CN116522088A - 一种基于机器学习的核动力装置运行数据分析方法与系统 - Google Patents
一种基于机器学习的核动力装置运行数据分析方法与系统 Download PDFInfo
- Publication number
- CN116522088A CN116522088A CN202310476035.1A CN202310476035A CN116522088A CN 116522088 A CN116522088 A CN 116522088A CN 202310476035 A CN202310476035 A CN 202310476035A CN 116522088 A CN116522088 A CN 116522088A
- Authority
- CN
- China
- Prior art keywords
- data
- nuclear power
- model
- mining
- machine learning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 35
- 238000007405 data analysis Methods 0.000 title claims description 17
- 238000007418 data mining Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000005065 mining Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000013079 data visualisation Methods 0.000 claims abstract description 11
- 238000010977 unit operation Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000007726 management method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 23
- 238000013523 data management Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000003381 stabilizer Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种基于机器学习的核动力装置运行数据分析方法与系统,方法包括:基于核动力装置的运行需求,构建运行数据挖掘模型,通过运行数据挖掘模型对核动力系统运行的历史数据进行管理与挖掘,并对运行数据标注,获得不同类型的数据标签;基于标注后的数据,开发数据可视化驱动与分析模型;采用仿真数据形成离线数据集,通过机器学习算法构建在线预测模型,获取机组运行数据;基于机组运行数据构建系统运行状态识别模型,对核动力装置状态进行识别。本发明可准确实现系统运行工况识别与运行故障识别,缓解操作人员事故处理压力,避免人因失误导致的事故恶化,提高核动力装置的安全性,在工程领域具有广阔的应用前景。
Description
技术领域
本发明涉及核动力装置运维技术领域,尤其涉及一种基于机器学习的核动力装置运行数据分析方法与系统。
背景技术
核能具有安全性、经济性好且污染小等优势,是能源发展中不可或缺的一部分。由于核能的特殊性,保证核动力装置的安全稳定运行至关重要,观测并分析核动力装置运行数据是判断其系统状态并做出合理决策的关键环节。然而,核动力装置是一种高度复杂的非线性时变系统,涉及到的系统繁多且耦合性强,由数据采集系统或集散控制系统收集的数据规模庞大,这为核动力装置的运行数据监测与分析、异常状态的识别与应对以及设备维修与管理等方面带来一定的负担。
核动力装置在运行过程中,由于运行扰动、停堆时间与深度、设备异常等方面的影响,各运行参数会偏离正常的运行规律,而对系统异常运行状态的判断仍然主要依赖人员的经验。目前,核动力装置通常采取传统的数据分析、统计手段来进行日常的数据汇总、制表、趋势分析等浅层次的处理和使用,对数据进行自动分析与处理能力普遍较弱,无法在异常运行状态出现的早期及时发现,难以满足其紧密跟踪、快速响应的要求。
随着机器学习技术的快速发展,通过基于数据驱动的方式提高核动力装置的自动化和智能化水平是核工业发展的重要方向。因此,提出基于机器学习的核动力装置运行数据分析方法与系统具有重要工程意义。
发明内容
本发明的目的是解决核动力装置运行数据分析难度大、响应不及时、可视化程度差等问题,提供一种基于机器学习的核动力装置运行数据分析方法与系统,快速、准确地实现运行数据挖掘、分析与预测等功能,保证核动力装置的安全、稳定运行。
为实现上述目的,本发明提供了一种基于机器学习的核动力装置运行数据分析方法,包括:
基于核动力装置的运行需求,构建运行数据挖掘模型,通过运行数据挖掘模型对核动力系统运行的历史数据进行管理与挖掘,并对运行数据标注,获得不同类型的数据标签;
基于标注后的数据,开发数据可视化驱动与分析模型,用于识别系统重要参数,并展示数据分析结果;
采用仿真数据形成离线数据集,通过机器学习算法构建在线预测模型,获取机组运行数据;
基于所述机组运行数据构建系统运行状态识别模型,对所述核动力装置状态进行识别。
优选地,对所述核动力系统运行的历史数据进行管理,包括:
对所述核动力系统与设备的信息管理、测点管理、时序数据管理、数据清洗和数据标注。
优选地,所述信息管理包括:对核动力系统与设备的基本信息、技术参数、设备组成进行管理;
所述测点管理包括对系统、设备的所有测点信息的综合管理,所述测点信息与系统或设备绑定;
所述时序数据管理包括基于核动力运行数据的时序特点,通过时序数据库对时序数据进行管理;
所述数据清洗功能包括在数据正式入库之前和对已经入库的数据进行清洗,剔除脏数据;
所述数据标注包括对任意时间段内的数据进行基本的注释,并对识别出的工况、异常、事故类型进行分类。
优选地,对核动力系统运行的历史数据进行挖掘,包括:
采用随机森林方法对所述核动力系统运行的历史数据进行挖掘,通过所述运行数据挖掘模型对数据进行预处理,获取训练数据集,并将所述训练数据集划分为训练集和测试集;
使用bootstrap采样方法从所述训练数据集中选取N个不同的子训练集,利用所述子训练集分别对CART回归树进行训练,获得各个不同的回归模型;
将所述测试集数据输入至所述回归模型中,得到相应的预测值,取各所述预测值的平均值作为最终预测值,根据所述测试集的预测结果评价模型精度,若不满足精度要求,则调整模型结构与超参数直至满足精度要求;
基于所述最终预测值对所述核动力系统运行数据进行标注,形成不同类型的数据标签。
优选地,所述数据可视化驱动与分析模型包括自定义分析模型与基于数据挖掘的分析模型;其中,所述自定义分析模型为基于先验知识已知的核动力系统和设备的数据关系,通过自定义关系的方式,对数据关系进行定义和管理;
所述基于数据挖掘的分析模型用于对于运行机理复杂的隐性关系,基于机器学习的方法挖掘所述隐性关系,并对挖掘的关系进行管理和验证,对自定义的显式关系以及挖掘到的隐式关系进行存储、管理,进行显性化的可视化展示。
优选地,采用仿真数据形成所述离线数据集,包括:
以仿真数据为基础,通过对不同工况下的核动力系统运行特性进行数值模拟,构建所述离线数据集。
优选地,通过机器学习算法构建在线预测模型,包括:
采用经过所述数据挖掘的分析模型处理后的数据作为神经网络算法的训练数据;设置超参数,构建满足精度要求的神经网络模型;
将所述离线数据集作为神经网络模型的输入,实现重要参数变化趋势的在线预测。
优选地,构建所述系统运行状态识别模型,包括:构建专家知识库、对神经网络模型超参数初始化、ADAM权重更新、确定损失函数以及完成模型精度验证;其中,所述系统运行状态识别模型中包括分类器模型,所述分类器模型用于判断当前系统运行工况,以及判断当前系统是否处于故障状态。
为了实现上述目的,本发明还提供了基于机器学习的核动力装置运行数据分析方法的分析系统,包括:
数据挖掘模块:用于实现数据管理、数据结构化、数据挖掘算法库以及模型管理功能,并为其他模块的开发与使用提供数据支撑;
数据可视化分析模块:用于对系统运行产生的时序数据进行显性关系和隐性关系的挖掘和可视化;
在线预测模块:用于对特定的预测场景使用最优的预算算法,并对预测模型的版本进行管理,实现对系统运行数据的在线实时预测;
系统状态识别模块:用于实时运行并反馈识别结果;
其中,所述数据可视化分析模块、所述在线预测模块分别与所述数据挖掘模块交互,所述系统状态识别模块与所述在线预测模块交互。
优选地,所述数据挖掘模块包括:
数据管理子模块:用于对核动力系统的数据进行综合管理,包括:系统信息管理、设备信息管理、测点管理、时序数据管理、数据清洗和数据标注;
数据结构子模块:用于将系统参数进行结构化,形成模型的输入或输出节点。
与现有技术相比,本发明具有如下优点和技术效果:
(1)本申请提出基于机器学习的核动力装置运行数据分析方法与系统,实现了核动力系统运行数据挖掘、数据可视化分析、系统状态在线预测等功能,建立数据可视化驱动模型,自主提供监控参数需求列表,提高核动力装置自动化、数字化、智能化水平;
(2)本申请建立系统运行状态识别模型,可准确实现系统运行工况识别与运行故障识别,缓解操作人员事故处理压力,避免人因失误导致的事故恶化,提高核动力装置的安全性,在工程领域具有广阔的应用前景。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中基于机器学习的核动力装置运行数据分析方法流程图;
图2为本发明实施例中状态识别模型建立流程示意图;
图3为本发明实施例中基于机器学习的核动力装置运行数据分析系统结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,一种基于机器学习的核动力装置运行数据分析方法,具体包括以下步骤:
S1、结合核动力装置的运行需求,构建运行数据挖掘模型;
其中,运行数据挖掘模型中应包括分类、回归、聚类、预测、关联等不同类型的机器学算法供选择,其中包含了多种可训练的模型:逻辑回归、决策树、随机森林、朴素贝叶斯、支持向量机、线性回归、K均值、高斯混合模型等。
此外,运行数据挖掘模型对核动力系统的运行数据进行综合管理,包括系统与设备信息管理、测点管理、时序数据管理、数据清洗、数据标注等功能。系统信息管理主要针对核动力系统与设备的基本信息、技术参数、设备组成等进行管理;测点管理是对系统、设备的所有测点信息的综合管理,测点信息与系统或设备绑定,基本信息包括单位、量程、限值、报警值等。时序数据管理针对核动力运行数据的时序特点基于时序数据库对时序数据进行管理,离线数据的导入要与系统中测点管理系统的测点进行绑定。数据清洗功能是在数据正式入库之前和对已经入库的数据进行清洗,剔除脏数据,提高数据质量。数据标注功能是对一段时间的数据进行基本的注释,例如工况类型、变工况详情、异常情况、事故工况等信息进行注释,也是用来对系统运行状态识别训练的重要依据。对于通过运行状态识别模型识别出的工况、异常、事故类型等分类。
S2、基于核动力系统运行数据进行挖掘,开发数据可视化驱动与分析模型;
本实施例中采用随机森林方法对核动力系统运行的历史数据进行挖掘。随机森林算法是一种引导聚集方法,通过集成多个弱模型而构建一个性能更优的强模型。
首先,通过运行数据挖掘模型完成数据库中的数据预处理,使运行数据标准化。预处理方法包括参数的归一化与标准化,包括但不限于极差标准化法、Z-score标准化法。本实施例中通过Min-max标准化处理将所有数据处于[0,1]范围内,处理方法如下:
其中,x表示待处理数据,xmax表示该数据的最大值,xmin为该数据的最小值。
将预处理后的数据形成训练数据集,使用bootstrap采样方法从训练数据集中选取N不同的子训练集,分别作为多个互不相同的CART回归树的训练数据,获得各个不同的回归模型后,将测试集的输入数据提供给各回归模型,得到相应的预测值,取各预测值的平均值作为最终预测值。CART回归树的训练过程主要是确定子训练集的切分特征和切分点,需要通过遍历循环确定切分特征与切分点,计算最优的不纯度加权和G,将使G最小的特征值作为当前特征的切分点。
不纯度加权和的计算如下:
x为切分特征;v为切分值;yi为数据的标签值;Xleft为左侧数据集;Xright为右侧数据集;为左侧数据集标签的平均值;/>为右侧数据集标签的平均值。
对核动力系统运行数据标注,形成不同类型的数据标签,为后续模型的开发提供数据基础。
基于上述数据开展数据可视化分析模型开发。将数据监测系统采集的运行数据作为数据集,从数据管理模块和数据结构模块中选择要分析的数据,包括数据范围和时间范围等信息,结合核动力装置的实际运行需求与安全准则,确立一系列关心的安全指标参数。数据可视化分析模型包括自定义分析模型与基于数据挖掘的分析模型两种模式。
其中,自定义分析模型是基于先验知识已知的核动力系统和设备的数据关系,通过自定义关系的方式,对数据关系进行定义和管理。基于数据挖掘的分析模型是对于运行机理比较复杂的隐性关系,基于上述机器学习的方法挖掘隐性关系,对挖掘的关系进行管理和验证。
在此基础上,对自定义的显式关系以及挖掘到的隐式关系进行存储、管理。并对关系进行显性化的可视化展示,使数据分析人员更为直观的了解数据之间的关系。
S3-S4、用仿真数据形成离线大数据集,并基于机器学习算法开发在线预测模型;
在线预测模型的实现是以仿真数据为基础,通过对不同工况下的核动力系统运行特性进行数值模拟,构建离线数据集,本实施例中采用系统级分析程序RELAP5开展。改变RELAP5输入卡的初始条件与边界条件,获得不同工况下的核动力系统响应时序数据,以所得数据用以训练和验证神经网络模型,作为对核动力系统未来运行状态进行快速预测的分析核心。
其中,上述神经网络模型需要结合核动力系统的特定场景进行开发,并在运行数据不断积累的过程中迭代更新,不断完善预测模型的精度。本实施例中搭建LSTM实现多变量多步长时间序列预测,采用在线采集的运行数据来预测未来一段时间的堆芯出口温度。参数分别为压力容器宽量程水位、堆芯出口温度(预测参数)、堆芯过冷度、一回路温度、一回路压力、稳压器降温速率、稳压器水位、稳压器压力、1#蒸汽发生器宽量程水位、2#蒸汽发生器宽量程水位、1#蒸汽发生器压力、2蒸汽发生器压力、安全壳压力。在线预测模型从数据模块获取机组运行数据以实现在线参数趋势预测。
S5、构建系统运行状态识别模型,对核动力装置状态进行准确识别。
上述模型在数据不断的积累中迭代更新形成更为准确的状态监测、工况识别以及故障识别模型,实时运行并反馈识别结果。系统运行状态识别模型算法流程示意图如附图2所示,为了保证状态识别的可靠性,本实施例中采用以模糊专家知识库系统为核心,结合深度神经网络算法的智能故障诊断模型,实现对核动力装置运行状态的分析与诊断。
所述的状态识别模型先对运行数据进行标准化处理,形成状态信息矩阵作为构建状态识别模型的数据基础。其中,状态识别模型的构建主要包括构建专家知识库、对神经网络模型超参数初始化、ADAM权重更新、确定损失函数以及完成模型精度验证等过程。识别模型中含有分类器模型,当处于稳定运行工况时,系统将自动调用工况识别模块判断当前系统运行工况,当处于非稳定运行工况时调用系统运行故障识别模块判断当前系统是否处于故障状态。
所述的状态识别模型通过接受核动力装置真实运行数据,不断监测核电站性能与状态,并通过可视化的形式显示系统当前运行状态,为核动力装置的安全运行提供有力支撑。
实施例二
如图3所示,基于机器学习的核动力装置运行数据分析系统包括数据挖掘模块、数据可视化分析模块、在线预测模块以及系统状态识别模块。
具体地,数据挖掘模块属于通用模块包含数据管理、数据结构化、数据挖掘算法库以及模型管理功能。数据挖掘模块可以管理系统数据,将系统参数进行结构化,形成模型的输入或输出节点。数据挖掘算法库提供了大量的数据挖掘算法,可以在模块中通过图形化流程图的形式设置数据挖掘流程,可以对数据挖掘流程以及流程执行的结果进行管理。数据挖掘模块中的数据可为其他模块的开发与使用提供数据支撑。
数据管理模块,对核动力系统的数据进行综合管理,包括:系统信息管理、设备信息管理、测点管理、时序数据管理、数据清洗、数据标注等功能。
其中,算法库是数据挖掘模块的核心。本模块提供丰富的数据挖掘算法供用户使用,算法主要包括特征计算及选取、有监督学习算法、无监督学习算法和算法模型评价模块。用户可通过调用这些函数和模块,按照所需的业务逻辑构建满足自定义需求的分析模型。所提供的算法具有丰富、通用、成熟等特点,可广泛应用于试验装置的状态监测、故障诊断、状态预测、数据挖掘等功能。
数据可视化分析模块属于通用模块,可以对系统运行产生的时序数据进行显性关系和隐性关系的挖掘和可视化。在使用过程中通过选择要分析的数据集,以及分析模型,开始分析运算。对运算后得到的结果进行可视化展示。对于显性关系也可以自定义的进行关系定义和管理。对于挖掘出的隐性关系也可以进行管理。
其中,数据可视化分析模块在实现数据选择功能时,与数据挖掘模块中的数据管理子模块和数据结构子模块交互,选择需要分析的数据。基于先验知识已知的系统和设备的数据关系,可以通过自定义关系的方式,对数据关系进行定义和管理。对于运行机理比较复杂的隐性关系,基于机器学习的方式挖掘隐性关系,对挖掘的关系进行管理和验证。
在线预测模块属于专有模块,需要针对特定的预测场景使用最优的预算算法。在数据的不断积累中逐渐形成更为准确的预测模型,并对预测模型的版本进行管理。基于预测模型可以进行某一时间点的数据预测,也可以滚动式的预测数据趋势。基于机器学期的预测模型,能够实现对系统运行数据的在线实时预测。
核动力系统运行数据具有明显的时序特征,构建系统数据的在线预测模块首先需要开发一套能够进行实施预测的机器学习模型。预测模型开发功能模块主要是对预测模型的训练和管理。在线预测模块与数据挖掘模块中数据挖掘算法库进行交互,从算法库中调用适合进行预测模型开发的算法。在线预测模块的有两种模式:一种是基于稳态数据模型的预测,另一种是基于瞬态特征的时序数据预测。
运行状态识别模块属于专有模块,针对核动力装置所处的特定的场景,在数据不断的积累中形成更为准确的状态监测、工况识别以及故障识别模型。运行状态识别模块能够实时运行并反馈识别结果。该模块主要采用支持向量机、长短期记忆法、BP神经网络方法对离线数据进行训练,生成系统运行状态分类器模型,并结合专家知识库,实现系统运行状态识别包括:状态监测、系统运行工况识别、系统运行故障识别等。
其中,系统状态监测子模块实时监测系统的运行参数及运行状态,通过可视化的形式显示系统当前运行状态。系统状态监测结果为稳定运行工况以及非稳定运行工况。当处于稳定运行工况时,系统将自动调用工况识别模块判断当前系统运行工况,将选用多种模型进行实时滚动判断,将返回概率最大的结果,并将所有判定参数数据进行可视化展示。当处于非稳定运行工况时调用系统运行故障识别模块判断当前系统是否处于故障状态。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于机器学习的核动力装置运行数据分析方法,其特征在于,包括:
基于核动力装置的运行需求,构建运行数据挖掘模型,通过运行数据挖掘模型对核动力系统运行的历史数据进行管理与挖掘,并对运行数据标注,获得不同类型的数据标签;
基于标注后的数据,开发数据可视化驱动与分析模型,用于识别系统重要参数,并展示数据分析结果;
采用仿真数据形成离线数据集,通过机器学习算法构建在线预测模型,获取机组运行数据;
基于所述机组运行数据构建系统运行状态识别模型,对所述核动力装置状态进行识别。
2.根据权利要求1所述的基于机器学习的核动力装置运行数据分析方法,其特征在于,对所述核动力系统运行的历史数据进行管理,包括:
对所述核动力系统与设备的信息管理、测点管理、时序数据管理、数据清洗和数据标注。
3.根据权利要求2所述的基于机器学习的核动力装置运行数据分析方法,其特征在于,所述信息管理包括:对核动力系统与设备的基本信息、技术参数、设备组成进行管理;
所述测点管理包括对系统、设备的所有测点信息的综合管理,所述测点信息与系统或设备绑定;
所述时序数据管理包括基于核动力运行数据的时序特点,通过时序数据库对时序数据进行管理;
所述数据清洗功能包括在数据正式入库之前和对已经入库的数据进行清洗,剔除脏数据;
所述数据标注包括对任意时间段内的数据进行基本的注释,并对识别出的工况、异常、事故类型进行分类。
4.根据权利要求1所述的基于机器学习的核动力装置运行数据分析方法,其特征在于,对核动力系统运行的历史数据进行挖掘,包括:
采用随机森林方法对所述核动力系统运行的历史数据进行挖掘,通过所述运行数据挖掘模型对数据进行预处理,获取训练数据集,并将所述训练数据集划分为训练集和测试集;
使用bootstrap采样方法从所述训练数据集中选取N个不同的子训练集,利用所述子训练集分别对CART回归树进行训练,获得各个不同的回归模型;
将所述测试集数据输入至所述回归模型中,得到相应的预测值,取各所述预测值的平均值作为最终预测值,根据所述测试集的预测结果评价模型精度,若不满足精度要求,则调整模型结构与超参数直至满足精度要求;
基于所述最终预测值对所述核动力系统运行数据进行标注,形成不同类型的数据标签。
5.根据权利要求1所述的基于机器学习的核动力装置运行数据分析方法,其特征在于,所述数据可视化驱动与分析模型包括自定义分析模型与基于数据挖掘的分析模型;其中,所述自定义分析模型为基于先验知识已知的核动力系统和设备的数据关系,通过自定义关系的方式,对数据关系进行定义和管理;
所述基于数据挖掘的分析模型用于对于运行机理复杂的隐性关系,基于机器学习的方法挖掘所述隐性关系,并对挖掘的关系进行管理和验证,对自定义的显式关系以及挖掘到的隐式关系进行存储、管理,进行显性化的可视化展示。
6.根据权利要求1所述的基于机器学习的核动力装置运行数据分析方法,其特征在于,采用仿真数据形成所述离线数据集,包括:
以仿真数据为基础,通过对不同工况下的核动力系统运行特性进行数值模拟,构建所述离线数据集。
7.根据权利要求6所述的基于机器学习的核动力装置运行数据分析方法,其特征在于,通过机器学习算法构建在线预测模型,包括:
采用经过所述基于数据挖掘的分析模型处理后的数据作为神经网络算法的训练数据;设置超参数,构建满足精度要求的神经网络模型;
将所述离线数据集作为神经网络模型的输入,实现重要参数变化趋势的在线预测。
8.根据权利要求1所述的基于机器学习的核动力装置运行数据分析方法,其特征在于,构建所述系统运行状态识别模型,包括:构建专家知识库、对神经网络模型超参数初始化、ADAM权重更新、确定损失函数以及完成模型精度验证;其中,所述系统运行状态识别模型中包括分类器模型,所述分类器模型用于判断当前系统运行工况,以及判断当前系统是否处于故障状态。
9.应用于权利要求1-8任一项所述的基于机器学习的核动力装置运行数据分析方法的分析系统,其特征在于,包括:
数据挖掘模块:用于实现数据管理、数据结构化、数据挖掘算法库以及模型管理功能,并为其他模块的开发与使用提供数据支撑;
数据可视化分析模块:用于对系统运行产生的时序数据进行显性关系和隐性关系的挖掘和可视化;
在线预测模块:用于对特定的预测场景使用最优的预算算法,并对预测模型的版本进行管理,实现对系统运行数据的在线实时预测;
系统状态识别模块:用于实时运行并反馈识别结果;
其中,所述数据可视化分析模块、所述在线预测模块分别与所述数据挖掘模块交互,所述系统状态识别模块与所述在线预测模块交互。
10.根据权利要求9所述的分析系统,其特征在于,
所述数据挖掘模块包括:
数据管理子模块:用于对核动力系统的数据进行综合管理,包括:系统信息管理、设备信息管理、测点管理、时序数据管理、数据清洗和数据标注;
数据结构子模块:用于将系统参数进行结构化,形成模型的输入或输出节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476035.1A CN116522088B (zh) | 2023-04-27 | 2023-04-27 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476035.1A CN116522088B (zh) | 2023-04-27 | 2023-04-27 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522088A true CN116522088A (zh) | 2023-08-01 |
CN116522088B CN116522088B (zh) | 2024-01-26 |
Family
ID=87404194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310476035.1A Active CN116522088B (zh) | 2023-04-27 | 2023-04-27 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522088B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117109185A (zh) * | 2023-10-24 | 2023-11-24 | 上海焱晶燃烧设备检测有限公司 | 一种立式真空相变加热炉远程控制方法及系统 |
CN117193190A (zh) * | 2023-09-08 | 2023-12-08 | 无锡物联网创新中心有限公司 | 一种全流程纺纱数字孪生系统 |
CN118095805A (zh) * | 2024-04-28 | 2024-05-28 | 中核控制系统工程有限公司 | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301884B (zh) * | 2017-07-24 | 2019-07-16 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
US20190392959A1 (en) * | 2018-01-25 | 2019-12-26 | Wuxun Technologies, Ltd. | Predicting Multiple Nuclear Fuel Failures, Failure Locations and Thermal Neutron Flux 3D Distributions Using Artificial Intelligent and Machine Learning |
CN111797533A (zh) * | 2020-07-09 | 2020-10-20 | 哈尔滨工程大学 | 一种核动力装置运行参数异常检测方法及系统 |
CN112086214A (zh) * | 2020-09-23 | 2020-12-15 | 中国核动力研究设计院 | 一种核电站关键设备远程状态监视与智能诊断平台 |
CN112199890A (zh) * | 2020-10-11 | 2021-01-08 | 哈尔滨工程大学 | 一种综合式核动力装置系统级故障诊断方法 |
CN112257988A (zh) * | 2020-09-29 | 2021-01-22 | 中广核工程有限公司 | 核电厂复杂事故特征识别及风险预警系统和方法 |
US20210125087A1 (en) * | 2019-10-23 | 2021-04-29 | Genpact Luxembourg S.à r.l, Luxembourg, LUXEMBOURG | System and Method for Artificial Intelligence Base Prediction of Delays in Pipeline Processing |
CN113705405A (zh) * | 2021-08-19 | 2021-11-26 | 电子科技大学 | 一种核管道故障诊断方法 |
CN113919230A (zh) * | 2021-10-20 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种复杂设备运行的建模评估方法及系统 |
WO2022139557A1 (ko) * | 2020-12-24 | 2022-06-30 | 주식회사 페이스 | 다중물리 설비 시스템에 대한 차수 감축 모델, 측정 데이터 및 기계학습 기법을 융합한 디지털 트윈 구축 방법 |
CN115455746A (zh) * | 2022-11-10 | 2022-12-09 | 中国人民解放军海军工程大学 | 一种核动力装置运行监测数据异常检测与校正一体化方法 |
-
2023
- 2023-04-27 CN CN202310476035.1A patent/CN116522088B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301884B (zh) * | 2017-07-24 | 2019-07-16 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
US20190392959A1 (en) * | 2018-01-25 | 2019-12-26 | Wuxun Technologies, Ltd. | Predicting Multiple Nuclear Fuel Failures, Failure Locations and Thermal Neutron Flux 3D Distributions Using Artificial Intelligent and Machine Learning |
US20210125087A1 (en) * | 2019-10-23 | 2021-04-29 | Genpact Luxembourg S.à r.l, Luxembourg, LUXEMBOURG | System and Method for Artificial Intelligence Base Prediction of Delays in Pipeline Processing |
CN111797533A (zh) * | 2020-07-09 | 2020-10-20 | 哈尔滨工程大学 | 一种核动力装置运行参数异常检测方法及系统 |
CN112086214A (zh) * | 2020-09-23 | 2020-12-15 | 中国核动力研究设计院 | 一种核电站关键设备远程状态监视与智能诊断平台 |
CN112257988A (zh) * | 2020-09-29 | 2021-01-22 | 中广核工程有限公司 | 核电厂复杂事故特征识别及风险预警系统和方法 |
CN112199890A (zh) * | 2020-10-11 | 2021-01-08 | 哈尔滨工程大学 | 一种综合式核动力装置系统级故障诊断方法 |
WO2022139557A1 (ko) * | 2020-12-24 | 2022-06-30 | 주식회사 페이스 | 다중물리 설비 시스템에 대한 차수 감축 모델, 측정 데이터 및 기계학습 기법을 융합한 디지털 트윈 구축 방법 |
CN113705405A (zh) * | 2021-08-19 | 2021-11-26 | 电子科技大学 | 一种核管道故障诊断方法 |
CN113919230A (zh) * | 2021-10-20 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种复杂设备运行的建模评估方法及系统 |
CN115455746A (zh) * | 2022-11-10 | 2022-12-09 | 中国人民解放军海军工程大学 | 一种核动力装置运行监测数据异常检测与校正一体化方法 |
Non-Patent Citations (7)
Title |
---|
LAMIAA M.ELSHENAWY等: "Unsupervised machine learning techniques for fault detection and diagnosis in nuclear power plants", 《PROGRESS IN NUCLEAR ENERGY》, vol. 142, pages 1 - 12 * |
余刃等: "基于运行数据分析的核动力装置异常运行状态监测技术研究", 《核动力工程》, vol. 34, no. 6, pages 156 - 160 * |
彭彬森等: "核动力装置运行数据的特征提取方法研究", 《原子能科学技术》, vol. 54, no. 3, pages 488 - 495 * |
梁洁等: "核动力系统神经网络故障诊断专家系统研究", 《原子能科学技术》, vol. 48, no. 8, pages 1479 - 1485 * |
王航: "模型驱动的核电站混合式故障诊断策略研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》, no. 8, pages 040 - 9 * |
许勇等: "基于数据驱动的核电设备状态评估研究综述", 《上海交通大学学报》, vol. 56, no. 3, pages 267 - 278 * |
邓强等: "基于时间卷积胶囊网络的核动力装置事故诊断技术研究", 《原子能科学技术》, vol. 57, no. 2, pages 302 - 312 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117193190A (zh) * | 2023-09-08 | 2023-12-08 | 无锡物联网创新中心有限公司 | 一种全流程纺纱数字孪生系统 |
CN117109185A (zh) * | 2023-10-24 | 2023-11-24 | 上海焱晶燃烧设备检测有限公司 | 一种立式真空相变加热炉远程控制方法及系统 |
CN117109185B (zh) * | 2023-10-24 | 2024-01-26 | 上海焱晶燃烧设备检测有限公司 | 一种立式真空相变加热炉远程控制方法及系统 |
CN118095805A (zh) * | 2024-04-28 | 2024-05-28 | 中核控制系统工程有限公司 | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN116522088B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与系统 | |
Wu et al. | Literature review and prospect of the development and application of FMEA in manufacturing industry | |
de Andrade Melani et al. | A framework to automate fault detection and diagnosis based on moving window principal component analysis and Bayesian network | |
CN105548764B (zh) | 一种电力设备故障诊断方法 | |
CN113723632A (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN106483947A (zh) | 基于大数据的配电网运行状态评估和预警方法 | |
EP2791745B1 (en) | A method of operating a process or machine | |
Beyerer et al. | Machine Learning for Cyber Physical Systems: Selected Papers from the International Conference ML4CPS 2018 | |
CN113835411A (zh) | 一种轧钢工艺流程质量异常综合诊断方法 | |
CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障系统 | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN107862324A (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
CN115237086A (zh) | 工业厂房中的决策支持 | |
Han et al. | An intelligent moving window sparse principal component analysis-based case based reasoning for fault diagnosis: Case of the drilling process | |
Fuertes et al. | Visual dynamic model based on self-organizing maps for supervision and fault detection in industrial processes | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN118011927A (zh) | 一种基于云端平台的滚塑机远程控制装置及方法 | |
Khademolqorani | Quality mining in a continuous production line based on an improved genetic algorithm fuzzy support vector machine (GAFSVM) | |
Merkt | Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies | |
CN113323699B (zh) | 一种基于数据驱动的液压支架系统故障源精准辨识方法 | |
CN114881154A (zh) | 一种基于pca和深度森林的天然气场站故障检测方法及系统 | |
CN115469643A (zh) | 一种核电站旋转机械健康管理方法、系统及介质 | |
CN113828638B (zh) | 一种轧钢工艺流程复合故障追溯方法 |
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 |