基于数字孪生的核电厂转动设备智能故障诊断方法及系统技术方案

本发明专利技术公开了一种基于数字孪生的核电厂转动设备智能故障诊断方法及系统，涉及智能核电厂技术领域，本发明专利技术通过深度学习实现数字空间与现实空间数据的互相补充，解决核电厂转动设备故障数据不充分问题；基于数据融合的思想实现诊断模型的多源数据整合，能够提高诊断结果的准确性；本发明专利技术还提出了一种数字孪生模型的更新方法，保证核电厂转动设备在运行过程中产生新工况或训练好的孪生模型无法满足要求时，可实现数字孪生模型的更新，从而保证数字孪生模型与物理空间模型的一致性。孪生模型与物理空间模型的一致性。孪生模型与物理空间模型的一致性。

【技术实现步骤摘要】
基于数字孪生的核电厂转动设备智能故障诊断方法及系统


[0001]本专利技术涉及智能核电厂
，特别是涉及一种基于数字孪生的核电厂转动设备智能故障诊断方法及系统。

技术介绍

[0002]随着人工智能技术的发展和新的发展规划、要求的不断提出，能源市场不断更新发展，核电数字化需求迫切。将深度学习、模糊神经网络与数据融合方法等人工智能方法与传统核电技术和设备的结合，是实现核电技术转型的关键途径之一。
[0003]泵、电机、汽轮机和风机等转动机械是核电厂中广泛存在的关键部件，他们在核电厂运行过程中有着重要作用，旋转机械的完整性直接影响核电厂的安全性和经济性。由于核电厂其本身的特殊性，运行中的故障数据相较于非故障数据而言样本量过小，而实验条件很难与真实运行环境相同。因此借助数字孪生模型，通过降阶技术和深度学习将实验数据与运行数据相结合，混合网络生成数据与实际运行数据，获得更为全面和准确的数字孪生模型，并通过数据融合和数字孪生模型更新技术，实现数字孪生模型与物理空间模型的一致性。将数字孪生与智能故障诊断技术相结合，对实现数字孪生框架下的核电厂转动设备智能故障诊断和数字核电具有重要意义。

技术实现思路

[0004]本专利技术的目的是提供一种基于数字孪生的核电厂转动设备智能故障诊断方法及系统，能够实现数字空间与现实空间数据的互相补充，可提高诊断结果的准确性，可实现数字孪生模型的更新，从而保证数字孪生模型与物理空间模型的一致性。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]基于数字孪生的核电厂转动设备智能故障诊断方法，包括以下步骤：
[0007]步骤1：将核电厂转动设备的运行数据和实验数据进行数据预处理；
[0008]步骤2：将步骤1得到的运行数据和实验数存储到数据库中；
[0009]步骤3：调用数据库中的运行数据和实验数据，通过SVD
‑
POD算法进行降阶处理，将核电厂转动设备的高阶数据映射到低阶空间，得到多种模式下的核电厂转动设备降阶数据；
[0010]步骤4：基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型；
[0011]步骤5：基于步骤4中构建的数字孪生模型进行动态仿真，得到核电厂转动设备的仿真数据，作为构建故障诊断模型的补充数据集，基于数据库以及补充数据集，对神经网络模型进行训练和测试，得到故障诊断模型；
[0012]步骤6：获取核电厂转动设备的多源监测实时信号，先按照步骤1和步骤3中的预处理和降阶方法进行处理后，通过D
‑
S证据理论进行数据融合；
[0013]步骤7：将进行数据融合后的数据传递到故障诊断模型中；
[0014]步骤8：若输入工况和检测结果为数据库中已有数据，则由故障诊断模型进行诊断并输出诊断结果；
[0015]步骤9：若输入工况和检测结果为未知数据，则将更新信号传送回数字孪生模型中；
[0016]步骤10：数字孪生模型接收到更新信号后建立新的工况模式和边界条件，进而更新数字孪生模型，并生成相应的孪生数据以供故障诊断模型学习、调用和验证，进一步更新故障诊断模型；
[0017]步骤11：利用更新后的故障诊断模型输出诊断结果。
[0018]进一步的，所述步骤1中数据预处理包括：去噪、归一化。
[0019]进一步的，所述步骤4，基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型，包括：
[0020]S4.1：输入核电厂转动设备降阶数据；
[0021]S4.2：生成测试集和训练集；
[0022]S4.3：将S4.2中的测试集进行抽象化，生成几何拓扑信息及边界条件，作为真实样本；
[0023]S4.4：将S4.2中的训练集进行抽象化，生成几何拓扑信息及边界条件；
[0024]S4.5：将S4.4中所生成的几何拓扑信息及边界条件输入神经网络模型，进行初始化；
[0025]S4.6：将初始化的几何拓扑信息及边界条件进行参数优化，并判断是否达到最大循环次数，若达到，则进入S4.7；若未达到，则重新进行参数优化；
[0026]S4.7：基于S4.6中参数优化结果得到训练好的深度学习模型，并得到生成样本；
[0027]S4.8：将S4.3中得到的真实样本与S4.7中得到的生成样本进行混合，得到混合样本；
[0028]S4.9：根据S4.8中得到的混合样本得到数学驱动的数字孪生模型。
[0029]进一步的，所述步骤5中，所述补充数据集还可以是数字孪生模型补充设备运行历史中从未出现过的工况数据。
[0030]进一步的，所述步骤10中，所述数字孪生模型的更新方法包括：
[0031]S10.1：输入检测结果及工况模式；
[0032]S10.2：由数字孪生模型进行验证；
[0033]S10.3：判断是否满足工况条件，若满足，则保持不变；若不满足，则进入S10.4；
[0034]S10.4：输入新的工况模式及边界条件；
[0035]S10.5：将S10.4新的工况模式及边界条件进行抽象化，生成几何拓扑信息及边界条件；
[0036]S10.6：实施更新；
[0037]S10.7：判断更新后的工况模式及边界条件是否满足迭代精度条件，若满足，则完成模型更新；若不满足，则回到S10.6。
[0038]本专利技术还提供了基于数字孪生的核电厂转动设备智能故障诊断系统，包括：数据预处理模块，用于将核电厂转动设备的运行数据和实验数据以及补充数据集进行数据预处理；
[0039]数据库：用于存储预处理后的核电厂转动设备的运行数据和实验数据，以及补充数据集；
[0040]降阶模块：用于对数据库中的运行数据和实验数据，通过SVD
‑
POD算法进行降阶处理，将转动设备的高阶数据映射到低阶空间，以得到多种模式下的核电厂转动设备降阶数据；还用于对补充数据集进行降阶处理；
[0041]数字孪生模型模块：用于生成数字孪生模型，进行训练、仿真，并根据接收更新信号后建立新的工况模式和边界条件，并更新数字孪生模型，生成相应的孪生数据以供故障诊断模型学习、调用和验证；
[0042]数据融合模块：用于将核电厂转动设备的多源监测信号实时传送到故障诊断系统中，对数据进行预处理和降阶后，通过D
‑
S证据理论进行数据融合；
[0043]数据传输模块：用于将融合得到的数据传递到基于模糊神经网络的智能故障诊断算法中；
[0044]故障诊断模块：用于判断输入工况和检测结果是否为数据库中已有数据，若是，则在现有的故障诊断模型上进行诊断并输出诊断结果；若输入工况和检测分类为未知数据，则将新的边界条件传送回数字孪生模型模块中。
[0045]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的核电厂转动设备智能故障诊断方法，其特征在于，包括以下步骤：步骤1：将核电厂转动设备的运行数据和实验数据进行数据预处理；步骤2：将步骤1得到的运行数据和实验数存储到数据库中；步骤3：调用数据库中的运行数据和实验数据，通过SVD
‑
POD算法进行降阶处理，将核电厂转动设备的高阶数据映射到低阶空间，得到多种模式下的核电厂转动设备降阶数据；步骤4：基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型；步骤5：基于步骤4中构建的数字孪生模型进行动态仿真，得到核电厂转动设备的仿真数据，作为构建故障诊断模型的补充数据集，基于数据库以及补充数据集，对神经网络模型进行训练和测试，得到故障诊断模型；步骤6：获取核电厂转动设备的多源监测实时信号，按照步骤1和步骤3中的预处理和降阶方法进行处理后，通过D
‑
S证据理论进行数据融合；步骤7：将进行数据融合后的数据传递到故障诊断模型中；步骤8：若输入工况和检测结果为数据库中已有数据，则由故障诊断模型进行诊断并输出诊断结果；步骤9：若输入工况和检测结果为未知数据，则将更新信号传送回数字孪生模型中；步骤10：数字孪生模型接收到更新信号后建立新的工况模式和边界条件，进而更新数字孪生模型，并生成相应的孪生数据以供故障诊断模型学习、调用和验证，进一步更新故障诊断模型；步骤11：利用更新后的故障诊断模型输出诊断结果。2.根据权利要求1所述的基于数字孪生的核电厂转动设备智能故障诊断方法，其特征在于，所述步骤1中数据预处理包括：去噪、归一化。3.根据权利要求1所述的基于数字孪生的核电厂转动设备智能故障诊断方法，其特征在于，所述步骤4，基于步骤3中得到的核电厂转动设备降阶数据以及深度学习算法，构建基于数据驱动的核电厂转动设备的数字孪生模型，包括：S4.1：输入核电厂转动设备降阶数据；S4.2：生成测试集和训练集；S4.3：将S4.2中的测试集进行抽象化，生成几何拓扑信息及边界条件，作为真实样本；S4.4：将S4.2中的训练集进行抽象化，生成几何拓扑信息及边界条件；S4.5：将S4.4中所生成的几何拓扑信息及边界条件输入神经网络模型，进行初始化；S4.6：将初始化的几何拓扑信息及边界条件进行参数优化，并判断是否达到最大循环次数，若达到，则进入S4.7；若未达到，则重新进行参数优化；S4.7：基于S4.6中参数优化结果得到训练好的深度学习模型，并得到生成样本；S4.8：将S4.3中得到的真实样本与...

【专利技术属性】
技术研发人员：夏虹，姜莹莹，尹文哲，周卓然，黄学颖，张津铭，张汲宇，贾朱钧，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：