[發明專利]一種核動力裝置關鍵運行參數提取與異常監測方法

在審

• 申請號: 202210005189.8
• 申請日: 2022-01-05
• 公開（公告）號: CN114519382A
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 劉永闊;艾鑫;單龍飛;黃學穎;彭敏俊;柯志武
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20;G08B21/18;G08B29/18;G21C17/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種核動力裝置關鍵運行參數提取與異常監測方法，通過建立基于XgBoost的核動力裝置關鍵運行參數自動提取模型，自動獲取核動力裝置關鍵運行參數，減少操縱員關注的關鍵參數范圍；通過建立雙重閾值法和定性趨勢分析的關鍵參數異常狀態監測模型，判斷關鍵運行參數異常與否；通過建立基于KNN的工況識別模型，指導關鍵參數異常狀態監測模型的閾值選取，使監測模型與核動力裝置當前運行工況相匹配；最終實現對核動力裝置關鍵運行參數的自動提取與異常狀態監測。本發明適應核動力裝置工況多變的場景，提高閾值監測方法的魯棒性，避免系統波動引發頻發的誤報警，進而提高該閾值監測方法在實際應用中的可用性。

技術領域

本發明涉及一種核動力裝置關鍵運行參數的自動選取與異常監測方法，具體涉及一種基于XgBoost和雙重閾值法的核動力裝置關鍵運行參數提取與異常監測方法，屬于核動力裝置安全分析領域。

背景技術

核動力裝置結構復雜、運行參數眾多、各運行參數之間具有復雜的非線性耦合關系，當出現異常報警時，眾多報警參數將給操縱員帶來巨大的心理壓力并影響其正確決策。因此，研究核動力裝置關鍵運行參數的選取方法，在確保所選取的關鍵運行參數集合可及時反映系統異常狀態的條件下，進一步縮小操縱員關注的運行參數范圍，避免眾多報警參數對操縱員正確決策的干擾，具有重要研究意義。

目前，核動力裝置關鍵運行參數的選取多依賴于人工選取，即在對系統進行FMEA分析的基礎上，結合專家知識進行反復測試確定關鍵運行參數集合。這種方法優點在于所選取的關鍵集合可信性好，但缺點是需要人工參與，并且核動力裝置系統結構復雜，難以進行全故障、全工況范圍的人工分析。此外，針對關鍵參數的異常監測方法，傳統的閾值監測法僅通過一個上限閾值與一個下限閾值監測，上下限閾值選取不當則容易造成誤報警或漏報警，難以適應運行工況多變的核動力裝置運行場景。

綜上所述，開發出一種自動的核動力裝置關鍵運行參數選取方法，獲取可有效識別系統異常的關鍵參數集合，在此基礎上，使用開發魯棒性更強的關鍵參數異常監測方法，對確保核動力裝置安全可靠運行具有重要實際意義。

發明內容

本發明的目的是提供包括工況識別、關鍵運行參數自動提取、關鍵運行參數異常監測功能在內的核動力裝置關鍵運行參數提取與異常監測方法，本方法可解決核動力裝置關鍵運行參數選取以及運行參數異常監測方法魯棒性不足的問題。

本發明的目的是這樣實現的：步驟如下：

步驟一：獲取在典型運行工況下的正常運行數據和典型故障數據作為訓練數據X；

步驟二：利用XgBoost方法建立核動力裝置關鍵運行參數自動提取模型，提取全部典型運行工況下的關鍵運行參數集合；

步驟三：利用K最近鄰方法識別核動力裝置所處的運行工況，指導監測模型選取與運行工況相匹配的閾值參數；

步驟四：利用雙重閾值法計算核動力裝置各典型運行工況下的高報警限的確認閾值、敏感閾值與低報警限的確認閾值、敏感閾值，利用定性趨勢分析法判斷關鍵運行參數是否存在超限報警，判斷關鍵運行參數異常與否。

本發明還包括這樣一些結構特征：

1.步驟二的基于XgBoost的關鍵運行參數自動選取方法包括：在包含全部典型運行工況的正常和典型故障數據的訓練數據集X上，訓練XgBoost模型，計算訓練數據各特征在XgBoost樹模型中進行節點劃分的次數SplitTime以及利用該特征在整個樹群作為分裂節點的信息增益之和∑Gain，進而計算特征的重要度FeatureImportance：

2.步驟三中的基于K最近鄰方法的核動力裝置運行工況識別模型具體包括：

(1)計算待識別的核動力裝置實時運行數據點與典型穩態工況歷史樣本數據點之間的距離；