CN112016251B - 一种核动力装置故障的诊断方法及*** - Google Patents
一种核动力装置故障的诊断方法及*** Download PDFInfo
- Publication number
- CN112016251B CN112016251B CN202010909121.3A CN202010909121A CN112016251B CN 112016251 B CN112016251 B CN 112016251B CN 202010909121 A CN202010909121 A CN 202010909121A CN 112016251 B CN112016251 B CN 112016251B
- Authority
- CN
- China
- Prior art keywords
- convolution network
- classifier
- time convolution
- actual operation
- operation data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明涉及一种核动力装置故障的诊断方法及***。该方法包括:获取核动力装置的历史运行数据以及实际运行数据,并确定实际运行数据的状态类别;对实际运行数据进行相空间重构,确定重构后的实际运行数据;建立小卷积核堆叠形成的时间卷积网络模型;利用重构后的实际运行数据以及状态类别构建时间卷积网络基分类器;根据5个时间卷积网络基分类器确定次级分类器的训练集以及测试集;利用次级分类器训练集对次级分类器进行训练,利用次级分类器测试集对次级分类器进行测试,确定堆栈泛化集成学习模型;根据堆栈泛化集成学习模型对核动力装置进行故障诊断,输出故障类别。本发明提高故障诊断的准确率,避免误诊断和漏诊断的发生。
Description
技术领域
本发明涉及核动力装置故障的诊断领域,特别是涉及一种核动力装置故障的诊断方法及***。
背景技术
核动力***结构复杂,且具有潜在的放射性释放危险,对于安全性有着极高的要求。因此,对于核动力***的可靠性要求就非常高;同时,随着远海钻井平台、海岛发电等需求,不可能在相关平台上布置大量运行人员,因此对于核动力装置运行的自动化和智能化水平要求非常高,对于少人值守和无人值守的需求较为强烈。核动力***运行环境恶劣,***关键设备长期连续工作,极容易发生故障,如若出现故障而不能及时发现并维修,可能会导致严重的放射性后果,危急运行人员和公众的生命安全。因此,研究核动力装置***和设备的的故障诊断方法,对于提高核动力装置安全可靠性具有重要意义。目前,故障诊断方法可分为基于信号处理的方法、基于解析模型的方法和基于数据驱动的方法三种。
1)基于信号处理的方法
当很难建立被控对象的解析数学模型时,可采用基于信号处理的方法。此方法通常利用信号模型(如相关函数、频谱、高阶统计量、自回归滑动平均、小波变换等)直接分析可测信号,提取诸如方差、幅值、频率等特征值,从而检测出故障。基于信号处理的方法主要针对振动传感器以及声发射传感器等的数字信号进行分析,无需对设备添加过多的传感器,但其缺点在于振动传感器采集信号带有一定背景噪声,容易导致算法出现误诊。目前用于泵阀故障诊断中基于信号处理的方法主要有频谱分析、功率谱估计、小波分析等。
国内方面,丁军针对大型水泵机组的特点,采用频谱分析对其状态监测与故障诊断的方法展开了探讨研究,并针对传感器测点布置的考虑因素进行探讨。海军驻四三一场军事代表室的鲍海阁对船用汽轮滑油泵的振动信号进行采集分析,计算滑油泵的机械振动烈度,判断设备是否需要拆解维修。张海峰等采用小波包的方法对天然气管道球阀内漏的声发射信号进行分解,采用二进变换的方法对每一层分解后高频断进行再分解,有效弥补了小波变换中高频段局部性分解差的局限,获得了良好的内漏故障诊断效果。
国外方面,Meland等利用频谱分析的方法对切断用球阀的内漏声发射信号进行分析,发现球阀内漏时信号在频域内有明显的特征频率,并将其应用于内漏故障的诊断。马来西亚的H.Y.Sim等人采用小波包分解的方式对阀门的声发射信号进行处理,提取不同频段的均方根值作为特征向量,并使用支持向量机等统计学习方法进行故障诊断。
2)基于解析模型的方法
基于解析模型的方法需要建立被诊断对象的较为精确的数学模型,具体又可以分为状态估计方法、等价空间方法和参数估计方法。基于解析模型的方法优点在于解析模型的建立不需要大量的实际运行数据,模型便于解释。但在实际应用中,常常无法获得对象的精确数学模型,而且故障引起***模型结构和参数变化的形式是不确定的,这就大大限制了基于解析模型诊断方法的使用范围和效果。对于泵阀等设备来说亦是如此,目前利用基于解析模型诊断的方法对其进行故障诊断研究的也较少。Wolfram基于非线性建模技术,利用模糊神经网络模型对离心泵的故障信号进行估计。然而该方法没有考虑模型不确定性,不具备鲁棒性。Dalton针对模型不确定性的非线性***,在给出基于参数估计的故障诊断方法的基础上,以火电厂的冷却水泵为对象,对该诊断算法的鲁棒性、灵敏度、稳定性以及可检测性进行了分析研究。杨国峰对核电站安全级电动隔离阀建立简化的数学解析模型,并利用模式识别技术对隔离阀的运行数据进行模糊推理,计算数据和标准故障模式的贴近度,从而识别出阀门故障类型。
3)基于数据的方法
随着人工智能及计算机技术的飞速发展,基于数据驱动的方法在故障诊断中得到越来越广泛的应用,此方法不需要对象的精确数学模型,建模过程相对简单,通用性和实时性好。但是使用这种方法的前提是必须拥有大量的关于***故障的先验知识,例如具有实测的各类故障样本数据,也正是这一点制约了基于数据驱动的方法在实际故障诊断中的广泛应用。目前应用到泵阀故障诊断中基于数据驱动的方法主要有:深度学习方法、粗糙集理论、专家***、人工神经网络、支持向量机等。
国内方面,王娟采用模糊故障诊断方法对火电厂给水泵进行故障诊断,为电厂工作人员提供了决策依据,提高了整个机组运行的安全性和经济性。许德昌应用支持向量机的多种多类分类算法对离心泵的叶片损坏、密封泄漏、汽蚀三种故障进行诊断。戚华峰分别研究了BP、RBF和Elman神经网络对核电站电液伺服阀进行诊断的效果,结果表明RBF神经网络在诊断的实时性、故障分类的准确度方面优于其他两种方法。印洪浩针对船用离心泵故障,提取故障特征向量,利用SOM网络(自组织特征映射神经网络)的模式识别功能有效诊断出了故障模式,建立了船用离心泵的智能故障诊断方法。
国外方面,N.R.Sakthivel使用决策树模型对离心泵的振动信号进行特征提取,并建立故障诊断模型,并获得了较高的诊断正确率。Karpenko等针对气动调节阀故障设计了一种多层的前向人工神经网络,以阀门动态误差、死区、回差和上下死点设定等参数为输入,区分出阀门供气、排气口堵塞和隔膜泄漏等故障。澳大利亚的Pichler Kurt等人研究了阀门在变工况下的异常检测,采用逻辑回归和支持向量机的方法识别不同载荷条件下的阀门故障,实现了与负载无关的高精度故障自动检测方法。
以上传统机器学习和大多数深度学习方法只关注某一时刻的输入特征而不考虑数据之间的关联性和时序性,但由于故障发生后特征参数呈现一定规律和周期性的异常波动,因此,传统的机器学习和大多数深度学习方法存在故障诊断的准确率低,误诊断和漏诊断情况频繁发生的问题。
发明内容
本发明的目的是提供一种核动力装置故障的诊断方法及***,以解决传统的机器学习和大多数深度学习方法存在故障诊断的准确率低,误诊断和漏诊断情况频繁发生的问题。
为实现上述目的,本发明提供了如下方案:
一种核动力装置故障的诊断方法,包括:
获取核动力装置的历史运行数据以及实际运行数据,并基于所述历史运行数据对所述实际运行数据的故障状态进行分类,确定所述实际运行数据的状态类别;其中,所述实际运行数据包括反应堆冷却剂***中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容***的上充流量、下泄流量以及容积控制箱的水位;所述故障类别包括冷管段微破裂、热管段微破裂LOCA、稳压器汽空间破裂、下泄管线泄漏、再生式热交换器管侧泄漏、稳压器误喷淋、稳压器加热器误启动、上充管线泄漏、再生式热交换器管侧泄漏以及容控箱泄漏;
对所述实际运行数据进行相空间重构,确定重构后的实际运行数据;
建立小卷积核堆叠形成的时间卷积网络模型;
基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器;
根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集;
利用所述次级分类器训练集对所述次级分类器进行训练,利用所述次级分类器测试集对所述次级分类器进行测试,确定堆栈泛化集成学习模型;
根据所述堆栈泛化集成学习模型对所述核动力装置进行故障诊断,输出故障类别。
可选的,所述对所述实际运行数据进行相空间重构,确定重构后的实际运行数据,之前还包括:
对所述实际运行数据进行归一化处理,将同一实际运行数据的数据值映射到[0,1]之间。
可选的,所述基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器,具体包括:
将所述时间卷积网络模型内的激活函数调整为LeakyReLU激活函数,确定调整后的时间卷积网络模型;所述小卷积核为低于卷积核尺寸阈值的卷积核;
对所述调整后的时间卷积网络模型进行的dropout操作,并将残差卷积结构添加到dropout操作后的时间卷积网络模型中,将输入数据和输出结果形成串并联结构;所述输入数据包括所述重构后的实际运行数据的时序长度、单个所述重构后的实际运行数据的长度以及单个所述重构后的实际运行数据的宽度;所述输出结果为经含有所述残差卷积结构的时间卷积网络模型处理后的实际运行数据;
采用交叉熵损失函数作为含有串并联结构的时间卷积网络模型的损失函数,并利用所述重构后的实际运行数据以及所述状态类别对所述含有串并联结构的时间卷积网络模型训练,构建时间卷积网络基分类器。
可选的,所述时间卷积网络模型利用公式进行特征提取;其中,其中l为第l卷积层,kl为卷积核,bl为偏置参数,xl为第l层的输出,xl-1为第l-1层的输入,M为特征图,f为映射函数,x为输入的实际运行数据。
可选的,所述根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集,具体包括:
将所述重构后的实际运行数据以及所述状态类别作为训练样本集划分为所述时间卷积网络基分类器的基分类器训练集以及基分类器测试集;
利用所述基分类器训练集对所述时间卷积网络基分类器进行训练,确定所述基分类器训练集的预测值,并将所述基分类器训练集的预测值作为次级分类器训练集;
利用所述基分类器测试集对所述时间卷积网络基分类器进行测试,确定所述基分类器测试集的预测值,并将每个所述时间卷积网络基分类器对应的所述基分类器测试集的预测值的加权平均值作为次级分类器测试集。
一种核动力装置故障的诊断***,包括:
参数获取及状态类别确定模块,用于获取核动力装置的历史运行数据以及实际运行数据,并基于所述历史运行数据对所述实际运行数据的故障状态进行分类,确定所述实际运行数据的状态类别;其中,所述实际运行数据包括反应堆冷却剂***中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容***的上充流量、下泄流量以及容积控制箱的水位;所述故障类别包括冷管段微破裂、热管段微破裂LOCA、稳压器汽空间破裂、下泄管线泄漏、再生式热交换器管侧泄漏、稳压器误喷淋、稳压器加热器误启动、上充管线泄漏、再生式热交换器管侧泄漏以及容控箱泄漏;
相空间重构模块,用于对所述实际运行数据进行相空间重构,确定重构后的实际运行数据;
时间卷积网络模型建立模块,用于建立小卷积核堆叠形成的时间卷积网络模型;
时间卷积网络基分类器构建模块,用于基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器;
次级分类器训练集及测试集划分模块,用于根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集;
堆栈泛化集成学习模型确定模块,用于利用所述次级分类器训练集对所述次级分类器进行训练,利用所述次级分类器测试集对所述次级分类器进行测试,确定堆栈泛化集成学习模型;
故障类别输出模块,用于根据所述堆栈泛化集成学习模型对所述核动力装置进行故障诊断,输出故障类别。
可选的,还包括:
归一化处理模块,用于对所述实际运行数据进行归一化处理,将同一实际运行数据的数据值映射到[0,1]之间。
可选的,所述时间卷积网络基分类器构建模块,具体包括:
调整单元,用于将所述时间卷积网络模型内的激活函数调整为LeakyReLU激活函数,确定调整后的时间卷积网络模型;所述小卷积核为低于卷积核尺寸阈值的卷积核;
dropout操作单元,用于对所述调整后的时间卷积网络模型进行的dropout操作,并将残差卷积结构添加到dropout操作后的时间卷积网络模型中,将输入数据和输出结果形成串并联结构;所述输入数据包括所述重构后的实际运行数据的时序长度、单个所述重构后的实际运行数据的长度以及单个所述重构后的实际运行数据的宽度;所述输出结果为经含有所述残差卷积结构的时间卷积网络模型处理后的实际运行数据;
时间卷积网络基分类器构建单元,用于采用交叉熵损失函数作为含有串并联结构的时间卷积网络模型的损失函数,并利用所述重构后的实际运行数据以及所述状态类别对所述含有串并联结构的时间卷积网络模型训练,构建时间卷积网络基分类器。
可选的,所述时间卷积网络模型利用公式进行特征提取;其中,其中l为第l卷积层,kl为卷积核,bl为偏置参数,xl为第l层的输出,xl-1为第l-1层的输入,M为特征图,f为映射函数,x为输入的实际运行数据。
可选的,所述次级分类器训练集及测试集划分模块,具体包括:
基分类器训练集及测试集划分单元,用于将所述重构后的实际运行数据以及所述状态类别作为训练样本集划分为所述时间卷积网络基分类器的基分类器训练集以及基分类器测试集;
次级分类器训练集确定单元,用于利用所述基分类器训练集对所述时间卷积网络基分类器进行训练,确定所述基分类器训练集的预测值,并将所述基分类器训练集的预测值作为次级分类器训练集;
次级分类器测试集确定单元,用于利用所述基分类器测试集对所述时间卷积网络基分类器进行测试,确定所述基分类器测试集的预测值,并将每个所述时间卷积网络基分类器对应的所述基分类器测试集的预测值的加权平均值作为次级分类器测试集。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种核动力装置故障的诊断方法及***,基于多个时间卷积网络模型构成多个基分类器,其中,每个基分类器独立完成诊断功能;为了进一步提高故障诊断的准确率,本发明采用集成学习中的堆栈泛化思想,将多个基分类器的诊断结果进行融合,形成多个时间卷积网络的弱分类器,同时产生一个与原数据集大小相同的新数据集,利用这个新数据集和新算法构成第二层的次级分类器,本发明通过集成学习思想,能够提高故障诊断的准确率,避免误诊断和漏诊断的发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的核动力装置故障的诊断方法流程图;
图2为本发明在实际操作过程中,基于时间卷积网络和堆栈泛化集成学习的故障诊断基本流程图;
图3为本发明所提供的时间卷积网络模块中的建模过程示意图;
图4为本发明所提供的时间卷积网络基分类器和次级分类器的训练集、测试集的选取过程示意图;
图5为本发明所提供的核动力装置故障的诊断***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种核动力装置故障的诊断方法,提高故障诊断的准确率,避免误诊断和漏诊断的发生。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的核动力装置故障的诊断方法流程图,如图1所示,一种核动力装置故障的诊断方法,包括:
步骤101:获取核动力装置的历史运行数据以及实际运行数据,并基于所述历史运行数据对所述实际运行数据的故障状态进行分类,确定所述实际运行数据的状态类别;其中,所述实际运行数据包括反应堆冷却剂***中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容***的上充流量、下泄流量以及容积控制箱的水位;所述故障类别包括冷管段微破裂、热管段微破裂LOCA、稳压器汽空间破裂、下泄管线泄漏、再生式热交换器管侧泄漏、稳压器误喷淋、稳压器加热器误启动、上充管线泄漏、再生式热交换器管侧泄漏以及容控箱泄漏。
步骤102:对所述实际运行数据进行相空间重构,确定重构后的实际运行数据。
所述步骤102,之前还包括:对所述实际运行数据进行归一化处理,将同一实际运行数据的数据值映射到[0,1]之间。
步骤103:建立小卷积核堆叠形成的时间卷积网络模型。
步骤104:基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器。
所述步骤104具体包括:将所述时间卷积网络模型内的激活函数调整为LeakyReLU激活函数,确定调整后的时间卷积网络模型;所述小卷积核为低于卷积核尺寸阈值的卷积核,例如:3x3卷积核;对所述调整后的时间卷积网络模型进行的dropout操作,并将残差卷积结构添加到dropout操作后的时间卷积网络模型中,将输入数据和输出结果形成串并联结构;所述输入数据包括所述重构后的实际运行数据的时序长度、单个所述重构后的实际运行数据的长度以及单个所述重构后的实际运行数据的宽度;所述输出结果为经含有所述残差卷积结构的时间卷积网络模型处理后的实际运行数据;采用交叉熵损失函数作为含有串并联结构的时间卷积网络模型的损失函数,并利用所述重构后的实际运行数据以及所述状态类别对所述含有串并联结构的时间卷积网络模型训练,构建时间卷积网络基分类器。
步骤105:根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集。
所述步骤105具体包括:将所述重构后的实际运行数据以及所述状态类别作为训练样本集划分为所述时间卷积网络基分类器的基分类器训练集以及基分类器测试集;利用所述基分类器训练集对所述时间卷积网络基分类器进行训练,确定所述基分类器训练集的预测值,并将所述基分类器训练集的预测值作为次级分类器训练集;利用所述基分类器测试集对所述时间卷积网络基分类器进行测试,确定所述基分类器测试集的预测值,并将每个所述时间卷积网络基分类器对应的所述基分类器测试集的预测值的加权平均值作为次级分类器测试集。
步骤106:利用所述次级分类器训练集对所述次级分类器进行训练,利用所述次级分类器测试集对所述次级分类器进行测试,确定堆栈泛化集成学习模型。
步骤107:根据所述堆栈泛化集成学习模型对所述核动力装置进行故障诊断,输出故障类别。
将本发明所提供的核动力装置故障的诊断方法应用到实际操作中,具体流程如图2所示。
步骤1:采集和存储实际核动力装置***或者设备的运行数据以及其对应全范围模拟机仿真的各种故障下的运行数据。
步骤2:将采集到的运行数据根据传感器所属的子***在计算机中进行分门别类地管理,同时对每个子***中实际历史运行数据、仿真数据进行标注,能够将正常状态、故障状态设定不同的标签,便于后续训练本发明所述的方法。
步骤3:将步骤2中的所有数据按照同样的标准和尺度进行归一化,避免量纲对不一致以及过大和过小数据对训练过程的影响。利用数据标准化和归一化方法,将同一参数的所有数据值都映射到[0,1]之间。转换函数:x*=(x-min)/(max-min),其中max为步骤2中所有样本数据的最大值,min为所有样本数据中的最小值。
步骤4:由于时间卷积网络的输入数据至少是三维数据,其中第一维代表数据总量,第二维代表单个数据的长度,第三维代表单个数据的宽度;而步骤3中的数据是二维数组,其第一维代表数据总量,第二维代表特征参数的维度。为了使核动力装置的数据能够输入到时间卷积网络中进行有效的故障诊断,本发明对步骤3中的数据进行相空间重构,其中间隔时间设定为1s,滑动时窗长度设定为20s,最后步骤3中的二维数据(N×D维)转换为(N-num_steps+1)×(num_steps×D)的三维堆叠数据块,其中N为时序长度,D是与数据总量对应的各类传感器特征参数的维度,num_steps是滑动时窗的长度,由于每次滑动过程中数据之间都有重叠,因此对于本发明所述算法,总数据输入长度是(N-num_steps+1)。
通过将原始2维数据转化为带有时间序列属性的三维数据组,能够使后续的故障诊断过程不再只关注于某一个单个瞬时,而是关注一段时间序列,更能够反映故障过程的数据特征。
步骤5:建立小卷积核堆叠形成的时间卷积网络模型结构,相比于大卷积核,能够更加有效地提取测量数据的非线性特征,如图3所示。对于扩张卷积和因果卷积,当扩张系数d=1时卷积只是一个普通的卷积。扩张系数越大,输入范围越长。因此,可以得到一个更好的卷积网络感受野。本发明通过改变扩张因子和卷积核的大小,可以自由地调整(时间卷积网络)TCN的结构,使其具有灵活的接受域。本发明的时间卷积网络采用方程(1)所述公式进行特征的提取,其中l为第l卷积层,k为卷积核,b为偏置参数,xl为第l层的输出,xl-1为第l-1层的输入,特征图为Mj。
建立小卷积核堆叠形成的卷积神经网络模结构,相比于大卷积核,能够更加有效地提取测量数据的非线性特征;同时,能够通过调整扩张因子和卷积核尺寸任意调整时间卷积网络的感受野大小。
步骤6:在时间卷积网络中涉及到的激活函数都调整为Leaky ReLU,能够在ReLU激活函数的基础上避免死节点,更能够体现数据中的非线性特征;
LeakyReLU,能够在ReLU激活函数的基础上避免死节点,实现稀疏后的模型能够更好地挖掘相关特征,拟合训练数据,更能够体现数据中的非线性特征。
步骤7:在步骤6的基础上对形成的时间卷积网络模型使用dropout操作,可以使时间卷积网络更加稳定以防止过拟合现象的发生;
采用神经网络中的dropout操作,能够防止本发明所述神经网络结果的过拟合,使得到的故障诊断结果更加稳定,不会产生过大的波动;该故障诊断结果为每个故障类型的出现概率。
步骤8:为了解决深度TCN模型可能会导致梯度消失等问题,本课题参考残差网络中的残差卷积结构。如图3所示,一个时间卷积网络单元执行2次步骤5、6和7的运算后,加入残差卷积结构,本发明原创性地优化残差卷积的网络结构,将输入数据和输出结果形成串并联结构,丰富数据特征维度,更有效地记忆特征信息。因此,每个时间卷积网络单元都在做串并联,最终时间卷积网络模型包含4个时间卷积网络单元。
其中,残差卷积是时间卷积网络中的一个环节(时间卷积网络包括扩张卷积、因果卷积和残差卷积,其中扩张卷积和因果卷积一起出现),图3中的串并联指的是残差卷积也要做串并联结构。残差卷积的输出就是单层时间卷积网络的输出(图3中的串并联结构表示将输入数据和输出数据进行残差卷积)最后一层残差卷积的输出就是故障诊断结果。
通过在残差卷积的基础上设置每一层残差卷积中输入和输出的串并行结构,能够深度记忆数据之间的因果时序关系,起到更好的故障诊断效果;与长短时记忆网络相比,计算时间更快,需要的计算机资源少,同时可以避免长短时记忆网络在参数优化时存在的梯度***问题。
步骤9:初始时间卷积网络的参数并训练网络;在本发明所述模型的训练过程中,为了提高训练速度和效率,将所有数据拆分成多个批次的训练样本,同时将处理后的数据随机打乱以减少不确定性后,输入到时间卷积网络中进行训练;
步骤10:定义损失函数与参数优化;本文采用交叉熵损失作为损失函数。为了对上述时间卷积网络中的权值和偏置进行优化,在训练过程中采用SGD优化算法对网络进行求解,以使损失函数取值尽可能小,最终获得最符合核动力装置故障模式分类特点的网络结构参数。在每次反向传播的计算过程中,设置前5次迭代的学习率设置为0.001,不对学习率进行衰减,随后的每次迭代学习率其衰减率设置为0.99,通过学习率的改变,能够使反向传播计算过程中更准确地找到最合适的权值和偏置,最终使模型的准确性有所提高。因此,随着训练轮数的增加和训练误差的降低,时间卷积网络模型能不断逼近实际故障特性。
步骤11:在步骤10的基础上,本发明中采用5折验证进行训练和测试,也是就是选择80%的全部数据作为训练数据,其他20%的数据作为测试数据以输出模型预测的诊断结果。
步骤12:根据图1所示,发明采用5个时间卷积网络基分类器(与步骤11的5折验证相对应),因此重复步骤5-11,对其他4个时间卷积网络基分类器分别采用5折验证的方式进行训练和测试,每个时间卷积网络基分类器所选择的训练数据和测试数据如图4所示。
步骤13:将5个时间卷积网络基分类器在经过前述步骤处理后的输出以类概率的形式表示,并将它们作为次级分类器的输入。具体地,第j个基模型对第i个训练样本的预测值将作为新的训练集中第i个样本的第j个特征值。
步骤14:构造次级分类器的测试数据集;为了将5个时间卷积网络基分类器的预测结果都加以考虑,次级分类器的测试集是所有基分类器针对测试集的预测结果的加权平均值。
在实际应用中,本发明还可以通过采用普通人工神经网络、支持向量机等机器学习技术作为基分类器进行故障诊断,但是其故障诊断的准确率较低,因为没有考虑特征参数的时序特性;长短时记忆网络的准确性较高,但是计算量大、计算速度慢、需要大规模并行计算。针对集成学习,本发明采用堆栈泛化思想进行计算,能够给出准确率更高的故障诊断结果。
步骤15:基于步骤13得到的训练集,仍然采用步骤10所述的方法对次级分类器进行训练,然后利用步骤14得到的测试集预测,通过与预设的分类标签进行对比,确定整个时间卷积网络和堆栈泛化集成学习的故障诊断准确率。
步骤16:在实际故障诊断的过程中,将发生异常后的数据按照步骤1-4所述进行数据预处理,保证数据的处理方式与训练数据完全一致。
步骤17:利用步骤15优化好的堆栈泛化集成学习模型进行核动力装置典型故障的诊断,得到分类结果,为了对模型的诊断预测结果进行评价,本发明采用混淆矩阵和故障诊断准确率作为指标来评价本发明所述模型的准确性和有效性。相关结果可以供运行和决策人员进行参考,及时采取相关措施,在保证安全性的同时还可以提高经济性。
本发明采用堆栈泛化集成的策略,在使用多个时间卷积网络对进行训练与学习的基础上,使用堆栈泛化集成学习的思想,对多个基分类器的诊断结果进行融合,能够充分利用得到的特征信息,它可以利用一系列性能良好的模型在故障诊断任务上的能力,并做出比集成中的任何一个模型更好的预测分类效果,形成诊断准确度更高的集成学习模型,能够实现对故障的准确识别。
图5为本发明所提供的核动力装置故障的诊断***结构图,如图5所示,一种核动力装置故障的诊断***,包括:
参数获取及状态类别确定模块501,用于获取核动力装置的历史运行数据以及实际运行数据,并基于所述历史运行数据对所述实际运行数据的故障状态进行分类,确定所述实际运行数据的状态类别;其中,所述实际运行数据包括反应堆冷却剂***中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容***的上充流量、下泄流量以及容积控制箱的水位;所述故障类别包括冷管段微破裂、热管段微破裂LOCA、稳压器汽空间破裂、下泄管线泄漏、再生式热交换器管侧泄漏、稳压器误喷淋、稳压器加热器误启动、上充管线泄漏、再生式热交换器管侧泄漏以及容控箱泄漏。
本发明还包括:归一化处理模块,用于对所述实际运行数据进行归一化处理,将同一实际运行数据的数据值映射到[0,1]之间。
相空间重构模块502,用于对所述实际运行数据进行相空间重构,确定重构后的实际运行数据。
时间卷积网络模型建立模块503,用于建立小卷积核堆叠形成的时间卷积网络模型。
时间卷积网络基分类器构建模块504,用于基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器。
所述时间卷积网络基分类器构建模块504,具体包括:调整单元,用于将所述时间卷积网络模型内的激活函数调整为LeakyReLU激活函数,确定调整后的时间卷积网络模型;所述小卷积核为低于卷积核尺寸阈值的卷积核;dropout操作单元,用于对所述调整后的时间卷积网络模型进行的dropout操作,并将残差卷积结构添加到dropout操作后的时间卷积网络模型中,将输入数据和输出结果形成串并联结构;所述输入数据包括所述重构后的实际运行数据的时序长度、单个所述重构后的实际运行数据的长度以及单个所述重构后的实际运行数据的宽度;所述输出结果为经含有所述残差卷积结构的时间卷积网络模型处理后的实际运行数据;时间卷积网络基分类器构建单元,用于采用交叉熵损失函数作为含有串并联结构的时间卷积网络模型的损失函数,并利用所述重构后的实际运行数据以及所述状态类别对所述含有串并联结构的时间卷积网络模型训练,构建时间卷积网络基分类器。
次级分类器训练集及测试集划分模块505,用于根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集。
所述次级分类器训练集及测试集划分模块505,具体包括:基分类器训练集及测试集划分单元,用于将所述重构后的实际运行数据以及所述状态类别作为训练样本集划分为所述时间卷积网络基分类器的基分类器训练集以及基分类器测试集;次级分类器训练集确定单元,用于利用所述基分类器训练集对所述时间卷积网络基分类器进行训练,确定所述基分类器训练集的预测值,并将所述基分类器训练集的预测值作为次级分类器训练集;次级分类器测试集确定单元,用于利用所述基分类器测试集对所述时间卷积网络基分类器进行测试,确定所述基分类器测试集的预测值,并将每个所述时间卷积网络基分类器对应的所述基分类器测试集的预测值的加权平均值作为次级分类器测试集。
堆栈泛化集成学习模型确定模块506,用于利用所述次级分类器训练集对所述次级分类器进行训练,利用所述次级分类器测试集对所述次级分类器进行测试,确定堆栈泛化集成学习模型。
故障类别输出模块507,用于根据所述堆栈泛化集成学习模型对所述核动力装置进行故障诊断,输出故障类别。
针对传统机器学习和大多数深度学习方法只关注某一时刻的输入特征而不考虑数据之间的关联性和时序性问题,本发明从基于数据的方法中选择机器学习及深度学习这类方法入手来解决核动力装置***和设备的故障诊断问题,充分调研每种方法的优势与劣势,然后提出基于时间卷积网络和堆栈泛化集成学习的故障诊断技术。
首先,结合特征参数的非线性、时变性特点,将故障后得到的特参数分别采用滑动时窗处理,得到二维数据块,其行数为时间序列,而列数代表各维数据特征。建立多个时间卷积网络模型,通过因果卷积可以考虑故障特征的时间属性,而通过扩展卷积可以根据需求增大或者减少感受野,调整灵活;同时,通过引入因果卷积可以进一步增强特征学习能力,避免经过反复卷积操作后数据特征弱化,从而构成多个基分类器,其中每个基分类器可以独立完成诊断功能。最后,为了进一步提高故障诊断的准确率,本课题采用集成学习中的堆栈泛化思想,将多个基分类器的诊断结果进行融合。堆栈泛化算法的集成学习分为2层,第一层是用不同的算法形成多个时间卷积网络的弱分类器,同时产生一个与原数据集大小相同的新数据集,利用这个新数据集和新算法构成第二层的分类器。通过集成学习思想,拟提高故障诊断的准确率,避免误诊断和漏诊断的发生。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种核动力装置故障的诊断方法,其特征在于,包括:
获取核动力装置的历史运行数据以及实际运行数据,并基于所述历史运行数据对所述实际运行数据的故障状态进行分类,确定所述实际运行数据的状态类别;其中,所述实际运行数据包括反应堆冷却剂***中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容***的上充流量、下泄流量以及容积控制箱的水位;所述故障类别包括冷管段微破裂、热管段微破裂LOCA、稳压器汽空间破裂、下泄管线泄漏、再生式热交换器管侧泄漏、稳压器误喷淋、稳压器加热器误启动、上充管线泄漏、再生式热交换器管侧泄漏以及容控箱泄漏;
对所述实际运行数据进行相空间重构,确定重构后的实际运行数据;
建立小卷积核堆叠形成的时间卷积网络模型;
基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器;
根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集;
利用所述次级分类器训练集对所述次级分类器进行训练,利用所述次级分类器测试集对所述次级分类器进行测试,确定堆栈泛化集成学习模型;
根据所述堆栈泛化集成学习模型对所述核动力装置进行故障诊断,输出故障类别。
2.根据权利要求1所述的核动力装置故障的诊断方法,其特征在于,所述对所述实际运行数据进行相空间重构,确定重构后的实际运行数据,之前还包括:
对所述实际运行数据进行归一化处理,将同一实际运行数据的数据值映射到[0,1]之间。
3.根据权利要求1所述的核动力装置故障的诊断方法,其特征在于,所述基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器,具体包括:
将所述时间卷积网络模型内的激活函数调整为Leaky ReLU激活函数,确定调整后的时间卷积网络模型;所述小卷积核为低于卷积核尺寸阈值的卷积核;
对所述调整后的时间卷积网络模型进行的dropout操作,并将残差卷积结构添加到dropout操作后的时间卷积网络模型中,将输入数据和输出结果形成串并联结构;所述输入数据包括所述重构后的实际运行数据的时序长度、单个所述重构后的实际运行数据的长度以及单个所述重构后的实际运行数据的宽度;所述输出结果为经含有所述残差卷积结构的时间卷积网络模型处理后的实际运行数据;
采用交叉熵损失函数作为含有串并联结构的时间卷积网络模型的损失函数,并利用所述重构后的实际运行数据以及所述状态类别对所述含有串并联结构的时间卷积网络模型训练,构建时间卷积网络基分类器。
5.根据权利要求1所述的核动力装置故障的诊断方法,其特征在于,所述根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集,具体包括:
将所述重构后的实际运行数据以及所述状态类别作为训练样本集划分为所述时间卷积网络基分类器的基分类器训练集以及基分类器测试集;
利用所述基分类器训练集对所述时间卷积网络基分类器进行训练,确定所述基分类器训练集的预测值,并将所述基分类器训练集的预测值作为次级分类器训练集;
利用所述基分类器测试集对所述时间卷积网络基分类器进行测试,确定所述基分类器测试集的预测值,并将每个所述时间卷积网络基分类器对应的所述基分类器测试集的预测值的加权平均值作为次级分类器测试集。
6.一种核动力装置故障的诊断***,其特征在于,包括:
参数获取及状态类别确定模块,用于获取核动力装置的历史运行数据以及实际运行数据,并基于所述历史运行数据对所述实际运行数据的故障状态进行分类,确定所述实际运行数据的状态类别;其中,所述实际运行数据包括反应堆冷却剂***中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容***的上充流量、下泄流量以及容积控制箱的水位;所述故障类别包括冷管段微破裂、热管段微破裂LOCA、稳压器汽空间破裂、下泄管线泄漏、再生式热交换器管侧泄漏、稳压器误喷淋、稳压器加热器误启动、上充管线泄漏、再生式热交换器管侧泄漏以及容控箱泄漏;
相空间重构模块,用于对所述实际运行数据进行相空间重构,确定重构后的实际运行数据;
时间卷积网络模型建立模块,用于建立小卷积核堆叠形成的时间卷积网络模型;
时间卷积网络基分类器构建模块,用于基于所述时间卷积网络模型,利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器;
次级分类器训练集及测试集划分模块,用于根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集;
堆栈泛化集成学习模型确定模块,用于利用所述次级分类器训练集对所述次级分类器进行训练,利用所述次级分类器测试集对所述次级分类器进行测试,确定堆栈泛化集成学习模型;
故障类别输出模块,用于根据所述堆栈泛化集成学习模型对所述核动力装置进行故障诊断,输出故障类别。
7.根据权利要求6所述的核动力装置故障的诊断***,其特征在于,还包括:
归一化处理模块,用于对所述实际运行数据进行归一化处理,将同一实际运行数据的数据值映射到[0,1]之间。
8.根据权利要求6所述的核动力装置故障的诊断***,其特征在于,所述时间卷积网络基分类器构建模块,具体包括:
调整单元,用于将所述时间卷积网络模型内的激活函数调整为Leaky ReLU激活函数,确定调整后的时间卷积网络模型;所述小卷积核为低于卷积核尺寸阈值的卷积核;
dropout操作单元,用于对所述调整后的时间卷积网络模型进行的dropout操作,并将残差卷积结构添加到dropout操作后的时间卷积网络模型中,将输入数据和输出结果形成串并联结构;所述输入数据包括所述重构后的实际运行数据的时序长度、单个所述重构后的实际运行数据的长度以及单个所述重构后的实际运行数据的宽度;所述输出结果为经含有所述残差卷积结构的时间卷积网络模型处理后的实际运行数据;
时间卷积网络基分类器构建单元,用于采用交叉熵损失函数作为含有串并联结构的时间卷积网络模型的损失函数,并利用所述重构后的实际运行数据以及所述状态类别对所述含有串并联结构的时间卷积网络模型训练,构建时间卷积网络基分类器。
10.根据权利要求6所述的核动力装置故障的诊断***,其特征在于,所述次级分类器训练集及测试集划分模块,具体包括:
基分类器训练集及测试集划分单元,用于将所述重构后的实际运行数据以及所述状态类别作为训练样本集划分为所述时间卷积网络基分类器的基分类器训练集以及基分类器测试集;
次级分类器训练集确定单元,用于利用所述基分类器训练集对所述时间卷积网络基分类器进行训练,确定所述基分类器训练集的预测值,并将所述基分类器训练集的预测值作为次级分类器训练集;
次级分类器测试集确定单元,用于利用所述基分类器测试集对所述时间卷积网络基分类器进行测试,确定所述基分类器测试集的预测值,并将每个所述时间卷积网络基分类器对应的所述基分类器测试集的预测值的加权平均值作为次级分类器测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909121.3A CN112016251B (zh) | 2020-09-02 | 2020-09-02 | 一种核动力装置故障的诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909121.3A CN112016251B (zh) | 2020-09-02 | 2020-09-02 | 一种核动力装置故障的诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016251A CN112016251A (zh) | 2020-12-01 |
CN112016251B true CN112016251B (zh) | 2023-01-31 |
Family
ID=73515601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010909121.3A Active CN112016251B (zh) | 2020-09-02 | 2020-09-02 | 一种核动力装置故障的诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016251B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564098B (zh) * | 2020-12-02 | 2022-08-30 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
CN112633358B (zh) * | 2020-12-19 | 2022-11-25 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 基于语义级特征学习蒸汽发生器给水***诊断方法及*** |
CN113033786B (zh) * | 2021-05-21 | 2021-08-13 | 北京航空航天大学 | 基于时间卷积网络的故障诊断模型构建方法及装置 |
CN113963826B (zh) * | 2021-10-14 | 2024-01-12 | 西安交通大学 | 一种反应堆异常工况诊断与控制*** |
CN114741948B (zh) * | 2022-03-09 | 2024-03-12 | 西北工业大学 | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
CN116576917A (zh) * | 2023-05-17 | 2023-08-11 | 四川博思德信息技术有限公司 | 一种设备运行数据的采集方法及装置 |
CN116502141A (zh) * | 2023-06-26 | 2023-07-28 | 武汉新威奇科技有限公司 | 一种基于数据驱动的电动螺旋压力机故障预测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341504A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于时序数据流行学习的机械设备故障诊断方法 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL188726A (en) * | 2008-01-10 | 2013-05-30 | Deutsche Telekom Ag | A stacking scheme for tasks was classified |
US20190114546A1 (en) * | 2017-10-12 | 2019-04-18 | Nvidia Corporation | Refining labeling of time-associated data |
CN108898214A (zh) * | 2018-06-29 | 2018-11-27 | 山东师范大学 | 一种在线序列数据预测方法及装置 |
CN109838696A (zh) * | 2019-01-09 | 2019-06-04 | 常州大学 | 基于卷积神经网络的管道故障诊断方法 |
CN109978500A (zh) * | 2019-03-20 | 2019-07-05 | 武汉瑞莱保能源技术有限公司 | 一种核电站失电试验管理*** |
CN110097098A (zh) * | 2019-04-18 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 基于基分类器的数据分类方法及装置、介质和电子设备 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、***及设备 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN111582396B (zh) * | 2020-05-13 | 2023-05-02 | 江南大学 | 一种基于改进卷积神经网络的故障诊断方法 |
-
2020
- 2020-09-02 CN CN202010909121.3A patent/CN112016251B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341504A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于时序数据流行学习的机械设备故障诊断方法 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016251A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016251B (zh) | 一种核动力装置故障的诊断方法及*** | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
CN111899905B (zh) | 一种基于核动力装置的故障诊断方法及*** | |
Rashid et al. | Wireless sensor network for distributed event detection based on machine learning | |
CN114118789B (zh) | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和*** | |
CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
Peng et al. | A mixed intelligent condition monitoring method for nuclear power plant | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
Zhao et al. | A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox | |
CN112036496A (zh) | 一种核动力装置故障诊断方法及*** | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析***及方法 | |
CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
Jing et al. | Two-layer PSDG based fault diagnosis for wind turbines | |
CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 | |
Zhang et al. | Research on unsupervised condition monitoring method of pump-type machinery in nuclear power plant | |
Huang et al. | Interpretable real-time monitoring of pipeline weld crack leakage based on wavelet multi-kernel network | |
CN114936532B (zh) | 一种海上风电机组故障诊断方法 | |
CN112949744B (zh) | 风力发电机叶片结冰检测方法、***及存储介质 | |
CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |