CN116431966A - 一种增量式特征解耦自编码器的堆芯温度异常检测方法 - Google Patents
一种增量式特征解耦自编码器的堆芯温度异常检测方法 Download PDFInfo
- Publication number
- CN116431966A CN116431966A CN202310255054.1A CN202310255054A CN116431966A CN 116431966 A CN116431966 A CN 116431966A CN 202310255054 A CN202310255054 A CN 202310255054A CN 116431966 A CN116431966 A CN 116431966A
- Authority
- CN
- China
- Prior art keywords
- layer
- decoupling
- training
- feature
- loss
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/10—Structural combination of fuel element, control rod, reactor core, or moderator structure with sensitive instruments, e.g. for measuring radioactivity, strain
- G21C17/112—Measuring temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- High Energy & Nuclear Physics (AREA)
- Plasma & Fusion (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种增量式特征解耦自编码器的堆芯温度异常检测方法。本发明针对传统解耦表征学***稳运行和智能运维提供实用性帮助。
Description
技术领域
本发明公开一种增量式特征解耦自编码器的堆芯温度异常检测方法。本发明属于工业故障检测领域，特别是针对核反应堆堆芯温度的异常检测。
背景技术
核能发电是一种清洁、经济、高效的发电方式，这对于核电设备的持续安全平稳运行提出了更高的要求。反应堆堆芯是整个核电***的能源核心，堆芯温度则是堆芯健康状态的最直接表征，温度分布中出现的异常若不能被及时发现，极有可能引发堆芯熔毁等一系列重大事故，造成严重的人员伤亡和经济损失。因此，针对核反应堆堆芯温度开展异常检测工作，及时发现故障，避免重大事故的发生，对于核电站的产能安全具有重要意义。传统的堆芯温度异常检测一般采用事故后监视的思路进行，依靠操作人员的专业经验和机理知识对事故时和事故后的堆芯温度变化趋势进行判断和总结，人力成本高，检测效率低，且实时性差。近年来，随着机器学习和人工智能技术的发展，数据驱动的异常检测方法得到了长足发展，并广泛应用于工业过程故障检测任务中，取得了较好的成果。因此，结合核电堆芯温度数据的特点开展基于数据驱动方法的核反应堆故障检测工作是十分迫切的。
基于数据驱动的异常检测方法不依赖机理相关的专业知识，仅依靠***运行过程中收集的大量数据，捕捉变量间潜在的耦合关系等信息，就能实现高效、实时的异常检测。其中较为常用的有主成分分析(principle component analysis,PCA)、偏最小二乘法(partial least square，PLS)、独立成分分析(independent component analysis,ICA)等多元统计分析方法，以及自编码器(auto-encoder,AE)、卷积神经网络(convolutionalneural network,CNN)等深度学习方法。然而，堆芯温度不同测点间具有复杂非线性耦合关系，多元统计分析方法一般难以有效捕捉数据的非线性特征，难以实现高准确率的异常检测。深度学习方法虽然能够利用神经元之间的非线性映射学习数据中隐含的非线性特征，但模型隐空间中提取到的特征可能存在较强的耦合关系，即存在信息冗余的问题。基于冗余特征计算的监测统计量可能不能在异常检测任务中准确描述测试数据在特征空间中偏离模型的程度，造成了故障漏报和误报。
基于解耦表征学习的异常检测方法通过在传统深度学习模型的基础上设计对于隐空间生成的解耦约束，以克服特征冗余问题，如变分自编码器(variational auto-encoder,VAE)等方法。但此类方法往往需要在训练前对模型隐空间的维度进行人为预设并固定，而隐空间维度的选择对模型性能具有较大的影响，这为基于解耦表征学习的异常检测方法在实际建模过程中的应用带来了困难。
发明内容
本发明的目的在于针对传统解耦表征学习难以预先指定特征维度的问题，提出一种增量式特征解耦自编码器的堆芯温度异常检测方法，步进式地生成自编码器模型隐空间的特征并自适应地确定特征维度，满足模型所提取特征对数据具有较强重构能力和模型隐空间特征充分解耦的双重要求，并基于堆芯温度数据的隐空间和残差空间分别构造统计量用于异常检测。
本发明的目的是通过以下技术方案来实现的：
一种增量式特征解耦自编码器的堆芯温度异常检测方法，具体为：
将实时采集的核反应堆芯温度数据样本输入至训练好的增量式特征解耦自编码器模型中，获得特征向量和重构样本，基于特征向量和重构样本计算统计量对堆芯温度进行异常检测；
所述增量式特征解耦自编码器模型通过如下方法训练获得：
构建训练集，所述训练集的每个样本为核反应堆正常运行时采集的核反应堆芯温度数据；
构建增量式特征解耦自编码器，所述增量式特征解耦自编码器由输入层I，调节层P，特征层F和输出层O构成；设定调节层P、特征层F的初始神经元个数；
将训练集的样本输入至增量式特征解耦自编码器，获得特征向量和重构样本，基于损失函数对增量式特征解耦自编码器进行神经元增量迭代训练直至模型性能指标符合要求；所述损失函数包括：第一损失函数，由重构损失构成；第二损失函数，由重构损失和隐空间解耦损失之和构成；所述模型性能指标包括：重构误差指标R，数值上与重构损失相同；隐空间特征相关性指标C，数值上与隐空间解耦损失相同；其中：
如果C＜Cth且R＜Rth，认为当前模型重构能力和隐空间解耦程度均达到要求，模型训练完毕；
如果C＜Cth且R＞Rth，认为当前模型隐空间解耦程度达到要求，但重构能力不足，需要在特征层F进行神经元增量并训练；
如果C＞Cth且R＜Rth，认为当前模型重构能力达到要求，但隐空间解耦程度不足，需要在调节层P进行神经元增量并训练；
如果C＞Cth且R＞Rth，认为当前模型重构能力和隐空间解耦程度均未达标，需要优先满足对隐空间解耦程度的要求，在调节层P进行神经元增量并训练；
其中，Cth、Rth分别表示隐空间特征相关性指标C、重构误差指标R的阈值。
进一步地，在特征层F进行神经元增量后，训练时，输入层I与调节层P之间的映射的网络参数不变，调节层P与特征层F之间的映射固定其中参与上一轮的训练的网络参数并更新本轮中新增神经元用于生成新特征向量fk的网络参数，下标k表示新增神经元后当前模型的隐空间维度，特征层F和输出层O之间的映射的网络参数进行完全更新。
进一步地，在调节层P进行神经元增量后，训练时，输入层I与调节层P之间的映射固定其中参与上一轮训练的网络参数并更新本轮中新增神经元用于生成新向量pj+1的网络参数，下标j表示参与上一轮训练的调节层P的神经元数量，调节层P与特征层F之间的映射固定其中参与上一轮训练的网络参数并更新本轮中基于包含新向量pj+1的矩阵生成新特征向量的网络参数，特征层F和输出层O之间的映射的网络参数进行完全更新。
进一步地，所述隐空间解耦损失LossC，表示为：
Cov(fk,fi)＝E(fk·fi)-E(fk)E(fi)
其中k为当前模型的隐空间维度，fk为特征层F输出的第k维特征向量，fi(i＝1,2,...,k-1)为先前轮次提取的k-1个特征向量，函数E计算特征向量的均值。
进一步地，所述重构损失LossR，表示为：
其中||·||F表示Frobenius范数，X是输入模型的核反应堆芯温度数据样本矩阵，
是重构样本矩阵，n是样本数。
进一步地，第二损失函数表示为：
Losstotal＝LossR+βLossC
其中，β为模型超参数，LossR是重构损失，LossC是隐空间解耦损失。
进一步地，统计量包括T2和SPE统计量两种。
进一步地，基于特征向量和重构样本计算统计量对堆芯温度进行异常检测，具体为：
基于特征向量和重构样本计算统计量，若计算的任意一个统计量超过控制限，表明核反应堆运行过程发生故障。
进一步地，所述统计量的控制限是通过核密度估计的方法计算得到的。
进一步地，所述核反应堆芯温度数据包括分布在反应堆堆芯不同位置的传感器所采集到的多个测点的堆芯温度。
本发明的有益效果是：本发明针对传统解耦表征学习难以预先指定特征维度的问题，提出了一种增量式特征解耦自编码器的堆芯温度异常检测方法。本发明设计了一种特征增量策略，在自编码器模型训练时步进式地生成其隐空间特征并自适应地确定特征维度。同时提出了一种基于双性能指标的迭代训练策略用于自编码器模型训练，使模型所提取的特征对数据具有较强的重构能力，并满足隐空间特征解耦要求。最后，本发明基于数据的特征空间和残差分别构造监测统计量，实现了对于堆芯温度数据的全面异常检测。相比于基于传统深度学习的异常检测方法，本发明实现了模型隐空间特征的解耦，并基于隐空间构建了能够更准确地捕捉数据异常的统计量，降低故障检测的误报和漏报。相比于基于传统解耦表征学习的异常检测方法，本发明能够实现自适应确定隐空间特征维度，有效降低了方法在实际建模过程中的应用难度。
附图说明
图1为本发明的整体框架流程图
图2为本发明所提方法在测试集1上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
图3为主成分分析方法在测试集1上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
图4为传统自编码器方法在测试集1上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
图5为直接解耦自编码器方法在测试集1上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
图6为本发明所提方法在测试集2上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
图7为主成分分析方法在测试集2上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
图8为传统自编码器方法在测试集2上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
图9为直接解耦自编码器方法在测试集2上的故障检测结果图，其中虚线为控制限，实线为测试集样本的统计量计算结果；
具体实施方式
本实施例以真实核反应堆堆芯温度数据为例验证本方法的有效性。下面结合附图和具体实施例，对本发明作进一步详细说明。
本发明的一种增量式特征解耦自编码器的堆芯温度异常检测方法，是通过实时采集的核反应堆芯温度数据样本输入至训练好的增量式特征解耦自编码器模型中，获得特征向量和重构样本，基于特征向量和重构样本计算统计量对堆芯温度进行异常检测。其中，增量式特征解耦自编码器模型的训练是本发明的重点，如图1所示，离线建模训练包括以下步骤：
步骤1：构建训练集，所述训练集的每个样本为核反应堆正常运行时采集的核反应堆芯温度数据；
在本实施例中，收集了6000个正常样本作为训练集建立模型，并针对过程发生的两种不同故障类型各取6000个样本作为两个测试集进行异常检测测试，每个样本包含40个测点的温度变量，由轴向分布在核反应堆堆芯顶层、中部、底层三部分的传感器采集，样本的采样间隔为60秒。两个测试集的故障分别是由堆芯温度分布的突变和缓变所导致的，该故障从第2000个样本开始出现。
进一步地，对收集的数据进行数据标准化，具体如下：
针对采集到的正常堆芯温度数据
标准化的计算公式为：
其中，n表示样本数，m表示变量数；xi,r表示数据矩阵X中第i行第r列的元素，即采集的第i个样本中的第r个温度变量的值；
是所有样本中第r个过程变量的均值；sr表示所有样本中第r个过程变量的标准差；xi,r则是对应样本、对应变量经过标准化后的数值。对数据X进行标准化后可得数据矩阵/>
步骤2：构建增量式特征解耦自编码器，对正常数据X进行建模，获得特征向量和重构样本，基于损失函数对增量式特征解耦自编码器进行神经元增量迭代训练直至模型性能指标符合要求；具体包括以下子步骤：
步骤2.1：增量式特征解耦自编码器模型由输入层I，调节层P，特征层F和输出层O构成，其中特征层F即定义为模型隐空间，层内的神经元数量即对应隐空间的特征维度。本发明将特征层F设计为神经元可增量的形式，当模型对数据重构能力较差，则需要向特征层F添加新的神经元进行训练。本发明将调节层P也设计为神经元可增量的形式，训练过程中如特征层F的特征解耦程度不足，则需要向调节层P添加新的神经元进行训练。
步骤2.2：设置增量式特征解耦自编码器模型在初始状态下的特征层F和调节层P的神经元个数；一般情况下，特征层F的初始神经元个数设置为1，可以最大程度自适应增量。本实施例中，设置增量式特征解耦自编码器模型在初始状态下的特征层F和调节层P的神经元个数分别为1和3。用
分别表示模型在生成一维特征时，输入层I与调节层P之间、调节层P与特征层F之间、特征层F与输出层O之间的映射，则信息在模型中的传递可以总结为：输入数据/>
的全部信息将先被映射至调节层P的j个神经元中得到矩阵
即/>
然后P所包含的信息再进一步被压缩至特征层F的一个神经元中，得到特征向量/>
即/>
最后，特征f1被映射至输出层O，得到重构数据/>
即/>
记映射/>
包含的网络参数分别为/>
模型在初始状态下训练的第一损失函数与传统自编码器相同，为重构损失LossR，本实施例采用的计算方法为：
其中||·||F表示Frobenius范数。
步骤2.3：设重构误差指标R＝LossR，并设置对应阈值Rth。如模型在初始状态下训练后有R＞Rth，则向模型特征层F新添加一个神经元并重新训练，生成第二维特征向量f2，再将f1与f2组合并映射至输出层O。用
表示模型在生成二维特征时，输入层I与调节层P之间、调节层P与特征层F之间、特征层F与输出层O之间的映射，记上述映射包含的网络参数分别为/>
在本次训练中，对于映射/>
模型固定其参数/>
与上一轮的参数/>
相同且不更新；对于映射/>
其参数/>
由需要固定和更新的两部分参数组成：需要固定的部分与上一轮的参数/>
相同且不更新，需要更新的部分是在本轮中新增的、用于生成f2的新映射的参数，记为/>
即/>
对于映射/>
模型将其参数/>
进行完全更新，即舍弃上一轮的参数/>
重新训练。在本次训练生成f2的过程中，模型的损失函数在原有重构损失LossR的基础上，添加了隐空间解耦损失项LossC，可以采用如下形式：
Cov(fk,fi)＝E(fk·fi)-E(fk)E(fi)
其中k为当前模型的隐空间维度，fk为第k维特征向量，fi(i＝1,2,...,k-1)为先前轮次提取的k-1个特征向量，函数E计算特征向量的均值。该第二损失函数Losstotal由重构损失LossR和隐空间解耦损失LossC之和构成：
Losstotal＝LossR+βLossC
其中，β为模型超参数。在后续训练过程中模型将沿用此损失函数进行训练。
步骤2.4：设隐空间特征相关性指标C＝LossC，并设置对应阈值Cth。如模型在上一轮训练后有C＞Cth，则向调节层P进行神经元增量并重新训练模型映射
即：将调节层P中新生成的向量pj+1与矩阵P合并得到矩阵/>
再映射至特征层F以重新生成第二维特征f2。在本次训练中，对于映射/>
其参数/>
由需要固定和更新的两部分参数组成：需要固定的部分与参数/>
相同且不更新，需要更新的部分是在本轮中新增的、用于生成pj+1的新映射的参数，记为/>
即/>
对于映射/>
其参数/>
由需要固定和更新的两部分参数组成：需要固定的部分与参数/>
相同且不更新，需要更新的部分是对上一轮中的参数/>
进行更新，用于重新生成f2，即/>
对于映射
模型将其参数/>
进行完全更新。
步骤2.5：在步骤2.3和步骤2.4中神经元增量具体操作的基础上，以此类推，基于损失函数对增量式特征解耦自编码器进行神经元增量迭代训练直至模型性能指标符合要求，将完整的模型迭代训练策略总结如下：
判断条件1：如果C＜Cth且R＜Rth，认为当前模型重构能力和隐空间解耦程度均达到要求，模型训练完毕；
判断条件2：如果C＜Cth且R＞Rth，认为当前模型隐空间解耦程度达到要求，但重构能力不足，需要在特征层F进行神经元增量并训练。
判断条件3：如果C＞Cth且R＜Rth，认为当前模型重构能力达到要求，但隐空间解耦程度不足，需要在调节层P进行神经元增量并训练。
判断条件4：如果C＞Cth且R＞Rth，认为当前模型重构能力和隐空间解耦程度均未达标，需要优先满足对隐空间解耦程度的要求，操作与条件3相同。
其中，Cth、Rth分别表示隐空间特征相关性指标C、重构误差指标R的阈值。在本实施例中，分别为0.8和0.1。
在本实施例中，增量式特征解耦自编码器模型按照上述策略进行训练直至满足迭代终止条件时，模型的特征层F和调节层P的神经元个数分别为6和9。固定模型结构，并将最后一轮训练得到的模型映射记作
模型训练完毕。
针对正常堆芯温度数据特征空间和残差空间设计统计量用于异常检测，本实施例中以T2与SPE为例，计算方式为：对于正常数据
其中的每一个样本可表示为/>
使用增量式特征解耦自编码器模型提取其特征向量
同时得到重构输出/>
并计算重构残差项/>
基于上述向量构造T2和SPE统计量如下：
T2＝ft TΣ-1ft
SPE＝eTe
其中，Σ为模型基于正常数据提取到的特征的协方差矩阵。通过核密度估计的方式计算T2与SPE统计量的控制限CtrT2以及CtrSPE。
至此，获得2个统计量及其控制限。利用训练好的增量式特征解耦自编码器模型即可实现故障检测。具体地，将实时采集的核反应堆芯温度数据样本
输入至训练好的增量式特征解耦自编码器模型中即可实现故障检测。使用训练好的增量式特征解耦自编码器模型提取其特征向量/>
同时得到重构输出/>
计算重构残差项/>
计算T2和SPE统计量对堆芯温度进行异常检测：
T2＝fnew TΣ-1fnew
SPE＝enew Tenew
若T2和SPE中任意一个统计量超过控制限，表明核反应堆运行过程发生故障。本发明的整体框架流程图如图1所示。下面分别利用两个测试集的样本进行故障检测分析，说明本发明的效果。
在故障检测方面，本发明针对温度突变和缓变两种故障类型的测试集进行故障检测，结果分别如图2和图6所示。可以发现，在突变故障下，本方法的两个统计量都在故障发生的时刻明显超过了控制限，能够及时灵敏地检测到故障的发生。在缓变故障下，本方法的两个统计量也能够捕捉到数据中缓慢渐变的异常，较为准确地检测到故障的发生。
为了更加清晰地体现本发明设计的特征增量策略和迭代训练策略在异常检测任务中的优越性，将本发明中增量式特征解耦自编码器的增量策略和迭代训练策略全部舍弃后得到的模型命名为直接解耦自编码器(仅使用第二损失函数进行约束训练)用于实验对比。此处选取了主成分分析PCA(W.Svante,K.Esbensen,and P.Geladi.“Principalcomponent analysis,”Chemom.Intell.Lab.Syst.,vol.2,no.1-3,pp.37-52,1987)、传统自编码器AE(Sakurada,Mayu,and TakehisaYairi.“Anomaly detection usingautoencoders with nonlinear dimensionality reduction.”Proceedings of theMLSDA 2014 2nd workshop on machine learning for sensory data analysis.2014.)和直接解耦自编码器进行比较。上述方法在两个测试集上的故障检测效果分别如图3和图7、图4和图8、图5和图9所示。可以发现，在突变故障类型的实验中，上述方法大多能够相对准确地检测到故障发生。但在缓变类型故障的实验中，上述方法在故障发生前产生了大量误报，同时检出故障的时间也大幅度延后，故障检出率较低。
为了更直观地进行比较，表1和表2分别列出了不同方法在测试集上的故障检出率(FDR)与故障误报率(FAR)。FDR与FAR的计算表达式为：
其中NMAE,Nabnormal,NFAE,Nnormal分别代表漏报事件，异常样本，误报事件和正常样本的数量。
可以发现，本发明所提方法的故障误报率在两个测试集上均是四种方法中最低的，故障检出率也在总体上处于四种方法中的最高水平，其中，本发明所提方法相比于其他方法的优越性在含缓变类型故障的测试集2上体现最为显著。这证明了本发明所提方法的可行性和有效性。
表1不同方法故障检出率(FDR)对比(％)
表2不同方法故障误报率(FAR)对比(％)
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。
Claims (10)
1.一种增量式特征解耦自编码器的堆芯温度异常检测方法，其特征在于，具体为：
将实时采集的核反应堆芯温度数据样本输入至训练好的增量式特征解耦自编码器模型中，获得特征向量和重构样本，基于特征向量和重构样本计算统计量对堆芯温度进行异常检测；
所述增量式特征解耦自编码器模型通过如下方法训练获得：
构建训练集，所述训练集的每个样本为核反应堆正常运行时采集的核反应堆芯温度数据；
构建增量式特征解耦自编码器，所述增量式特征解耦自编码器由输入层I，调节层P，特征层F和输出层O构成；设定调节层P、特征层F的初始神经元个数；
将训练集的样本输入至增量式特征解耦自编码器，获得特征向量和重构样本，基于损失函数对增量式特征解耦自编码器进行神经元增量迭代训练直至模型性能指标符合要求；所述损失函数包括：第一损失函数，由重构损失构成；第二损失函数，由重构损失和隐空间解耦损失之和构成；所述模型性能指标包括：重构误差指标R，数值上与重构损失相同；隐空间特征相关性指标C，数值上与隐空间解耦损失相同；其中：
如果C＜Cth且R＜Rth，认为当前模型重构能力和隐空间解耦程度均达到要求，模型训练完毕；
如果C＜Cth且R＞Rth，认为当前模型隐空间解耦程度达到要求，但重构能力不足，需要在特征层F进行神经元增量并训练；
如果C＞Cth且R＜Rth，认为当前模型重构能力达到要求，但隐空间解耦程度不足，需要在调节层P进行神经元增量并训练；
如果C＞Cth且R＞Rth，认为当前模型重构能力和隐空间解耦程度均未达标，需要优先满足对隐空间解耦程度的要求，在调节层P进行神经元增量并训练；
其中，Cth、Rth分别表示隐空间特征相关性指标C、重构误差指标R的阈值。
2.根据权利要求1所述的方法，其特征在于，在特征层F进行神经元增量后，训练时，输入层I与调节层P之间的映射的网络参数不变，调节层P与特征层F之间的映射固定其中参与上一轮的训练的网络参数并更新本轮中新增神经元用于生成新特征向量fk的网络参数，下标k表示新增神经元后当前模型的隐空间维度，特征层F和输出层O之间的映射的网络参数进行完全更新。
3.根据权利要求1所述的方法，其特征在于，在调节层P进行神经元增量后，训练时，输入层I与调节层P之间的映射固定其中参与上一轮训练的网络参数并更新本轮中新增神经元用于生成新向量pj+1的网络参数，下标j表示参与上一轮训练的调节层P的神经元数量，调节层P与特征层F之间的映射固定其中参与上一轮训练的网络参数并更新本轮中基于包含新向量pj+1的矩阵生成新特征向量的网络参数，特征层F和输出层O之间的映射的网络参数进行完全更新。
4.根据权利要求1所述的方法，其特征在于，所述隐空间解耦损失LossC，表示为：
Cov(fk,fi)＝E(fk·fi)-E(fk)E(fi)
其中k为当前模型的隐空间维度，fk为特征层F输出的第k维特征向量，fi(i＝1,2,...,k-1)为先前轮次提取的k-1个特征向量，函数E计算特征向量的均值。
5.根据权利要求1所述的方法，其特征在于，所述重构损失LossR，表示为：
其中||·||F表示Frobenius范数，X是输入模型的核反应堆芯温度数据样本矩阵，
是重构样本矩阵，n是样本数。
6.根据权利要求1所述的方法，其特征在于，第二损失函数表示为：
Losstotal＝LossR+βLossC
其中，β为模型超参数，LossR是重构损失，LossC是隐空间解耦损失。
7.根据权利要求1所述的方法，其特征在于，统计量包括T2和SPE统计量两种。
8.根据权利要求1所述的方法，其特征在于，基于特征向量和重构样本计算统计量对堆芯温度进行异常检测，具体为：
基于特征向量和重构样本计算统计量，若计算的任意一个统计量超过控制限，表明核反应堆运行过程发生故障。
9.根据权利要求8所述的方法，其特征在于，所述统计量的控制限是通过核密度估计的方法计算得到的。
10.根据权利要求1所述的方法，其特征在于，所述核反应堆芯温度数据包括分布在反应堆堆芯不同位置的传感器所采集到的多个测点的堆芯温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310255054.1A CN116431966A (zh) | 2023-03-16 | 2023-03-16 | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310255054.1A CN116431966A (zh) | 2023-03-16 | 2023-03-16 | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116431966A true CN116431966A (zh) | 2023-07-14 |
Family
ID=87086363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310255054.1A Pending CN116431966A (zh) | 2023-03-16 | 2023-03-16 | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116431966A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116738354A (zh) * | 2023-08-15 | 2023-09-12 | 国网江西省电力有限公司信息通信分公司 | 一种电力物联网终端行为异常检测方法及*** |
| CN117150243A (zh) * | 2023-10-27 | 2023-12-01 | 湘江实验室 | 一种基于故障影响解耦网络的故障隔离与估计方法 |
| CN117499199A (zh) * | 2023-08-30 | 2024-02-02 | 长沙理工大学 | 一种基于vae的信息增强解耦网络故障诊断方法及*** |
-
2023
- 2023-03-16 CN CN202310255054.1A patent/CN116431966A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116738354A (zh) * | 2023-08-15 | 2023-09-12 | 国网江西省电力有限公司信息通信分公司 | 一种电力物联网终端行为异常检测方法及*** |
| CN116738354B (zh) * | 2023-08-15 | 2023-12-08 | 国网江西省电力有限公司信息通信分公司 | 一种电力物联网终端行为异常检测方法及*** |
| CN117499199A (zh) * | 2023-08-30 | 2024-02-02 | 长沙理工大学 | 一种基于vae的信息增强解耦网络故障诊断方法及*** |
| CN117150243A (zh) * | 2023-10-27 | 2023-12-01 | 湘江实验室 | 一种基于故障影响解耦网络的故障隔离与估计方法 |
| CN117150243B (zh) * | 2023-10-27 | 2024-01-30 | 湘江实验室 | 一种基于故障影响解耦网络的故障隔离与估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
| CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
| CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
| Wei et al. | A novel deep learning model based on target transformer for fault diagnosis of chemical process | |
| CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测***及其方法 | |
| CN115481726A (zh) | 一种工业机器人整机健康评估方法及*** | |
| CN111080168B (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
| CN117076171A (zh) | 一种面向多元时序数据的异常检测及定位方法及装置 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| Fuertes et al. | Visual dynamic model based on self-organizing maps for supervision and fault detection in industrial processes | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN113536671A (zh) | 一种基于lstm的锂电池寿命预测方法 | |
| CN117833468A (zh) | 一种运行中配电环网柜断路器单元传控部件检修方法 | |
| CN111723857B (zh) | 一种流程生产装备运行状态的智能监测方法与*** | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析***及方法 | |
| US20230350402A1 (en) | Multi-task learning based rul predication method under sensor fault condition | |
| CN110244690B (zh) | 一种多变量工业过程故障辨识方法及*** | |
| CN116020879B (zh) | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 | |
| CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、*** | |
| CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及*** | |
| CN114282608B (zh) | 一种电流互感器隐性故障诊断预警方法及*** |
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 |