CN114580549A - 一种基于cnn-lstm的核电厂故障诊断方法及装置 - Google Patents

一种基于cnn-lstm的核电厂故障诊断方法及装置 Download PDF

Info

Publication number
CN114580549A
CN114580549A CN202210224535.1A CN202210224535A CN114580549A CN 114580549 A CN114580549 A CN 114580549A CN 202210224535 A CN202210224535 A CN 202210224535A CN 114580549 A CN114580549 A CN 114580549A
Authority
CN
China
Prior art keywords
data
lstm
cnn
nuclear power
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
Application number
CN202210224535.1A
Other languages
English (en)
Inventor
雷济充
于涛
陈珍平
谢金森
倪梓宁
张华健
任长安
李卫
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.)
University of South China
Original Assignee
University of South China
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 University of South China filed Critical University of South China
Priority to CN202210224535.1A priority Critical patent/CN114580549A/zh
Publication of CN114580549A publication Critical patent/CN114580549A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

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

Abstract

本申请公开了一种基于CNN‑LSTM的核电厂故障诊断方法、装置及存储介质，该方法包括：收集核电厂真实运行数据或模拟机产生的不同工况数据；建立CNN层，并利用CNN层对收集的数据进行特征提取；对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；建立LSTM层，利用训练集数据对LSTM层进行训练，得到故障识别模型；将待测工况数据输入至故障识别模型，输出故障诊断结果。上述方法使用CNN层对多维数据进行特征提取，使用特征提取后的少维数据对LSTM层进行训练得到故障识别模型，这样故障诊断准确度高、误差小、效率高，能够为核电厂操纵人员提供指导，避免操纵人员误操作以及不操作导致核电厂事故。

Description

一种基于CNN-LSTM的核电厂故障诊断方法及装置
技术领域
本发明涉及核电厂故障诊断领域，特别是涉及一种基于CNN-LSTM的核电厂故障诊断方法、装置及存储介质。
背景技术
科学技术的发展提高了设备和系统的安全性和经济效益，导致人-机系统越来越受人员操作的影响。相关文献表明，全世界每年发生的各类事故其中由人的失误引起的达60％以上，而由人的失误导致的重大灾难事故更是达80％之多。比如1979年3月发生的美国三哩岛核电厂号2机组事故就是由于操作人员未能识别出稳压器卸压阀未关闭，并执行了错误的动作而导致；1986年4月苏联切尔诺贝利4号机组事故主要原因是对运行规则的粗暴违反，这两起事故都造成了反应堆烧毁，放射性物质外泄。1979年以来，基于先进理论的故障诊断方法层出不穷以避免核电站故障的发生、发展、或缩短因事故导致的停运时间，从而增强核电站的安全性和经济性。
根据目前的研究结果，传统的基于传感器数据的核电站运行解释是主观和片面的，数据解释完全依赖于人的经验。在过去的几十年里，人们积累了大量关于核电站机组运行的知识，并开发了基于规则的故障监测系统。但是故障监测系统有以下明显的缺点：(1)大量的规则之间的逻辑联系可能是模糊的，而且可能缺乏分层的知识表示，导致不能完全掌握缺陷信息；(2)在每个周期中，推理引擎会寻找所有的规则，当有众多规则时，执行速度很慢，搜索方法效率不高，缺乏实时性；(3)建立在一般规则上的故障监测系统不具备从经验中学习的能力，无法学习新发现的故障特征，这使得它们在特殊或紧急情况下的使用具有挑战性，难以应对复杂多变的生产环境。
对于核电厂机组，如果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。
发明内容
有鉴于此，本发明的目的在于提供一种基于CNN-LSTM的核电厂故障诊断方法、装置及存储介质，诊断准确度高、误差小、效率高。其具体方案如下：
一种基于CNN-LSTM的核电厂故障诊断方法，包括：
收集核电厂真实运行数据或模拟机产生的不同工况数据；
建立CNN层，并利用所述CNN层对收集的数据进行特征提取；
对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；
建立LSTM层，利用所述训练集数据对所述LSTM层进行训练，得到故障识别模型；
将待测工况数据输入至所述故障识别模型，输出故障诊断结果。
优选地，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，所述对提取后的特征数据进行预处理，包括：
采用线性归一化方法将提取后的特征数据进行归一化处理。
优选地，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，在所述从处理后的数据中划分出训练集数据的同时，还包括：
从处理后的数据中划分出验证集数据；
在利用所述训练集数据对所述LSTM层进行训练之后，还包括：
使用所述验证集数据对训练后的所述LSTM层进行验证，反复多次迭代。
优选地，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，在所述利用所述训练集数据对所述LSTM层进行训练的同时，还包括：
采用遗传算法选择最优的所述LSTM层的超参数。
优选地，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，在所述从处理后的数据中划分出训练集数据的同时，还包括：
从处理后的数据中划分出测试集数据；
在所述得到故障识别模型之后，还包括：
将所述测试集数据输入至所述故障识别模型进行故障预测，并根据预测结果的准确度、交叉熵损失函数以及测试混淆矩阵评估模型误差。
优选地，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，采用下述公式计算所述交叉熵损失函数：
Figure BDA0003535223270000031
式中，Loss表示所述交叉熵损失函数，n表示总样本数，c表示事故种类数，yi,t表示第i个样本第t种事故的预测值，
Figure BDA0003535223270000032
表示第i个样本第t种事故的真实值。
优选地，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，所述不同工况数据包括未发生故障的运行数据、蒸汽发生器传热管破裂数据、安全壳蒸汽管道破裂数据、冷却剂给水丧失数据以及慢化剂稀释数据。
本发明实施例还提供了一种基于CNN-LSTM的核电厂故障诊断装置，包括：
数据采样模块，用于收集核电厂真实运行数据或模拟机产生的不同工况数据；
特征提取模块，用于建立CNN层，并利用所述CNN层对收集的数据进行特征提取；
数据处理模块，用于对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；
模型训练模块，用于建立LSTM层，利用所述训练集数据对所述LSTM层进行训练，得到故障识别模型；
模型推理模块，用于将待测工况数据输入至所述故障识别模型，输出故障诊断结果。
本发明实施例还提供了一种基于CNN-LSTM的核电厂故障诊断装置，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法。
从上述技术方案可以看出，本发明所提供的一种基于CNN-LSTM的核电厂故障诊断方法，包括：收集核电厂真实运行数据或模拟机产生的不同工况数据；建立CNN层，并利用CNN层对收集的数据进行特征提取；对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；建立LSTM层，利用训练集数据对LSTM层进行训练，得到故障识别模型；将待测工况数据输入至故障识别模型，输出故障诊断结果。
本发明针对核电厂的故障诊断问题，提供了上述CNN-LSTM的核电厂故障诊断方法，使用CNN层对多维数据进行特征提取，可充分发掘故障特征，使用特征提取后的少维数据对LSTM层进行训练得到用于故障诊断的故障识别模型，模型体积小、可迁移性强，故障诊断准确度高、误差小、效率高，能够在核电厂事故初期为核电厂操纵人员提供合适的指导，避免操纵人员误操作以及不操作导致严重的核电厂事故，广泛应用于各个核动力反应堆的故障诊断。
此外，本发明还针对基于CNN-LSTM的核电厂故障诊断方法提供了相应的装置及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于CNN-LSTM的核电厂故障诊断方法的流程图；
图2为本发明实施例提供的CNN-LSTM模型的结构示意图；
图3为本发明实施例提供的核电厂故障诊断方法的实施过程示意图；
图4为本发明实施例提供的最优模型的预测混淆矩阵图；
图5为本发明实施例提供的基于CNN-LSTM的核电厂故障诊断装置的结构示意图。
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，所描述的实施例仅仅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。
本发明提供一种基于CNN-LSTM的核电厂故障诊断方法，如图1所示，包括以下步骤：
S101、收集核电厂真实运行数据或模拟机产生的不同工况数据；
需要说明的是，上述步骤是对数据进行采样，收集的核电厂真实运行数据包括发生故障的运行数据和未发生故障(即正常工作)的运行数据。由于核电厂发生故障的运行数据严重不足，本发明通过核电厂模拟机产生各类故障数据对数据集进行补充。收集的核电厂模拟机产生的不同工况数据包括未发生故障(即正常工作)的运行数据、蒸汽发生器传热管破裂数据、安全壳蒸汽管道破裂数据、冷却剂给水丧失数据以及慢化剂稀释数据等多维数据。
S102、建立CNN层，并利用CNN层对收集的数据进行特征提取；
具体地，CNN(Convolutional Neural Networks，卷积神经网络)用于对多维数据进行特征提取。在上述步骤中可以设置初始超参数建立CNN层，输入多维数据经过计算后得到特征提取后的少维数据，从少维数据中可获得故障运行数据特征以及正常运行数据特征。
S103、对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；
在实际应用中，可以从处理后的数据中分割出80％作为训练集数据。
S104、建立LSTM层，利用训练集数据对LSTM层进行训练，得到故障识别模型；
具体地，LSTM(Long Short-Term Memory，长短期记忆人工神经网络)用于工况识别。故障识别模型可以理解为CNN-LSTM模型，如图2所示，该模型可以包括输入层、CNN层、LSTM层和输出层，能够实现对核电厂运行的状态预测。
S105、将待测工况数据输入至故障识别模型，输出故障诊断结果。
在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，将CNN与LSTM相结合，使用CNN层对多维数据进行特征提取，可充分发掘故障特征，使用特征提取后的少维数据对LSTM层进行训练得到用于故障诊断的故障识别模型，模型体积小、可迁移性强，故障诊断准确度高、误差小、效率高，能够在核电厂事故初期为核电厂操纵人员提供合适的指导，避免操纵人员误操作以及不操作导致严重的核电厂事故，广泛应用于各个核动力反应堆的故障诊断。
在具体实施时，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，步骤S103对提取后的特征数据进行预处理，具体可以包括：采用线性归一化方法将提取后的特征数据进行归一化处理。
需要说明的是，特征量变化与工况密切相关，由于每个特征量的取值范围相差较大，采用线性归一化方法(即最小-最大规范化方法)将特征量进行归一化处理以提高模型精度，具体公式如下：
Figure BDA0003535223270000061
式中，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。
在具体实施时，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，在执行步骤S104利用训练集数据对LSTM层进行训练的同时，还可以包括：采用遗传算法选择最优的LSTM层的超参数。根据选择的最优超参数来建立LSTM层，可以进一步确保得到最佳的故障识别模型。
在具体实施时，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，在执行步骤S103从处理后的数据中划分出训练集数据的同时，如图3所示，还可以包括：从处理后的数据中划分出验证集数据。在实际应用中，可以从处理后的数据中分割出10％作为验证集数据。
基于此，在执行步骤S104利用训练集数据对LSTM层进行训练之后，还可以包括：使用验证集数据对训练后的LSTM层进行验证，反复多次迭代。经过多次迭代计算后得到初始LSTM模型预测结果。
之后，在实际应用中，可以使用更多的数据对模型进行泛化处理。具体地，可以取收集的数据之外的其他数据，将该数据输入至步骤S104得到的故障识别模型中，可得到预测的准确度，如果准确度小于预期要求，则调整超参数重新对LSTM层进行训练。
在具体实施时，在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断方法中，在执行步骤S103从处理后的数据中划分出训练集数据的同时，如图3所示，还可以包括：从处理后的数据中划分出测试集数据。在实际应用中，可以从处理后的数据中分割出10％作为测试集数据。
基于此，在执行步骤S104得到故障识别模型之后，还可以包括：将测试集数据输入至故障识别模型进行故障预测，并根据预测结果的准确度、交叉熵损失函数以及测试混淆矩阵评估模型误差。在实际应用中，使用故障识别模型对测试集数据进行核电厂故障诊断，将预测数据与实际结果对比，误差计算采用准确度和交叉熵损失函数以及预测混淆矩阵三项指标还原。图4示出了最优模型的预测混淆矩阵图。
若误差范围不在预设范围内，则调整超参数重新对LSTM层进行训练，直至误差范围在预设范围内。在预测中，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。
具体地，可以采用下述公式计算准确度：
Figure BDA0003535223270000071
可以采用下述公式计算交叉熵损失函数：
Figure BDA0003535223270000072
式中，Loss表示交叉熵损失函数，n表示总样本数，n1表示分类正确的样本数，c表示事故种类数，yi,t表示第i个样本第t种事故的预测值，
Figure BDA0003535223270000073
表示第i个样本第t种事故的真实值。
需要指出的是，本发明是一种基于LSTM并结合CNN算法对模型择优的核电厂故障诊断方法，通过使用CNN对多维数据进行特征提取，使用特征提取后的少维数据选择合适的超参数对LSTM训练得到模型，选择出预测效果优良且泛化能力最好的模型，以提高模型预测的准确度并避免过拟合。通过建立CNN-LSTM模型，针对正常运行、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五种不同工况利用核电厂系统的多维参数，利用CNN充分发掘各参数间的内在联系，实现多元线性回归预测。然后通过使用遗传算法，对多个训练好的LSTM模型参数进行择优，可以使得预测模型对真实数据具有更好的拟合效果。使用本发明的模型对核电厂故障类型进行判断，其预测正确率高达99.8％，相比序列监督学习诊断结果，提高了超过10％的正确率。
基于同一发明构思，本发明实施例还提供了一种基于CNN-LSTM的核电厂故障诊断装置，由于该装置解决问题的原理与前述一种基于CNN-LSTM的核电厂故障诊断方法相似，因此该装置的实施可以参见基于CNN-LSTM的核电厂故障诊断方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的基于CNN-LSTM的核电厂故障诊断装置，如图5所示，具体包括：
数据采样模块11，用于收集核电厂真实运行数据或模拟机产生的不同工况数据；
特征提取模块12，用于建立CNN层，并利用CNN层对收集的数据进行特征提取；
数据处理模块13，用于对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；
模型训练模块14，用于建立LSTM层，利用训练集数据对LSTM层进行训练，得到故障识别模型；
模型推理模块15，用于将待测工况数据输入至故障识别模型，输出故障诊断结果。
在本发明实施例提供的上述基于CNN-LSTM的核电厂故障诊断装置中，可以通过上述五个模块的相互作用，使用CNN层对多维数据进行特征提取，充分发掘故障特征，使用特征提取后的少维数据对LSTM层进行训练得到用于故障诊断的故障识别模型，模型体积小、可迁移性强，故障诊断准确度高、误差小、效率高，进而能够在核电厂事故初期为核电厂操纵人员提供合适的指导，避免操纵人员误操作以及不操作导致严重的核电厂事故，广泛应用于各个核动力反应堆的故障诊断。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应地，本发明实施例还公开了一种基于CNN-LSTM的核电厂故障诊断装置，包括处理器和存储器；其中，处理器执行存储器中存储的计算机程序时实现前述实施例公开的基于CNN-LSTM的核电厂故障诊断方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的基于CNN-LSTM的核电厂故障诊断方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、存储介质而言，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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种基于CNN-LSTM的核电厂故障诊断方法，包括：收集核电厂真实运行数据或模拟机产生的不同工况数据；建立CNN层，并利用CNN层对收集的数据进行特征提取；对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；建立LSTM层，利用训练集数据对LSTM层进行训练，得到故障识别模型；将待测工况数据输入至故障识别模型，输出故障诊断结果。上述核电厂故障诊断方法使用CNN层对多维数据进行特征提取，可充分发掘故障特征，使用特征提取后的少维数据对LSTM层进行训练得到用于故障诊断的故障识别模型，模型体积小、可迁移性强，故障诊断准确度高、误差小、效率高，能够在核电厂事故初期为核电厂操纵人员提供合适的指导，避免操纵人员误操作以及不操作导致严重的核电厂事故，广泛应用于各个核动力反应堆的故障诊断。此外，本发明还针对基于CNN-LSTM的核电厂故障诊断方法提供了相应的装置及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置及计算机可读存储介质具有相应的优点。
最后，还需要说明的是，在本文中，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。
以上对本发明所提供的基于CNN-LSTM的核电厂故障诊断方法、装置及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于CNN-LSTM的核电厂故障诊断方法，其特征在于，包括：
收集核电厂真实运行数据或模拟机产生的不同工况数据；
建立CNN层，并利用所述CNN层对收集的数据进行特征提取；
对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；
建立LSTM层，利用所述训练集数据对所述LSTM层进行训练，得到故障识别模型；
将待测工况数据输入至所述故障识别模型，输出故障诊断结果。
2.根据权利要求1所述的基于CNN-LSTM的核电厂故障诊断方法，其特征在于，所述对提取后的特征数据进行预处理，包括：
采用线性归一化方法将提取后的特征数据进行归一化处理。
3.根据权利要求2所述的基于CNN-LSTM的核电厂故障诊断方法，其特征在于，在所述从处理后的数据中划分出训练集数据的同时，还包括：
从处理后的数据中划分出验证集数据；
在利用所述训练集数据对所述LSTM层进行训练之后，还包括：
使用所述验证集数据对训练后的所述LSTM层进行验证，反复多次迭代。
4.根据权利要求1所述的基于CNN-LSTM的核电厂故障诊断方法，其特征在于，在所述利用所述训练集数据对所述LSTM层进行训练的同时，还包括：
采用遗传算法选择最优的所述LSTM层的超参数。
5.根据权利要求2所述的基于CNN-LSTM的核电厂故障诊断方法，其特征在于，在所述从处理后的数据中划分出训练集数据的同时，还包括：
从处理后的数据中划分出测试集数据；
在所述得到故障识别模型之后，还包括：
将所述测试集数据输入至所述故障识别模型进行故障预测，并根据预测结果的准确度、交叉熵损失函数以及测试混淆矩阵评估模型误差。
6.根据权利要求5所述的基于CNN-LSTM的核电厂故障诊断方法，其特征在于，采用下述公式计算所述交叉熵损失函数：
Figure FDA0003535223260000011
式中，Loss表示所述交叉熵损失函数，n表示总样本数，c表示事故种类数，yi,t表示第i个样本第t种事故的预测值，
Figure FDA0003535223260000021
表示第i个样本第t种事故的真实值。
7.根据权利要求1所述的基于CNN-LSTM的核电厂故障诊断方法，其特征在于，所述不同工况数据包括未发生故障的运行数据、蒸汽发生器传热管破裂数据、安全壳蒸汽管道破裂数据、冷却剂给水丧失数据以及慢化剂稀释数据。
8.一种基于CNN-LSTM的核电厂故障诊断装置，其特征在于，包括：
数据采样模块，用于收集核电厂真实运行数据或模拟机产生的不同工况数据；
特征提取模块，用于建立CNN层，并利用所述CNN层对收集的数据进行特征提取；
数据处理模块，用于对提取后的特征数据进行预处理，并从处理后的数据中划分出训练集数据；
模型训练模块，用于建立LSTM层，利用所述训练集数据对所述LSTM层进行训练，得到故障识别模型；
模型推理模块，用于将待测工况数据输入至所述故障识别模型，输出故障诊断结果。
9.一种基于CNN-LSTM的核电厂故障诊断装置，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述的基于CNN-LSTM的核电厂故障诊断方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于CNN-LSTM的核电厂故障诊断方法。
CN202210224535.1A 2022-03-07 2022-03-07 一种基于cnn-lstm的核电厂故障诊断方法及装置 Pending CN114580549A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210224535.1A CN114580549A (zh) 2022-03-07 2022-03-07 一种基于cnn-lstm的核电厂故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210224535.1A CN114580549A (zh) 2022-03-07 2022-03-07 一种基于cnn-lstm的核电厂故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN114580549A true CN114580549A (zh) 2022-06-03

Family

ID=81778164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210224535.1A Pending CN114580549A (zh) 2022-03-07 2022-03-07 一种基于cnn-lstm的核电厂故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN114580549A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024087182A1 (zh) * 2022-10-28 2024-05-02 西门子股份公司 电机的故障诊断方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024087182A1 (zh) * 2022-10-28 2024-05-02 西门子股份公司 电机的故障诊断方法及装置

Similar Documents

Publication Publication Date Title
Saeed et al. Novel fault diagnosis scheme utilizing deep learning networks
Reifman Survey of artificial intelligence methods for detection and identification of component faults in nuclear power plants
Razavi-Far et al. Model-based fault detection and isolation of a steam generator using neuro-fuzzy networks
Saeed et al. Online fault monitoring based on deep neural network & sliding window technique
CN112016251B (zh) 一种核动力装置故障的诊断方法及系统
CN111899905B (zh) 一种基于核动力装置的故障诊断方法及系统
Park et al. A reliable intelligent diagnostic assistant for nuclear power plants using explainable artificial intelligence of GRU-AE, LightGBM and SHAP
CN113011248B (zh) 一种基于lstm的核动力装置故障诊断方法
Peng et al. A mixed intelligent condition monitoring method for nuclear power plant
CN108536130A (zh) 一种群智能寻优的化工故障诊断系统
Choi et al. Unsupervised learning algorithm for signal validation in emergency situations at nuclear power plants
Liu et al. Diagnosis of break size and location in LOCA and SGTR accidents using support vector machines
Ioannou et al. Intelligent techniques for anomaly detection in nuclear reactors
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
CN114580549A (zh) 一种基于cnn-lstm的核电厂故障诊断方法及装置
CN115526234A (zh) 基于迁移学习的跨域模型训练与日志异常检测方法及设备
Racheal et al. Evaluation of optimized machine learning models for nuclear reactor accident prediction
Wu et al. Research on rapid source term estimation in nuclear accident emergency decision for pressurized water reactor based on Bayesian network
Mena et al. Expanded analysis of machine learning models for nuclear transient identification using TPOT
CN112036496A (zh) 一种核动力装置故障诊断方法及系统
No et al. Development of a prediction method for SAMG entry time in NPPs using the extended group method of data handling (GMDH) model
Kim et al. SIGNAL FAULT IDENTIFICATION IN NUCLEAR POWER PLANTS BASED ON DEEP NEURAL NETWORKS.
Park et al. System and component anomaly detection using lstm-vae
Li et al. Open set recognition fault diagnosis framework based on convolutional prototype learning network for nuclear power plants
Guohua et al. Distributed fault diagnosis framework for nuclear power plants

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