一种基于核动力装置的故障诊断方法及系统制造方法及图纸

本发明专利技术涉及一种基于核动力装置的故障诊断方法及系统。所述方法包括获取核动力装置的历史的运行数据；根据所述历史的运行数据构建卷积神经网络；采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络；获取所述核动力装置的待监测的运行数据；根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。本发明专利技术所提供的一种基于核动力装置的故障诊断方法及系统，提高核动力装置的故障诊断的效率和准确性。

【技术实现步骤摘要】
一种基于核动力装置的故障诊断方法及系统
本专利技术涉及核动力装置的故障诊断领域，特别是涉及一种基于核动力装置的故障诊断方法及系统。
技术介绍
核动力装置结构复杂，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，对于核动力装置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。核动力装置运行环境恶劣，系统关键设备在长期连续工作，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，核动力装置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、核动力装置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，这能有效提高核动力装置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。<本文档来自技高网...

【技术保护点】
1.一种基于核动力装置的故障诊断方法，其特征在于，包括：/n获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关；/n根据所述历史的运行数据构建卷积神经网络；所述卷积神经网络...

【技术特征摘要】
1.一种基于核动力装置的故障诊断方法，其特征在于，包括：
获取核动力装置的历史的运行数据；所述历史的运行数据包括历史正常工况下的运行数据和各种故障工况下的运行数据；所述运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；故障工况包括：反应堆主冷却剂系统的微小破口、蒸汽发生器传热管微小破裂、化学和容积控制系统管道的微小破裂、控制棒误动作带来的反应性引入以及阀门的误开和误关；
根据所述历史的运行数据构建卷积神经网络；所述卷积神经网络以历史的运行数据为输入，以诊断结果为输出；所述诊断结果包括核动力装置处于正常工况或者核动力装置处于某一故障工况下；所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成；所述卷积神经网络的损失函数为交叉熵损失函数；
采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络；
获取所述核动力装置的待监测的运行数据；
根据所述待监测的运行数据，利用所述优化后的卷积神经网络，确定所述待监测的运行数据的诊断结果。


2.根据权利要求1所述的一种基于核动力装置的故障诊断方法，其特征在于，所述根据所述历史的运行数据构建卷积神经网络，之前还包括：
对所述正常工况下的运行数据和各所述故障工况下的运行数据分别进行标注；
对标注后的正常工况下的运行数据和各标注后的故障工况下的运行数据采用设定标准进行标准化；
对标准化后的正常工况下的运行数据和各标准化后的故障工况下的运行数据采用设定尺度进行归一化；
利用相空间重构将归一化后的正常工况下的运行数据和各归一化后的故障工况下的运行数据转换为三维堆叠数据块。


3.根据权利要求1所述的一种基于核动力装置的故障诊断方法，其特征在于，所述根据所述历史的运行数据构建卷积神经网络，之后还包括：
利用堆叠函数在所述卷积神经网络中的中间隐藏层加入dropout操作。


4.根据权利要求3所述的一种基于核动力装置的故障诊断方法，其特征在于，所述采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络，之前还包括：
获取所述卷积神经网络的超参数；将所述超参数作为待优化的粒子；所述超参数为中间隐藏层的层数、卷积层的卷积核大小、卷积过程的步长、特征图的数量、池化层的大小、池化层的步长、特征图数量、全连接层的层数和每层中神经元个数以及Dropout操作的参数比例设置；
根据所述卷积神经网络的超参数确定所述超参数的可行解域；
根据所述历史的运行数据和所述卷积神经网络确定所述卷积神经网络的准确率；
根据所述准确率确定适应度函数。


5.根据权利要求4所述的一种基于核动力装置的故障诊断方法，其特征在于，所述采用多策略融合粒子群算法优化所述卷积神经网络，确定优化后的卷积神经网络，具体包括：
对所述卷积神经网络进行初始化；
根据初始化的卷积神经网络确定每一所述超参数的初始位置、初始速度、初始惯性权重以及初始学习因子；
根据每一所述超参数的初始位置、初始速度、初始惯性权重、初始学习因子、初始社会学习因子以及所述适应度函数确定初始种群的适应度；
采用非线性调整算法对初始惯性权重、初始认知学习因子和初始社会学习因子进行迭代更新；
根据每一所述超参数的迁移速度确定每一所述超参数的更新位置；
根据更新后的初始惯性权重、更新后的初始认知学习因子、更新后的初始社会学习因子以及更新后的位置确定每一所述超参数对应的全局最优值；
将每一所述超参数对应的全局最优值替代所述卷积神经网络的超参数，确定优化后的卷积神经网络。


6.一种基于核动力装置的故障诊断系统，其特征在于，包括：
历史的运行数据获取模块，用于获取核动力装置的历史的运行数据；...

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