一种核反应堆主循环泵轴位移故障检测方法技术

本发明专利技术属于故障检测技术领域，具体涉及一种核反应堆主循环泵轴位移故障检测方法。包括如下步骤：第一步：通过监测设备获取主泵轴位移数据；第二步：进行数据滑动窗口采样；第三步：进行数据增强，在滑动窗口两侧增加长度为m的填充数据；第四步：将数据集输入谱残差网络，进行显著性研究，提取数据谱残差值；第五步：将谱残差数据输入DAGMM网络，进行异常检测；第六步：通过数据分析对比，输出异常检测结果。有益效果在于：(1)谱残差网络技术手段，实现了对主泵轴位移数据进行显著性研究，将正常数据与异常数据成功区分开。可提高异常检测的准确性，避免了异常检测过程中的误判。避免了异常检测过程中的误判。避免了异常检测过程中的误判。

【技术实现步骤摘要】
一种核反应堆主循环泵轴位移故障检测方法


[0001]本专利技术属于故障检测
，具体涉及一种核反应堆主循环泵轴位移故障检测方法。

技术介绍

[0002]核反应堆冷却剂主循环泵又称核主泵，位于一回路的反应堆与蒸汽发生器之间，是反应堆冷却剂系统的压力边界和主要设备之一，也是一回路主系统中唯一高速旋转的设备。主泵位于核岛心脏部位，用来将热水泵入蒸发器转换热能，是核电运转控制水循环的关键，其稳定运行性能直接影响着核电站的效益。测量主泵的轴位移是评价主泵的振动、评价主泵是否可以长期安全运行的重要手段。
[0003]目前对主泵轴位移的异常检测技术仅仅进行单一的历史频谱分析。其方法主要通过对比就地临时辅助测量频谱与在线数据频谱，分析在线轴位移测量值。该方法对主泵位移异常检测太过单一，检测效率低下且容易造成主泵轴位移异常误判。
[0004]另外，由于主泵轴位移数据受到多种因素的影响，例如核反应堆内部流体的压力变化、液体流动的不稳定性等，导致数据集中存在着较大的波动。这些波动使得异常数据和正常数据难以区分，传统的异常检测算法无法有效处理此类数据，从而造成异常检测结果的误判。此外，主泵轴位移数据集的数量通常非常庞大，传统的异常检测算法可能会受到计算和存储的限制，导致无法有效地处理大规模的数据集。

技术实现思路

[0005]本专利技术的目的是提供一种核反应堆主循环泵轴位移故障检测方法，应用人工智能算法通过深度挖掘主泵历史轴位移数据，实现对主泵轴位移异常波动的及时准确识别，从而提高核反应堆的运行效率和安全性
[0006]本专利技术的技术方案如下：一种核反应堆主循环泵轴位移故障检测方法，包括如下步骤：
[0007]第一步：通过监测设备获取主泵轴位移数据；
[0008]第二步：进行数据滑动窗口采样；
[0009]第三步：进行数据增强，在滑动窗口两侧增加长度为m的填充数据；
[0010]第四步：将数据集输入谱残差网络，进行显著性研究，提取数据谱残差值；
[0011]第五步：将谱残差数据输入DAGMM网络，进行异常检测；
[0012]第六步：通过数据分析对比，输出异常检测结果。
[0013]所述的第二步为采用滑动窗口对同步信号进行辨识，采用长度为k，步长为j的滑动窗口对原始训练数据与测试数据进行采样。
[0014]所述的第三步为采用在每个滑窗两侧添加若干个估计数，估计值计算公式如下：
[0015][0016][0017]其中，g(x
i
,x
j
‑
i
)为x
j
与x
j
‑
i
两点的梯度，x
j
为当前数据，x
j
‑
i
为前i个数据，m为添加数据的个数，为估计值，x
j
‑
m+1
为第
j
‑
m+1
号数据，x
j+1
为增强数据。
[0018]所述的第四步包括以下步骤：
[0019]步骤1：对于某一主泵轴位移历史数据集x
n
，取e个长度为w的时间窗口，即采样点个数为w；
[0020]步骤2：确定根每个滑窗两端数据增强需要的数据个数b，计算x
b
与x'
b
；
[0021]步骤3：采用傅里叶变换，获取振幅谱A(f)以及相位谱P(f)；
[0022]步骤4：根据振幅谱A(f)求数据的谱残差，谱残差为图像Log谱与平均频谱的差值；
[0023]步骤5：最后根据残差谱R(f)与先验信息中的相位谱P(f)进行傅里叶逆变换，就能够得到输入图像的显著性谱S(f)，具体公式如下所示：
[0024][0025]式中：ξ(x)为傅立叶变换，Amplitude与Phrase分别为计算幅值与相位角度，L(f)为对A(x)取对数，AL(f)是对L(f)取平均值，iP(f)是P(f)数值作为虚数，S(x)为谱残数据，h
q
(f)为求均值矩阵，q为ξ(x)长度，具体表达式为：
[0026][0027]所述的第五步中深度自编码高斯混合模型包括降维网络和异常检测网络。
[0028]所述的降维网络通过深度自编码器将数据维度压缩，具体过程如下：
[0029]步骤1：使用自编码器的编码部分将输入数据X进行压缩，得到z
c
；
[0030]z
c
＝h(x；θ
e
)
[0031]式中：h(
·
)代表深度自编码器的编码部分，θ
e
是深度自编码器参数，z
c
为编码数据；
[0032]步骤2：使用自编码器的解码部分对已降维数据重构得x'，计算重构误差z
r
；
[0033]x'＝g(z
c
；θ
d
)
[0034]z
r
＝f(x,x')
[0035]式中：g(
·
)代表深度自编码器解码部分，θ
d
是深度自解码器参数，z
r
为重构数据；
[0036]步骤3：深度自编码器解码后的低维数据z
c
与重构误差z
r
结合，作为异常检测网络输入；
[0037]z＝[z
c
,z
r
]。
[0038]所述的异常检测网络采用多层感知机将异常检测网络和数据降维网络联合训练，将数据降维网络得到的低微数据z输入多层感知机，多层感知机最后输出层激活函数为softmax()，公式如下所示：
[0039]p＝MLP(z；θ
m
)
[0040][0041]式中：P由带θ
m
参数的多层感知机的输出，是经过P经过softmax激活函数后的输出；
[0042]当高斯混合模型中的高斯部件个数为K时，利用与样本数量N更新混合高斯模型参数，公式如下所示：
[0043][0044][0045][0046]式中：φ
k
，μ
k
，∑k分别表示混合高斯模型中的混合概率，平均值，协方差，N为样本数量，k为高斯模型个数，y
ik
表示在k个高斯模型中第i个数据的分类结果；
[0047]似然函数评价参数计算公式如下：
[0048][0049]采用端对端的联合训练结构，训练的目标方程如下：
[0050][0051]式中：L(x
i
,x'
i
)为损失函数，代表深度自编码器的重构误差，E(z)为似然函数损失，λ1与λ2是模型的固定参数。
[0052]采用DAGMM网络故障检测模型构建轴位移数据高斯概率分布，通过判断样本点是否超出分布来进行对数据点进行判断是否本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种核反应堆主循环泵轴位移故障检测方法，其特征在于，包括如下步骤：第一步：通过监测设备获取主泵轴位移数据；第二步：进行数据滑动窗口采样；第三步：进行数据增强，在滑动窗口两侧增加长度为m的填充数据；第四步：将数据集输入谱残差网络，进行显著性研究，提取数据谱残差值；第五步：将谱残差数据输入DAGMM网络，进行异常检测；第六步：通过数据分析对比，输出异常检测结果。2.如权利要求1所述的一种核反应堆主循环泵轴位移故障检测方法，其特征在于：所述的第二步为采用滑动窗口对同步信号进行辨识，采用长度为k，步长为j的滑动窗口对原始训练数据与测试数据进行采样。3.如权利要求1所述的一种核反应堆主循环泵轴位移故障检测方法，其特征在于：所述的第三步为采用在每个滑窗两侧添加若干个估计数，估计值计算公式如下：的第三步为采用在每个滑窗两侧添加若干个估计数，估计值计算公式如下：其中，g(x
i
,x
j
‑
i
)为x
j
与x
j
‑
i
两点的梯度，x
j
为当前数据，x
j
‑
i
为前i个数据，m为添加数据的个数，为估计值，x
j
‑
m+1
为第j
‑
m+1号数据，x
j+1
为增强数据。4.如权利要求1所述的一种核反应堆主循环泵轴位移故障检测方法，其特征在于，所述的第四步包括以下步骤：步骤1：对于某一主泵轴位移历史数据集x
n
，取e个长度为w的时间窗口，即采样点个数为w；步骤2：确定根每个滑窗两端数据增强需要的数据个数b，计算x
b
与x'
b
；步骤3：采用傅里叶变换，获取振幅谱A(f)以及相位谱P(f)；步骤4：根据振幅谱A(f)求数据的谱残差，谱残差为图像Log谱与平均频谱的差值；步骤5：最后根据残差谱R(f)与先验信息中的相位谱P(f)进行傅里叶逆变换，就能够得到输入图像的显著性谱S(f)，具体公式如下所示：式中：ξ(x)为傅立叶变换，Amplitude与Phrase分别为计算幅值与相位角度，L(f)为对A(x)取对数，AL(f)是对L(f)取平均值，iP(f)是P(f)数值作为虚数，S(x)为谱残数据，h
q
(f)为求均值矩阵，q为ξ(x)长度，具体表达式为：
5.如权利要求1所述的一种核反应堆主循环泵轴位移故障检测方法，其特征在于：所述的第五步中深度自编码高斯混合模型包括降维网...

【专利技术属性】
技术研发人员：许勇，黄显煊，王五妹，李德银，钱双龙，宋秀臣，周诗光，王岩，詹诺，杨汝贞，宋林，
申请(专利权)人：福建福清核电有限公司，
类型：发明
国别省市：