,再接收由诊断模型返回的诊断结果,即可判定机组是否出现故障,无需人工参与,所以可以避免人工监测会出现的人为错误。同时,又因为对于由训练集数据训练出的各LSTM模型还通过验证集数据进行准确性验证,选取准确性最高、且符合预期要求的LSTM模型作为诊断模型,而训练集数据和验证集数据又互不相交,对于诊断模型来说,验证集数据就是从未见过的数据,诊断模型对验证集数据的预测准确度能符合预期要求就说明诊断模型对于未见过的数据同样有准确度的保证,相比于完全依赖于过往人工经验的专家系统,对核电厂机组的故障诊断更为准确,进一步保证了核电厂的安全。
图3为本申请另一实施例提供的一种核电厂故障诊断装置的结构图,如图3所示,一种核电厂故障诊断装置包括:存储器30,用于存储计算机程序;
处理器31,用于执行计算机程序时实现如上述实施例一种核电厂故障诊断方法的步骤。
本实施例提供的一种核电厂故障诊断装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中,处理器31可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器31可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器31可以在集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器31还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器30可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器30至少用于存储以下计算机程序301,其中,该计算机程序被处理器31加载并执行之后,能够实现前述任一实施例公开的一种核电厂故障诊断方法的相关步骤。另外,存储器30所存储的资源还可以包括操作系统302和数据303等,存储方式可以是短暂存储或者永久存储。其中,操作系统302可以包括Windows、Unix、Linux等。数据303可以包括但不限于一种核电厂故障诊断方法等。
在一些实施例中,一种核电厂故障诊断装置还可包括有显示屏32、输入输出接口33、通信接口34、电源35以及通信总线36。
本领域技术人员可以理解,图3中示出的结构并不构成对一种核电厂故障诊断装置的限定,可以包括比图示更多或更少的组件。
本实施例提供的一种核电厂故障诊断装置,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:一种核电厂故障诊断方法。
本申请提供的一种核电厂故障诊断装置通过执行器执行保存在存储器内的核电厂故障诊断方法,实现对核电厂机组故障问题的诊断和预测。由于整个诊断过程由处理器和存储器实现,无需人工参与,所以可以避免人工监测会出现的人为错误。同时,又因为对于由训练集数据训练出的各LSTM模型还通过验证集数据进行准确性验证,选取准确性最高、且符合预期要求的LSTM模型作为诊断模型,而训练集数据和验证集数据又互不相交,对于诊断模型来说,验证集数据就是从未见过的数据,诊断模型对验证集数据的预测准确度能符合预期要求就说明诊断模型对于未见过的数据同样有准确度的保证,相比于完全依赖于过往人工经验的专家系统,对核电厂机组的故障诊断更为准确,进一步保证了核电厂的安全。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质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述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的一种计算机存储介质保存有核电厂故障诊断方法,当被执行模块调取并执行时,能实现对核电厂机组故障问题的诊断和预测。由于整个诊断过程无需人工参与,所以可以避免人工监测会出现的人为错误。同时,又因为对于由训练集数据训练出的各LSTM模型还通过验证集数据进行准确性验证,选取准确性最高、且符合预期要求的LSTM模型作为诊断模型,而训练集数据和验证集数据又互不相交,对于诊断模型来说,验证集数据就是从未见过的数据,诊断模型对验证集数据的预测准确度能符合预期要求就说明诊断模型对于未见过的数据同样有准确度的保证,相比于完全依赖于过往人工经验的专家系统,对核电厂机组的故障诊断更为准确,进一步保证了核电厂的安全。
以上对本申请所提供的一种核电厂故障诊断方法、装置及其介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种核电厂故障诊断方法,其特征在于,包括:
获取核电厂的实际工况数据;
将所述实际工况数据输入至预先建立的诊断模型;其中,所述诊断模型的建立过程包括:获取核电厂的故障数据,将所述故障数据按照预设比例分割,得到训练集数据和验证集数据,建立LSTM模型并使用所述训练集数据进行训练得到初始模型,获取所述初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数,通过所述验证集数据得到各所述迭代超参数所确定的LSTM模型的预测准确度和误差,根据所述预测准确度和所述误差确定最终超参数,根据所述最终超参数获取所述诊断模型;
获取所述诊断模型输出的诊断结果。
2.根据权利要求1所述的核电厂故障诊断方法,其特征在于,所述诊断模型的建立过程还包括:
将所述故障数据按照预设比例分割,得到测试集数据;
在所述根据所述最终超参数获取所述诊断模型之后,还包括:通过所述诊断模型对所述测试集数据进行预测,判断所述诊断模型是否满足初始要求,若不满足,则返回至所述建立过程中的所述获取所述初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数的步骤。
3.根据权利要求1所述的核电厂故障诊断方法,其特征在于,所述诊断模型的建立过程还包括:
将所述故障数据按照预设比例分割,得到泛化集数据;
在所述根据所述最终超参数获取所述诊断模型之后,还包括:通过所述泛化集数据对所述诊断模型进行泛化处理。
4.根据权利要求1所述的核电厂故障诊断方法,其特征在于,所述诊断模型的建立过程还包括:对所述故障数据进行线性归一化处理。
5.根据权利要求1所述的核电厂故障诊断方法,其特征在于,所述故障信息包括:正常运行时的工况数据、蒸汽发生器传热管破裂时的工况数据、安全壳蒸汽管道破裂时的工况数据、冷却剂给水丧失时的工况数据、以及慢化剂稀释时的工况数据。
6.根据权利要求5所述的核电厂故障诊断方法,其特征在于,所述工况数据包括:核功率、稳压器压力、稳压器水位、冷却剂流量、冷却剂平均温度、以及蒸汽发生器水位。
7.根据权利要求2所述的核电厂故障诊断方法,其特征在于,所述诊断模型的建立过程中,判断所述诊断模型是否满足初始要求包括:
根据所述诊断模型对所述测试集数据的预测结果的准确度、交叉熵损失函数和预测混淆矩阵图判断所述诊断模型是否满足初始要求。
8.一种核电厂故障诊断装置,其特征在于,包括:
数据获取模块,用于获取核电厂的实际工况数据;
数据输入模块,用于将所述实际工况数据输入至预先建立的诊断模型;其中,所述诊断模型的建立过程包括:获取核电厂的故障数据,将所述故障数据按照预设比例分割,得到训练集数据和验证集数据,建立LSTM模型并使用所述训练集数据进行训练得到初始模型,获取所述初始模型的参数作为初始超参数通过遗传变异算法得到多组迭代超参数,通过所述验证集数据得到各所述迭代超参数所确定的LSTM模型的预测准确度和误差,根据所述预测准确度和所述误差确定最终超参数,根据所述最终超参数获取所述诊断模型;
结果获取模块,用于获取所述诊断模型输出的诊断结果。
9.一种核电厂故障诊断装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任意一项所述的核电厂故障诊断的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至7任意一项所述的核电厂故障诊断的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111645902.7A CN114298226A (zh) | 2021-12-29 | 2021-12-29 | 一种核电厂故障诊断方法、装置及其介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111645902.7A CN114298226A (zh) | 2021-12-29 | 2021-12-29 | 一种核电厂故障诊断方法、装置及其介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298226A true CN114298226A (zh) | 2022-04-08 |
Family
ID=80971909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111645902.7A Pending CN114298226A (zh) | 2021-12-29 | 2021-12-29 | 一种核电厂故障诊断方法、装置及其介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298226A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018143A (zh) * | 2022-05-31 | 2022-09-06 | 深圳信息职业技术学院 | 一种预测核电站停堆时间的方法及系统 |
-
2021
- 2021-12-29 CN CN202111645902.7A patent/CN114298226A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018143A (zh) * | 2022-05-31 | 2022-09-06 | 深圳信息职业技术学院 | 一种预测核电站停堆时间的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5009833A (en) | Expert system for surveillance, diagnosis and prognosis of plant operation | |
CN108923952A (zh) | 基于服务监控指标的故障诊断方法、设备及存储介质 | |
KR101096793B1 (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
WO2023165006A1 (zh) | 基于健康状态指数的工业设备预测性维护方法、装置和电子设备 | |
CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN106529062A (zh) | 一种基于深度学习的桥梁结构健康诊断方法 | |
CN114298226A (zh) | 一种核电厂故障诊断方法、装置及其介质 | |
CN114662712A (zh) | 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 | |
CN109389294B (zh) | 核安全级dcs系统的可用性评估方法和装置 | |
CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
CN113962253A (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN114598621B (zh) | 一种电力通信网络可靠性评估系统 | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
CN112712305B (zh) | 一种飞行器系统及其健康评估方法和装置 | |
Kim et al. | SIGNAL FAULT IDENTIFICATION IN NUCLEAR POWER PLANTS BASED ON DEEP NEURAL NETWORKS. | |
CN115392715A (zh) | 一种用电数据风险评估方法、装置、设备及存储介质 | |
CN111611117B (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
WO2022000285A1 (en) | Health index of a service | |
CN112819053A (zh) | 模型库的建立方法及装置、诊断方法及装置、预测方法 | |
Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 | |
Santhosh et al. | Transient identification & operator decision support system for PHWR (Diagnostic System) | |
CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
CN113051773B (zh) | 一种用于lng子母罐安全仪表评估的方法 |
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 |