基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法技术

本发明专利技术公开了一种基于LSTM‑CNN的核电站蒸发器涡流信号类型识别方法，所述方法包括：标定涡流信号各通道数据；采用时间窗口处理标定后数据；采用差分方式处理时间序列数据；通过LSTM网络提取时间序列的时间特征信息；CNN网络可以提取时间序列局部特征信息；融合LSTM与CNN网络的特征信息，利用三元组损失原理，经大量数据训练学习后，输入信号可以向量形式表示其特征信息；构建缺陷信号特征数据库，并以所述向量形式表征，对比输入信号的向量特征与缺陷库内向量特征间的欧氏距离，根据欧氏距离大小确定信号所属类别，最终实现涡流信号分类的目的。

【技术实现步骤摘要】
基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法
本专利技术属于核电检测设备领域，特别涉及一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法。
技术介绍
核电站在役检查通常使用涡流检测技术(ET)对传热管降质现象进行跟踪检测，而对大量蒸汽发生器传热管涡流数据的准确快速分析成为主要工作及难点之一。传统的数据分析方法由具备相关资质的人员按照既定规则对信号进行多通道数据对比，最终给出确定结论。分析工作重复繁杂，分析人员极易疲劳增加人因失误的可能性。
技术实现思路
本专利技术的目的是提供一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，对核电站蒸发器涡流信号时间序列数据表征的信号类型进行智能识别，实现LSTM-CNN技术在无损检测中的应用。为解决上述技术问题，本专利技术采用如下技术方案：一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，其包括以下步骤：A.采集核电站蒸发器传热管涡流数据；B.对采集到的核电站蒸发器传热管涡流数据进行标定处理，建立评价基准，蒸发器传热管涡流数据包含N个通道，每个通道的数据包含水平分量以及垂直分量，将t时刻的涡流数据表示为(ch1x，ch1y，ch2x，ch2y，…chNx，chNy)；C.利用标定后的数据构建基于时间窗口的时间序列，时间窗口长度优选的参数为M个采样点，该时间窗口的数据可以表示为[t1，t2，…，tM]；D.对步骤C中的时间序列数据做差分处理，即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差，表示为[t2-t1，t3-t2，…，tM-TM-1]，即δt1，δt2，…，δtM-1；E.LSTM网络的输入时间序列δt1，δt2，…，δtM-1，利用LSTM网络提取到时间序列特征信息；CNN网络的输入时间序列δt1，δt2，…，δtM-1，CNN网络由L个卷积层、和L个最大池化层、以及全连接层构成；融合LSTM网络与CNN网络的输出，利用三元组损失函数原理优化网络参数，实现输入信号以向量形式表征；F.利用步骤E构建缺陷信号特征数据库，并以所述向量形式表征，计算输入信号的向量特征与数据库内所有缺陷向量特征间的欧氏距离，逐一比较所有缺陷欧氏距离大小确定信号所属类别，最终实现涡流信号分类。优化的，所述LSTM网络采用单层单向架构，由多个LSTM单元组成，每个所述LSTM单元内包含遗忘门、输入门以及输出门。进一步的，所述LSTM单元持续更新和记忆前期时间序列的信息，保留有效信息以及遗忘无用信息。优化的，在所述数据中加入正态分布高斯噪声扩展数据样本的数量。进一步的，所述高斯噪声扩展数据为历史样本数量的5％-30％。本专利技术的有益效果在于：1.本专利技术提供的一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，采用时间序列处理方式，对时间序列信号差分处理可以有效的滤除信号中的噪声，从信号的变化趋势提取信号特征信息；2.本专利技术提供的一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，将包含多个通道的蒸发器传热管涡流信号作为输入，构建的LSTM-CNN网络可以同时提取多个通道的特征信息，实现对涡流信号识别分类的目的；3.本专利技术提供的一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，通过构建LSTM-CNN网络，利用LSTM网络可以从时间序列角度解决信号分类问题，进而提取到时间序列特征信息，利用CNN网络可以提取时间序列特征信息中的局部特征信息。融合LSTM与CNN网络的特征信息，利用三元组损失函数原理优化网络参数，经大量数据训练学习后，输入信号可以向量形式表示其特征信息；通过构建缺陷信号数据库，并以所述向量形式表征，对比输入信号的向量特征与缺陷库内向量特征欧氏距离，根据欧氏距离大小确定信号所属类别。附图说明图1为本专利技术的网络流程图；图2为本专利技术的一个训练损失变化情况图。具体实施方式下面结合附图所示的实施例对本专利技术作以下详细描述：LSTM：LSTM(LongShort-termMemory)是指长短期记忆网络，其独特的设计结构，处理时间序列数据时有明显的优势，CNN:(ConvolutionalNeuralNetworks)是指卷积神经网络，其仿造生物的视觉机制构建，具有表征学习能力。基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，其包括以下步骤：A.采集核电站蒸发器传热管涡流数据；B.对采集到的核电站蒸发器传热管涡流数据进行标定处理，建立评价基准，蒸发器传热管涡流数据包含N个通道，每个通道的数据包含水平分量以及垂直分量，将t时刻的涡流数据表示为(ch1x，ch1y，ch2x，ch2y，…chNx，chNy)；C.利用标定后的数据构建基于时间窗口的时间序列，时间窗口长度优选的参数为M个采样点，该时间窗口的数据可以表示为[t1，t2，…，tM]；D.对步骤C中的时间序列数据做差分处理，即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差，表示为[t2-t1，t3-t2，…，tM-TM-1]，即δt1，δt2，…，δtM-1；E.LSTM网络采用单层单向架构，由多个LSTM单元组成，每个LSTM单元内包含遗忘门、输入门以及输出门，LSTM网络的输入时间序列δt1，δt2，…，δtM-1，利用LSTM网络提取到时间序列特征信息，LSTM单元持续更新和记忆前期时间序列的信息，保留有效信息以及遗忘无用信息；CNN网络的输入时间序列δt1，δt2，…，δtM-1，CNN网络由L个卷积层、和L个最大池化层、以及全连接层构成；融合LSTM网络与CNN网络的输出，利用三元组损失函数原理优化网络参数，实现输入信号以向量形式表征；F.利用步骤E构建缺陷信号特征数据库，并以向量形式表征，计算输入信号的向量特征与数据库内所有缺陷向量特征间的欧氏距离，逐一比较所有缺陷欧氏距离大小确定信号所属类别，最终实现涡流信号分类。实施例一设定核电站蒸发器传热管涡流信号可整合成10个通道，每个通道的数据包含水平分量以及垂直分量；时间窗口长度优选的参数为150个采样点；CNN网络由卷积层1、最大池化层1、卷积层2、最大池化层2、卷积层3、最大池化层3、卷积层4、最大池化层4、全连接层构成。则在本实施例中，基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法的流程图，具体包括以下步骤:A.采集一段时间内的核电站蒸发器传热管涡流数据；B.t时刻的涡流数据可以表示为(ch1x，ch1y，ch2x，ch2y，…，ch10x，ch10y)；将选定的数据完成标定处理，C.利用标定后的数据构建基于时间窗口的时间序列，该时间窗口的数据可以表示为[t1，t2，…t150]；D.对步骤C中的时间序列数据做差分处理，即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差，可表示为[t2-t1，t3-t2，…，t150-t149本文档来自技高网...

【技术保护点】
1.一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，其特征在于，其包括以下步骤：/nA.采集核电站蒸发器传热管涡流数据；/nB.对采集到的核电站蒸发器传热管涡流数据进行标定处理，建立评价基准，蒸发器传热管涡流数据包含N个通道，每个通道的数据包含水平分量以及垂直分量，将t时刻的涡流数据表示为(ch

【技术特征摘要】
1.一种基于LSTM-CNN的核电站蒸发器涡流信号类型识别方法，其特征在于，其包括以下步骤：
A.采集核电站蒸发器传热管涡流数据；
B.对采集到的核电站蒸发器传热管涡流数据进行标定处理，建立评价基准，蒸发器传热管涡流数据包含N个通道，每个通道的数据包含水平分量以及垂直分量，将t时刻的涡流数据表示为(ch1x,ch1y,ch2x,ch2y,…chNx,chNy)；
C.利用标定后的数据构建基于时间窗口的时间序列，时间窗口长度优选的参数为M个采样点，该时间窗口的数据可以表示为[t1,t2,…，tM]；
D.对步骤C中的时间序列数据做差分处理，即每个通道的当前时刻数据与上一时刻的每个通道数据各自做差，表示为[t2-t1,t3-t2,…，tM-TM-1]，即δt1,δt2,…，δtM-1；
E.LSTM网络的输入时间序列δt1,δt2,…，δtM-1，利用LSTM网络提取到时间序列特征信息；CNN网络的输入时间序列δt1,δt2,…，δtM-1，CNN网络由L个卷积层、和L个最大池化层、以及全连接层构成；融合LSTM网络与CNN网络的输出，利用三元组损失函数原...

【专利技术属性】
技术研发人员：张洋，孔玉莹，张军，唐博，林戈，丁伯愿，万象，杨乾飞，
申请(专利权)人：中广核检测技术有限公司，苏州热工研究院有限公司，中国广核集团有限公司，中国广核电力股份有限公司，
类型：发明
国别省市：广东;44