[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

本申請公開了一種基于CNN?LSTM的核電廠故障診斷方法、裝置及存儲介質，該方法包括：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CNN層對收集的數據進行特征提取；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，利用訓練集數據對LSTM層進行訓練，得到故障識別模型；將待測工況數據輸入至故障識別模型，輸出故障診斷結果。上述方法使用CNN層對多維數據進行特征提取，使用特征提取后的少維數據對LSTM層進行訓練得到故障識別模型，這樣故障診斷準確度高、誤差小、效率高，能夠為核電廠操縱人員提供指導，避免操縱人員誤操作以及不操作導致核電廠事故。

技術領域

本發明涉及核電廠故障診斷領域，特別是涉及一種基于CNN-LSTM的核電廠故障診斷方法、裝置及存儲介質。

背景技術

科學技術的發展提高了設備和系統的安全性和經濟效益，導致人-機系統越來越受人員操作的影響。相關文獻表明，全世界每年發生的各類事故其中由人的失誤引起的達60％以上，而由人的失誤導致的重大災難事故更是達80％之多。比如1979年3月發生的美國三哩島核電廠號2機組事故就是由于操作人員未能識別出穩壓器卸壓閥未關閉，并執行了錯誤的動作而導致；1986年4月蘇聯切爾諾貝利4號機組事故主要原因是對運行規則的粗暴違反，這兩起事故都造成了反應堆燒毀，放射性物質外泄。1979年以來，基于先進理論的故障診斷方法層出不窮以避免核電站故障的發生、發展、或縮短因事故導致的停運時間，從而增強核電站的安全性和經濟性。

根據目前的研究結果，傳統的基于傳感器數據的核電站運行解釋是主觀和片面的，數據解釋完全依賴于人的經驗。在過去的幾十年里，人們積累了大量關于核電站機組運行的知識，并開發了基于規則的故障監測系統。但是故障監測系統有以下明顯的缺點：(1)大量的規則之間的邏輯聯系可能是模糊的，而且可能缺乏分層的知識表示，導致不能完全掌握缺陷信息；(2)在每個周期中，推理引擎會尋找所有的規則，當有眾多規則時，執行速度很慢，搜索方法效率不高，缺乏實時性；(3)建立在一般規則上的故障監測系統不具備從經驗中學習的能力，無法學習新發現的故障特征，這使得它們在特殊或緊急情況下的使用具有挑戰性，難以應對復雜多變的生產環境。

對于核電廠機組，如果不能在第一時間確定故障類型以便采取補救措施，或者在事故發生時錯誤判斷故障類型，將可能會導致嚴重的放射性泄漏風險，這將對公眾的身心健康產生重大影響。

發明內容

有鑒于此，本發明的目的在于提供一種基于CNN-LSTM的核電廠故障診斷方法、裝置及存儲介質，診斷準確度高、誤差小、效率高。其具體方案如下：

一種基于CNN-LSTM的核電廠故障診斷方法，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取；

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。

優選地，在本發明實施例提供的上述基于CNN-LSTM的核電廠故障診斷方法中，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。

優選地，在本發明實施例提供的上述基于CNN-LSTM的核電廠故障診斷方法中，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：