CN115617634A - 基于5g的核电设备异常诊断方法、装置和计算机设备 - Google Patents
基于5g的核电设备异常诊断方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115617634A CN115617634A CN202211392043.XA CN202211392043A CN115617634A CN 115617634 A CN115617634 A CN 115617634A CN 202211392043 A CN202211392043 A CN 202211392043A CN 115617634 A CN115617634 A CN 115617634A
- Authority
- CN
- China
- Prior art keywords
- sensing data
- data
- standard deviation
- historical
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 158
- 230000009467 reduction Effects 0.000 claims abstract description 138
- 238000012545 processing Methods 0.000 claims abstract description 119
- 230000005856 abnormality Effects 0.000 claims abstract description 44
- 238000012423 maintenance Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本申请涉及一种基于5G的核电设备异常诊断方法、装置和计算机设备。所述方法包括:获取核电设备在预设时间段内各时刻的传感数据,对所述传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;若满足以下条件任意一项,所述以下条件包括所述最大值大于预设最大值阈值和所述标准差大于预设标准差阈值,则确定所述降维处理后的传感数据为异常数据,根据所述异常数据,获取所述核电设备异常的诊断结果。采用本方法能够提高对核电设备进行异常诊断的效率和准确性。
Description
技术领域
本申请涉及核电技术领域,特别是涉及一种基于5G的核电设备异常诊断方法、装置和计算机设备。
背景技术
核电厂通过核反应堆的热能进行供电作业,如何保证核电厂的安全稳定运行是核电技术领域最为关注的问题。为了保证核电厂的安全稳定运行,对核电设备的运行状态进行异常诊断就尤为重要。
目前主要是通过传感器对核电设备的运行参数进行采集,依赖经验丰富的专家对采集到的传感数据进行诊断分析,判断核电设备是否发生异常,从而诊断核电设备的运行状态。
但依赖专家进行异常诊断的效率较低,并且诊断结果与专家的经验有很大关系,容易受主观因素影响,导致诊断结果出现偏差,因此,诊断结果的准确性不能得到保证。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对核电设备进行异常诊断的效率和准确性的基于5G的核电设备异常诊断方法、装置和计算机设备。
第一方面,本申请提供了一种基于5G的核电设备异常诊断方法。所述方法包括:
获取核电设备在预设时间段内各时刻的传感数据,对所述传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
若满足以下条件任意一项,所述以下条件包括所述最大值大于预设最大值阈值和所述标准差大于预设标准差阈值,则确定所述降维处理后的传感数据为异常数据,根据所述异常数据,获取所述核电设备异常的诊断结果;
所述计算降维处理后的传感数据的最大值和标准差,包括:
计算所述预设时间段内每一时刻对应的所述降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为所述降维处理后的传感数据的最大值;
将所有开平方值相加除以传感数据数量得到所述降维处理后的传感数据的平均值,利用所述平均值计算得到所述降维处理后的传感数据的标准差。
在其中一个实施例中,所述预设最大值阈值和所述预设标准差阈值的获取方式,包括:
获取所述核电设备在正常状态下多个历史时间段内所采集的历史正常传感数据,对各历史正常传感数据进行降维处理,计算降维处理后的历史正常传感数据的历史最大值和历史标准差;
获取多个历史最大值中的历史最大值期望值和历史最大值标准差值,利用所述历史最大值期望值和所述历史最大值标准差值计算得到预设最大值阈值;
获取多个历史标准差中的历史标准差期望值和历史标准差标准差值,利用所述历史标准差期望值和所述历史标准差标准差值计算得到预设标准差阈值。
在其中一个实施例中,所述方法还包括:
在所述核电设备的诊断结果为异常的情况下,通过备用核电设备对所述核电设备进行更换。
在其中一个实施例中,所述方法还包括:
对所述异常数据进行标记,将标记后的异常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据所述异常数据类型,在预设诊断维修库中查询相应的维修方案,利用所述维修方案对所述核电设备进行维修;
在输出得到正常数据类型的情况下,利用所述正常数据类型对应的传感数据,对所述预设最大值阈值和所述预设标准差阈值进行更新。
在其中一个实施例中,所述方法还包括:
若所述最大值不大于预设最大值阈值,且所述标准差不大于预设标准差阈值,则确定所述降维处理后的传感数据为正常数据;
对所述正常数据进行标记,将标记后的正常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据所述异常数据类型,在预设诊断维修库中查询相应的维修方案,利用所述维修方案对所述核电设备进行维修;
在输出得到正常数据类型的情况下,利用所述正常数据类型对应的传感数据,对所述预设最大值阈值和所述预设标准差阈值进行更新。
在其中一个实施例中,所述训练后的异常诊断网络模型的获取方式,包括:
获取历史异常传感数据和历史正常传感数据,对所述历史异常传感数据和所述历史正常传感数据分别进行标记;
以标记后的历史异常传感数据和标记后的历史正常传感数据作为输入,以对应的异常数据类型和正常数据类型作为输出,对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型。
第二方面,本申请还提供了一种基于5G的核电设备异常诊断装置。所述装置包括:
数据计算模块,用于获取核电设备在预设时间段内各时刻的传感数据,对所述传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
异常诊断模块,用于若满足以下条件任意一项,所述以下条件包括所述最大值大于预设最大值阈值和所述标准差大于预设标准差阈值,则确定所述降维处理后的传感数据为异常数据,根据所述异常数据,获取所述核电设备异常的诊断结果;
所述数据计算模块包括:
最大值计算单元,用于计算所述预设时间段内每一时刻对应的所述降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为所述降维处理后的传感数据的最大值;
标准差计算单元,用于将所有开平方值相加除以传感数据数量得到所述降维处理后的传感数据的平均值,利用所述平均值计算得到所述降维处理后的传感数据的标准差。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例中的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其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上述任一实施例中的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。
上述基于5G的核电设备异常诊断方法、装置和计算机设备,通过获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;若满足最大值大于预设最大值阈值和标准差大于预设标准差阈值中的任意一项,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果。相对于传统技术中通过专家对采集到的传感数据进行诊断分析导致得出诊断结果的效率和准确性不高而言,本申请通过采集传感数据,因采集到的传感数据存在数据干扰并且数据量大,对传感数据进行降维处理可以减少数据量,提高了对核电设备进行异常诊断的效率,还能够排除传感数据中的多余数据干扰,进一步计算降维处理后的传感数据的最大值和标准差,将最大值与预设最大值阈值,以及标准差与预设标准差阈值进行比较,根据比较结果判断降维处理后的传感数据是否为异常数据,提高了对核电设备进行异常诊断的准确性和效率。
附图说明
图1为本申请实施例中提供的基于5G的核电设备异常诊断方法的流程示意图;
图2为一个实施例中预设最大值阈值和预设标准差阈值的获取方式的流程示意图;
图3为一个实施例中获取训练后的异常诊断网络模型的流程示意图;
图4为一个实施例中网络模型对异常数据诊断的流程示意图;
图5为一个实施例中网络模型对正常数据诊断的流程示意图;
图6为本申请实施例中提供的一个基于5G的核电设备异常诊断系统的结构框图;
图7为本申请实施例中提供的一个基于5G的核电设备异常诊断装置的结构框图;
图8为本申请实施例中提供的一个计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本实施例中,提供了一种基于5G的核电设备异常诊断方法,本实施例以该方法应用于计算机设备进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括计算机设备和服务器的系统,并通过计算机设备和服务器的交互实现。
图1为本申请实施例中提供的基于5G的核电设备异常诊断方法的流程示意图,该方法应用于计算机设备或服务器中,在一个实施例中,如图1所示,包括以下步骤:
S101,获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差。
其中,传感数据为利用相应传感器对核电设备本身或者核电设备所处环境的各项参数进行采集得到的数据。传感数据包括温度、振动、压力和流量等。以核电设备汽轮机为例,汽轮机是通过蒸汽推动叶轮转动发电的,通过压力传感器采集蒸汽对叶轮的压力值,该压力值即为传感数据。
对传感数据进行降维处理的方式有多种,例如可以利用主成分分析对传感数据进行降维处理,还可以利用独立成分分析对传感数据进行降维处理,对此不作限定。
示例性地,采集T分钟的传感数据为{x1,x2,……,xT},xT为T时刻采集到的传感数据,每一时刻的传感数据有m个维度,即t时刻的传感数据为利用主成分分析对传感数据进行降维处理,使得每一时刻的传感数据维度减少到n个,降维处理后的t时刻的传感数据为
在一个实施例中,计算得到降维处理后的传感数据的最大值和标准差的一种方式为计算预设时间段内每一时刻对应的降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为降维处理后的传感数据的最大值;将所有开平方值相加除以传感数据数量得到降维处理后的传感数据的平均值,利用平均值计算得到降维处理后的传感数据的标准差。
S102,若满足以下条件任意一项,以下条件包括最大值大于预设最大值阈值和标准差大于预设标准差阈值,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果。
本实施例提供的基于5G的核电设备异常诊断方法,通过获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;若满足最大值大于预设最大值阈值和标准差大于预设标准差阈值中的任意一项,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果。相对于传统技术中通过专家对采集到的传感数据进行诊断分析导致得出诊断结果的效率和准确性不高而言,本申请通过采集传感数据,因采集到的传感数据存在数据干扰并且数据量大,对传感数据进行降维处理可以减少数据量,提高了对核电设备进行异常诊断的效率,还能够排除传感数据中的多余数据干扰,进一步计算降维处理后的传感数据的最大值和标准差,将最大值与预设最大值阈值,以及标准差与预设标准差阈值进行比较,根据比较结果判断降维处理后的传感数据是否为异常数据,提高了对核电设备进行异常诊断的准确性和效率。
在一个实施例中,预设最大值阈值和预设标准差阈值的获取方式的流程示意图,如图2所示,包括以下步骤:
S201,获取核电设备在正常状态下多个历史时间段内所采集的历史正常传感数据,对各历史正常传感数据进行降维处理,计算降维处理后的历史正常传感数据的历史最大值和历史标准差。
其中,历史正常传感数据为利用传感器对核电设备正常运行时的核电设备本身或者核电设备所处环境的各项参数进行采集得到的数据。历史正常传感数据包括历史正常温度、历史正常振动、历史正常压力和历史正常流量等。以核电设备汽轮机为例,汽轮机是通过蒸汽推动叶轮转动发电的,在历史时间段汽轮机正常运行的情况下,通过流量传感器采集到的蒸汽的历史正常流量值,该历史正常流量值即为历史正常传感数据。
对各历史正常传感数据进行降维处理的方式有多种,例如可以利用主成分分析对各历史正常传感数据进行降维处理,还可以利用独立成分分析对各历史正常传感数据进行降维处理,对此不作限定。计算降维处理后的历史正常传感数据的历史最大值和历史标准差的方式与步骤S101中计算降维处理后的传感数据的最大值和标准差的方式相同,可以参考上述对步骤S101中计算降维处理后的传感数据的最大值和标准差的方式的描述。
S202,获取多个历史最大值中的历史最大值期望值和历史最大值标准差值,利用历史最大值期望值和历史最大值标准差值计算得到预设最大值阈值。
在本实施例中,多个历史最大值符合正态分布,从而获取多个历史最大值中的历史最大值期望值μ1和历史最大值标准差值σ1,预设最大值阈值通过如下第一阈值公式计算得到,第一阈值公式为μ1+3σ1。
S203,获取多个历史标准差中的历史标准差期望值和历史标准差标准差值,利用历史标准差期望值和历史标准差标准差值计算得到预设标准差阈值。
在本实施例中,多个历史标准差符合正态分布,从而获取多个历史标准差中的历史标准差期望值μ2和历史标准差标准差值σ2,预设标准差阈值通过如下第二阈值公式计算得到,第二阈值公式为μ2+3σ2。
获取预设最大值阈值和预设标准差阈值,将最大值与预设最大值阈值,以及标准差与预设标准差阈值进行比较,根据比较结果判断降维处理后的传感数据是否为异常数据,能够提高对核电设备进行异常诊断的效率和准确性。
在一个实施例中,在核电设备的诊断结果为异常的情况下,通过备用核电设备对核电设备进行更换。在本实施例中,能够及时对异常核电设备进行更换,从而不影响核电厂的正常运行,增强了对异常情况的处理能力,提高实用性。
在一个实施例中,获取训练后的异常诊断网络模型的流程示意图,如图3所示,包括以下内容:
S301,获取历史异常传感数据和历史正常传感数据,对历史异常传感数据和历史正常传感数据分别进行标记。
其中,历史异常传感数据为利用传感器对核电设备异常运行时的核电设备本身或者核电设备所处环境的各项参数进行采集得到的数据;历史正常传感数据为利用传感器对核电设备正常运行时的核电设备本身或者核电设备所处环境的各项参数进行采集得到的数据。历史异常传感数据包括历史异常温度、历史异常振动、历史异常压力和历史异常流量等。
对历史异常传感数据和历史正常传感数据分别进行标记的方式可以是利用第一预设标记值对历史异常传感数据进行标记,利用第二预设标记值对历史正常传感数据进行标记。例如将历史异常传感数据标记为0,将历史正常传感数据标记为1。
S302,以标记后的历史异常传感数据和标记后的历史正常传感数据作为输入,以对应的异常数据类型和正常数据类型作为输出,对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型。
其中,异常数据类型为具体导致异常数据的事件类别对应的数据类型,正常数据类型为正常数据对应的数据类型。异常数据类型可以有A类、B类,A类表示核电设备的轴承磨损,B类表示核电设备的管道破裂。初始异常诊断网络模型可以为全神经网络模型,也可以为卷积神经网络模型,在此不作限定。对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型,能够在使用训练后的异常诊断网络模型时保证输出结果的准确性。
在一个实施例中,利用训练后的异常诊断网络模型对异常数据再次诊断。图4为一个实施例中网络模型对异常数据诊断的流程示意图,如图4所示,包括以下步骤:
S401,对异常数据进行标记,将标记后的异常数据输入训练后的异常诊断网络模型中。
S402,在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修。
其中,预设诊断维修库为提前设定的用于针对各异常数据类型提出相应的维修方案的数据库。利用维修方案对核电设备进行维修可以将维修好的核电设备再次投入使用,避免核电设备资源的浪费。
S403,在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
将正常数据类型对应的传感数据作为历史正常传感数据对预设最大值阈值和预设标准差阈值进行更新,能够保证阈值设定的准确性,提高对核电设备进行异常诊断的准确性。利用训练后的异常诊断网络模型对异常数据进行再次诊断,进一步提高了对核电设备进行异常诊断的准确性。
在一个实施例中,若降维处理后的传感数据为正常数据,利用训练后的异常诊断网络模型对正常数据再次诊断。图5为一个实施例中网络模型对正常数据诊断的流程示意图,如图5所示,包括以下步骤:
S501,若最大值不大于预设最大值阈值,且标准差不大于预设标准差阈值,则确定降维处理后的传感数据为正常数据。
S502,对正常数据进行标记,将标记后的正常数据输入训练后的异常诊断网络模型中。
S503,在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修。
其中,预设诊断维修库为提前设定的用于针对各异常数据类型提出相应的维修方案的数据库。利用维修方案对核电设备进行维修可以将维修好的核电设备再次投入使用,避免核电设备资源的浪费。
S504,在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
将正常数据类型对应的传感数据作为历史正常传感数据对预设最大值阈值和预设标准差阈值进行更新,能够保证阈值设定的准确性,提高对核电设备进行异常诊断的准确性。利用训练后的异常诊断网络模型对正常数据进行再次诊断,进一步提高了对核电设备进行异常诊断的准确性。
基于上述实施例中提供的基于5G的核电设备异常诊断方法,本实施例中提供了一种用于实现上述基于5G的核电设备异常诊断方法的基于5G的核电设备异常诊断系统,图6为本申请实施例中提供的一个基于5G的核电设备异常诊断系统的结构框图,如图6所示,该基于5G的核电设备异常诊断系统包括传感数据采集模块、边缘处理模块和云处理模块。其中,传感数据采集模块与边缘处理模块间通过5G无线网络传输数据,边缘处理模块通过边缘服务器处理数据,云处理模块通过云服务器处理数据,边缘处理模块与云处理模块间通过以太网传输数据。
在一些实施例中,传感数据采集模块用于采集核电设备的传感数据,将采集到的传感数据通过5G无线网络传输到边缘处理模块进行处理。边缘处理模块用于接收采集到的传感数据,并对采集到的传感数据进行处理,利用处理后的传感数据进行预诊断,将预诊断结果、处理后的传感数据以及采集到的传感数据通过以太网传输到云处理模块。云处理模块用于接收预诊断结果、处理后的传感数据以及采集到的传感数据,并对处理后的传感数据和采集到的传感数据进行再次诊断。
如图6所示,边缘处理模块包括边缘数据接收单元、预诊断单元、边缘数据存储单元和边缘数据发送单元。云处理模块包括云数据接收单元、云诊断单元和云数据存储单元。
对以该系统应用于边缘服务器和云端服务器交互实现基于5G的核电设备异常诊断方法的过程进行详细说明,传感数据采集模块用于获取核电设备在预设时间段内各时刻的传感数据。
边缘数据接收单元用于接收核电设备在预设时间段内各时刻的传感数据。预诊断单元用于对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差,将最大值与预设最大值阈值,以及标准差与预设标准差阈值进行比较,根据比较结果判断降维处理后的传感数据为异常数据还是正常数据,并分别进行标记;在降维处理后的传感数据为异常数据的情况下,在预设应急备用设备库中查询到对应的备用核电设备信息,利用备用核电设备对该异常核电设备进行更换。边缘数据存储单元用于存储预设最大值阈值、预设标准差阈值和预设应急备用设备库。边缘数据发送单元用于将标记后的传感数据和采集到的传感数据传输到云处理模块。
云数据接收单元用于接收标记后的传感数据和采集到的传感数据。云诊断单元用于将标记后的传感数据和采集到的传感数据输入训练后的异常诊断网络模型中,输出相应的异常数据类型和正常数据类型;在输出为异常数据类型的情况下,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修。云数据存储单元用于存储历史正常传感数据、历史异常传感数据、训练后的异常诊断网络模型和预设诊断维修库。
本实施例提供的基于5G的核电设备异常诊断系统,通过获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;若满足最大值大于预设最大值阈值和标准差大于预设标准差阈值中的任意一项,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果。相对于传统技术中通过专家对采集到的传感数据进行诊断分析导致得出诊断结果的效率和准确性不高而言,本申请通过采集传感数据,因采集到的传感数据存在数据干扰并且数据量大,对传感数据进行降维处理可以减少数据量,提高了对核电设备进行异常诊断的效率,还能够排除传感数据中的多余数据干扰,进一步计算降维处理后的传感数据的最大值和标准差,将最大值与预设最大值阈值,以及标准差与预设标准差阈值进行比较,根据比较结果判断降维处理后的传感数据是否为异常数据,提高了对核电设备进行异常诊断的准确性和效率。该系统中利用边缘服务器对采集到的传感数据进行处理,对处理后的传感数据进行预诊断,降低了远端数据传输的不可靠性,以及远端数据传输的运维成本。云服务器有强大的运算能力,保证了数据处理的准确性,提高了对核电设备进行异常诊断的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于5G的核电设备异常诊断方法的基于5G的核电设备异常诊断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于5G的核电设备异常诊断装置实施例中的具体限定可以参见上文中对于基于5G的核电设备异常诊断方法的限定,在此不再赘述。
参见图7,图7为本申请实施例中提供的一个基于5G的核电设备异常诊断装置的结构框图,该装置700包括:数据计算模块701和异常诊断模块702,其中:
数据计算模块701,用于获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
异常诊断模块702,用于若满足以下条件任意一项,以下条件包括最大值大于预设最大值阈值和标准差大于预设标准差阈值,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果。
本实施例提供的基于5G的核电设备异常诊断装置,通过数据计算模块获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;在异常诊断模块中若满足最大值大于预设最大值阈值和标准差大于预设标准差阈值中的任意一项,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果。相对于传统技术中通过专家对采集到的传感数据进行诊断分析导致得出诊断结果的效率和准确性不高而言,本申请通过采集传感数据,因采集到的传感数据存在数据干扰并且数据量大,对传感数据进行降维处理可以减少数据量,提高了对核电设备进行异常诊断的效率,还能够排除传感数据中的多余数据干扰,进一步计算降维处理后的传感数据的最大值和标准差,将最大值与预设最大值阈值,以及标准差与预设标准差阈值进行比较,根据比较结果判断降维处理后的传感数据是否为异常数据,提高了对核电设备进行异常诊断的准确性和效率。
可选的,数据计算模块701包括:
最大值计算单元,用于计算预设时间段内每一时刻对应的降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为降维处理后的传感数据的最大值;
标准差计算单元,用于将所有开平方值相加除以传感数据数量得到降维处理后的传感数据的平均值,利用平均值计算得到降维处理后的传感数据的标准差。
可选的,异常诊断模块702包括:
历史数据获取单元,用于获取核电设备在正常状态下多个历史时间段内所采集的历史正常传感数据,对各历史正常传感数据进行降维处理,计算降维处理后的历史正常传感数据的历史最大值和历史标准差;
最大值阈值单元,用于获取多个历史最大值中的历史最大值期望值和历史最大值标准差值,利用历史最大值期望值和历史最大值标准差值计算得到预设最大值阈值;
标准差阈值单元,用于获取多个历史标准差中的历史标准差期望值和历史标准差标准差值,利用历史标准差期望值和历史标准差标准差值计算得到预设标准差阈值。
可选的,该装置700还包括:
设备更换模块,用于在核电设备的诊断结果为异常的情况下,通过备用核电设备对核电设备进行更换。
可选的,该装置700还包括:
异常输入模块,用于对异常数据进行标记,将标记后的异常数据输入训练后的异常诊断网络模型中;
第一异常模块,用于在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
第一正常模块,用于在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
可选的,该装置700还包括:
异常诊断模块702,还用于若最大值不大于预设最大值阈值,且标准差不大于预设标准差阈值,则确定降维处理后的传感数据为正常数据;
正常输入模块,用于对正常数据进行标记,将标记后的正常数据输入训练后的异常诊断网络模型中;
第二异常模块,用于在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
第二正常模块,用于在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
可选的,该装置700还包括:
历史数据获取模块,用于获取历史异常传感数据和历史正常传感数据,对历史异常传感数据和历史正常传感数据分别进行标记;
模型训练模块,用于以标记后的历史异常传感数据和标记后的历史正常传感数据作为输入,以对应的异常数据类型和正常数据类型作为输出,对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型。
上述基于5G的核电设备异常诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过5G无线网络、WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于5G的核电设备异常诊断方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施例提供的基于5G的核电设备异常诊断方法的步骤:
获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
若满足以下条件任意一项,以下条件包括最大值大于预设最大值阈值和标准差大于预设标准差阈值,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果;
计算降维处理后的传感数据的最大值和标准差,包括:
计算预设时间段内每一时刻对应的降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为降维处理后的传感数据的最大值;
将所有开平方值相加除以传感数据数量得到降维处理后的传感数据的平均值,利用平均值计算得到降维处理后的传感数据的标准差。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取核电设备在正常状态下多个历史时间段内所采集的历史正常传感数据,对各历史正常传感数据进行降维处理,计算降维处理后的历史正常传感数据的历史最大值和历史标准差;
获取多个历史最大值中的历史最大值期望值和历史最大值标准差值,利用历史最大值期望值和历史最大值标准差值计算得到预设最大值阈值;
获取多个历史标准差中的历史标准差期望值和历史标准差标准差值,利用历史标准差期望值和历史标准差标准差值计算得到预设标准差阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在核电设备的诊断结果为异常的情况下,通过备用核电设备对核电设备进行更换。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对异常数据进行标记,将标记后的异常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若最大值不大于预设最大值阈值,且标准差不大于预设标准差阈值,则确定降维处理后的传感数据为正常数据;
对正常数据进行标记,将标记后的正常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取历史异常传感数据和历史正常传感数据,对历史异常传感数据和历史正常传感数据分别进行标记;
以标记后的历史异常传感数据和标记后的历史正常传感数据作为输入,以对应的异常数据类型和正常数据类型作为输出,对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例提供的基于5G的核电设备异常诊断方法的步骤:
获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
若满足以下条件任意一项,以下条件包括最大值大于预设最大值阈值和标准差大于预设标准差阈值,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果;
计算降维处理后的传感数据的最大值和标准差,包括:
计算预设时间段内每一时刻对应的降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为降维处理后的传感数据的最大值;
将所有开平方值相加除以传感数据数量得到降维处理后的传感数据的平均值,利用平均值计算得到降维处理后的传感数据的标准差。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取核电设备在正常状态下多个历史时间段内所采集的历史正常传感数据,对各历史正常传感数据进行降维处理,计算降维处理后的历史正常传感数据的历史最大值和历史标准差;
获取多个历史最大值中的历史最大值期望值和历史最大值标准差值,利用历史最大值期望值和历史最大值标准差值计算得到预设最大值阈值;
获取多个历史标准差中的历史标准差期望值和历史标准差标准差值,利用历史标准差期望值和历史标准差标准差值计算得到预设标准差阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在核电设备的诊断结果为异常的情况下,通过备用核电设备对核电设备进行更换。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对异常数据进行标记,将标记后的异常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若最大值不大于预设最大值阈值,且标准差不大于预设标准差阈值,则确定降维处理后的传感数据为正常数据;
对正常数据进行标记,将标记后的正常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史异常传感数据和历史正常传感数据,对历史异常传感数据和历史正常传感数据分别进行标记;
以标记后的历史异常传感数据和标记后的历史正常传感数据作为输入,以对应的异常数据类型和正常数据类型作为输出,对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述实施例提供的基于5G的核电设备异常诊断方法的步骤:
获取核电设备在预设时间段内各时刻的传感数据,对传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
若满足以下条件任意一项,以下条件包括最大值大于预设最大值阈值和标准差大于预设标准差阈值,则确定降维处理后的传感数据为异常数据,根据异常数据,获取核电设备异常的诊断结果;
计算降维处理后的传感数据的最大值和标准差,包括:
计算预设时间段内每一时刻对应的降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为降维处理后的传感数据的最大值;
将所有开平方值相加除以传感数据数量得到降维处理后的传感数据的平均值,利用平均值计算得到降维处理后的传感数据的标准差。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取核电设备在正常状态下多个历史时间段内所采集的历史正常传感数据,对各历史正常传感数据进行降维处理,计算降维处理后的历史正常传感数据的历史最大值和历史标准差;
获取多个历史最大值中的历史最大值期望值和历史最大值标准差值,利用历史最大值期望值和历史最大值标准差值计算得到预设最大值阈值;
获取多个历史标准差中的历史标准差期望值和历史标准差标准差值,利用历史标准差期望值和历史标准差标准差值计算得到预设标准差阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在核电设备的诊断结果为异常的情况下,通过备用核电设备对核电设备进行更换。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对异常数据进行标记,将标记后的异常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若最大值不大于预设最大值阈值,且标准差不大于预设标准差阈值,则确定降维处理后的传感数据为正常数据;
对正常数据进行标记,将标记后的正常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据异常数据类型,在预设诊断维修库中查询相应的维修方案,利用维修方案对核电设备进行维修;
在输出得到正常数据类型的情况下,利用正常数据类型对应的传感数据,对预设最大值阈值和预设标准差阈值进行更新。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史异常传感数据和历史正常传感数据,对历史异常传感数据和历史正常传感数据分别进行标记;
以标记后的历史异常传感数据和标记后的历史正常传感数据作为输入,以对应的异常数据类型和正常数据类型作为输出,对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于5G的核电设备异常诊断方法,其特征在于,所述方法包括:
获取核电设备在预设时间段内各时刻的传感数据,对所述传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
若满足以下条件任意一项,所述以下条件包括所述最大值大于预设最大值阈值和所述标准差大于预设标准差阈值,则确定所述降维处理后的传感数据为异常数据,根据所述异常数据,获取所述核电设备异常的诊断结果;
所述计算降维处理后的传感数据的最大值和标准差,包括:
计算所述预设时间段内每一时刻对应的所述降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为所述降维处理后的传感数据的最大值;
将所有开平方值相加除以传感数据数量得到所述降维处理后的传感数据的平均值,利用所述平均值计算得到所述降维处理后的传感数据的标准差。
2.根据权利要求1所述的方法,其特征在于,所述预设最大值阈值和所述预设标准差阈值的获取方式,包括:
获取所述核电设备在正常状态下多个历史时间段内所采集的历史正常传感数据,对各历史正常传感数据进行降维处理,计算降维处理后的历史正常传感数据的历史最大值和历史标准差;
获取多个历史最大值中的历史最大值期望值和历史最大值标准差值,利用所述历史最大值期望值和所述历史最大值标准差值计算得到预设最大值阈值;
获取多个历史标准差中的历史标准差期望值和历史标准差标准差值,利用所述历史标准差期望值和所述历史标准差标准差值计算得到预设标准差阈值。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
在所述核电设备的诊断结果为异常的情况下,通过备用核电设备对所述核电设备进行更换。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述异常数据进行标记,将标记后的异常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据所述异常数据类型,在预设诊断维修库中查询相应的维修方案,利用所述维修方案对所述核电设备进行维修;
在输出得到正常数据类型的情况下,利用所述正常数据类型对应的传感数据,对所述预设最大值阈值和所述预设标准差阈值进行更新。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述最大值不大于预设最大值阈值,且所述标准差不大于预设标准差阈值,则确定所述降维处理后的传感数据为正常数据;
对所述正常数据进行标记,将标记后的正常数据输入训练后的异常诊断网络模型中;
在输出得到异常数据类型的情况下,根据所述异常数据类型,在预设诊断维修库中查询相应的维修方案,利用所述维修方案对所述核电设备进行维修;
在输出得到正常数据类型的情况下,利用所述正常数据类型对应的传感数据,对所述预设最大值阈值和所述预设标准差阈值进行更新。
6.根据权利要求4或5所述的方法,其特征在于,所述训练后的异常诊断网络模型的获取方式,包括:
获取历史异常传感数据和历史正常传感数据,对所述历史异常传感数据和所述历史正常传感数据分别进行标记;
以标记后的历史异常传感数据和标记后的历史正常传感数据作为输入,以对应的异常数据类型和正常数据类型作为输出,对初始异常诊断网络模型进行训练,得到训练后的异常诊断网络模型。
7.一种基于5G的核电设备异常诊断装置,其特征在于,所述装置包括:
数据计算模块,用于获取核电设备在预设时间段内各时刻的传感数据,对所述传感数据进行降维处理,计算降维处理后的传感数据的最大值和标准差;
异常诊断模块,用于若满足以下条件任意一项,所述以下条件包括所述最大值大于预设最大值阈值和所述标准差大于预设标准差阈值,则确定所述降维处理后的传感数据为异常数据,根据所述异常数据,获取所述核电设备异常的诊断结果;
所述数据计算模块包括:
最大值计算单元,用于计算所述预设时间段内每一时刻对应的所述降维处理后的传感数据的平方和的开平方值,将各时刻对应的开平方值中的最大值确定为所述降维处理后的传感数据的最大值;
标准差计算单元,用于将所有开平方值相加除以传感数据数量得到所述降维处理后的传感数据的平均值,利用所述平均值计算得到所述降维处理后的传感数据的标准差。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211392043.XA CN115617634A (zh) | 2022-11-08 | 2022-11-08 | 基于5g的核电设备异常诊断方法、装置和计算机设备 |
PCT/CN2023/088970 WO2024098668A1 (zh) | 2022-11-08 | 2023-04-18 | 基于5g的核电设备异常诊断方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211392043.XA CN115617634A (zh) | 2022-11-08 | 2022-11-08 | 基于5g的核电设备异常诊断方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115617634A true CN115617634A (zh) | 2023-01-17 |
Family
ID=84878913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211392043.XA Pending CN115617634A (zh) | 2022-11-08 | 2022-11-08 | 基于5g的核电设备异常诊断方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115617634A (zh) |
WO (1) | WO2024098668A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098668A1 (zh) * | 2022-11-08 | 2024-05-16 | 中广核研究院有限公司 | 基于5g的核电设备异常诊断方法、装置和计算机设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105791051B (zh) * | 2016-03-25 | 2019-06-21 | 中国地质大学(武汉) | 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统 |
KR102051227B1 (ko) * | 2018-09-07 | 2019-12-02 | 한국수력원자력 주식회사 | 원전 설비의 예측 진단 방법 및 시스템 |
CN111352794B (zh) * | 2018-12-24 | 2022-09-20 | 鸿富锦精密工业(武汉)有限公司 | 异常检测方法、装置、计算机装置及存储介质 |
CN112488242B (zh) * | 2020-12-18 | 2023-12-19 | 深圳供电局有限公司 | 电力计量终端异常检测方法、装置、计算机设备和介质 |
CN115617634A (zh) * | 2022-11-08 | 2023-01-17 | 中广核研究院有限公司 | 基于5g的核电设备异常诊断方法、装置和计算机设备 |
-
2022
- 2022-11-08 CN CN202211392043.XA patent/CN115617634A/zh active Pending
-
2023
- 2023-04-18 WO PCT/CN2023/088970 patent/WO2024098668A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098668A1 (zh) * | 2022-11-08 | 2024-05-16 | 中广核研究院有限公司 | 基于5g的核电设备异常诊断方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2024098668A1 (zh) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112655004B (zh) | 用于异常检测和/或预测性维护的计算机实现的方法 | |
JP7011239B2 (ja) | 装置、方法、プログラム、および、記録媒体 | |
EP3827387A1 (en) | Systematic prognostic analysis with dynamic causal model | |
Lin et al. | Reliability assessment of systems subject to dependent degradation processes and random shocks | |
CN102591323A (zh) | 用于在生产过程中校正预测故障的系统和方法 | |
JP2022548227A (ja) | 製造プロセスリスクを予測するためのシステムおよび方法 | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
CN113823396A (zh) | 医疗设备管理方法、装置、计算机设备和存储介质 | |
CN115617634A (zh) | 基于5g的核电设备异常诊断方法、装置和计算机设备 | |
Golmakani | Optimal age-based inspection scheme for condition-based maintenance using A* search algorithm | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
Deep et al. | A data-driven recurrent event model for system degradation with imperfect maintenance actions | |
CN114092275A (zh) | 企业经营异常监测方法、装置、计算机设备和存储介质 | |
JP6967099B2 (ja) | 学習モデル作成システム及び学習モデル作成方法 | |
CN115951170B (zh) | 输电线路故障监测方法、装置、计算机设备和存储介质 | |
Khurmi et al. | Condition based maintenance in nuclear power plants: Limitations & practicality | |
JP6782260B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
WO2020240770A1 (ja) | 学習装置、推定装置、学習方法、推定方法及びプログラム | |
Salmasnia et al. | Joint design of control chart and maintenance policy under multiple assignable causes and random failures by considering the statistical constraints | |
US11906960B1 (en) | Bayesian risk inference engine (BRIE) | |
US20240272630A1 (en) | Computing system and method for determining aggregated risk values | |
CN114154662A (zh) | 运行系统的故障诊断方法、装置、计算机设备和存储介质 | |
CN115169437A (zh) | 海底电缆扰动传感数据的趋势性监控方法和装置 | |
CN116227732A (zh) | 核电厂设备剩余寿命预测方法、装置、设备和存储介质 | |
JP2024094823A (ja) | 故障評価システム、故障評価方法、及び故障評価プログラム |
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 |