本发明专利技术公开了一种基于迁移学习的核动力装置并发故障诊断方法及系统，构建基于多层双向长短期记忆网络的核动力装置并发故障诊断模型；利用单发故障训练集对并发故障诊断模型进行预训练，再将单发故障测试集输入训练好的并发故障诊断模型中测试预训练模型的准确率；将并发故障诊断模型中全连接层与分类输出层重置为空白层，利用并发故障训练集对调整后的网络模型进行再训练；将并发故障测试集输入训练好的并发故障诊断模型中，实现核动力装置传感器和执行器并发故障的诊断。本发明专利技术能够实现核动力装置稳态和瞬态运行过程中传感器和执行器不同类型、不同程度并发故障的准确在线诊断，为故障缓解和容错控制提供参考。为故障缓解和容错控制提供参考。为故障缓解和容错控制提供参考。
【技术实现步骤摘要】
一种基于迁移学习的核动力装置并发故障诊断方法及系统
[0001]本专利技术属于核动力装置智能故障诊断
，具体涉及一种基于迁移学习和双向长短期记忆(Bidirectional Long
‑
Short Term Memory，BiLSTM)网络的核动力装置并发故障诊断方法及系统。
技术介绍
[0002]随着世界核工业的快速发展，核动力装置在民用或军用领域发挥着越来越重要的作用。核动力装置结构复杂而庞大，运行环境复杂多变。为确保核动力装置能够安全稳定运行，往往会部署众多传感器和执行器，用以监测和控制核动力装置。由于核动力装置的传感器和执行器多工作在高温、高压等非常恶劣的环境中，其出现故障的可能性较大。传感器、执行器发生故障可能导致核动力装置的非计划停堆，严重时甚至会导致放射性物质泄漏，严重威胁核动力系统的安全运行。两个及以上同时发生的故障称为并发故障，并发故障特征更加复杂，后果更加严重，诊断更加困难。核动力装置中传感器和执行器众多，并发故障发生的可能性大。因此，核动力装置中的故障尤其是并发故障的识别与诊断对系统的安全稳定运行至关重要。
[0003]当前，随着工业大数据时代的到来和传感器技术的发展，传统的故障诊断方法已经无法满足海量数据的诊断需求。基于传统人工经验的故障诊断对于异常工况的诊断能力十分有限，为保证故障工况下机械设备的安全性，可以加强对工作人员的培训，提高他们对突发故障的处理能力。但是这种故障诊断方法需要非常合理的人员配置以及大量的人力消耗，并且不能保证很高的诊断准确率。由此可见，大量的故障数据以及有限的人员配置使得传统的人工故障诊断方法的弊端逐渐显露。而深度学习算法由于其强大的特征提取、非线性映射等能力，在故障诊断领域的应用愈发广泛，包括循环神经网络、卷积神经网络等。相比于传统的基于专家经验故障诊断方法，这些深度学习算法对于大量故障数据的诊断准确率有着极大的提升。
[0004]基于深度学习的故障诊断方法通过对信号的特征进行提取以及对不同故障特征的学习，可以拟合出最优的网络权值对信号的特征进行合理的分类，从而实现复杂系统端到端的高效准确故障诊断。并发故障往往存在高质量有标签故障数据较少的问题，而深度学习中迁移学习的方法能够较好地解决小数据量训练的难题，因此深度迁移学习是实现并发故障诊断的重要方法之一。这种智能诊断方法能够解决核动力系统并发故障高质量有标签数据较少的问题，提高了核动力系统的安全性，面对大量的数据或多种并发故障也可以做到快速有效地处理，故障模式识别的准确率也得到了极大的提高。
技术实现思路
[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于迁移学习的核动力装置并发故障诊断方法及系统，用于解决传统诊断方法诊断效率低、诊断效果差和并发故障高质量有标签故障数据较少的技术问题。
[0006]本专利技术采用以下技术方案：
[0007]一种基于迁移学习的核动力装置并发故障诊断方法，包括以下步骤：
[0008]S1、将核动力装置的响应数据划分为单发故障训练集和单发故障测试集，以及并发故障训练集和并发故障测试集；
[0009]S2、对步骤S1得到的单发故障训练集和单发故障测试集，以及并发故障训练集和并发故障测试集进行预处理；
[0010]S3、构建基于多层双向长短期记忆网络的核动力装置并发故障诊断模型；
[0011]S4、利用步骤S2得到的单发故障训练集对步骤S3构建的核动力装置并发故障诊断模型进行预训练，再将步骤S2得到的单发故障测试集输入预训练后的核动力装置并发故障诊断模型中，测试核动力装置并发故障诊断模型对核动力装置单发故障的诊断准确率；
[0012]S5、对步骤S4预训练后的核动力装置并发故障诊断模型进行调整，将核动力装置并发故障诊断模型的全连接层和输出层重置为空白层；
[0013]S6、利用步骤S2得到的并发故障训练集对步骤S5调整后的核动力装置并发故障诊断模型进行再训练，并将步骤S2得到的并发故障测试集输入再训练后的核动力装置并发故障诊断模型中，实现传感器和执行器并发故障诊断。
[0014]具体的，步骤S1中，单发故障和并发故障数据集所占比例为8:2，单发故障数据集中训练集和测试集所占比例为8:2，并发故障数据集中训练集和测试集所占比例为8:2。
[0015]进一步的，响应数据包括核动力装置在不同位置、类型、程度的传感器和执行器单、并发故障工况及正常工况下的核功率、一回路冷却剂温度以及主蒸汽压力数据。
[0016]具体的，步骤S3中，核动力装置并发故障诊断模型包括：
[0017]输入层，用于接收经标准化处理后的多维时间序列训练样本；
[0018]多层BiLSTM网络，用于提取多维时间序列数据中的特征；
[0019]全连接层，用于把多层BiLSTM网络得到的时空特征作为输入值，输出值为能够表示故障种类特征的单维时间序列向量；
[0020]Softmax层，用于使用Softmax函数将任意大小一维向量的所有值进行压缩，处理后向量大小不变，所有元素的值为[0，1]，并且所有的元素之和为1；
[0021]输出层，用于输出结果。
[0022]进一步的，多层BiLSTM网络的梯度阈值为2，包含3个BiLSTM层、3个归一化层、3个非线性激活函数和3个丢失层；连接顺序为：BiLSTM层、归一化层、激活函数、丢失层、BiLSTM层、归一化层、激活函数、丢失层、BiLSTM层、归一化层、激活函数和丢失层。
[0023]更进一步的，每个BiLSTM层包含200个隐含单元。
[0024]具体的，步骤S4中，预训练过程的学习算法采用sgdm，最大周期为2000，最小批数目为126，学习率为0.01，三层丢失层的丢弃率为50％。
[0025]具体的，步骤S5中，设置空白全连接层的参数学习率因子为2。
[0026]具体的，步骤S6中，再训练过程中的学习算法采用sgdm，最大迭代周期为300，最小批数目为102，学习率为0.001，三层丢失层的丢弃率为5％。
[0027]第二方面，本专利技术实施例提供了一种基于迁移学习的核动力装置并发故障诊断系统，其特征在于，包括：
[0028]数据模块，将核动力装置的响应数据划分为单发故障训练集和单发故障测试集，
以及并发故障训练集和并发故障测试集；
[0029]预处理模块，对数据模块得到的单发故障训练集和单发故障测试集，以及并发故障训练集和并发故障测试集进行预处理；
[0030]构建模块，构建基于多层双向长短期记忆网络的核动力装置并发故障诊断模型；
[0031]预训练模块，利用预处理模块得到的单发故障训练集对构建模块构建的核动力装置并发故障诊断模型进行预训练，再将预处理模块得到的单发故障测试集输入预训练后的核动力装置并发故障诊断模型中，测试核动力装置并发故障诊断模型对核动力装置单发故障的诊断准确率；
[0032]调整模块，对预训练模块预训本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的核动力装置并发故障诊断方法，其特征在于，包括以下步骤：S1、将核动力装置的响应数据划分为单发故障训练集和单发故障测试集，以及并发故障训练集和并发故障测试集；S2、对步骤S1得到的单发故障训练集和单发故障测试集，以及并发故障训练集和并发故障测试集进行预处理；S3、构建基于多层双向长短期记忆网络的核动力装置并发故障诊断模型；S4、利用步骤S2得到的单发故障训练集对步骤S3构建的核动力装置并发故障诊断模型进行预训练，再将步骤S2得到的单发故障测试集输入预训练后的核动力装置并发故障诊断模型中，测试核动力装置并发故障诊断模型对核动力装置单发故障的诊断准确率；S5、对步骤S4预训练后的核动力装置并发故障诊断模型进行调整，将核动力装置并发故障诊断模型的全连接层和输出层重置为空白层；S6、利用步骤S2得到的并发故障训练集对步骤S5调整后的核动力装置并发故障诊断模型进行再训练，并将步骤S2得到的并发故障测试集输入再训练后的核动力装置并发故障诊断模型中，实现传感器和执行器并发故障诊断。2.根据权利要求1所述的基于迁移学习的核动力装置并发故障诊断方法，其特征在于，步骤S1中，单发故障和并发故障数据集所占比例为8:2，单发故障数据集中训练集和测试集所占比例为8:2，并发故障数据集中训练集和测试集所占比例为8:2。3.根据权利要求2所述的基于迁移学习的核动力装置并发故障诊断方法，其特征在于，响应数据包括核动力装置在不同位置、类型、程度的传感器和执行器单、并发故障工况及正常工况下的核功率、一回路冷却剂温度以及主蒸汽压力数据。4.根据权利要求1所述的基于迁移学习的核动力装置并发故障诊断方法，其特征在于，步骤S3中，核动力装置并发故障诊断模型包括：输入层，用于接收经标准化处理后的多维时间序列训练样本；多层BiLSTM网络，用于提取多维时间序列数据中的特征；全连接层，用于把多层BiLSTM网络得到的时空特征作为输入值，输出值为能够表示故障种类特征的单维时间序列向量；Softmax层，用于使用Softmax函数将任意大小一维向量的所有值进行压缩，处理后向量大小不变，所有元素的值为[0，1]，并且所有的元素之和为1；输出层，用于输出结果。5.根据权利要求4所述的基于迁移学习的核动力装置并发...
【专利技术属性】
技术研发人员：王鹏飞，梁文龙，万甲双，吴世发，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。