一种核动力设备状态评估与预测一体化方法和系统技术方案

本发明专利技术涉及一种核动力设备状态评估与预测一体化方法和系统。该核动力设备状态评估与预测一体化方法和系统通过采用结构优化后的循环时间卷积网络模型，根据核动力设备的运行数据，就可以精确得到核动力设备的使用寿命的预测结果。并且，本发明专利技术提供的核动力设备状态评估与预测一体化方法和系统，通过采用小卷积核堆叠形成循环时间卷积网络模型，可以考虑故障特征的时间属性，对循环时间卷积网络模型进行灵活调整，以达到丰富所提取的局部特征的目的，进而在避免出现误判断和漏判断问题的同时，提高检测准确率和可解释性。

【技术实现步骤摘要】
一种核动力设备状态评估与预测一体化方法和系统
本专利技术涉及核动力装备检测领域，特别是涉及一种核动力设备状态评估与预测一体化方法和系统。
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。因此，研究核动力装置系统和设备的故障诊断方法，对于提高核动力装置安全可靠性具有重要意义。在进行核动力设备状态评估和寿命预测过程中，其总体技术流程如图1所示，通过传感器采集设备的运行状态并对数据进行存储，在此基础上进行特征工程分析，进行数据处理和特征提取。然后，为了准确地对核动力关键设备的运行状态进行评估并对其剩余使用寿命进行预测，需要及时准确地监测其运行状态，一旦检测到相关健康指标超过正常运行的允许范围，需要利用智能算法对其剩余使用寿命进行预测。其中，在整个过程中涉及到的关键技术主要有状态监测技术和RUL预测技术。状态监测技术是多学科交叉渗透的综合性技术，是实施设备维修和故障诊断的技术基础。从20世纪70年代初期开始，一些发达国家在现场安装了状态监测系统，例如日本三菱公司的振动健康监测系统以及美国中心发电部的汽轮机监测系统等。目前国内外针对运行状态监测的研究主要分为基于数据分析和基于模型两类。基于模型方法的主要优点是从系统的运行机理出发建立分析模型，可解释性强。主要研究成果有：参与OECDHalden项目的WilliamH.等人同样采用质量和能量守恒模型进行状态监测。但是还没有应用到核动力装置。哈尔滨工业大学建立了适用于汽轮机甩负荷工况下的动态数学模型，同时考虑了由于强扰动而对机组造成的非线性。基于数据分析的方法以大数据为特征，通过对历史数据的大量训练构造数据分析模型，但是建模过程相对简单，通用性和实时性更好。田纳西大学的HinesJ.W.采用主元分析算法和自联想核回归方法分别进行核电站中传感器的实时监测与校正。AjamiA.应用独立分量分析算法检测核汽轮机中的异常。谭翔研究了基于主元分析的系统级状态监测方法，通过与传感器级监测的相互配合，可以快速准确地监测出异常。而剩余使用寿命(RemainingUsefulLife，RUL)是指从当前时间到使用寿命结束的长度。而健康状态评估和寿命预测的主要任务是基于状态监测信息，预测机器在失去运行能力前的剩余时间。目前，剩余寿命预测研究的主要脉络构成如图2所示，在研究方法上大体上可以分为4类，第1类是多元统计分析方法，主要是结合可靠性分析和概率论等相关理论展开RUL预测技术的研究。第2类是采用结合物理机理建立分析模型。第3类采用机器学习以及深度学习的相关算法进行研究，本质上属于模式回归分析的范畴。第4类混合模型主要综合前面几种算法中的2种或多种进行分析，以起到相互取长补短的作用。随着人工智能和大数据技术的飞速发展，使用机器学习和深度学习的相关技术从现有的观测历史数据中学习元件的老化和退化模式，而不去建立复杂的物理模型变得十分流行，本专利技术主要采用基于深度学习的相关智能算法进行RUL预测技术的研究，这类方法具有能够处理高度非线性RUL预测问题的优势。浅层人工神经网络早在上世纪60年代起就被提出并迅速得以发展；其中，前馈神经网络是最常用的人工神经网络。Wang等利用三层前馈神经网络预测健康状态指标的发展趋势，并将结果输入到比例风险模型中估计其危害率。浅层神经网络可以学习较为复杂的非线性关系，但是无法准确地描述元件退化的时序过程，准确性较差。支持向量机(SupportVectorRegression，SVR)是基于统计学习理论和结构风险最小化原理而提出的，可以根据有限数据信息实现经验风险和置信范围的最小化。Liu等开发了一种改进的概率SVR模型来预测核电站关键部件的退化过程。但是SVR也存在一些局限性：其一，它只能提供点预测，甚至无法像人工神经网络那样给出准确率；其二，SVR的性能高度依赖于超参数的选择和优化。深度神经网络具有比浅层神经网络更强的模式识别能力，在数据量足够多的情况下其分析准确率明显更高。目前，常用的深度神经网络包括自编码器、卷积神经网络和循环神经网络(RecurrentNeuralNetwork，RNNs)以及他们的变种。其中自编码器通常用于数据的特征提取和流形学习，卷积神经网络更多地用于图像识别和视频跟踪等领域，而RNNs由于可以对历史信息进行有效记忆，因此具有处理显式符号序列数据的能力，故在时序数据的RUL预测中得到了广泛的应用。Zemouri等提出了一种循环径向基函数网络，并将其用于预测机械设备的RUL。Malhi等提出了一种基于竞争学习的RNN训练方法，旨在提高RNN的长期预测精度。Peng等人利用大型稀疏矩阵代替隐含层提出了一种新的RUL预测方法，增强了RNN的性能。基于现有技术中提供的方法其主要存在以下问题：1、数据的绝对值不同但排列熵值却相同，这就极易造成误判断和漏判断；2、异常检测的准确率和可解释性较低。因此，提供一种新的设备状态评估与预测方法或系统，以解决现有技术中存在的上述问题，是本领域亟待解决的一个技术难题。
技术实现思路
本专利技术的目的是提供一种核动力设备状态评估与预测一体化方法和系统，以在避免出现误判断和漏判断问题的同时，提高检测准确率和可解释性，并对设备剩余寿命给出精确预测。为实现上述目的，本专利技术提供了如下方案：一种核动力设备状态评估与预测一体化方法，包括：获取待测核动力设备的运行数据；获取训练好的循环时间卷积网络模型；所述循环时间卷积网络模型是以LeakyReLU为激活函数，以交叉熵损失为损失函数，且由小卷积核堆叠形成的卷积网络模型；采用所述训练好的循环时间卷积网络模型，根据所述运行数据确定所述待测核动力设备的使用寿命。优选的，在所述获取训练好的循环时间卷积网络模型之前，还包括：获取核动力设备的运行数据；对所述运行数据进行标定采样形成训练样本对；采用所述训练样本对对循环时间卷积网络模型进行训练，得到训练好的循环时间卷积网络模型。优选的，在所述获取核动力设备的运行数据之后，还包括：利用离差标准化方法，将所述运行数据中的同类数据均映射到[0,1]之间，以得到特征参数；对所述特征参数进行空间重构，得到重构后的特征参数；利用多尺度加权排列熵分别对所述重构后的特征参数中的元素进行升序排列，以得到符号序列；在所述符号序列中的每一元素中添加加权系数，得到加权后的符号序列，并确定符号序列中每种排列出现的概率值；根据所述概率值确定不同尺度下每一符号序列相对应的多尺度加权排列熵；根据与每一所述符号序列相本文档来自技高网...

【技术保护点】
1.一种核动力设备状态评估与预测一体化方法，其特征在于，包括：/n获取待测核动力设备的运行数据；/n获取训练好的循环时间卷积网络模型；所述循环时间卷积网络模型是以Leaky ReLU为激活函数，以交叉熵损失为损失函数，且由小卷积核堆叠形成的卷积网络模型；/n采用所述训练好的循环时间卷积网络模型，根据所述运行数据确定所述待测核动力设备的使用寿命。/n

【技术特征摘要】
1.一种核动力设备状态评估与预测一体化方法，其特征在于，包括：
获取待测核动力设备的运行数据；
获取训练好的循环时间卷积网络模型；所述循环时间卷积网络模型是以LeakyReLU为激活函数，以交叉熵损失为损失函数，且由小卷积核堆叠形成的卷积网络模型；
采用所述训练好的循环时间卷积网络模型，根据所述运行数据确定所述待测核动力设备的使用寿命。


2.根据权利要求1所述的核动力设备状态评估与预测一体化方法，其特征在于，在所述获取训练好的循环时间卷积网络模型之前，还包括：
获取核动力设备的运行数据；
对所述运行数据进行标定采样形成训练样本对；
采用所述训练样本对对循环时间卷积网络模型进行训练，得到训练好的循环时间卷积网络模型。


3.根据权利要求2所述的核动力设备状态评估与预测一体化方法，其特征在于，在所述获取核动力设备的运行数据之后，还包括：
利用离差标准化方法，将所述运行数据中的同类数据均映射到[0,1]之间，以得到特征参数；
对所述特征参数进行空间重构，得到重构后的特征参数；
利用多尺度加权排列熵分别对所述重构后的特征参数中的元素进行升序排列，以得到符号序列；
在所述符号序列中的每一元素中添加加权系数，得到加权后的符号序列，并确定符号序列中每种排列出现的概率值；
根据所述概率值确定不同尺度下每一符号序列相对应的多尺度加权排列熵；
根据与每一所述符号序列相对应的多尺度加权排列熵确定随机噪声对所述运行数据的影响程度和变化规律；
根据所述运行数据的影响程度和变化规律确定各符号序列对应的多尺度加权排列熵阈值，并根据所述多尺度加权排列熵阈值对所述运行数据进行标定采样形成训练样本对。


4.根据权利要求1所述的核动力设备状态评估与预测一体化方法，其特征在于，所述循环时间卷积网络模型的构建过程包括：
获取初始的时间卷积网络模型；
将所述初始的时间卷积网络模型中的激活函数调整为LeakyReLU函数，将损失函数调整为交叉熵损失函数，得到中间时间卷积网络模型；
采用SGD优化算法对所述中间时间卷积网络模型进行参数寻优，得到过渡时间卷积网络模型；
将残差卷积结构添加到所述过渡时间卷积网络模型中，得到循环时间卷积网络模型。


5.一种核动力设备状态评估与预测一体化系统，其特征在于，包括：
第一运行数据获取模块，用于获取待测核动力设备的运行数据；
循环时间卷积网络模型获取模块，用于获取训练好的循环时间...

【专利技术属性】
技术研发人员：王航，彭敏俊，夏庚磊，徐仁义，夏虹，罗静，
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