[發明專利]一種核動力裝置故障的診斷方法及系統

有效

• 申請號: 202010909121.3
• 申請日: 2020-09-02
• 公開（公告）號: CN112016251B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 王航;彭敏俊;鄧強;夏庚磊;夏虹;劉永闊
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06N3/0464;G06N3/048;G06N3/049;G06N3/045;G06N3/09;G06N20/20
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉鳳玲

1.一種核動力裝置故障的診斷方法，其特征在于，包括：

獲取核動力裝置的歷史運行數據以及實際運行數據，并基于所述歷史運行數據對所述實際運行數據的故障狀態進行分類，確定所述實際運行數據的狀態類別；其中，所述實際運行數據包括反應堆冷卻劑系統中穩壓器的壓力、波動管的溫度、蒸汽發生器一次側出口的流量、堆芯進出口的溫度、蒸汽發生器二次側水位、給水溫度和給水流量、蒸汽產量和蒸汽溫度、化容系統的上充流量、下泄流量以及容積控制箱的水位；所述故障類別包括冷管段微破裂、熱管段微破裂LOCA、穩壓器汽空間破裂、下泄管線泄漏、再生式熱交換器管側泄漏、穩壓器誤噴淋、穩壓器加熱器誤啟動、上充管線泄漏、再生式熱交換器管側泄漏以及容控箱泄漏；

對所述實際運行數據進行相空間重構，確定重構后的實際運行數據；

建立小卷積核堆疊形成的時間卷積網絡模型；

基于所述時間卷積網絡模型，利用所述重構后的實際運行數據以及所述狀態類別構建時間卷積網絡基分類器；

根據5個所述時間卷積網絡基分類器確定次級分類器的次級分類器訓練集以及次級分類器測試集；

利用所述次級分類器訓練集對所述次級分類器進行訓練，利用所述次級分類器測試集對所述次級分類器進行測試，確定堆棧泛化集成學習模型；

根據所述堆棧泛化集成學習模型對所述核動力裝置進行故障診斷，輸出故障類別。

2.根據權利要求1所述的核動力裝置故障的診斷方法，其特征在于，所述對所述實際運行數據進行相空間重構，確定重構后的實際運行數據，之前還包括：

對所述實際運行數據進行歸一化處理，將同一實際運行數據的數據值映射到[0,1]之間。

3.根據權利要求1所述的核動力裝置故障的診斷方法，其特征在于，所述基于所述時間卷積網絡模型，利用所述重構后的實際運行數據以及所述狀態類別構建時間卷積網絡基分類器，具體包括：

將所述時間卷積網絡模型內的激活函數調整為Leaky ReLU激活函數，確定調整后的時間卷積網絡模型；所述小卷積核為低于卷積核尺寸閾值的卷積核；

對所述調整后的時間卷積網絡模型進行的dropout操作，并將殘差卷積結構添加到dropout操作后的時間卷積網絡模型中，將輸入數據和輸出結果形成串并聯結構；所述輸入數據包括所述重構后的實際運行數據的時序長度、單個所述重構后的實際運行數據的長度以及單個所述重構后的實際運行數據的寬度；所述輸出結果為經含有所述殘差卷積結構的時間卷積網絡模型處理后的實際運行數據；

采用交叉熵損失函數作為含有串并聯結構的時間卷積網絡模型的損失函數，并利用所述重構后的實際運行數據以及所述狀態類別對所述含有串并聯結構的時間卷積網絡模型訓練，構建時間卷積網絡基分類器。

4.根據權利要求1所述的核動力裝置故障的診斷方法，其特征在于，所述時間卷積網絡模型利用公式進行特征提取；其中，其中l為第l卷積層，k^l為卷積核，b^l為偏置參數，x^l為第l層的輸出，x^l-1為第l-1層的輸入，M為特征圖，f為映射函數，x為輸入的實際運行數據。

5.根據權利要求1所述的核動力裝置故障的診斷方法，其特征在于，所述根據5個所述時間卷積網絡基分類器確定次級分類器的次級分類器訓練集以及次級分類器測試集，具體包括：

將所述重構后的實際運行數據以及所述狀態類別作為訓練樣本集劃分為所述時間卷積網絡基分類器的基分類器訓練集以及基分類器測試集；

利用所述基分類器訓練集對所述時間卷積網絡基分類器進行訓練，確定所述基分類器訓練集的預測值，并將所述基分類器訓練集的預測值作為次級分類器訓練集；

利用所述基分類器測試集對所述時間卷積網絡基分類器進行測試，確定所述基分類器測試集的預測值，并將每個所述時間卷積網絡基分類器對應的所述基分類器測試集的預測值的加權平均值作為次級分類器測試集。