基于局部线性嵌入与K‑最近邻分类器的核动力装置故障诊断方法制造方法及图纸

本发明专利技术提供的是一种基于局部线性嵌入与K‑最近邻分类器的核动力装置故障诊断方法。(1)获取核动力装置在稳态运行和典型事故状态下的运行数据作为训练数据；(2)采用均值‑方差标准化方法将训练数据进行无量纲的标准化处理得到高维样本数据；(3)采用局部线性嵌入算法提取高维样本数据的低维流形结构，得到低维特征向量；(4)将低维特征向量输入K‑最近邻分类器中进行分类训练；(5)获取核动力装置实时运行数据，重复(2)、(3)；(6)利用已经训练好的K‑最近邻分类器对特征向量分类决策。本发明专利技术利用非线性流形学习方法在特征降维提取方面的优势，适用于非线性，数据高维数系统的故障诊断，具有很高的故障诊断准确度。

Nuclear power plant fault diagnosis method of local linear embedding and nearest neighbor classifier based on K

The invention provides a fault diagnosis method for nuclear power plants locally linear embedding and nearest neighbor classifier based on K. (1) acquisition of nuclear power plant operation data in the steady state and typical accident condition as the training data; (2) the mean variance normalization method training data normalization dimensionless get high dimensional data; (3) the local linear embedding algorithm to extract the low dimensional manifold structure of high dimensional samples the data used to get the low dimensional feature vector; (4) the low dimensional feature vector input K nearest neighbor classification training classifier; (5) to obtain the real-time data of nuclear power plant, repeat (2), (3); (6) using K training has been good for the nearest neighbor classifier feature vector classification. The method has the advantages of nonlinear manifold learning method in feature dimension reduction, and is suitable for fault diagnosis of nonlinear and high-dimensional data systems with high fault diagnosis accuracy.

【技术实现步骤摘要】
基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法
本专利技术涉及的是一种核动力装置故障诊断方法。
技术介绍
核动力装置是一个复杂的动态时变系统，具有潜在的放射性危害。一旦发生故障或者事故可能造成严重的放射性后果。核动力装置因其特殊性对运行人员的能力和素质要求较高，一旦操作失误可能会造成重大损失，而操作人员在巨大的心理压力下很难做出完全正确的判断和行为。故障诊断技术可以根据系统参数变化情况，对可能出现的故障类型、故障发生位置及故障程度大小进行判断，协助运行人员对核动力装置真实状态进行判断并采取合理操作，从而将故障损失降到最小。因此对核动力装置进行在线故障诊断研究是保证核动力装置安全稳定运行的重要手段。故障诊断过程可分为两个部分：特征提取和模式识别。不同的特征提取方法对模式识别的准确度影响极大，从而影响最终的故障诊断准确度。核动力装置运行过程复杂，工况变动频繁，具有强烈的非线性、非平稳特性。而目前的特征提取方法大都为主元分析方法、线性判别分析等线性方法，并不能完全适用于非线性系统，提取到的特征并不能全面准确地反映系统的真实状态，其工程应用范围有限。流形学习方法是一种非线性的数据本文档来自技高网...

【技术保护点】
一种基于局部线性嵌入与K‑最近邻分类器的核动力装置故障诊断方法，其特征是：(1)获取核动力装置在稳态运行和典型事故状态下的运行数据作为训练数据；(2)采用均值‑方差标准化方法将训练数据进行无量纲的标准化处理得到高维样本数据；(3)采用局部线性嵌入算法提取高维样本数据的低维流形结构，得到低维特征向量；(4)将低维特征向量输入K‑最近邻分类器中进行分类训练；(5)获取核动力装置实时运行数据，重复(2)、(3)步骤；(6)利用已经训练好的K‑最近邻分类器对特征向量分类决策，得到诊断结果。

【技术特征摘要】
1.一种基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法，其特征是：(1)获取核动力装置在稳态运行和典型事故状态下的运行数据作为训练数据；(2)采用均值-方差标准化方法将训练数据进行无量纲的标准化处理得到高维样本数据；(3)采用局部线性嵌入算法提取高维样本数据的低维流形结构，得到低维特征向量；(4)将低维特征向量输入K-最近邻分类器中进行分类训练；(5)获取核动力装置实时运行数据，重复(2)、(3)步骤；(6)利用已经训练好的K-最近邻分类器对特征向量分类决策，得到诊断结果。2.根据权利要求1所述的基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法，其特征是：所述典型事故包括冷却剂丧失事故、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故和蒸汽发生器传热管破裂事故。3.根据权利要求1或2所述的基于局部线性嵌入与K-最近邻分类器的核动力装置故障诊断方法，其特征是所述采用局部线性嵌入算法提取高维样本数据的低维流形结构具体包括：1)对高维数据的每个样本点xi，计算其与其余样本点xj的欧氏距离，找出最近的k个近邻点，欧氏距离公式为d(xi,xj)＝||xi-xj||，2)根据每个样本点xi的近邻点，通过使目标函数||xi-∑jWij||最小，∑jWij＝1，计算样本的局部重建权值矩阵W，公式为：其中，xij,xik为xi的近邻点；3)通过使低维空间重构误差Φ(Y)最小，在低维空间重构原始样本，即上式需要满足：其中，yij(j＝1,2,…k)是yi的第j个近邻点，N是样...

【专利技术属性】
技术研发人员：刘永阔，于巍峰，彭敏俊，武茂浦，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23