[發(fā)明專利]一種核動力裝置故障診斷方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010908383.8
• 申請日: 2020-09-02
• 公開（公告）號: CN112036496A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計）人: 王航;彭敏俊;夏庚磊;夏虹;虞越;朱海山
• 申請（專利權(quán)）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G21C17/06
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 劉鳳玲

本發(fā)明涉及一種核動力裝置故障診斷方法及系統(tǒng)。所述方法包括獲取核動力裝置的運行數(shù)據(jù)；根據(jù)所述運行數(shù)據(jù)以及多個基于卷積核和長短時記憶網(wǎng)絡(luò)的基分類模型，得到多個診斷結(jié)果；采用引導聚集算法將多個診斷結(jié)果進行融合，得到目標診斷結(jié)果。本發(fā)明所提供的一種核動力裝置故障診斷方法及系統(tǒng)，提高了故障診斷模型的準確率、穩(wěn)定性和通用性。

技術(shù)領(lǐng)域

本發(fā)明涉及核動力裝置的故障診斷領(lǐng)域，特別是涉及一種核動力裝置故障診斷方法及系統(tǒng)。

背景技術(shù)

核動力系統(tǒng)結(jié)構(gòu)復雜，且具有潛在的放射性釋放危險，對于安全性有著極高的要求。因此，對于核動力系統(tǒng)的可靠性要求就非常高；同時，隨著遠海鉆井平臺、海島發(fā)電等需求，不可能在相關(guān)平臺上布置大量運行人員，因此對于核動力裝置運行的自動化和智能化水平要求非常高，對于少人值守和無人值守的需求較為強烈。核動力系統(tǒng)運行環(huán)境惡劣，系統(tǒng)關(guān)鍵設(shè)備在長期連續(xù)工作，極容易發(fā)生故障，如若出現(xiàn)故障而不能及時發(fā)現(xiàn)并維修，可能會導致嚴重的放射性后果，危急運行人員和公眾的生命安全。因此，研究核動力裝置系統(tǒng)和設(shè)備的的故障診斷方法，對于提高核動力裝置安全可靠性具有重要意義。

在1967年，由美國海軍研究室成立了機械故障預防小組，從此開始了故障診斷技術(shù)的研究工作；國的故障診斷技術(shù)相關(guān)研究起步于80年代初，目前已經(jīng)形成了相對完善的理論體系。21世紀初，美國專家VenkatV.將故障診斷方法重新劃分為基于定量模型方法、基于定性模型方法及基于歷史數(shù)據(jù)方法三類，如圖3所示。國外方面，Santosh研究了神經(jīng)網(wǎng)絡(luò)在核電廠始發(fā)事件識別上的應(yīng)用，并對比了幾種學習算法，得出了彈性BP算法為最優(yōu)學習算法的結(jié)論，Marseguerra研究了核電廠瞬態(tài)的模糊識別，Zio提出改進的模糊聚類方法用于對核電廠設(shè)備的瞬態(tài)進行分類識別；Gome等采用高斯徑向基神經(jīng)網(wǎng)絡(luò)對壓水堆電廠事故進行分析，Sinuhe應(yīng)用基于人工神經(jīng)網(wǎng)絡(luò)檢測鈉冷快堆的堆芯組件堵塞故障，提出一種jump型的多層神經(jīng)網(wǎng)絡(luò)，利用兩個神經(jīng)網(wǎng)絡(luò)分別用來動態(tài)識別和驗證識別的結(jié)果。Seker提出應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)監(jiān)測高溫氣冷堆的異常。Jose研究粒子群優(yōu)化算法在核電廠中的故障識別。

國內(nèi)方面，哈爾濱工程大學的辛成東研究了BP神經(jīng)網(wǎng)絡(luò)在核動力裝置故障診斷中的應(yīng)用，劉永闊將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)引入核動力裝置故障診斷系統(tǒng)中，并應(yīng)用數(shù)據(jù)融合做全局診斷，提出分布式診斷策略。鄧偉采用遺傳算法進行系統(tǒng)級故障診斷。華北電力大學的馬良玉等在高壓給水系統(tǒng)故障診斷中研究Elman神經(jīng)網(wǎng)絡(luò)對特征參數(shù)應(yīng)達值進行實時預測方法研究，白士紅研究了蟻群算法在故障診斷中的應(yīng)用，段孟強研究了基于入侵野草算法的核動力裝置故障診斷算法。

伴隨著計算機及人工智能技術(shù)的發(fā)展、核動力裝置數(shù)字化和信息化的普及、核工業(yè)對于數(shù)據(jù)積累和數(shù)據(jù)價值的重視，數(shù)據(jù)驅(qū)動的智能故障診斷方法逐漸成為主流。目前，故障診斷研究主要集中在以下兩個方面：

(1)多種診斷策略的融合；對于復雜系統(tǒng)和設(shè)備而言，對其進行綜合診斷，需要多種參數(shù)共同分析，才能對其運轉(zhuǎn)狀況做出診斷。因此，單一模型很難達到最優(yōu)性能，因此需要組合或集成多種方法形成多策略混合模型，相比于單一模型，可以獲得更優(yōu)的性能。而近年來，典型的成果如：模糊理論、故障樹、神經(jīng)網(wǎng)絡(luò)、分形技術(shù)等理論技術(shù)相互結(jié)合形成了小波神經(jīng)網(wǎng)絡(luò)、分型神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)等多種診斷方法。這些理論之間的相互借鑒融合，提高了故障診斷的精度。

(2)基于深度學習的智能故障診斷。深度學習具有強大的特征學習能力，在數(shù)據(jù)足夠多的情況下能夠?qū)υ紨?shù)據(jù)更深度地挖掘其中隱含的信息，因此不需要像機器學習算法那樣人為選定特征，可以避免人為選定特征不確定性過大的問題。多名學者采用自編碼器或卷積神經(jīng)網(wǎng)絡(luò)進行了故障模式分類并取得了一定的效果，但是沒有考慮故障后的時序特性；研究人員也將近年來比較流行的單向或雙向長短時記憶網(wǎng)絡(luò)應(yīng)用到設(shè)備故障診斷中，取得了比機器學習準確率高很多的結(jié)果。

由于故障發(fā)生后特征參數(shù)呈現(xiàn)一定規(guī)律和周期性的異常波動，傳統(tǒng)機器學習和大多數(shù)深度學習方法只關(guān)注某一時刻的輸入特征而不考慮數(shù)據(jù)之間的關(guān)聯(lián)性和時序性問題。