CN116779202A - 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 - Google Patents
基于数字孪生的核电厂转动设备智能故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116779202A CN116779202A CN202310573448.1A CN202310573448A CN116779202A CN 116779202 A CN116779202 A CN 116779202A CN 202310573448 A CN202310573448 A CN 202310573448A CN 116779202 A CN116779202 A CN 116779202A
- Authority
- CN
- China
- Prior art keywords
- data
- nuclear power
- power plant
- model
- digital twin
- 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 79
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
-
- 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
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Plasma & Fusion (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Emergency Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (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数字孪生的核电厂转动设备智能故障诊断方法及系统，涉及智能核电厂技术领域，本发明通过深度学习实现数字空间与现实空间数据的互相补充，解决核电厂转动设备故障数据不充分问题；基于数据融合的思想实现诊断模型的多源数据整合，能够提高诊断结果的准确性；本发明还提出了一种数字孪生模型的更新方法，保证核电厂转动设备在运行过程中产生新工况或训练好的孪生模型无法满足要求时，可实现数字孪生模型的更新，从而保证数字孪生模型与物理空间模型的一致性。
Description
技术领域
本发明涉及智能核电厂技术领域，特别是涉及一种基于数字孪生的核电厂转动设备智能故障诊断方法及系统。
背景技术
随着人工智能技术的发展和新的发展规划、要求的不断提出，能源市场不断更新发展，核电数字化需求迫切。将深度学习、模糊神经网络与数据融合方法等人工智能方法与传统核电技术和设备的结合，是实现核电技术转型的关键途径之一。
泵、电机、汽轮机和风机等转动机械是核电厂中广泛存在的关键部件，他们在核电厂运行过程中有着重要作用，旋转机械的完整性直接影响核电厂的安全性和经济性。由于核电厂其本身的特殊性，运行中的故障数据相较于非故障数据而言样本量过小，而实验条件很难与真实运行环境相同。因此借助数字孪生模型，通过降阶技术和深度学习将实验数据与运行数据相结合，混合网络生成数据与实际运行数据，获得更为全面和准确的数字孪生模型，并通过数据融合和数字孪生模型更新技术，实现数字孪生模型与物理空间模型的一致性。将数字孪生与智能故障诊断技术相结合，对实现数字孪生框架下的核电厂转动设备智能故障诊断和数字核电具有重要意义。
发明内容
本发明的目的是提供一种基于数字孪生的核电厂转动设备智能故障诊断方法及系统，能够实现数字空间与现实空间数据的互相补充，可提高诊断结果的准确性，可实现数字孪生模型的更新，从而保证数字孪生模型与物理空间模型的一致性。
为实现上述目的，本发明提供了如下方案：
基于数字孪生的核电厂转动设备智能故障诊断方法，包括以下步骤：
步骤1：将核电厂转动设备的运行数据和实验数据进行数据预处理；
步骤2：将步骤1得到的运行数据和实验数存储到数据库中；
步骤3：调用数据库中的运行数据和实验数据，通过SVD-POD算法进行降阶处理，将核电厂转动设备的高阶数据映射到低阶空间，得到多种模式下的核电厂转动设备降阶数据；
步骤4：基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型；
步骤5：基于步骤4中构建的数字孪生模型进行动态仿真，得到核电厂转动设备的仿真数据，作为构建故障诊断模型的补充数据集，基于数据库以及补充数据集，对神经网络模型进行训练和测试，得到故障诊断模型；
步骤6：获取核电厂转动设备的多源监测实时信号，先按照步骤1和步骤3中的预处理和降阶方法进行处理后，通过D-S证据理论进行数据融合；
步骤7：将进行数据融合后的数据传递到故障诊断模型中；
步骤8：若输入工况和检测结果为数据库中已有数据，则由故障诊断模型进行诊断并输出诊断结果；
步骤9：若输入工况和检测结果为未知数据，则将更新信号传送回数字孪生模型中；
步骤10：数字孪生模型接收到更新信号后建立新的工况模式和边界条件，进而更新数字孪生模型，并生成相应的孪生数据以供故障诊断模型学习、调用和验证，进一步更新故障诊断模型；
步骤11：利用更新后的故障诊断模型输出诊断结果。
进一步的，所述步骤1中数据预处理包括：去噪、归一化。
进一步的，所述步骤4，基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型，包括：
S4.1：输入核电厂转动设备降阶数据；
S4.2：生成测试集和训练集；
S4.3：将S4.2中的测试集进行抽象化，生成几何拓扑信息及边界条件，作为真实样本；
S4.4：将S4.2中的训练集进行抽象化，生成几何拓扑信息及边界条件；
S4.5：将S4.4中所生成的几何拓扑信息及边界条件输入神经网络模型，进行初始化；
S4.6：将初始化的几何拓扑信息及边界条件进行参数优化，并判断是否达到最大循环次数，若达到，则进入S4.7；若未达到，则重新进行参数优化；
S4.7：基于S4.6中参数优化结果得到训练好的深度学习模型，并得到生成样本；
S4.8：将S4.3中得到的真实样本与S4.7中得到的生成样本进行混合，得到混合样本；
S4.9：根据S4.8中得到的混合样本得到数学驱动的数字孪生模型。
进一步的，所述步骤5中，所述补充数据集还可以是数字孪生模型补充设备运行历史中从未出现过的工况数据。
进一步的，所述步骤10中，所述数字孪生模型的更新方法包括：
S10.1：输入检测结果及工况模式；
S10.2：由数字孪生模型进行验证；
S10.3：判断是否满足工况条件，若满足，则保持不变；若不满足，则进入S10.4；
S10.4：输入新的工况模式及边界条件；
S10.5：将S10.4新的工况模式及边界条件进行抽象化，生成几何拓扑信息及边界条件；
S10.6：实施更新；
S10.7：判断更新后的工况模式及边界条件是否满足迭代精度条件，若满足，则完成模型更新；若不满足，则回到S10.6。
本发明还提供了基于数字孪生的核电厂转动设备智能故障诊断系统，包括：数据预处理模块，用于将核电厂转动设备的运行数据和实验数据以及补充数据集进行数据预处理；
数据库：用于存储预处理后的核电厂转动设备的运行数据和实验数据，以及补充数据集；
降阶模块：用于对数据库中的运行数据和实验数据，通过SVD-POD算法进行降阶处理，将转动设备的高阶数据映射到低阶空间，以得到多种模式下的核电厂转动设备降阶数据；还用于对补充数据集进行降阶处理；
数字孪生模型模块：用于生成数字孪生模型，进行训练、仿真，并根据接收更新信号后建立新的工况模式和边界条件，并更新数字孪生模型，生成相应的孪生数据以供故障诊断模型学习、调用和验证；
数据融合模块：用于将核电厂转动设备的多源监测信号实时传送到故障诊断系统中，对数据进行预处理和降阶后，通过D-S证据理论进行数据融合；
数据传输模块：用于将融合得到的数据传递到基于模糊神经网络的智能故障诊断算法中；
故障诊断模块：用于判断输入工况和检测结果是否为数据库中已有数据，若是，则在现有的故障诊断模型上进行诊断并输出诊断结果；若输入工况和检测分类为未知数据，则将新的边界条件传送回数字孪生模型模块中。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的方法。
本发明还提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现任一实施例所述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于数字孪生的核电厂转动设备智能故障诊断方法及系统，步骤3和步骤4中，通过深度学习实现数字空间与现实空间数据的互相补充，解决核电厂转动设备故障数据不充分问题；步骤3中采用SVD-POD降阶方法能又快又好的实现模型降阶，降阶后的模型能够很好的适用于本发明的后续数字孪生模型构建和智能故障诊断，相较于非线性降阶方法或智能降阶方法等其他方法，可解释性和普适性更强，且更成熟，对于核电厂转动设备而言，采用后者的方法降阶后模型可能会损失一部分信息或造成重构信息不准确；
步骤5中，基于数据融合的思想实现诊断模型的多源数据整合，可在一定程度上提高诊断结果的准确性；
步骤7、步骤9和步骤10中提出了一种数字孪生模型的更新方法，保证核电厂转动设备在运行过程中产生新工况或训练好的孪生模型无法满足要求时，可实现数字孪生模型的更新，从而保证数字孪生模型与物理空间模型的一致性。
本发明将数字孪生与智能故障诊断技术相结合，实现数字孪生框架下的核电厂转动设备智能故障诊断和数字核电具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于数字孪生的核电厂转动设备故障诊断方法流程示意图；
图2为本发明实施例的数字孪生模型的实现过程示意图；
图3为本发明实施例数字孪生模型更新的实现过程示意图；
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。
本发明的目的是提供一种基于数字孪生的核电厂转动设备智能故障诊断方法及系统，能够实现数字空间与现实空间数据的互相补充，可提高诊断结果的准确性，可实现数字孪生模型的更新，从而保证数字孪生模型与物理空间模型的一致性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明实施例提供的基于数字孪生的核电厂转动设备智能故障诊断方法，包括以下步骤：
步骤1：将核电厂转动设备(如，泵、电机等)的运行数据和实验数据进行去噪、归一化等数据预处理；
步骤2：将步骤1得到的核电厂转动设备的运行数据和实验数据存储到数据库中；
步骤3：调用数据库中的运行数据和实验数据，通过SVD-POD算法进行降阶处理，将转动设备的高阶数据映射到低阶空间，得到多种模式下的核电厂转动设备降阶数据；
步骤4：基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型；
步骤5：基于步骤4中构建的数字孪生模型进行动态仿真，得到核电厂转动设备的仿真数据，作为构建故障诊断模型的补充数据集，基于数据库以及补充数据集，对神经网络模型进行训练和测试，得到故障诊断模型；
步骤6：获取核电厂转动设备的多源监测信号，首先对数据进行预处理和降阶(方法同步骤1和步骤3)后，通过D-S证据理论(即Dempster证据理论)进行数据融合；
步骤7：将融合得到的数据传递到故障诊断模型中；
步骤8：若输入工况和检测结果为数据库中已有数据，则在现有的故障诊断模型上进行诊断并输出诊断结果；
步骤9：若输入工况和检测分类为未知数据，则将更新信号传送回数字孪生模型中；
步骤10：数字孪生模型接收到更新信号后建立新的工况模式和边界条件，进而更新数字孪生模型，并生成相应的孪生数据以供故障诊断模型学习、调用和验证，进一步更新故障诊断模型，数字孪生模型更新的实现过程如图3所示；
步骤11：利用更新后的故障诊断模型输出最终诊断结果。
在本实施例中，如图2所示，所述步骤4，基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型，包括：
S4.1：输入核电厂转动设备降阶数据；
S4.2：生成测试集和训练集；
S4.3：将S4.2中的测试集进行抽象化，生成几何拓扑信息及边界条件，作为真实样本；
S4.4：将S4.2中的训练集进行抽象化，生成几何拓扑信息及边界条件；
S4.5：将S4.4中所生成的几何拓扑信息及边界条件输入神经网络模型，进行初始化；
S4.6：将初始化的几何拓扑信息及边界条件进行参数优化，并判断是否达到最大循环次数，若达到，则进入S4.7；若未达到，则重新进行参数优化；
S4.7：基于S4.6中参数优化结果得到训练好的深度学习模型，并得到生成样本；
S4.8：将S4.3中得到的真实样本与S4.7中得到的生成样本进行混合，得到混合样本；
S4.9：根据S4.8中得到的混合样本得到数学驱动的数字孪生模型。
在本实施例中，所述步骤5中，所述补充数据集还可以是数字孪生模型补充设备运行历史中从未出现过的工况数据。
在本实施例中，如图3所示，所述步骤10中，所述数字孪生模型的更新方法包括：
S10.1：输入检测结果及工况模式；
S10.2：由数字孪生模型进行验证；
S10.3：判断是否满足工况条件，若满足，则保持不变；若不满足，则进入S10.4；
S10.4：输入新的工况模式及边界条件；
S10.5：将S10.4新的工况模式及边界条件进行抽象化，生成几何拓扑信息及边界条件；
S10.6：实施更新；
S10.7：判断更新后的工况模式及边界条件是否满足迭代精度条件，若满足，则完成模型更新；若不满足，则回到S10.6。
实施例2
本实施例提供了基于数字孪生的核电厂转动设备智能故障诊断系统，包括：数据预处理模块，用于将核电厂转动设备的运行数据和实验数据以及补充数据集进行数据预处理；
数据库：用于存储预处理后的核电厂转动设备的运行数据和实验数据，以及补充数据集；
降阶模块：用于对数据库中的运行数据和实验数据，通过SVD-POD算法进行降阶处理，将转动设备的高阶数据映射到低阶空间，以得到多种模式下的核电厂转动设备降阶数据；还用于对补充数据集进行降阶处理；
数字孪生模型模块：用于生成数字孪生模型，进行训练、仿真，并根据接收更新信号后建立新的工况模式和边界条件，并更新数字孪生模型，生成相应的孪生数据以供故障诊断模型学习、调用和验证；
数据融合模块：用于将核电厂转动设备的多源监测信号实时传送到故障诊断系统中，对数据进行预处理和降阶后，通过D-S证据理论进行数据融合；
数据传输模块：用于将融合得到的数据传递到基于模糊神经网络的智能故障诊断算法中；
故障诊断模块：用于判断输入工况和检测结果是否为数据库中已有数据，若是，则在现有的故障诊断模型上进行诊断并输出诊断结果；若输入工况和检测分类为未知数据，则将新的边界条件传送回数字孪生模型模块中。
在一些实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的方法。
在一些实施例中，还提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现任一实施例所述的方法。
综上，本发明提供的一种基于数字孪生的核电厂转动设备智能故障诊断方法及系统，步骤3、步骤4，通过深度学习实现数字空间与现实空间数据的互相补充，解决核电厂转动设备故障数据不充分问题。步骤5，基于数据融合的思想实现诊断模型的多源数据整合，可在一定程度上提高诊断结果的准确性。步骤7、步骤9和步骤10提出了一种数字孪生模型的更新方法，保证核电厂转动设备在运行过程中产生新工况或训练好的孪生模型无法满足要求时，可实现数字孪生模型的更新，从而保证数字孪生模型与物理空间模型的一致性。将数字孪生与智能故障诊断技术相结合，实现数字孪生框架下的核电厂转动设备智能故障诊断和数字核电具有重要意义。此外，由于非线性降阶方法或智能降阶方法，可解释性和普适性不强，且较不成熟，对于核电厂转动设备而言，降阶后模型可能会损失一部分信息或造成重构信息不准确，所以本发明采用SVD-POD方法，该方法能又快又好的实现模型降阶，降阶后的模型能够较好的适用于本发明的后续数字孪生模型构建和智能故障诊断。
在本实施例中的其余技术特征，本领域技术人员均可以根据实际情况进行灵活选用以满足不同的具体实际需求。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。在以上描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的技术，例如具体的施工细节，作业条件和其他的技术条件等。
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 (8)
1.一种基于数字孪生的核电厂转动设备智能故障诊断方法，其特征在于，包括以下步骤：
步骤1：将核电厂转动设备的运行数据和实验数据进行数据预处理；
步骤2：将步骤1得到的运行数据和实验数存储到数据库中；
步骤3：调用数据库中的运行数据和实验数据，通过SVD-POD算法进行降阶处理，将核电厂转动设备的高阶数据映射到低阶空间，得到多种模式下的核电厂转动设备降阶数据；
步骤4：基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型；
步骤5：基于步骤4中构建的数字孪生模型进行动态仿真，得到核电厂转动设备的仿真数据，作为构建故障诊断模型的补充数据集，基于数据库以及补充数据集，对神经网络模型进行训练和测试，得到故障诊断模型；
步骤6：获取核电厂转动设备的多源监测实时信号，按照步骤1和步骤3中的预处理和降阶方法进行处理后，通过D-S证据理论进行数据融合；
步骤7：将进行数据融合后的数据传递到故障诊断模型中；
步骤8：若输入工况和检测结果为数据库中已有数据，则由故障诊断模型进行诊断并输出诊断结果；
步骤9：若输入工况和检测结果为未知数据，则将更新信号传送回数字孪生模型中；
步骤10：数字孪生模型接收到更新信号后建立新的工况模式和边界条件，进而更新数字孪生模型，并生成相应的孪生数据以供故障诊断模型学习、调用和验证，进一步更新故障诊断模型；
步骤11：利用更新后的故障诊断模型输出诊断结果。
2.根据权利要求1所述的基于数字孪生的核电厂转动设备智能故障诊断方法，其特征在于，所述步骤1中数据预处理包括：去噪、归一化。
3.根据权利要求1所述的基于数字孪生的核电厂转动设备智能故障诊断方法，其特征在于，所述步骤4，基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型，包括：
S4.1：输入核电厂转动设备降阶数据；
S4.2：生成测试集和训练集；
S4.3：将S4.2中的测试集进行抽象化，生成几何拓扑信息及边界条件，作为真实样本；
S4.4：将S4.2中的训练集进行抽象化，生成几何拓扑信息及边界条件；
S4.5：将S4.4中所生成的几何拓扑信息及边界条件输入神经网络模型，进行初始化；
S4.6：将初始化的几何拓扑信息及边界条件进行参数优化，并判断是否达到最大循环次数，若达到，则进入S4.7；若未达到，则重新进行参数优化；
S4.7：基于S4.6中参数优化结果得到训练好的深度学习模型，并得到生成样本；
S4.8：将S4.3中得到的真实样本与S4.7中得到的生成样本进行混合，得到混合样本；
S4.9：根据S4.8中得到的混合样本得到数学驱动的数字孪生模型。
4.根据权利要求1所述的基于数字孪生的核电厂转动设备智能故障诊断方法，其特征在于，所述步骤5中，所述补充数据集还可以是数字孪生模型补充设备运行历史中从未出现过的工况数据。
5.根据权利要求1所述的，其特征在于，所述步骤10中，所述数字孪生模型的更新方法包括：
S10.1：输入检测结果及工况模式；
S10.2：由数字孪生模型进行验证；
S10.3：判断是否满足工况条件，若满足，则保持不变；若不满足，则进入S10.4；
S10.4：输入新的工况模式及边界条件；
S10.5：将S10.4新的工况模式及边界条件进行抽象化，生成几何拓扑信息及边界条件；
S10.6：实施更新；
S10.7：判断更新后的工况模式及边界条件是否满足迭代精度条件，若满足，则完成模型更新；若不满足，则回到S10.6。
6.一种基于数字孪生的核电厂转动设备智能故障诊断系统，其特征在于，包括：
数据预处理模块，用于将核电厂转动设备的运行数据和实验数据以及补充数据集进行数据预处理；
数据库：用于存储预处理后的核电厂转动设备的运行数据和实验数据，以及补充数据集；
降阶模块：用于对数据库中的运行数据和实验数据，通过SVD-POD算法进行降阶处理，将转动设备的高阶数据映射到低阶空间，以得到多种模式下的核电厂转动设备降阶数据；还用于对补充数据集进行降阶处理；
数字孪生模型模块：用于生成数字孪生模型，进行训练、仿真，并根据接收的更新信号建立新的工况模式和边界条件，并更新数字孪生模型，生成相应的孪生数据以供故障诊断模型学习、调用和验证；
数据融合模块：用于将核电厂转动设备的多源监测信号实时传送到故障诊断系统中，对数据进行预处理和降阶后，通过D-S证据理论进行数据融合；
数据传输模块：用于将融合得到的数据传递到基于模糊神经网络的智能故障诊断算法中；
故障诊断模块：用于判断输入工况和检测结果是否为数据库中已有数据，若是，则在现有的故障诊断模型上进行诊断并输出诊断结果；若输入工况和检测分类为未知数据，则将新的边界条件传送回数字孪生模型模块中。
7.一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，该程序被处理器执行时实现如权利要求1～5中任一所述的方法。
8.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310573448.1A CN116779202A (zh) | 2023-05-22 | 2023-05-22 | 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310573448.1A CN116779202A (zh) | 2023-05-22 | 2023-05-22 | 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116779202A true CN116779202A (zh) | 2023-09-19 |
Family
ID=87985074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310573448.1A Pending CN116779202A (zh) | 2023-05-22 | 2023-05-22 | 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116779202A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131708A (zh) * | 2023-10-26 | 2023-11-28 | 中核控制系统工程有限公司 | 核工业dcs设备数字孪生抗震机理模型建模方法及应用 |
| CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
-
2023
- 2023-05-22 CN CN202310573448.1A patent/CN116779202A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131708A (zh) * | 2023-10-26 | 2023-11-28 | 中核控制系统工程有限公司 | 核工业dcs设备数字孪生抗震机理模型建模方法及应用 |
| CN117131708B (zh) * | 2023-10-26 | 2024-01-16 | 中核控制系统工程有限公司 | 核工业dcs设备数字孪生抗震机理模型建模方法及应用 |
| CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
| CN117608241B (zh) * | 2024-01-24 | 2024-04-05 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116779202A (zh) | 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 | |
| CN111639430B (zh) | 一种数字孪生驱动的天然气管道泄漏识别系统 | |
| CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
| CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
| CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
| Zheng et al. | Fault diagnosis system of bridge crane equipment based on fault tree and Bayesian network | |
| CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
| CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
| CN115545970A (zh) | 基于数字孪生的电网故障分析方法、系统、设备及介质 | |
| CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| Chen et al. | Fault diagnosis of full-hydraulic drilling rig based on RS–SVM data fusion method | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN115712874A (zh) | 基于时间序列特征的热能动力系统故障诊断方法及装置 | |
| CN116624343A (zh) | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 | |
| CN115099264A (zh) | 船舶零件故障诊断方法及装置、计算机和计算机储存介质 | |
| CN113988395A (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 | |
| Ren et al. | An investigation into the behavior of intelligent fault diagnostic models under imbalanced data | |
| Wang et al. | Intelligent Diagnosis of Gearbox Based on Spatial Attention Convolutional Neural Network | |
| CN111611117A (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
| CN117421992B (zh) | 一种变压器绕组热点温度反演方法 | |
| CN117909801A (zh) | 一种工业机器人关节的少标签振动数据的故障诊断方法 | |
| Galiullin | Intellectual Test System for Internal Combustion Engines |
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 |