一种核电设备智能运行监测与故障诊断通用模型的制作方法

1.本发明涉及核电设备监测技术领域，具体为一种核电设备智能运行监测与故障诊断通用模型。


背景技术：

2.核电因其清洁、高效、燃料运输和储存消耗资源少等特点，成为一种新型绿色能源，2018年发改委等四部门联合发布《关于进一步加强核电运行安全管理的指导意见》，其中一个重要的基本要求就是“坚持方法创新，推进信息化，智能化，大数据等新技术在核电运行安全管理中的应用，加强对设备的状态监控，提高安全管理水平”，要求加强关键设备的运行状态监测，改进监控技术手段，提高关键设备运行状态检测的全面性，及时性和准确性，实现设备故障的早期预警，优化设备维修策略；要建立关键设备管理平台，提高设备智能检测、故障诊断、健康评价和寿命预测水平；要加强对核电机组运行风险的实时跟踪监测，精准提高核电运行安全水平。
3.核电机组在运行过程中，系统及机组各监测设备都会产生大量状态数据，这些状态数据会被记录并保存在核电厂数据库中，当核电机组的系统或设备发生异常或故障时，故障敏感的状态数据会相对于正常状态的状态数据发生轻微或者较大变化，这些状态数据变化值可以用来分析判断是否发生了异常以及揭示不同故障类型，由于核电工艺复杂、系统众多，依靠人力在海量数据中进行经验故障判断，需要大量的工作实践累积以及专家知识，对操作员的专业素养要求极高，且不能及时进行预测故障类型，给维修造成不便。


技术实现要素：

4.本发明的目的在于提供一种核电设备智能运行监测与故障诊断通用模型，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种核电设备智能运行监测与故障诊断通用模型，包括以下步骤：
6.s1、数据采集：首先采集被核电系统在运行过程中的状态数据，包括各种功率水平及模式下正常运行工况数据和可能出现的异常事件下的异常数据，数据形式以流数据为主，多个传感器的高维时间序列数据形成了一个训练样本和一个数据矩阵，通用模型训练算法对传感器的数目和时间长短无限制，只要求做到样本形式统一，采集的样本数据反映其所在类别的主要特征，采集数据时应注意将数据归类，有监督学习中的样本标签、正常数据及不同工况的异常数据被分类储存，从而为状态监测模型提供了训练和测试数据集；
7.s2、数据预处理：对于全部样本数据，主要检查其格式是否完全统一，当中是否存在缺失数据或者异常值，对于少量缺失可以根据工艺特性决定是否采用补均值予以补全，对于严重缺失数据的样本可以剔除，按照一定规则存放不同类别的样本文件，并对数据进行归一化处理，封装成一个函数，提供若干可选择的值作为api的输入，用户使用api接口，只需输入样本格式，即可用少量代码完成不同的数据处理，从而将原始数据清洗为预训练
数据，采用统一算法将全部数据缩放到同一范围中，既保存了数据应表达的原始信息，方便算法识别；
8.s3、数据相关性分析及异常检测模块开发：当监测诊断模型在核电系统实际部署运行时，首先对被监测对象进行异常检测，即判断其是否出现了异常状态，当异常出现时，需要调用故障模式识别算法，识别故障类型。模型开发者首先需要设定一些模型超参数，利用python语言与人工智能技术有关的各类包自身具备的接口，读取已在步骤s2中处理好的数据，先进行相关性分析，自动筛选和选择敏感传感器进行特征提取，从而降低数据的维度，最后输入算法中建立模型，利用机器学习算法然后根据历史数据训练多分类的故障诊断模型，训练时对比多种分类算法的测试精度，并选择预测精度最高的模型保存为异常监测模块预测调用模型，用于在线预测；
9.s4、故障模式诊断模块开发：步骤s3中的异常检测模块发现出现异常时，即将异常数据传递到故障模式诊断模块进行故障类型的诊断，因此故障模式诊断模块处理的数据全部为不同故障类型的异常数据，由于实际核电系统处理的故障类型较多，为统一接口，达到通用性效果，主要使用神经网络法进行模型训练与开发，通过神经网络可以自动提取特征，只需将步骤s2中处理好的数据进行数据归一化，将训练集和测试集分类，搭建神经网络结构，然后开展训练，生成模型可以通过测试集进行测试，根据测试结果不断反馈和调整网络的参数，提高模型精度；
10.s5、模型测试及应用：采用通用算法中的保存好的预测脚本，打通核电系统实时数据的接口，按照异常检测到故障模式诊断的顺序，首先读取最新实时数据，调用已经完成训练的异常检测模块诊断，无异常则释放该数据，再次重新读取最新的运行数据进行异常检测，出现异常，则将数据传递给故障模式识别模块，通过已经训练好的故障模式诊断模型进行异常类型的诊断，触发警告并将故障类型诊断结果及时发送给显示前端，提示操作员及时排除故障，保障核电的可靠运行；
11.其中，机器学习模型的本质是函数，是实现从一个样本x到样本的标记值y的映射，即f(x)
→
y，在给定足够的样本集合{x|1，2，3
……
}与对应标签{y1，y2，y3
……
}的情况下，通过假定已知的函数形式f'(x)＝y，尽可能拟合客观存在的映射函数，关于模型构建的方法，机器学习通过监督学习在训练过程中需要样本标签，然后用来训练模型，状态监测模型与故障诊断模型主要基于监督学习技术构建；
12.深度学习是指具有深层网络结构的神经网络，通过深层神经元、权重以及激活函数来构造复杂优化模型，通过多层神经网络处理，逐渐将初始的抽象低层特征转化为高级高层特征来完成复杂任务的分类和回归分析。
13.优选的，步骤s1中的状态数据通常为具有时序特征的多传感器实时数据，也可将样本处理为持续一小段时间的高维时序数据，且异常数据的判断标准以人工判断为主，主要来自专家经验和系统运行时提供的自动标记，并经过人工审核。
14.优选的，步骤s1中采集的样本数据为尽可能在与核电系统实际运行时相同的环境下进行采集的样本数据，如果数据中含有噪声，其噪声水平也应尽可能与实际核电系统相同或相近。
15.优选的，步骤s1中采集的样本数据的主要特征为：正常工况数据为平缓，连续的值，一旦出现破口，则会出现较大的压力值波动，伴随流量和温度突变。
16.优选的，步骤s3中的模型超参数包括每个样本的维度信息、样本长度、样本个数、特征个数和问题类别的选择。
17.与现有技术相比，本发明的有益效果是：本发明提供了一种基于python语言和人工智能算法的核电设备智能运行监测与故障诊断通用模型，该模型可以通过灵活调整参数和配置来自适应建模不同的系统和设备，模型开发者只需要提供与被监测对象的状态数据，做相关的参数配置即可训练和生成模型，最后用于线上核电设备的监测和故障诊断，对核电运维人员而言，可以通过模型的部署和调用，辅助进行核电的在线异常监测和故障诊断，提高核电设备各类故障排查效率和安全水平。
附图说明
18.图1为本发明监测和诊断模型算法总体技术路线方案；
19.图2为本发明异常检测模型技术路线方案；
20.图3为本发明故障模式识别模型技术路线方案；
21.图4为本发明实施例中主回路不同破口位置示意图；
22.图5为本发明实施例中正常数据和异常数据对比图；
23.图6为本发明实施例中数据预处理中特征相关性分析图；
24.图7为本发明实施例中五层隐藏层神经网络结构图。
具体实施方式
25.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。
26.请参阅图1-3，本发明提供一种技术方案：一种核电设备智能运行监测与故障诊断通用模型，包括以下步骤：
27.s1、数据采集：首先采集被核电系统在运行过程中的状态数据，包括各种功率水平及模式下正常运行工况数据和可能出现的异常事件下的异常数据，数据形式以流数据为主，多个传感器的高维时间序列数据形成了一个训练样本和一个数据矩阵，通用模型训练算法对传感器的数目和时间长短无限制，只要求做到样本形式统一，采集的样本数据反映其所在类别的主要特征，采集数据时应注意将数据归类，正常数据及不同工况的异常数据被分类储存，从而为状态监测模型提供了训练和测试数据集；
28.s2、数据预处理：对于全部样本数据，主要检查其格式是否完全统一，当中是否存在缺失数据或者异常值，对于少量缺失可以根据工艺特性决定是否采用补均值予以补全，对于严重缺失数据的样本可以剔除，按照一定规则存放不同类别的样本文件，并对数据进行归一化处理，封装成一个函数，提供若干可选择的值作为api的输入，用户使用api接口，只需输入样本格式，即可用少量代码完成不同的数据处理，从而将原始数据清洗为预训练数据，采用统一算法将全部数据缩放到同一范围中，既保存了数据应表达的原始信息，方便算法识别；
29.s3、数据相关性分析及异常检测模块开发：当监测诊断模型在核电系统实际部署
运行时，首先对被监测对象进行异常检测，即判断其是否出现了异常状态，当异常出现时，需要调用故障模式识别算法，识别故障类型。模型开发者首先需要设定一些模型超参数，利用python语言与人工智能技术有关的各类包自身具备的接口，读取已在步骤s2中处理好的数据，先进行相关性分析，自动筛选和选择敏感传感器进行特征提取，从而降低数据的维度，最后输入算法中建立模型，利用机器学习算法然后根据历史数据训练多分类的故障诊断模型，训练时对比多种分类算法的测试精度，并选择预测精度最高的模型保存为异常监测模块预测调用模型，用于在线预测；
30.s4、故障模式诊断模块开发：步骤s3中的异常检测模块发现出现异常时，即将异常数据传递到故障模式诊断模块进行故障类型的诊断，因此故障模式诊断模块处理的数据全部为不同故障类型的异常数据，由于实际核电系统处理的故障类型较多，为统一接口，达到通用性效果，主要使用神经网络法进行模型训练与开发，通过神经网络可以自动提取特征，只需将步骤s2中处理好的数据进行数据归一化，将训练集和测试集分类，搭建神经网络结构，然后开展训练，生成模型可以通过测试集进行测试，根据测试结果不断反馈和调整网络的参数，提高模型精度；
31.s5、模型测试及应用：采用通用算法中的保存好的预测脚本，打通核电系统实时数据的接口，按照异常检测到故障模式诊断的顺序，首先读取最新实时数据，调用已经完成训练的异常检测模块诊断，无异常则释放该数据，再次重新读取最新的运行数据进行异常检测，出现异常，则将数据传递给故障模式识别模块，通过已经训练好的故障模式诊断模型进行异常类型的诊断，触发警告并将故障类型诊断结果及时发送给显示前端，提示操作员及时排除故障，保障核电的可靠运行；
32.其中，机器学习模型的本质是函数，是实现从一个样本x到样本的标记值y的映射，即f(x)
→
y，在给定足够的样本集合{x|1，2，3
……
}与对应标签{y1，y2，y3
……
}的情况下，通过假定已知的函数形式f'(x)＝y，尽可能拟合客观存在的映射函数，关于模型构建的方法，机器学习通过监督学习在训练过程中需要样本标签，然后用来训练模型，状态监测模型与故障诊断模型主要基于监督学习技术构建；
33.深度学习是指具有深层网络结构的神经网络，通过深层神经元、权重以及激活函数来构造复杂优化模型，通过多层神经网络处理，逐渐将初始的抽象低层特征转化为高级高层特征来完成复杂任务的分类和回归分析。
34.进一步的，步骤s1中的状态数据通常为具有时序特征的多传感器实时数据，也可将样本处理为持续一小段时间的高维时序数据，且异常数据的判断标准以人工判断为主，主要来自专家经验和系统运行时提供的自动标记，并经过人工审核。
35.进一步的，步骤s1中采集的样本数据为尽可能在与核电系统实际运行时相同的环境下进行采集的样本数据，如果数据中含有噪声，其噪声水平也应尽可能与实际核电系统相同或相近。
36.进一步的，步骤s1中采集的样本数据的主要特征为：正常工况数据为平缓，连续的值，一旦出现破口，则会出现较大的压力值波动，伴随流量和温度突变。
37.进一步的，步骤s3中的模型超参数包括每个样本的维度信息、样本长度、样本个数、特征个数和问题类别的选择。
38.图4中表示：在开发阶段，就主回路是否可能出现破口问题进行研究，在能够反映
真实电厂指标的模拟机上采集了大量不同功率下主回路正常运行的数据及10个不同位置出现破口时的异常功率数据。
39.图5中表示：每个样本均为63个传感器持续150秒下的高维时序数据，数据的主要特征为：正常工况数据为平缓，连续的值，具体表现为直线形式，一旦出现破口，则会出现较大的压力值波动，具体表现为曲线形式，伴随流量及温度突变。
40.图7中表示：在主回路破口问题的实施例中，就采用了0.8：0.2的训练集和测试集比例，采用了五层隐藏层神经网络结构，训练了一种能辨识10种故障类型的模型，即10种异常类型判断的分类模型。
41.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。