一种核动力装置故障诊断方法和系统制造方法及图纸

本发明专利技术涉及一种核动力装置故障诊断方法和系统。所述核动力装置故障诊断方法包括：获取训练好的核动力装置故障诊断模型；采用传感器获取核动力装置中各子系统的运行数据；根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。本发明专利技术提供的核动力装置故障诊断方法和系统通过采用训练好的核动力装置故障诊断模型，得到的故障类别和故障概率，在提高故障诊断结果准确性、故障诊断效率的同时，确保了诊断结果的稳定性。

【技术实现步骤摘要】
一种核动力装置故障诊断方法和系统
本专利技术涉及核动力检测领域，特别是涉及一种核动力装置故障诊断方法和系统。
技术介绍
核动力系统结构复杂，且具有潜在的放射性释放危险，对于安全性有着极高的要求。因此，对于核动力系统的可靠性要求就非常高；同时，随着远海钻井平台、海岛发电等需求，不可能在相关平台上布置大量运行人员，因此对于核动力装置运行的自动化和智能化水平要求非常高，对于少人值守和无人值守的需求较为强烈。核动力系统运行环境恶劣，系统关键设备长期连续工作极容易发生故障，如若出现故障而不能及时发现并维修，可能会导致严重的放射性后果，危急运行人员和公众的生命安全。在实际使用过程中，核动力系统的故障诊断技术大多采用传统的阈值分析和人工经验进行判断。但是，这些传统技术并不能完全适应复杂系统的可靠性要求。随着人工智能技术和大数据理论的不断发展、核动力系统大量运行数据的积累以及其他领域的应用经验，采用一些高效准确的人工智能技术快速准确地进行故障诊断，能有效提高核动力系统与关键设备的运行与维护保障能力，提高运行安全性和经济性。在1967年，由美国海军研究室成立了机械故障预防小组，从此开始了故障诊断技术的研究工作，随后故障诊断技术的研究与应用逐渐在全球蔓延开来。20世纪60年代末，英国机器保健和状态监测协会的成立进一步推动了故障诊断技术的发展。随后，欧洲各国也相继开展了状态监测与故障诊断技术的相关研究，并形成各自特色的诊断技术体系。日本的故障诊断技术于70年代中期开始起步，通过学习借鉴世界各国的研究、不断改进提高，目前日本在钢铁生产、铁路运行、化工过程等民用工业方面的故障诊断技术已经很成熟。中国的故障诊断技术相关研究起步于80年代初，目前已经形成了相对完善的理论体系。21世纪初，美国专家VenkatV.将故障诊断方法重新划分为基于定量模型方法、基于定性模型方法及基于历史数据方法三类，如图1所示。国外方面，Santosh研究了神经网络在核电厂始发事件识别上的应用，并对比了几种学习算法，得出了弹性BP算法为最优学习算法的结论，Marseguerra研究了核电厂瞬态的模糊识别，Zio提出改进的模糊聚类方法用于对核电厂设备的瞬态进行分类识别；Gome等采用高斯径向基神经网络对压水堆电厂事故进行分析，Sinuhe应用基于人工神经网络检测钠冷快堆的堆芯组件堵塞故障，提出一种"jump"型的多层神经网络，利用两个神经网络分别用来动态识别和验证识别的结果。Seker提出应用Elman神经网络监测高温气冷堆的异常。Jose研究粒子群优化算法在核电厂中的故障识别。国内方面，哈尔滨工程大学的辛成东研究了BP神经网络在核动力装置故障诊断中的应用，刘永阔将径向基函数神经网络和模糊神经网络引入核动力装置故障诊断系统中，并应用数据融合做全局诊断，提出分布式诊断策略。邓伟采用遗传算法进行系统级故障诊断。华北电力大学的马良玉等在高压给水系统故障诊断中研究Elman神经网络对特征参数应达值进行实时预测方法研究，白士红研究了蚁群算法在故障诊断中的应用，段孟强研究了基于入侵野草算法的核动力装置故障诊断算法。综上，现有技术中的上述方案均需人工选择特征参数，这就导致诊断结果不准确。且因人工选择特征参数，这也导致得到的诊断结果随选取的参数不同而发生不同，存在稳定性差的问题。因此，提供一种能够在提高诊断结果准确性同时，保证诊断结果稳定性的核动力装置故障诊断方法或系统，是本领域亟待解决的技术难题。
技术实现思路
本专利技术的目的是提供一种核动力装置故障诊断方法和系统，以提高诊断结果的准确性和稳定性。为实现上述目的，本专利技术提供了如下方案：一种核动力装置故障诊断方法，包括：获取训练好的核动力装置故障诊断模型；所述核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型；采用传感器获取核动力装置中各子系统的运行数据；根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。优选的，在所述获取训练好的核动力装置故障诊断模型之前，包括：获取核动力装置各子系统的的历史运行数据；根据所述历史运行数据得到仿真数据；对所述仿真数据进行标定采样，得到所述核动力装置的故障类别，以及与该故障类别相对应的故障出现概率；将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型。优选的，所述将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型，具体包括：以交叉熵损失函数作为损失函数，将所述训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对所述核动力装置故障诊断模型进行求解，当所述损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。优选的，所述核动力装置故障诊断模型的构建过程包括：生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型；所述中间隐藏层包括多层卷积层和多层长短时记忆模型层；确定所述卷积长短时记忆网络初始模型的超参数；所述超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例；以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值；所述全局最优解为所述人工蜂的位置；根据所述全局最优值确定所述超参数的最终值，并将所述超参数的最终值传递回所述卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型；所述卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。优选的，所述以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值，具体包括：初始化所述卷积长短时记忆网络初始模型的初始参数，初始化所述人工蜂群算法中的种群规模、开采控制限值以及最大迭代次数，并获取预设的初始蜂群位置；以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优；所述人工蜂包括跟随蜂、引领蜂和侦察蜂；预设跟随蜂和引领蜂的数目相等，且所述跟随蜂和引领蜂执行开采过程；侦察蜂的个数为设定值，且所述侦察蜂执行探索过程；获取预设的最大迭代时间；判断当前迭代时间是否大于所述最大迭代时间，若所述当前迭代时间大于等于所述最大迭代时间，则将当前得到的与每个人工蜂对应的全局最优值传递回所述卷积长短时记忆网络初始模型；若所述当前迭代时间小于所述最大迭代时间，则返回步骤“以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优”，直至所述当前迭代时间大于等于所述最大迭代时间。优选的，所述跟随蜂和引本文档来自技高网...

【技术保护点】
1.一种核动力装置故障诊断方法，其特征在于，包括：/n获取训练好的核动力装置故障诊断模型；所述核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型；/n采用传感器获取核动力装置中各子系统的运行数据；/n根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。/n

【技术特征摘要】
1.一种核动力装置故障诊断方法，其特征在于，包括：
获取训练好的核动力装置故障诊断模型；所述核动力装置故障诊断模型为由卷积核和长短时记忆网络堆叠形成的卷积长短时记忆网络模型；
采用传感器获取核动力装置中各子系统的运行数据；
根据所述运行数据，采用核动力装置故障诊断模型确定所述子系统的故障类别以及与所述故障类别相对应的故障概率。


2.根据权利要求1所述的核动力装置故障诊断方法，其特征在于，在所述获取训练好的核动力装置故障诊断模型之前，包括：
获取核动力装置各子系统的的历史运行数据；
根据所述历史运行数据得到仿真数据；
对所述仿真数据进行标定采样，得到所述核动力装置的故障类别，以及与该故障类别相对应的故障出现概率；
将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型。


3.根据权利要求2所述的核动力装置故障诊断方法，其特征在于，所述将所述历史运行数据、所述故障类别以及与该故障类别相对应的故障出现概率作为训练数据样本对，对所述核动力装置故障诊断模型进行训练，得到训练好的核动力装置故障诊断模型，具体包括：
以交叉熵损失函数作为损失函数，将所述训练数据样本对拆分成多个批次的训练样本，采用SGD优化算法对所述核动力装置故障诊断模型进行求解，当所述损失函数值最小时所对应的核动力装置故障诊断模型为训练好的核动力装置故障诊断模型。


4.根据权利要求1所述的核动力装置故障诊断方法，其特征在于，所述核动力装置故障诊断模型的构建过程包括：
生成包括有输入层、中间隐藏层、全连接层和输出层的卷积长短时记忆网络初始模型；所述中间隐藏层包括多层卷积层和多层长短时记忆模型层；
确定所述卷积长短时记忆网络初始模型的超参数；所述超参数包括：卷积层的层数和卷积核大小，卷积过程的步长，长短时记忆网络层的堆叠层数和图层单元数，全连接层的层数和每层中神经元个数以及Dropout操作的参数比例；
以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值；所述全局最优解为所述人工蜂的位置；
根据所述全局最优值确定所述超参数的最终值，并将所述超参数的最终值传递回所述卷积长短时记忆网络初始模型得到卷积长短时记忆网络模型；所述卷积长短时记忆网络模型即为构建得到的核动力装置故障诊断模型。


5.根据权利要求4所述的核动力装置故障诊断方法，其特征在于，所述以所述超参数为蜂群位置，以故障诊断准确率作为初始种群的适应度，采用人工蜂群算法确定全局最优值，具体包括：
初始化所述卷积长短时记忆网络初始模型的初始参数，初始化所述人工蜂群算法中的种群规模、开采控制限值以及最大迭代次数，并获取预设的初始蜂群位置；
以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优；所述人工蜂包括跟随蜂、引领蜂和侦察蜂；预设跟随蜂和引领蜂的数目相等，且所述跟随蜂和引领蜂执行开采过程；侦察蜂的个数为设定值，且所述侦察蜂执行探索过程；
获取预设的最大迭代时间；
判断当前迭代时间是否大于所述最大迭代时间，若所述当前迭代时间大于等于所述最大迭代时间，则将当前得到的与每个人工蜂对应的全局最优值传递回所述卷积长短时记忆网络初始模型；若所述当前迭代时间小于所述最大迭代时间，则返回步骤“以人工蜂所对应的位置作为超参数解集，以故障诊断准确率作为初始种群的适应度进行参数寻优”，直至所述当前迭代时间大于等于所述最大迭代时间。


6.根据权利要求5所述的核动力装置故障诊断方法，其特征在于，所述跟随蜂和引领蜂执行开采过程，具体包括：
所述引领蜂采用公式Vij＝xij+Rij(xij-xkj)对引领蜂相应食物源的邻域进行搜索得到所述引领蜂的新食物源的位置；其中，Vij是新食物源的位置，Rij是一个[-1,1]之间的随机数，k∈...

【专利技术属性】
技术研发人员：王航，彭敏俊，夏庚磊，邓强，王晓昆，夏虹，
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