[發明專利]一種基于CNN-LSTM的核電廠故障診斷方法及裝置

在審

• 申請號: 202210224535.1
• 申請日: 2022-03-07
• 公開（公告）號: CN114580549A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 雷濟充;于濤;陳珍平;謝金森;倪梓寧;張華健;任長安;李衛
• 申請（專利權）人: 南華大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 呂鑫

1.一種基于CNN-LSTM的核電廠故障診斷方法，其特征在于，包括：

收集核電廠真實運行數據或模擬機產生的不同工況數據；

建立CNN層，并利用所述CNN層對收集的數據進行特征提?。?/p>

對提取后的特征數據進行預處理，并從處理后的數據中劃分出訓練集數據；

建立LSTM層，利用所述訓練集數據對所述LSTM層進行訓練，得到故障識別模型；

將待測工況數據輸入至所述故障識別模型，輸出故障診斷結果。

2.根據權利要求1所述的基于CNN-LSTM的核電廠故障診斷方法，其特征在于，所述對提取后的特征數據進行預處理，包括：

采用線性歸一化方法將提取后的特征數據進行歸一化處理。

3.根據權利要求2所述的基于CNN-LSTM的核電廠故障診斷方法，其特征在于，在所述從處理后的數據中劃分出訓練集數據的同時，還包括：

從處理后的數據中劃分出驗證集數據；

在利用所述訓練集數據對所述LSTM層進行訓練之后，還包括：

使用所述驗證集數據對訓練后的所述LSTM層進行驗證，反復多次迭代。

4.根據權利要求1所述的基于CNN-LSTM的核電廠故障診斷方法，其特征在于，在所述利用所述訓練集數據對所述LSTM層進行訓練的同時，還包括：

采用遺傳算法選擇最優的所述LSTM層的超參數。

5.根據權利要求2所述的基于CNN-LSTM的核電廠故障診斷方法，其特征在于，在所述從處理后的數據中劃分出訓練集數據的同時，還包括：

從處理后的數據中劃分出測試集數據；

在所述得到故障識別模型之后，還包括：

將所述測試集數據輸入至所述故障識別模型進行故障預測，并根據預測結果的準確度、交叉熵損失函數以及測試混淆矩陣評估模型誤差。

6.根據權利要求5所述的基于CNN-LSTM的核電廠故障診斷方法，其特征在于，采用下述公式計算所述交叉熵損失函數：

式中，Loss表示所述交叉熵損失函數，n表示總樣本數，c表示事故種類數，y_i,t表示第i個樣本第t種事故的預測值，表示第i個樣本第t種事故的真實值。

7.根據權利要求1所述的基于CNN-LSTM的核電廠故障診斷方法，其特征在于，所述不同工況數據包括未發生故障的運行數據、蒸汽發生器傳熱管破裂數據、安全殼蒸汽管道破裂數據、冷卻劑給水喪失數據以及慢化劑稀釋數據。

8.一種基于CNN-LSTM的核電廠故障診斷裝置，其特征在于，包括：

數據采樣模塊，用于收集核電廠真實運行數據或模擬機產生的不同工況數據；

特征提取模塊，用于建立CNN層，并利用所述CNN層對收集的數據進行特征提??；

數據處理模塊，用于對提取后的特征數據進行預處理，并從處理后的數據中劃分出訓練集數據；

模型訓練模塊，用于建立LSTM層，利用所述訓練集數據對所述LSTM層進行訓練，得到故障識別模型；

模型推理模塊，用于將待測工況數據輸入至所述故障識別模型，輸出故障診斷結果。

9.一種基于CNN-LSTM的核電廠故障診斷裝置，其特征在于，包括處理器和存儲器，其中，所述處理器執行所述存儲器中存儲的計算機程序時實現如權利要求1至7任一項所述的基于CNN-LSTM的核電廠故障診斷方法。

10.一種計算機可讀存儲介質，其特征在于，用于存儲計算機程序，其中，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述的基于CNN-LSTM的核電廠故障診斷方法。