CN117195044A - 故障分析方法、装置、计算机设备、存储介质和程序产品 - Google Patents
故障分析方法、装置、计算机设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117195044A CN117195044A CN202311133008.0A CN202311133008A CN117195044A CN 117195044 A CN117195044 A CN 117195044A CN 202311133008 A CN202311133008 A CN 202311133008A CN 117195044 A CN117195044 A CN 117195044A
- Authority
- CN
- China
- Prior art keywords
- target
- fault
- similarity
- operation parameter
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 80
- 238000003745 diagnosis Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000004590 computer program Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 66
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种故障分析方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息;在存在该目标故障编码信息的情况下,基于第二运行参数对第一运行参数进行相似度分析,以得到第一运行参数的第一相似度;基于第三运行参数对第一运行参数进行相似度分析,以得到第一运行参数的第二相似度;根据第一相似度阈值、第二相似度阈值、第一相似度和第二相似度从第一运行参数中确定第一目标运行参数和第二目标运行参数,并展示第一目标运行参数和第二目标运行参数。本申请提供的故障分析方法可以有效的提高故障分析任务的工作效率。
Description
技术领域
本申请涉及核电站安全技术领域,特别是涉及一种故障分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着核电技术的快速发展,人们也越来越重视核电站的安全性。
现有技术中,通常是基于人工智能来实现核电站的故障诊断,这种方法基于海量故障数据训练模型,以提升故障诊断的精确度。
然而,一方面由于核电站的故障数据往往是少量的,导致采用该方法得到的故障诊断结果准确性较差,另一方面,通过这种方法得到的故障诊断结果可解释性较差,还需要技术人员进一步对故障进行分析,进而导致核电站故障分析任务的工作效率较差。
发明内容
基于此,有必要针对上述技术问题,提供一种工作效率较高的故障分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种故障分析方法,包括:
根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
在其中一个实施例中,该根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,包括:基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理;基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征;将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
在其中一个实施例中,该基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,包括:基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度。
在其中一个实施例中,该基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,包括:根据该目标故障编码信息确定该目标核电站的故障类型;根据该目标核电站的故障类型确定该第三运行参数;基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
在其中一个实施例中,该目标故障诊断模型的训练方法,包括:获取训练数据集,该训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数,该正常状态运行参数是在该目标核电站处于正常运行状态下获取的运行参数,该故障状态运行参数是在该目标核电站处于故障状态下获取的运行参数;根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型。
在其中一个实施例中,该根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型,包括:根据该训练数据集确定小样本数据集,并基于该小样本数据集和该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型;基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
第二方面,本申请还提供了一种故障装置,包括:
确定模块,用于根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;
第一执行模块,用于在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;
第二执行模块,用于基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;
第三执行模块,用于根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
在一个实施例中,该确定模块,具体用于基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理;基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征;将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
在一个实施例中,该第一执行模块,具体用于基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度。
在一个实施例中,该第二执行模块,具体用于根据该目标故障编码信息确定该目标核电站的故障类型;根据该目标核电站的故障类型确定该第三运行参数;基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
在一个实施例中,该故障分析装置还包括第四执行模块,该第四执行模块,用于获取训练数据集,该训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数,该正常状态运行参数是在该目标核电站处于正常运行状态下获取的运行参数,该故障状态运行参数是在该目标核电站处于故障状态下获取的运行参数;根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型。
在一个实施例中,该第四执行模块,具体用于根据该训练数据集确定小样本数据集,并基于该小样本数据集和该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型;基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现上述第一方面中任一所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一所述的步骤。
上述故障分析方法、装置、计算机设备、存储介质和计算机程序产品,根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。采用本申请提供的故障分析方法,不仅可以基于核电站的运行参数诊断核电站的故障类型,还可以在核电站处于故障情况下,输出故障状态对应的运行参数,便于技术人员根据这些运行参数确定对应的故障设备以及具体的故障原因,采用本申请提供的故障分析方法,可以有效的提高故障分析结果的可解释性,还可以辅助技术人员对核电站的故障进一步分析,进而有效的提高核电站异常分析任务的工作效率。
附图说明
为了更清楚地说明本申请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为一个实施例中故障分析方法的流程示意图;
图2为一个实施例中根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息方法的流程示意图;
图3为一个实施例中基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度方法的流程示意图;
图4为一个实施例中目标故障诊断模型的训练方法的流程示意图;
图5为一个实施例中根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型方法的流程示意图;
图6为另一个实施例中故障分析方法的流程示意图;
图7为一个实施例中故障分析装置的结构框图;
图8为另一个实施例中故障分析装置的结构框图;
图9为一个实施例中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。
随着核电技术的快速发展,人们也越来越重视核电站的安全性。
现有技术中,通常是基于人工智能来实现核电站的故障诊断,这种方法基于海量故障数据训练模型,以提升故障诊断的精确度。
然而,一方面由于核电站的故障数据往往是少量的,导致采用该方法得到的故障诊断结果准确性较差,另一方面,通过这种方法得到的故障诊断结果可解释性较差,还需要技术人员进一步对故障进行分析,进而导致核电站故障分析任务的工作效率较差。
有鉴于此,本申请提供了一种故障分析方法,可以有效的提高核电站故障分析任务的工作效率。
本申请实施例提供的故障分析方法,其执行主体可以是一种计算机设备,该计算机设备可以是服务器。
在一个实施例中,如图1所示,提供了一种故障分析方法,该方法包括以下步骤:
步骤101、根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息。
其中,该目标故障编码信息用于指示该目标核电站的故障类型。
可选的,该目标核电站为具有故障分析需求的核电站,该第一运行参数可以包括反应堆核功率、反应堆热功率、给水温度、给水压力、给水流量、蒸汽温度、蒸汽压力、蒸汽流量、核功率正变化率以及核功率负变化率,还可以包括该目标核电站的其他运行参数。
可选的,该目标故障诊断模型用于根据该目标核电站的第一运行参数输出该目标核电站的目标故障编码信息。
在一种可能实现的方式中,该目标故障诊断模型可以由级联的目标Transformer模型和多个目标全连接神经网络组成,需要说明的是,可以根据需要评估的运行参数确定该目标故障诊断模型中神经网络设置的数量,本申请发明人基于该第一运行参数进行反复测试,确定的该目标故障诊断模型由级联的目标Transformer模型和两个目标全连接神经网络组成。
在另一种可能实现的方式中,该目标故障诊断模型还可以仅由全连接神经网络组成,或者是仅由卷积神经网络组成,或者是仅由循环神经网络组成,或者是由上述各神经网络的组合体组成。
如上文所述,根据该目标核电站的第一运行参数和该目标故障诊断模型就可确定该目标核电站的目标故障编码信息。
在一种可能实现的方式中,可以对应设置一个表格,该表格中记录了多个故障编码以及多个故障编码对应的故障类型,基于该表格和该目标故障编码信息就可确定该目标核电站的故障类型。
在另一种可能实现的方式中,可以设置一个故障信息数据库,该故障信息数据库中存储由多个故障编码以及多个故障编码对应的故障类型,基于该目标故障编码信息查询该故障信息数据库就可确定该目标核电站的故障类型。
步骤102、在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度。
其中,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数。
在一种可能实现的方式中,只有在该目标核电站处于故障的情况下,该目标故障诊断模型才输出目标故障编码信息,因此只有在存在该目标故障编码信息的情况下,才可以确定该目标核电站处于故障情况。
在另一种可能实现的方式中,无论该目标核电站是否处于故障的情况下,该目标故障诊断模型均输出目标故障编码信息,可以先基于该目标故障编码信息确定该目标核电站是否处于故障情况,再在该目标核电站处于故障的情况下,对该目标核电站的故障类型进行分析。
在本申请一个可选的实施例中,该基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,包括:基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度。
可选的,该动态时间归整法可以用于计算两个时间序列的相似度,具体的,基于满足预设条件的的时间规整函数描述测试模板和参考模板的时间对应关系,以确定测试模板和参考模板的相似度。
在一种可能实现的方式中,若存在该目标故障编码信息,则可以确定该目标核电站处于故障情况,则可以确定该第一运行参数中存在有故障参数,该故障参数为该目标核电站处于故障工作状态的设备生成的运行参数,该第一运行参数即为上文所述的测试模板,该第二运行参数即为上文所述的参考模板,例如,该第一运行参数中包括A1参数,B1参数以及C1参数,则该第二运行参数对应存在A2参数,B2参数以及C2参数,其中A1参数为该目标核电站中A设备的运行参数,该B1参数为该目标核电站中的B设备的运行参数,该C1参数为该目标核电站中C设备的运行参数,该A2参数为该目标核电站中A设备处于正常工作状态下的运行参数,该B2参数为该目标核电站中B设备处于正常工作状态下的运行参数,该C2参数为该目标核电站中C设备处于正常工作状态下的运行参数,分别确定A1参数和A2参数的相似度,B1参数和B2参数的相似度,以及C1参数和C2参数的相似度。
在本申请一个可选的实施例中,还可以基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的相似度。
在本申请另一个可选的实施例中,还可以基于形状距离算法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的相似度。
步骤103、基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度。
其中,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数。
在一种可能实现的方式中,该目标故障编码信息用于表征该目标核电站的故障类型,但是在实际操作中,同一故障类型导致其故障发生原因或者设备可能并不相同,也即是基于该目标故障编码只能确定故障类型,而每一类故障类型还对应存在多个故障原因,因此,基于该目标故障编码信息确定故障类型后,还需再确定故障原因,因此,还需要基于该故障类型从故障参数数据库中获取该第三运行参数,并基于该第三运行参数确定该第一运行参数的第二相似度。
步骤104、根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
可选的,该第一相似度阈值可以由技术人员预先设置。
在一种可能实现的方式中,可以将第一运行参数中第一相似度小于第一相似度阈值的运行参数确定为第一目标运行参数。
可选的,如上文所述,在确定该第一目标运行参数后,还需展示该第一目标运行参数,技术人员可根据该被展示的第一目标运行参数确定该目标核电站中处于故障状态的设备。
在一种可能实现的方式中,若根据第一相似度阈值和该第一运行参数的第一相似度确定的第一目标运行参数为C1参数,也即是该C1参数与正常工作状态下得到的C1参数存在得差异较大,则展示该C1参数,技术人员就可根据该被展示的C1参数确定该目标核电站中的C设备可能处于故障状态,并对C设备进行故障检查或故障分析。
在另一种可能实现的方式中,若根据第一相似度阈值和该第一运行参数的第一相似度确定的第一目标运行参数为A1参数以及B1参数,也即是该A1参数以及B1参数与正常工作状态下得到的A1参数以及B1参数存在得差异较大,则展示该A1参数以及B1参数,技术人员就可根据该被展示的A1参数以及B1参数确定该目标核电站中的A设备和B设备可能处于故障状态,并对A设备和B设备进行故障检查或故障分析。
可选的,该第二相似度阈值可以由技术人员预先设置。
在一种可能实现的方式中,可以将第二相似度大于第二相似度阈值的运行参数确定为第二目标运行参数。
可选的,如上文所述,在确定该第二目标运行参数后,还需展示该第二目标运行参数,技术人员可根据该被展示的第二目标运行参数确定该目标核电站的具体故障原因。
上述故障分析方法,根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。采用本申请提供的故障分析方法,不仅可以基于核电站的运行参数诊断核电站的故障类型,还可以在核电站处于故障情况下,输出故障状态对应的运行参数,便于技术人员根据这些运行参数确定对应的故障设备以及具体的故障原因,采用本申请提供的故障分析方法,可以有效的提高故障分析结果的可解释性,还可以辅助技术人员对核电站的故障进一步分析,进而有效的提高核电站异常分析任务的工作效率。
在一个实施例中,如图2所示,该根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,包括以下步骤:
步骤201、基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理。
在本申请一个可选的实施例中,可以先获取该目标核电站的第一运行参数。
在一种可能实现的方式中,可以由技术人员根据实际需求从该目标核电站中的多个设备中确定目标设备,并获取该目标设备的运行参数,将该目标设备的运行参数确定为第一运行参数。
在另一种可能实现的方式中,还可以将该目标核电站中的多个设备均确定为目标设备,并获取目标设备的运行参数,将该目标设备的运行参数确定为第一运行参数。
可选的,该限幅值滤波算法也即是设置一个合适的限定值,然后当采样点的幅值相对于前一个采样点和后一个采样点增大或减小的值超过该限定值时,则认为该点为脉冲点,并使用其前后两个采样点的平均值作为本次滤波的结果。
可选的,该卡尔曼滤波算法指的是一种结合先验经验、测量更新的状态估计算法。
在一种可能实现的方式中,可以仅基于该限幅值滤波算法对该第一运行参数进行降噪处理。
在另一种可能实现的方式中,还可以仅基于该卡尔曼滤波算法对该第一运行参数进行降噪处理。
在另一种可能实现的方式中,还可以先基于该限幅值滤波算法对该第一运行参数进行降噪处理,再基于该卡尔曼滤波算法对该第一运行参数进行降噪处理。
步骤202、基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征。
可选的,该分段线性表示法是一种时间序列数据挖掘方法。
在一种可能实现的方式中,可以基于该分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征。
在另一种可能实现的方式中,还可以基于微分的方式对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征。
步骤203、将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
在一种可能实现的方式中,将该形状特征输入至该目标故障诊断模型中后,可以先由该目标故障诊断模型中Transformer模型对该形状特征进行处理,以得到多维度时序特征的关键特征,再经过该目标全连接神经网络计算得到该目标故障编码信息。
在一个实施例中,如图3所示,该基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,包括以下步骤:
步骤301、根据该目标故障编码信息确定该目标核电站的故障类型;
步骤302、根据该目标核电站的故障类型确定该第三运行参数。
在一种可能实现的方式中,假设基于该目标故障编码信息确定该目标核电站的故障类型为A类型,假设可以导致发生该A类型故障的故障原因共有三个,分别为A1,A2以及A3,基于故障参数数据库获取该目标核电站处于A1故障情况下的A1运行参数,该目标核电站处于A2故障情况下的A2运行参数,以及该目标核电站处于A3故障情况下的A3运行参数,并将该A1运行参数,A2运行参数以及A3运行参数均确定为第三运行参数。
步骤303、基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
在一种可能实现的方式中,可以基于模式距离法分别确定该第一运行参数和A1运行参数,A2运行参数以及A3运行参数的A1相似度,A2相似度以及A3相似度,并将该A1相似度,A2相似度以及A3相似度确定为第一运行参数的第二相似度。
在本申请一个可选的实施例中,如上文所述,可以将第二相似度大于第二相似度阈值的运行参数确定为第二目标运行参数,并展示该第二目标运行参数。
在一种可能实现的方式中,假设该第二相似度中只有A1相似度大于该第二相似度阈值,则确定该A1运行参数为第二目标运行参数,并展示该第二目标运行参数和A1,以使得技术人员根据展示的该第二目标运行参数和A1就可确定该目标核电站的具体故障原因。
在另一种可能实现的方式中,假设该第二相似度中A2相似度和A3相似度均大于该第二相似度阈值,则确定该A2运行参数和A3运行参数为第二目标运行参数,并展示该第二目标运行参数,A2以及A3,以使得技术人员根据展示的该第二目标运行参数,A2以及A3就可确定该目标核电站的具体故障原因。
在一个实施例中,如图4所示,该目标故障诊断模型的训练方法,包括以下步骤:
步骤401、获取训练数据集,该训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数。
其中,该正常状态运行参数是在该目标核电站处于正常运行状态下获取的运行参数,该故障状态运行参数是在该目标核电站处于故障状态下获取的运行参数。
在一种可能实现的方式中,可以基于数据库获取核电站的历史数据,以获取该正常状态运行参数和该故障状态运行参数,并对该正常状态运行参数和该故障状态运行参数进行标注,以确定该训练数据集。
在另一种可能实现的方式中,还可以利用核电站先进数据化控制室的监测系统获取该正常状态运行参数,并获取控制棒失控提升情况下的反应堆核功率、反应堆热功率、给水温度、给水压力、给水流量、蒸汽温度、蒸汽压力、蒸汽流量、核功率正变化率以及核功率负变化率,全厂电源丧失情况下的反应堆核功率、反应堆热功率、给水温度、给水压力、给水流量、蒸汽温度、蒸汽压力、蒸汽流量、核功率正变化率以及核功率负变化率,给水调节阀故障关闭情况下的反应堆核功率、反应堆热功率、给水温度、给水压力、给水流量、蒸汽温度、蒸汽压力、蒸汽流量、核功率正变化率以及核功率负变化率,一回路冷却剂异常泄露情况下的反应堆核功率、反应堆热功率、给水温度、给水压力、给水流量、蒸汽温度、蒸汽压力、蒸汽流量、核功率正变化率以及核功率负变化率,二回路传热管破裂泄露流量情况下的反应堆核功率、反应堆热功率、给水温度、给水压力、给水流量、蒸汽温度、蒸汽压力、蒸汽流量、核功率正变化率以及核功率负变化率作为故障状态运行参数,并对该正常状态运行参数和该故障状态运行参数进行标注,以确定该训练数据集。
步骤402、根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型。
可选的,该初始故障诊断模型由级联的初始Transformer模型和多个初始全连接神经网络组成。
在一种可能实现的方式中,对该训练数据集中的运行参数进行数据处理,也即是对该训练数据集中的运行参数进行数据预处理,并确定该训练数据集中各运行参数的形状特征,基于该形状特征和该初始故障诊断模型确定该目标故障诊断模型。
在一个实施例中,如图5所示,该根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型,包括以下步骤:
步骤501、根据该训练数据集确定小样本数据集,并基于该小样本数据集和该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型。
在一种可能实现的方式中,假设故障类型有K类,该训练数据集D={(x1,y1),…,(xN,yN)}共有N组运行参数,每组运行参数xi的故障类型标签为yi,且yi∈{1,...,K},对训练数据集进行数据处理,也即是对于每类故障类型取出其对应的少量运行参数作为小样本数据集训练集,并按照一定的比例随机分为支撑集δ与查询集Q,然后对该小样本数据集进行数据处理,以得到该小样本数据集中各运行参数的形状特征,基于该形状特征对该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型。
步骤502、基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
在一种可能实现的方式中,获取该目标训练集中每一组运行参数(xi,yi)的故障编码信息fθ(xi),对故障类型相同的运行参数对应的故障编码信息进行数据处理,可以是取平均值,该数据处理结果用于表征该故障的类型Ck,其中,k∈{1,…,K}代表故障类型,并基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,具体的,计算特征编码fθ(xi)与故障类型ck之间的距离d(fθ(xi),Ck),并计算损失函数J(θ),其中,k′指的是所有故障类型,再基于动量优化算法对该第一故障诊断模型中的参数θ进行优化更新,以最小化该损失函数的值,以得到目标故障诊断模型。
在本申请一个可选的实施例中,如上文所述,根据该目标故障编码信息就可确定该目标核电站的故障类型。
在一种可能实现的方式中,如上文所述,在训练过程中,获取该目标训练集中每一组运行参数(xi,yi)的故障编码信息fθ(xi),对故障类型相同的运行参数对应的故障编码信息进行数据处理,可以是取平均值,基于该平均值设置一个对应区间,当该目标故障编码信息指示的故障编码落在该区间内,则可以确定该目标核电站为该区间对应的故障类型。
在另一种可能实现的方式中,如上文所述,在训练过程中,获取该目标训练集中每一组运行参数(xi,yi)的故障编码信息fθ(xi),对故障类型相同的运行参数对应的故障编码信息进行数据处理,可以是取平均值,并确定该值为故障标准值,不同的故障类型对应不同的故障标准值,基于该目标故障信息确定目标故障编码,该目标故障编码距离与那个故障标准值相似度最高,就可确定该故障标准值对应的故障类型为该目标核电站的故障类型。
上述先根据该训练数据集对该初始故障诊断模型进行训练,以得到第一故障诊断模型,再基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型的方法,可以使用较少的样本数据训练准确性较高的故障诊断模型,实现小样本学习,既可以降低获取训练数据的成本,又可以提高故障诊断模型的准确性,进而有效的提高故障诊断任务的工作效率。
在一个实施例中,如图6所示,提供了另一种故障分析方法,包括以下步骤:
步骤601、基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理;基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征;将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
步骤602、在存在该目标故障编码信息的情况下,基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;
步骤603、根据该目标故障编码信息确定该目标核电站的故障类型;根据该目标核电站的故障类型确定该第三运行参数;基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
步骤604、根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
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故障分析方法的故障分析装置。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故障分析装置实施例中的具体限定可以参见上文中对于故障分析方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种故障分析装置700,包括:确定模块701、第一执行模块702、第二执行模块703和第三执行模块704,其中:
确定模块701,用于根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;
第一执行模块702,用于在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;
第二执行模块703,用于基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;
第三执行模块704,用于根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
在一个实施例中,该确定模块701,具体用于基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理;基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征;将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
在一个实施例中,该第一执行模块702,具体用于基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度。
在一个实施例中,该第二执行模块703,具体用于根据该目标故障编码信息确定该目标核电站的故障类型;根据该目标核电站的故障类型确定该第三运行参数;基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
在一个实施例中,如图8所示,提供了另一种故障分析装置800,该故障分析装置800除包括故障分析装置700包括的各个模块外,该包括第四执行模块705。
在一个实施例中,该第四执行模块705,用于获取训练数据集,该训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数,该正常状态运行参数是在该目标核电站处于正常运行状态下获取的运行参数,该故障状态运行参数是在该目标核电站处于故障状态下获取的运行参数;根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型。
在一个实施例中,该第四执行模块705,具体用于根据该训练数据集确定小样本数据集,并基于该小样本数据集和该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型;基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
上述故障分析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。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储数据。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通过网络连接通信。该计算机程序被处理器执行时以实现一种故障分析方法。
本领域技术人员可以理解,图9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。
在一个示例性的实施例中,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以下步骤:
根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
在其中一个实施例中,该根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,处理器执行计算机程序时还实现以下步骤:基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理;基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征;将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
在其中一个实施例中,该基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,处理器执行计算机程序时还实现以下步骤:基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度。
在其中一个实施例中,该基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,处理器执行计算机程序时还实现以下步骤:根据该目标故障编码信息确定该目标核电站的故障类型;根据该目标核电站的故障类型确定该第三运行参数;基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
在其中一个实施例中,该目标故障诊断模型的训练方法,处理器执行计算机程序时还实现以下步骤:获取训练数据集,该训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数,该正常状态运行参数是在该目标核电站处于正常运行状态下获取的运行参数,该故障状态运行参数是在该目标核电站处于故障状态下获取的运行参数;根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型。
在其中一个实施例中,该根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型,处理器执行计算机程序时还实现以下步骤:根据该训练数据集确定小样本数据集,并基于该小样本数据集和该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型;基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
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以下步骤:
根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
在其中一个实施例中,该根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,计算机程序被处理器执行时还实现以下步骤:基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理;基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征;将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
在其中一个实施例中,该基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,计算机程序被处理器执行时还实现以下步骤:基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度。
在其中一个实施例中,该基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,计算机程序被处理器执行时还实现以下步骤:根据该目标故障编码信息确定该目标核电站的故障类型;根据该目标核电站的故障类型确定该第三运行参数;基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
在其中一个实施例中,该目标故障诊断模型的训练方法,计算机程序被处理器执行时还实现以下步骤:获取训练数据集,该训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数,该正常状态运行参数是在该目标核电站处于正常运行状态下获取的运行参数,该故障状态运行参数是在该目标核电站处于故障状态下获取的运行参数;根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型。
在其中一个实施例中,该根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型,计算机程序被处理器执行时还实现以下步骤:根据该训练数据集确定小样本数据集,并基于该小样本数据集和该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型;基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
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以下步骤:
根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,该目标故障编码信息用于指示该目标核电站的故障类型;在存在该目标故障编码信息的情况下,基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,该第二运行参数为该目标核电站处于正常状态情况下的该目标核电站的运行参数;基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,该第三运行参数为故障编码信息与该目标故障编码信息相同的运行参数;根据第一相似度阈值、第二相似度阈值、该第一相似度和该第二相似度确定第一目标运行参数和第二目标运行参数,并展示该第一目标运行参数和该第二目标运行参数。
在其中一个实施例中,该根据目标核电站的第一运行参数和目标故障诊断模型确定该目标核电站的目标故障编码信息,计算机程序被处理器执行时还实现以下步骤:基于限幅值滤波算法和卡尔曼滤波算法对该第一运行参数进行降噪处理;基于分段线性表示法对该降噪处理后的第一运行参数进行特征提取,以得到该第一运行参数的形状特征;将该形状特征输入至该目标故障诊断模型中,以确定该目标核电站的目标故障编码信息。
在其中一个实施例中,该基于第二运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第一相似度,计算机程序被处理器执行时还实现以下步骤:基于动态时间归整法确定该第一运行参数和该第二运行参数的相似度,并将该相似度确定为该第一运行参数的第一相似度。
在其中一个实施例中,该基于第三运行参数对该第一运行参数进行相似度分析,以得到该第一运行参数的第二相似度,计算机程序被处理器执行时还实现以下步骤:根据该目标故障编码信息确定该目标核电站的故障类型;根据该目标核电站的故障类型确定该第三运行参数;基于模式距离法确定该第一运行参数和该第三运行参数的相似度,并将该相似度确定为该第一运行参数的第二相似度。
在其中一个实施例中,该目标故障诊断模型的训练方法,计算机程序被处理器执行时还实现以下步骤:获取训练数据集,该训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数,该正常状态运行参数是在该目标核电站处于正常运行状态下获取的运行参数,该故障状态运行参数是在该目标核电站处于故障状态下获取的运行参数;根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型。
在其中一个实施例中,该根据该训练数据集和初始故障诊断模型确定该目标故障诊断模型,计算机程序被处理器执行时还实现以下步骤:根据该训练数据集确定小样本数据集,并基于该小样本数据集和该初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型;基于交叉熵损失函数算法和动量优化算法对该第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
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)
1.一种故障分析方法,其特征在于,所述方法包括:
根据目标核电站的第一运行参数和目标故障诊断模型确定所述目标核电站的目标故障编码信息,所述目标故障编码信息用于指示所述目标核电站的故障类型;
在存在所述目标故障编码信息的情况下,基于第二运行参数对所述第一运行参数进行相似度分析,以得到所述第一运行参数的第一相似度,所述第二运行参数为所述目标核电站处于正常状态情况下的所述目标核电站的运行参数;
基于第三运行参数对所述第一运行参数进行相似度分析,以得到所述第一运行参数的第二相似度,所述第三运行参数为故障编码信息与所述目标故障编码信息相同的运行参数;
根据第一相似度阈值、第二相似度阈值、所述第一相似度和所述第二相似度确定第一目标运行参数和第二目标运行参数,并展示所述第一目标运行参数和所述第二目标运行参数。
2.根据权利要求1所述的方法,其特征在于,所述根据目标核电站的第一运行参数和目标故障诊断模型确定所述目标核电站的目标故障编码信息,包括:
基于限幅值滤波算法和卡尔曼滤波算法对所述第一运行参数进行降噪处理;
基于分段线性表示法对所述降噪处理后的第一运行参数进行特征提取,以得到所述第一运行参数的形状特征;
将所述形状特征输入至所述目标故障诊断模型中,以确定所述目标核电站的目标故障编码信息。
3.根据权利要求1所述的方法,其特征在于,所述基于第二运行参数对所述第一运行参数进行相似度分析,以得到所述第一运行参数的第一相似度,包括:
基于动态时间归整法确定所述第一运行参数和所述第二运行参数的相似度,并将所述相似度确定为所述第一运行参数的第一相似度。
4.根据权利要求1所述的方法,其特征在于,所述基于第三运行参数对所述第一运行参数进行相似度分析,以得到所述第一运行参数的第二相似度,包括:
根据所述目标故障编码信息确定所述目标核电站的故障类型;
根据所述目标核电站的故障类型确定所述第三运行参数;
基于模式距离法确定所述第一运行参数和所述第三运行参数的相似度,并将所述相似度确定为所述第一运行参数的第二相似度。
5.根据权利要求1所述的方法,其特征在于,所述目标故障诊断模型的训练方法,包括:
获取训练数据集,所述训练数据集包括多个已标注的正常状态运行参数和已标注的故障状态运行参数,所述正常状态运行参数是在所述目标核电站处于正常运行状态下获取的运行参数,所述故障状态运行参数是在所述目标核电站处于故障状态下获取的运行参数;
根据所述训练数据集和初始故障诊断模型确定所述目标故障诊断模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述训练数据集和初始故障诊断模型确定所述目标故障诊断模型,包括:
根据所述训练数据集确定小样本数据集,并基于所述小样本数据集和所述初始故障诊断模型进行小样本学习训练,以得到第一故障诊断模型;
基于交叉熵损失函数算法和动量优化算法对所述第一故障诊断模型进行更新优化处理,以得到目标故障诊断模型。
7.一种故障分析装置,其特征在于,所述装置包括:
确定模块,用于根据目标核电站的第一运行参数和目标故障诊断模型确定所述目标核电站的目标故障编码信息,所述目标故障编码信息用于指示所述目标核电站的故障类型;
第一执行模块,用于在存在所述目标故障编码信息的情况下,基于第二运行参数对所述第一运行参数进行相似度分析,以得到所述第一运行参数的第一相似度,所述第二运行参数为所述目标核电站处于正常状态情况下的所述目标核电站的运行参数;
第二执行模块,用于基于第三运行参数对所述第一运行参数进行相似度分析,以得到所述第一运行参数的第二相似度,所述第三运行参数为故障编码信息与所述目标故障编码信息相同的运行参数;
第三执行模块,用于根据第一相似度阈值、第二相似度阈值、所述第一相似度和所述第二相似度从所述第一运行参数中确定第一目标运行参数和第二目标运行参数,并展示所述第一目标运行参数和所述第二目标运行参数。
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 (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133008.0A CN117195044A (zh) | 2023-09-04 | 2023-09-04 | 故障分析方法、装置、计算机设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133008.0A CN117195044A (zh) | 2023-09-04 | 2023-09-04 | 故障分析方法、装置、计算机设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117195044A true CN117195044A (zh) | 2023-12-08 |
Family
ID=88991753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133008.0A Pending CN117195044A (zh) | 2023-09-04 | 2023-09-04 | 故障分析方法、装置、计算机设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992875A (zh) * | 2024-04-07 | 2024-05-07 | 杭州汽轮动力集团股份有限公司 | 一种燃气轮机故障诊断方法和装置 |
-
2023
- 2023-09-04 CN CN202311133008.0A patent/CN117195044A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992875A (zh) * | 2024-04-07 | 2024-05-07 | 杭州汽轮动力集团股份有限公司 | 一种燃气轮机故障诊断方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131673B (zh) | 基于融合神经网络模型的发动机喘振故障预测系统及方法 | |
Bucci et al. | Construction of event-tree/fault-tree models from a Markov approach to dynamic system reliability | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
CA3037326A1 (en) | Sparse neural network based anomaly detection in multi-dimensional time series | |
CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
CN112951443A (zh) | 症候群监测预警方法、装置、计算机设备及存储介质 | |
CN116336400B (zh) | 油气集输管道基线检测方法 | |
CN117195044A (zh) | 故障分析方法、装置、计算机设备、存储介质和程序产品 | |
CN110113327A (zh) | 一种检测dga域名的方法及装置 | |
CN117076171A (zh) | 一种面向多元时序数据的异常检测及定位方法及装置 | |
CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
CN116597635B (zh) | 无线通讯智能燃气表控制器及其控制方法 | |
CN116737681A (zh) | 一种实时异常日志检测方法、装置、计算机设备和存储介质 | |
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 | |
CN114358172A (zh) | 核反应堆故障分类方法、装置、计算机设备以及存储介质 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN117195122A (zh) | 异常分析方法、装置、计算机设备、存储介质和程序产品 | |
CN116127785B (zh) | 基于多元性能退化的可靠性评价方法、装置和设备 | |
JP2019105883A (ja) | 判別プログラム、判別方法および判別装置 | |
CN117352189B (zh) | 基于高阶拓扑结构的异常行为评估方法、系统及设备 | |
CN117806860A (zh) | 故障检测方法、装置、设备、存储介质和程序产品 | |
CN111126425B (zh) | 复杂工业过程工况监测和分类方法 | |
CN117312138A (zh) | 软件缺陷检测方法、装置、计算机设备、存储介质和产品 | |
CN116910617A (zh) | 一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统 |
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 |