一种基于时序分层聚合网络的控制棒驱动机构寿命预测方法技术

本发明专利技术公开了一种基于时序分层聚合网络的控制棒驱动机构寿命预测方法，涉及控制棒驱动机构信号的退化特征提取、退化指标预测以及剩余寿命预测，本发明专利技术公开了一种控制棒驱动机构退化程度预测及寿命预测的方法，其技术方案包括：基于t分布随机邻近嵌入(t

【技术实现步骤摘要】
一种基于时序分层聚合网络的控制棒驱动机构寿命预测方法


[0001]本专利技术涉及基于时序分层聚合网络的控制棒驱动机构寿命预测方法设计。

技术介绍

[0002]控制棒驱动机构通常由电动机、传动装置组成，是核反应堆控制系统和安全保障系统的重要组成部分，用于控制控制棒的提升、下降和保持，进而控制反应堆链式反应的反应速率，完成核反应堆的启停、功率调节、功率维持，控制棒驱动机构的失效会对反应堆安全运行造成极大威胁。对控制棒驱动机构的剩余寿命进行准确预测可以帮助反应堆维护人员科学安排维护和更换周期，及时检测潜在故障，并采取相应措施，对保障反应堆的安全稳定运行非常重要。因此，本专利技术着重解决智能预测控制棒驱动机构的退化程度与剩余寿命，设计了一种基于时序分层聚合网络的控制棒驱动机构寿命预测方法。

技术实现思路

[0003]本专利技术要解决的问题是控制棒驱动机构的失效及寿命预测，设计基于时序分层聚合网络的控制棒驱动机构寿命预测方法，实现对控制棒驱动机构的退化特征分析以及剩余寿命预测。
[0004]本专利技术解决所述问题采用的技术方案是，为了提取驱动机构的退化特征，分别提取了8种时域特征和8种频域特征，并设计了基于t分布邻近嵌入(t
‑
SNE)算法的特征降维方法；为了提高驱动机构退化指标预测的前瞻性和准确性，设计了时序分层聚合预测网络；为了适应退化指标的非单调特性，设计了基于长短时记忆(LSTM)网络的动态阈值预测网络。
[0005]所述的基于时序分层聚合网络的控制棒驱动机构寿命预测方法设计，包括基于t
‑
SNE算法的特征提取及降维方法设计、时序分层聚合网络设计、动态阈值预测网络设计。
[0006]所述基于t
‑
SNE算法的特征提取及降维方法设计，从采集到的控制棒驱动机构原始信号中提取8种时域特征、8种频域特征，得到退化特征序列{x1,x2…
x
N
}，其中由下式定义其中任意数据点x
i
和x
j
之间分布的条件概率p
i|j
和p
j|i
，以及联合分布概率p
ij
：
[0007][0008][0009][0010]式中，σ
i
是以数据点x
i
为中心的高斯分布方差，N是特征序列长度，初始化{y1,y2…
y
N
}为低维嵌入点，任意嵌入点之间的联合分布q
ij
可以定义为下式：
[0011][0012]用KL散度来衡量低维嵌入点和高维数据点分布的相似性，使用梯度下降优化KL散度，最终得到降维后的低维嵌入点。KL散度的定义如下：
[0013][0014]所述时序分层聚合网络设计，设计了基于序列的门控循环单元(GRU)预测网络,并应用时间分层聚合预测机制，对退化指标序列进行预测。其中基于序列的GRU预测网络使用了一个GRU网络作为编码器，一个GRU网络作为解码器，在进行预测时输入长度为N的已知序列，输出长度也为N的预测序列。其中编码器满足下式。
[0015][0016][0017][0018][0019]其中t∈{1,2,
…
N}，N表示输入序列的长度，表示更新门权值，σ表示sigmoid函数，表示用于计算更新门权值的感知器权重，表示上一时刻的隐藏状态，表示当前时刻输入信息，表示重置门权值，示用于计算重置门权值的感知器权重，表示候选隐藏状态，表示传递到下一时刻的隐藏状态，解码器满足下式：
[0020][0021][0022][0023][0024][0025][0026][0027]其中t∈{1,2,
…
N}，N表示输入序列的长度，表示编码器的最后一个输入信号，h
out
表示编码器最后一个时刻最后一层隐藏层的值，concatenate函数表示将函数的两个一维矩阵拼接，表示更新门权值，σ表示sigmoid函数，表示用于计算更新门权值的感知器权重，表示上一时刻的隐藏状态，表示当前时刻输入信息，表示重置门权值，示用于计算重置门权值的感知器权重，表示候选隐藏状态，表示传递到下一时刻的隐藏状态,表示当前时刻的输出，W
output
表示用于计算输出的全连接层权重，将从x
a
到x
b
的序列记为X
a～b
，已知的退化指标序列可表示为矩阵X
1～N
，训练四个基于序列的GRU预测网络SP1、SP2、SP4、SP8，分别向后预测N步、2N步、4N步和8N步，假设需要由已知退化指标序列X
1～N
向后预测p步得到X
pN+1～(p+1)N
，用n1、n2、n4、n8分别表示使用SP1、SP2、SP4、SP8网络的次数，所需的预测步骤为
[0028]X
pN+1～(p+1)N
＝SP1(
…
SP2(
…
SP4(
…
SP8(X
1～N
))))
[0029]且满足
[0030][0031]所述动态阈值预测网络设计，动态阈值预测网络输出的计算公式如下式所示：
[0032]i
t
＝sigmoid(W
xi
x
t
+W
hi
h
t
‑1+W
ci
c
t
‑1+b
i
)
[0033]f
t
＝sigmoid(W
xf
x
t
+W
hf
h
t
‑1+W
cf
c
t
‑1+b
f
)
[0034]c
t
＝f
t
c
t
‑1i
t
tanh(W
xc
x
t
+W
hc
h
t
‑1+b
c
)
[0035]o
t
＝sigmoid(W
xo
x
t
+W
ho
h
t
‑1+W
co
c
t
+b
o
)
[0036]h
t
＝o
t
tanh(c
t
)
[0037]其中x
t
表示当前时刻输入，h
t
‑1为上一时刻隐藏层状态，c
t
‑1为上一时刻单元状态，c
t
为当前时刻单元状态，o
t
为当前时刻输出，i
t
为输入门权值，W
xi
、W
hi
、W
c本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑基于时序分层聚合网络的控制棒驱动机构寿命预测方法设计，具体包括：基于t
‑
SNE算法的特征提取及降维方法设计、时序分层聚合网络设计、动态阈值预测网络设计。2.根据权利要求1所述的基于t
‑
SNE算法的特征提取及降维方法设计，其特征在于：设计了一种提取控制棒驱动机构信号中时域、频域特征的方法，并使用t
‑
SNE算法对退化信号特征进行降维，该方法从采集到的控制棒驱动机构原始信号中提取8种时域特征、8种频域特征，得到退化特征序列{x1,x2…
x
N
}，其中任意数据点x
i
和x
j
之间的条件概率p
i|j
和p
j|i
及联合概率p
ij
如下：如下：如下：式中，σ
i
是以数据点x
i
为中心的高斯分布方差，N是特征序列长度，初始化{y1,y2…
y
N
}为低维空间中的嵌入点，任意嵌入点y
i
和y
j
之间的联合分布q
ij
可以定义为下式：用KL散度来衡量低维嵌入点和高维数据点分布的相似性，使用梯度下降优化KL散度，最终得到降维后的低维嵌入点。3.根据权利要求1所述的时序分层聚合网络设计，其特征在于：由4个基于序列的门控循环单元(GRU)预测网络组成，采用时间分层聚合预测机制对特征序列进行预测，基于序列的GRU预测网络由编码器和解码器组成，其中编码器满足下式：的GRU预测网络由编码器和解码器组成，其中编码器满足下式：的GRU预测网络由编码器和解码器组成，其中编码器满足下式：的GRU预测网络由编码器和解码器组成，其中编码器满足下式：其中t∈{1,2,
…
N}，N表示输入序列的长度，表示更新门权值，σ表示sigmoid函数，表示用于计算更新门权值的感知器权重，表示上一时刻的隐藏状态，表示当前时刻输入信息，表示重置门权值，示用于计算重置门权值的感知器权重，表示候选隐藏状态，表示传递到下一时刻的隐藏状态，解码器满足下式：表示传递到下一时刻的隐藏状态，解码器满足下式：表示传递到下一时刻的隐藏状态，解码器满足下式：表示传递到下一时刻的隐藏状态，解码器满足下式：表示传递到下一时刻的隐藏状态，解码器满足下式：表示传递到下一时刻的隐藏状态，解码器满足下式：表示传递到下一时刻的隐藏状态，解码器满足下式：
其中t∈{1,2,
…
N}，N表示输入序列的长度，表示编码器的最后一个输入信号，h
out
表示编码器最后一个时刻最后一层隐藏层的值，concatenate函数表示将两个一维矩阵拼接，表示更新门权值，σ表示sigmoid函数，表示用于计算更新门权值的感知器权重，表示上一时刻的隐藏状态，表示当前时刻输入信息，表示重置门权值，表示用于计算重置门权值的感知器权重，表示候选隐藏状态，表示传递到下一时刻的隐藏状态,表示当前时刻的输出，W
output
表示用于计算输出的全连接层权重，将从x
a
到x
b
的时序序列记为X
a～b
，已知的退化指标序列可表示为矩阵X
1～N
，训练四个预测网络SP1、SP2、SP4、SP8，分别向后预测N、2N、4N和8N步，假设需要由已知退化指标序列X
1～N
向后预测p步，用n1、n2、n4、n8分别表示使用SP...

【专利技术属性】
技术研发人员：李猛，王梓旭，刘志龙，陈勇，王建川，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：