[發明專利]一種綜合式核動力裝置系統級故障診斷方法

有效

• 申請號: 202011080818.0
• 申請日: 2020-10-11
• 公開（公告）號: CN112199890B
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 夏虹;王志超;彭彬森;楊波;朱少民;張汲宇;姜瑩瑩
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/2411;G06N3/006;G06N20/10;G06F111/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種綜合式核動力裝置系統級故障診斷方法，其特征在于，具體包括以下步驟：

步驟1：采集核動力裝置在穩態以及典型事故下的仿真運行數據，綜合得到的各參數時間序列并存儲在歷史訓練庫中；

所述歷史訓練庫需將采集到的數據經過一系列的數據預處理，包括剔除無法反映故障信息的參數以及參數標準化處理；

步驟2：在核動力裝置的運行中，數據采集系統通過傳感器將系統級參數運行數據存儲在實時運行數據庫中，并對其進行步驟1中的數據預處理操作；

步驟3：利用最小二乘支持向量機學習歷史訓練庫中運行數據以建立故障診斷模型，該模型辨識正常狀態以及典型故障類型；

步驟4：在核動力裝置運行期間，將運行數據庫中采集到的實時參數輸入至訓練好的故障診斷模型中，最終辨識出故障類型；

步驟5：針對步驟4中不同故障類型，利用歷史訓練庫中不同故障程度的數據輸入至高斯過程回歸模型中進行訓練，并采用粒子群優化算法來搜尋最優超參數，以得到不通故障的程度評估模型；

步驟6：在步驟4中診斷出不同類型的故障后，隨即將此時運行數據輸入至訓練好的粒子群優化-高斯過程回歸(PSO-GPR)的故障程度評估模型中，評估實時的故障程度值，并最終顯示在人機界面中。

2.根據權利要求1所述的綜合式核動力裝置系統級故障診斷方法，其特征在于，所述的歷史訓練庫中包含的工況有正常工況、冷卻劑喪失事故、安全殼外蒸汽管道破裂事故、安全殼內蒸汽管道破裂事故、蒸汽發生器傳熱管破裂事故以及甩負荷事故。

3.根據權利要求1所述的綜合式核動力裝置系統級故障診斷方法，其特征在于，所述的數據預處理采用最大差分方法，其計算公式如下：

式中，x^*(t)為歸一化后的t時刻的各參數值x(t)，x_min(t)及x_max(t)為t時刻的最小及最大參數值。

4.根據權利要求1所述的綜合式核動力裝置系統級故障診斷方法，其特征在于，所述利用最小二乘支持向量機學習歷史訓練庫中運行數據以建立故障診斷模型，該模型辨識正常狀態以及典型故障類型；

步驟1：對核動力裝置各參數組成的樣本集S＝{(x_i,y_i),i＝1,2,…,l}，x_i∈Rⁿ是輸入數據，y_i∈Rⁿ是對應的輸出數據，在建立故障診斷模型中，首先將模型訓練轉化為最小化結構風險及其滿足的約束條件；

步驟2：步驟1中對應的Lagrange函數為：

式中：α_i＝R是拉格朗日乘子，α＝[α₁,…,α_l]^T∈R^l；e＝[e₁,…,e_l]^T∈R^l；ω∈H是權值向量；b∈R是偏置項；e_i∈R是誤差變量；

步驟3：根據優化條件并消除步驟2中變量ω，e，得到的故障診斷模型為

其中，核函數K(x,x_i)選用徑向基核函數。

5.根據權利要求1所述的綜合式核動力裝置系統級故障診斷方法，其特征在于，所述的粒子群優化-高斯過程回歸的故障評估程度模型的建立包含以下步驟：

步驟1：初始化粒子群優化算法的模型參數，包括確定粒子種群、最大迭代次數、粒子初速度及初始位置，在迭代中每個粒子代表一個潛在的模型；

步驟2：將不同粒子，即不同的高斯過程回歸模型進行訓練和測試，并計算出每個粒子個體的適應度值f_i；

步驟3：將步驟2中的適應值f_i與粒子迭代歷史中的個體極值pbest_i,j(t)進行比較，如果前者小于后者，則用新的適應值取代前一輪的pbest_i,j(t)，用新的粒子取代前一輪的粒子；

步驟4：將每個粒子的個體極值pbest_i,j(t)與所有粒子的全局極值gbest_i,j(t)進行比較；如果pbest_i,j(t)gbest_i,j(t)，則用該粒子的最佳適應值取代原有全局最佳適應值，同時保存粒子的當前狀態；

步驟5：當迭代滿足預設步數時結束程序并返回當前適應值最小的粒子，找到最優解；如不滿足，再進行新一輪迭代，更新粒子的位置和速度，即產生新的粒子，返回到步驟2，直到滿足最大迭代步，算法結束并得到基于粒子群優化的高斯過程回歸的故障程度評估模型。