核电厂神经网络故障诊断方法及系统

本发明涉及核电厂故障诊断，具体而言，涉及一种核电厂神经网络故障诊断方法及系统。

背景技术：

1、核电厂的核反应过程会产生放射性物质，因此其对安全性、可靠性的要求极高。故障诊断是核电厂预防事故发生、保证正常运行的重要过程之一。传统的故障诊断方法大多依赖人工积累的专家经验，如观察法、音棒法等，但随着传感器技术的发展，现代工业系统在运行生产的过程中会产生大量的原始传感器数据，仅仅依靠人工经验已经无法再完成故障的诊断。随着人工智能技术的发展，研究人员将深度学习与故障诊断相结合，利用历史运行数据训练模型，对原始传感器数据进行特征提取、选择和故障分类。

2、目前学术界和工业界已有大量的深度学习模型被应用到故障诊断领域中，例如：长短期记忆网络、卷积神经网络等。相较于传统方法，数据驱动的故障诊断方法具有更高的诊断精度、更强的自适应能力和更低的成本，因此在工业领域得到广泛认可和采纳。但目前这些技术仍存在一些缺点：

3、1.依赖故障数据：现有技术大多采用模式识别的方法，基于故障数据训练网络，通过对故障进行识别来完成故障诊断。这种方法依赖大量高质量的故障数据。在实际情况下，由于核电的特殊性，可能难以获取足够数量和多样性的故障数据，从而影响模型的泛化能力和准确度。

4、2.模型复杂度高：这些模型通常具有较高的复杂度，需要大量的计算资源和训练时间，同时也需要专业知识来设计和优化模型结构，这增加了实际应用的难度和成本。

5、3.模型缺少可信度：核电厂在实际运行过程中很少发生故障，缺少故障阶段的数据，大多数技术是基于仿真数据开展研究的。由于仿真数据本身存在误差，因此模型的可信度较低，应用性不高。

技术实现思路

1、为解决上述问题，本发明实施例提供了一种核电厂神经网络故障诊断方法，包括：获取核电厂正常运行数据以及对所述正常运行数据进行预处理；根据预处理后的所述正常运行数据训练神经网络；使用预设优化方法寻找训练后的所述神经网络的最优超参数，得到更新后的神经网络模型；将待诊断的运行数据输入所述更新后的神经网络模型进行故障诊断。

2、可选地，所述根据预处理后的所述正常运行数据训练神经网络，包括：初始化参数：采用随机初始化的方法初始化神经网络中每一层的权重和偏置；前向传播：将预处理好的正常运行数据输入神经网络，编码器将所述正常运行数据转换到更高维度，学习更高层次的特征，得到正常运行工况下的隐状态，解码器对所述隐状态解码得到输出结果；计算损失：采用均方差损失函数，计算输出结果与输入数据之间的差异，得到损失函数的值；反向传播：根据损失函数，使用反向传播算法计算各个参数对损失的梯度，更新网络参数以减小损失；参数优化：采用优化器根据参数的梯度调整参数的数值。

3、可选地，所述预设优化方法为贝叶斯优化方法。

4、可选地，所述使用预设优化方法寻找训练后的所述神经网络的最优超参数，得到更新后的神经网络模型，包括：选择先验概率分布：在优化开始时，选择一个先验概率分布来表示函数的整体形态；选择高斯过程作为代理模型：利用高斯过程构建代理模型，对网络的整体表达进行函数建模，通过已知采样点的数据值来估计未知区域的函数值；更新采样点：采用∈贪婪法的策略更新下一个采样点，以寻找全局最优解或局部最优解；基于选定的采样点进行函数评估，并更新代理模型，重复以上步骤直到收敛或达到设定的迭代次数。

5、可选地，所述正常运行数据包括：核电厂满功率运行、正常停堆、正常启堆三种正常运行工况数据；所述正常运行数据包括以下参数：一回路的冷却剂压力、流量、温度，堆芯平均功率，稳压器压力，一回路硼浓度。

6、可选地，所述对所述正常运行数据进行预处理，包括：数据清洗：识别和处理缺失值、异常值、重复值；数据集成：将来自不同数据源的数据集合并为统一的数据集；数据归一化：对数据进行规范化、标准化，将数据缩放到特定的范围；数据划分：设定随机种子，将数据划分成训练集、测试集和验证集。

7、可选地，所述将待诊断的运行数据输入所述更新后的神经网络模型进行故障诊断，包括：将待诊断的运行数据输入所述更新后的神经网络模型得到输出数据；比较所述待诊断的运行数据与所述输出数据之间的差距，确定故障时间段及故障偏离程度。

8、可选地，所述方法还包括：作图展示所述故障时间段以及所述故障偏离程度。

9、本发明实施例提供一种核电厂神经网络故障诊断系统，包括：数据获取模块，用于获取核电厂正常运行数据以及对所述正常运行数据进行预处理；模型训练模块，用于根据预处理后的所述正常运行数据训练神经网络；优化模块，用于使用预设优化方法寻找训练后的所述神经网络的最优超参数，得到更新后的神经网络模型；诊断模块，用于将待诊断的运行数据输入所述更新后的神经网络模型进行故障诊断。

10、可选地，所述模型训练模块，具体用于：初始化参数：采用随机初始化的方法初始化神经网络中每一层的权重和偏置；前向传播：将预处理好的正常运行数据输入神经网络，编码器将所述正常运行数据转换到更高维度，学习更高层次的特征，得到正常运行工况下的隐状态，解码器对所述隐状态解码得到输出结果；计算损失：采用均方差损失函数，计算输出结果与输入数据之间的差异，得到损失函数的值；反向传播：根据损失函数，使用反向传播算法计算各个参数对损失的梯度，更新网络参数以减小损失；参数优化：采用优化器根据参数的梯度调整参数的数值。

11、本发明实施例提供的核电厂神经网络故障诊断方法及系统，采用核电厂实际运行过程中的正常数据进行建模，解决了电厂实际运行过程中缺少故障数据的问题，模型的可信度高，且能够给出电厂偏离正常状态的程度估计；采用优化方法寻找网络的超参数，减少了人工调参的复杂度，并且提高了网络故障诊断的准确率。

技术特征：

1.一种核电厂神经网络故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的核电厂神经网络故障诊断方法，其特征在于，所述根据预处理后的所述正常运行数据训练神经网络，包括：

3.根据权利要求1所述的核电厂神经网络故障诊断方法，其特征在于，所述预设优化方法为贝叶斯优化方法。

4.根据权利要求3所述的核电厂神经网络故障诊断方法，其特征在于，所述使用预设优化方法寻找训练后的所述神经网络的最优超参数，得到更新后的神经网络模型，包括：

5.根据权利要求1所述的核电厂神经网络故障诊断方法，其特征在于，所述正常运行数据包括：核电厂满功率运行、正常停堆、正常启堆三种正常运行工况数据；

6.根据权利要求1所述的核电厂神经网络故障诊断方法，其特征在于，所述对所述正常运行数据进行预处理，包括：

7.根据权利要求1所述的核电厂神经网络故障诊断方法，其特征在于，所述将待诊断的运行数据输入所述更新后的神经网络模型进行故障诊断，包括：

8.根据权利要求7所述的核电厂神经网络故障诊断方法，其特征在于，所述方法还包括：

9.一种核电厂神经网络故障诊断系统，其特征在于，包括：

10.根据权利要求9所述的核电厂神经网络故障诊断系统，其特征在于，所述模型训练模块，具体用于：

技术总结本发明提供了一种核电厂神经网络故障诊断方法及系统，涉及核电厂故障诊断领域，该方法包括：获取核电厂正常运行数据以及对正常运行数据进行预处理；根据预处理后的正常运行数据训练神经网络；使用预设优化方法寻找训练后的神经网络的最优超参数，得到更新后的神经网络模型；将待诊断的运行数据输入更新后的神经网络模型进行故障诊断。本发明实施例采用核电厂实际运行过程中的正常数据进行建模，解决了电厂实际运行过程中缺少故障数据的问题，模型的可信度高，且能够给出电厂偏离正常状态的程度估计；采用优化方法寻找网络的超参数，减少了人工调参的复杂度，并且提高了网络故障诊断的准确率。技术研发人员：宋美琪,邢宇,刘晓晶,王甲强,崔士柱受保护的技术使用者：上海交通大学技术研发日：技术公布日：2024/8/1