【技术实现步骤摘要】
本专利技术涉及核电密封检测，具体涉及一种基于注意力引导的生成对抗网络零样本核电密封检测方法。
技术介绍
1、核电是利用核反应堆中的核能量来产生电能的一种能源，大约20％的全球电力是由核电站产生的。近年来，随着核电的广泛应用，核电的安全性也愈发受到人们关注，其中因核泄漏而引发的安全隐患最令人们感到担忧。
2、百万千瓦级核电站反应堆主冷却剂泵（简称核主泵）是压水堆核电站冷却剂系统中的关键元件，核主泵被设置于反应堆与蒸汽发生器之间的回路上，其作用是使冷却剂在反应堆主管道和蒸汽发生器所组成的密闭系统中循环，将反应过程中的产热从反应堆传递到蒸发器，再使冷却剂循环回反应堆主管道。核主泵的泄漏量若发生异常则会影响核电设备的正常运行，容易造成严重的核事故。
3、常见的密封检测主要有流量补充法、流量收集法、压力衰减法、皂泡检漏法、水泡检漏法、超声波检漏法、示踪检漏法、抽真空升压检漏法和各种无损探伤等。然而现在的这些核电密封检测方法多依赖专业的检测人员对核心密封件进行定期检测，此过程费时费力且无法随时监测密封情况，这样会浪费大量的人力物力成本，并且在无人监测期间容易发生泄漏，可能造成灾难性事故发生。而利用深度学习来进行核电密封的故障诊断则可以实现无需专家经验的随时监测。
4、常见的深度学习需要大量的有标签的样本用来训练深度学习网络，但在实际应用中，一些故障由于时间和成本等限制，很难获得大量标注数据，从而难以通过传统的深度学习方法来完成任务；此外，尤其在核电密封故障诊断领域极其常见到这样的情况，很多会造成严重安全事
5、目前，零样本学习方法已经被用于工业故障诊断，feng等人将故障描述作为辅助知识源，利用训练故障到目标故障的属性迁移实现了零样本的工业故障诊断；xu等人提出的zlcfdm模型可以用单故障的振动信号训练来实现零样本的复合故障诊断；这些方法都是基于属性的零样本学习方法，最近，基于生成的零样本学习方法也开始出现于故障诊断。zhuo等人引入了生成对抗网络，以此设计了一个带有故障属性空间的生成模型，可以用于零样本和少样本的故障诊断；wang等人提出了的srdgan首次将广义零样本学习应用于局部放电领域，并设计sr模块解决了生成模型生成样本缺乏足够判别属性和真实性的问题。但是这些方法仍然存在瓶颈，其问题主要是零样本学习的领域漂移问题导致的特征空间与属性空间之间的对齐较差。
技术实现思路
1、本专利技术的目的在于提供一种基于注意力引导的生成对抗网络零样本核电密封检测方法，该方法采用了深度学习的方法及时诊断核电密封故障。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种基于注意力引导的生成对抗网络零样本核电密封检测方法，包括如下步骤：
4、步骤1：建立基于双向注意力引导的生成对抗网络；
5、所述基于双向注意力引导的生成对抗网络包括编码器、agan网络和验证网络；
6、所述编码器用于将数据的属性向量和特征向量编码输出一个隐向量；
7、所述agan网络是在生成对抗网络的生成器中融合多头注意力机制，agan网络包括注意力引导的条件生成器ag和条件判断器d，条件生成器ag根据输入的隐向量以数据的属性向量为条件通过多头自注意力机制引导生成伪特征向量；再通过条件判断器判断伪特征向量的真伪；
8、所述验证网络包括注意力引导的验证生成器av和验证判别器dv，验证生成器av用于验证注意力引导的条件生成器ag生成的伪特征向量的准确性，并通过验证判别器判断验证结果的准确性；
9、步骤2：训练数据的获取及处理；
10、通过全尺寸单级密封故障影响规律试验台获取步骤1建立的基于双向注意力引导的生成对抗网络的训练数据；
11、将训练数据按照零样本的类别分为可见类和不可见类，其中可见类数据具有标签信息，不可见类数据不具有标签信息，可见类特征向量集为，不可见类特征向量集为，和分别为可见类和不可见类中特征向量和的数量；其中，可见类的标签信息集；
12、利用属性向量来描述可见类和不可见类的故障属性，可见类属性向量集为，不可见类属性向量集为，其中，和分别为可见类属性向量集和不可见类属性向量集中属性向量和的数量；
13、利用故障属性对每一种核电密封故障进行了故障描述，按照故障描述利用one-hot编码获取稀疏矩阵来表示属性向量，故障属性包括故障的原因、故障的影响和故障发生的位置；
14、步骤3：训练基于双向注意力引导的对抗网络；
15、步骤3-1：采用编码器将可见类和不可见类的特征向量集和属性向量集编码生成可见类隐向量和不可见类隐向量，用于作为agan网络的条件输入；
16、步骤3-2：对agan网络的训练，其过程如下：
17、首先，采用可见类的特征向量集和属性向量集对agan网络训练，隐向量作为条件和属性向量集为输入一同输入到条件生成器ag生成伪特征向量；
18、可见类特征向量与其对应输出的伪特征向量的损失函数为：
19、，
20、式中，为kullback-leibler散度，en为编码器的映射函数，是范数归一化后特征的绝对平均误差mae，e为统计学中的求平均值；
21、再利用条件判别器区分伪特征向量的真伪，使用的wgan-gp的损失函数对真伪特征的度量；
22、<msubsup><mi>l</mi><mi>d-wgan</mi><mi>s</mi></msubsup><mi>=e</mi><mrow><mi>d</mi><mrow><msubsup><mi>f</mi><mi>i</mi><mi>s</mi></msubsup><mi>,</mi><msubsup><mi>a</mi><mi>i</mi><mi>s</mi></msubsup></mrow></mfenced></mrow></mfenced><mi>-e</mi><mrow><mi>d</mi><mrow><msubsup><mover><mi>f<本文档来自技高网...
【技术保护点】
1.一种基于注意力引导的生成对抗网络零样本核电密封检测方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.一种基于注意力引导的生成对抗网络零样本核...
【专利技术属性】
技术研发人员：谢罗峰，刘卫民，邓搏，李星霖，殷鸣，殷国富，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。