[發明專利]基于多源信息強化學習蒸汽發生器給水系統診斷方法

有效

• 申請號: 202011551035.6
• 申請日: 2020-12-24
• 公開（公告）號: CN112684778B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 馮毅;李獻領;鄭偉;周宏寬;鄒海;柯志武;陶模;陳朝旭;劉偉;林原勝;張克龍;趙振興;代路
• 申請（專利權）人: 武漢第二船舶設計研究所（中國船舶重工集團公司第七一九研究所）
• 主分類號: G05B23/02
• 分類號: G05B23/02;G21D3/06
• 代理公司: 武漢東喻專利代理事務所(普通合伙) 42224
• 代理人: 張英

1.一種基于多源信息強化學習蒸汽發生器給水系統故障診斷方法，其特征在于，所述方法包括：

對所述蒸汽發生器給水系統中蒸汽發生器、給水泵和給水閥進行狀態監測，獲取多個狀態信息；基于信息源類型分別對多個所述狀態信息進行第一特征向量的提取，第一特征向量的提取具體包括：根據小波變換方法提取瞬變狀態信息的第一特征向量，所述瞬變狀態信息包括給水泵速度和給水泵加速度；根據模態分解方法提取漸變狀態信息的第一特征向量，所述漸變狀態信息包括蒸汽發生器進水口流量、蒸汽發生器進水口壓力和給水閥開度；根據去趨勢波動分析方法提取緩變狀態信息的第一特征向量，所述緩變狀態信息包括蒸汽發生器進水口溫度；

所述狀態信息包括蒸汽發生器進水口溫度、蒸汽發生器進水口流量、蒸汽發生器進水口壓力、給水泵速度、給水泵加速度和給水閥開度；所述信息源類型為瞬變狀態信息、漸變狀態信息和緩變狀態信息；

根據第一特征向量將關聯的狀態信息聚類形成多個特征信息簇；再將多個所述特征信息簇進行非線性融合，降維獲得多個第二特征向量；

將多個所述第二特征向量集成建立二維特征矩陣，使用卷積神經網絡對所述特征矩陣進行深度學習，提取狀態特征向量；

建立數據分析模型體系，所述數據分析模型體系包括強化學習網絡模型、價值評價網絡模型以及策略優化網絡模型；

所述強化學習網絡模型根據所述狀態特征向量進行故障類型的診斷，并根據診斷結果觸發控制信號，所述蒸汽發生器、給水泵或給水閥根據相應控制信號進行狀態參數的調控；將狀態特征向量輸入訓練好的強化學習網絡模型獲得所述蒸汽發生器、給水泵和給水閥的狀態診斷結果；以及，通過所述狀態特征向量對所述強化學習網絡模型進行反復訓練和迭代；

所述價值評價網絡模型通過對當前所述狀態信息和基于該狀態信息觸發的控制信號進行價值評價，獲得價值評價信號；

所述策略優化網絡模型通過所述控制信號和價值評價信號觸發獎賞信號，根據所述獎賞信號調整所述強化學習網絡模型中的學習策略和參數；

將狀態特征向量輸入至所述數據分析模型體系進行故障類型的診斷，并對相應蒸汽發生器、給水泵或給水閥的狀態參數進行評價和調控。

2.根據權利要求1所述的基于多源信息強化學習蒸汽發生器給水系統故障診斷方法，其特征在于，所述根據第一特征向量將關聯的狀態信息聚類形成多個特征信息簇包括：

根據所述第一特征向量，采用最大信息系數、最大不對稱性、最大邊值指標作為評估指標，獲取不同信息源類型之間關聯系數；

根據所述關聯系數判定多個所述狀態信息間關聯性，并將具有關聯的狀態信息聚類形成多個特征信息簇。

3.根據權利要求1所述的基于多源信息強化學習蒸汽發生器給水系統故障診斷方法，其特征在于，所述再將多個所述特征信息簇進行非線性融合，降維獲得多個第二特征向量包括：

根據流形學習理論對信息簇內的多組狀態信息所構成的數據矩陣進行非線性融合，從而降維獲得多個第二特征向量。

4.根據權利要求1所述的基于多源信息強化學習蒸汽發生器給水系統故障診斷方法，其特征在于，所述使用卷積神經網絡對所述特征矩陣進行深度學習，提取狀態特征向量包括：

采用卷積核對第i-1層數據進行卷積，再對第i層數據進行下采樣；其中，所述i為大于1的整數

基于卷積神經網絡，將多次卷積輸出結果進行全連接，構成所述特征矩陣的狀態特征向量。

5.一種電子裝置，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1-4任一項所述的方法。

6.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-4任一項所述的方法。