一种基于LSTM的核动力装置故障诊断方法制造方法及图纸

本发明专利技术公开了一种基于LSTM的核动力装置故障诊断方法，采集正常工况下反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；将传感器信号离散采样后制作为训练数据集；构建多层长短时记忆LSTM网络；将训练样本集放入多层长短时记忆LSTM网络中进行神经网络训练；重新采集传感器信号作为测试样本集，放入训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。本发明专利技术能够对核动力装置中传感器和执行器下多类型多程度的故障均能准确诊断。

【技术实现步骤摘要】
一种基于LSTM的核动力装置故障诊断方法
本专利技术属于核动力系统故障诊断
，具体涉及一种基于LSTM的核动力装置故障诊断方法。
技术介绍
故障和人因失误是核动力装置非预期停机停堆和安全事故的重要诱因。根据统计，我国在2000-2007年间发生的72起非计划停机停堆事件中，由故障引起的高达50起，由人因失误导致的为22起，不仅造成直接经济损失，而且还对系统安全构成很大威胁。核动力装置的故障种类繁多，其中控制系统的执行器作为系统运行驱动元件，故障的发生和解决已经得到人们的极大关注。在数字化仪控系统中，软件技术的可靠性已达到了比较高的水平，传感器、执行器等硬件故障是控制系统失效的主要诱因之一。现役核电站和核动力装置普遍采用的基于PID的传统控制方法对异常工况的适应能力十分有限，为保证故障下系统的安全性并减少人因失误，一方面可增加系统的硬件冗余以提高对故障的容错能力，另一方面可加强对操纵员的培训以提高其处理突发事件的能力，并保障充足合理的人员配置以应对可能发生的多样性故障工况。但这些措施会增加核动力系统的运行成本，降低其经济竞争力；而且核动力装置的故障具有时空和强度不确定性，在操纵员培训中很难面面俱到，面对未知的故障信号，即使最有经验的操纵员也难免会背负很大的心里压力，可能出现误判断和误操作。即使是目前学术研究领域，也大多利用传统神经网络对核动力装置故障进行诊断，由于核动力装置的复杂性，往往不能达到预期的故障诊断正确率。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于LSTM的核动力装置故障诊断方法，通过建立多层的LSTM神经网络，准确预测核动力装置运行过程中出现的历史故障的类型及程度；对于全新故障，预测结果为最接近的历史故障，以达到实时有效诊断核动力装置不同类型和程度故障的目的。本专利技术采用以下技术方案：一种基于LSTM的核动力装置故障诊断方法，包括以下步骤：S1、采集正常工况下反应堆一回路压力控制系统、液位控制系统和功率控制系统中的传感器信号；S2、依照目标故障类型和程度，设置传感器和执行器故障；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；S3、将步骤S1和步骤S2采集到的传感器信号的原始时间序列数据进行离散采样，预处理及归一化，作为训练数据集；S4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；S5、将步骤S3预处理及归一化后的训练样本集放入步骤S4构建的多层长短时记忆LSTM网络中进行神经网络训练；S6、重新采集压力控制系统、液位控制系统和功率控制系统中不同故障类型和程度运行下的传感器信号，将采样的传感器信号经预处理和归一化处理后作为测试样本集，将测试样本集放入步骤S5训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。具体的，步骤S1中，传感器信号包括反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降以及旁排阀开度信号。具体的，步骤S2中，采集大于一百万的数据点作为训练样本集，训练样本集包括在不同时间点发生的各个类型的故障情况。进一步的，故障情况包括恒偏差、卡死和恒增益，恒偏差和恒增益包括28种故障工况，故障信息以故障字典的形式给出。具体的，步骤S3中，归一化处理具体为：其中，是第i个传感器信号的平均值，σi是第i个传感器信号的标准差。具体的，步骤S4中，多层LSTM网络包括输入层、多层LSTM隐含层，全连接层，Softmax层和输出层；多层LSTM网络中设置梯度阈值为2；多层LSTM网络中单个LSTM单元包含一个遗忘门ft，一个输入门it，一个输出门ot和一个细胞门Ct，每个门通过有选择地筛选前一个隐含层信息ht-1和当前输入xt；由tanh函数确定单个LSTM单元的输出ht。进一步的，输入层：接受归一化处理后的单个12维时间序列训练样本；隐含层：包括256层LSTM模块，每一层通过连接多层隐含层使得网络的深度增加，提取输入信号中的隐藏特征；全连接层：把隐含层的12个输出值作为输入值，输出值是29个元素，代表28种传感器和执行器故障情况以及一种正常运行状态；Softmax层：采用Softmax函数，把任意一个K维向量压缩到另一个K维向量，使得每一个元素的范围都在(0,1)之间，并且所有的元素之和为1。进一步的，前一个隐含层信息ht-1和当前输入xt为：it＝σ(Wxixt+Whiht-1+WciCt-1+bi)ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf)Ct＝ftCt-1+ittanh(Wxcxt+Whcht+bc)其中，σ是sigmoid函数，Wxi、Whi、Wci分别为各个门和输入门之间的权重；Wxf、Whf、Wcf分别是各个门与遗忘门之间的权重，Wxc、Whc是记忆细胞和其他门之间的权重，Ct-1是上一个细胞状态；bi、bf、bc分别为两个门及记忆细胞的偏置。进一步的，单个LSTM单元的输出ht由一个tanh函数确定：ot＝σ(Wxoxt+Whoht-1+WcoCt+bo)ht＝ottanh(Ct)其中，Wxo、Who、Wco分别为各个门和输出门的权重，bo是输出门和记忆细胞的偏执。具体的，步骤S5中，网络训练过程中设定最大迭代次数为1000，每种类型的训练样本中信号采样后的数量大于3000个。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种基于LSTM的核动力装置故障诊断方法，首次提出了利用长短期记忆网络(LSTM)算法来对核动力装置中传感器和执行器故障进行诊断，故障诊断方法在核动力装置传感器和执行器不同类型故障下能够有效诊断出具体故障类型信息；对核动力装置传感器和执行器同一种故障类型下的不同程度的故障，依然能够有效诊断；并且对于尚未出现过的故障信息，能够诊断其为最接近的历史故障模式，进而，能够对核动力装置不同位置(传感器和执行器)不同类型(恒增益，恒偏差，卡死)，不同时间点和不同程度的故障均有良好的诊断效果。进一步的，通过反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降，旁排阀开度信号，能够利用有限的信号数据识别到更多维信号的异常。进一步的，首次利用数字和字母组成的故障字典映射核动力装置的传感器和执行器不同位置、类型和程度的故障信息。进一步的，归一化后能够加快梯度下降求最优解的速度，且在一定程度上可以提高模型训练精度。进一步的，采用多层LSTM网络的架构，能够利用核动力装置传感器和执行器时序数据，提高预测模型的精度。进一步的，合理的LSTM层设置能够提高预测准确率，而全连本文档来自技高网...

【技术保护点】
1.一种基于LSTM的核动力装置故障诊断方法，其特征在于，包括以下步骤：/nS1、采集正常工况下反应堆一回路压力控制系统、液位控制系统和功率控制系统中的传感器信号；/nS2、依照目标故障类型和程度，设置传感器和执行器故障；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；/nS3、将步骤S1和步骤S2采集到的传感器信号的原始时间序列数据进行离散采样，预处理及归一化，作为训练数据集；/nS4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；/nS5、将步骤S3预处理及归一化后的训练样本集放入步骤S4构建的多层长短时记忆LSTM网络中进行神经网络训练；/nS6、重新采集压力控制系统、液位控制系统和功率控制系统中不同故障类型和程度运行下的传感器信号，将采样的传感器信号经预处理和归一化处理后作为测试样本集，将测试样本集放入步骤S5训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。/n

【技术特征摘要】
1.一种基于LSTM的核动力装置故障诊断方法，其特征在于，包括以下步骤：
S1、采集正常工况下反应堆一回路压力控制系统、液位控制系统和功率控制系统中的传感器信号；
S2、依照目标故障类型和程度，设置传感器和执行器故障；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；
S3、将步骤S1和步骤S2采集到的传感器信号的原始时间序列数据进行离散采样，预处理及归一化，作为训练数据集；
S4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；
S5、将步骤S3预处理及归一化后的训练样本集放入步骤S4构建的多层长短时记忆LSTM网络中进行神经网络训练；
S6、重新采集压力控制系统、液位控制系统和功率控制系统中不同故障类型和程度运行下的传感器信号，将采样的传感器信号经预处理和归一化处理后作为测试样本集，将测试样本集放入步骤S5训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。


2.根据权利要求1所述的方法，其特征在于，步骤S1中，传感器信号包括反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降以及旁排阀开度信号。


3.根据权利要求1所述的方法，其特征在于，步骤S2中，采集大于一百万的数据点作为训练样本集，训练样本集包括在不同时间点发生的各个类型的故障情况。


4.根据权利要求3所述的方法，其特征在于，故障情况包括恒偏差、卡死和恒增益，恒偏差和恒增益包括28种故障工况，故障信息以故障字典的形式给出。


5.根据权利要求1所述的方法，其特征在于，步骤S3中，归一化处理具体为：



其中，是第i个传感器信号的平均值，σi是第i个传感器信号的标准差。


6.根据权利要求1所述的方法，其特征在于，步骤S4中，多层LSTM网络包括输入层、多层LSTM隐含层，全连接层，So...

【专利技术属性】
技术研发人员：王鹏飞，张嘉轩，万甲双，吴世发，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61