【技术实现步骤摘要】
本专利技术涉及核电厂安全，涉及一种基于可解释深度迁移学习的核电厂故障诊断方法。
技术介绍
1、科技进步推动了工业自动化的发展，同时也使系统变得愈发复杂，进而对系统的安全性和可靠性提出了更高的要求。尽管通过提升系统部件的质量、可靠性和鲁棒性能够在一定程度上增强系统的安全可靠性，但故障的发生仍然难以完全避免。因此，故障诊断技术已成为确保工业系统，特别是复杂核电厂系统安全性和可靠性的一项关键手段。故障诊断技术的目标在于监测系统及其组件的正常运行情况，及早检测故障类型，确定故障的位置的严重程度，以防止故障进一步的损害核电厂安全运行。
2、故障诊断方法通常可分为三类：基于数学模型的方法、基于专家系统的方法和数据驱动的方法。基于数学模型的方法要求对诊断对象建立精确的数学模型，但对于核电厂这样复杂的系统而言，这种方法通常难以实现。专家系统方法由于构建知识库的难度大、规则繁多且难以穷尽，因而难以实现完整的专家规则库，从而大大限制了其实际应用。相比之下，数据驱动方法通过利用诊断对象的历史运行数据来训练诊断模型。这些数据可通过日益普及的数字仪表和控制系统获取，减少对人工假设的依赖，并在处理大量多样化数据时提高模型的精度和鲁棒性。凭借这些优势，数据驱动方法具有高度的灵活性和广泛的适用性，近年来已成为故障诊断领域的主流。
3、尽管基于数据驱动方法的核电厂智能故障诊断取得了诸多成功，但在扩展故障诊断应用时仍面临两个挑战。首先，由于现实中诸多因素的影响(如电力需求变化、设备维护与检修、燃料管理等)，核电厂通常在不同的功率水平工况下运
4、因此，如何克服核电厂在不同功率水平运行时传感器监测数据概率分布可能存在显著差异从而导致将各功率水平下的运行工况数据整合并传入单一模型进行训练诊断故障诊断结果准确度偏低这一问题，并提高模型的可解释性，是目前有待解决的技术问题。
技术实现思路
1、为此，本专利技术提供一种基于可解释深度迁移学习的核电厂故障诊断方法，实现将各功率水平下的运行工况数据整合并传入单一模型进行训练诊断的故障诊断结果准确度较高，并尽可能地提高了模型的可解释性。
2、为实现此目的，本专利技术提供一种基于可解释深度迁移学习的核电厂故障诊断方法，所述的核电厂故障诊断方法包括如下步骤：
3、步骤s1、获取核电厂在多个功率水平下的真实正常运行数据、真实故障运行数据，和/或核电厂模拟机产生的在多个功率水平下的模拟正常运行数据和模拟故障运行数据，将所述真实正常运行数据、所述真实故障运行数据和/或所述模拟正常运行数据、所述模拟故障运行数据，根据其对应的功率水平进行划分和预处理生成源域数据与目标域数据；
4、步骤s2、利用所述源域数据与所述目标域数据对多变量的编码门控循环单元模型进行模型结构的简化构建；
5、步骤s3、以所述源域数据作为所述简化编码门控循环单元模型的输入，通过自适应焦点损失函数对其进行训练，生成源域的源域核电厂故障诊断模型；
6、步骤s4、将所述源域核电厂故障诊断模型迁移到目标域，并将所述目标域数据作为其输入通过自适应焦点混合最大均值差异损失函数对其进行训练，生成目标域核电厂故障诊断模型；
7、步骤s5、将所述源域核电厂故障诊断模型和所述目标域核电厂故障诊断模型并行组合，形成用于检测核电厂在多个功率水平下是否发生故障的核电厂多工况故障诊断系统；
8、其中，所述源域为核电厂的一个或多个功率水平，所述目标域为不包括源域的核电厂的一个或多个功率水平。
9、进一步地，在所述步骤s1中，将真实正常运行数据、真实故障运行数据和/或模拟正常运行数据、模拟故障运行数据，根据其对应的功率水平进行划分和预处理生成源域数据与目标域数据包括：
10、获取核电厂在多个功率等级下运行的所述真实正常运行数据和所述真实故障运行数据和/或所述模拟正常运行数据、所述模拟故障运行数据；
11、将多个功率等级中最大功率等级运行下的所述真实正常运行数据、所述真实故障运行数据和/或所述模拟正常运行数据、所述模拟故障运行数据划分为所述源域数据集，将其余功率等级运行下的所述真实正常运行数据、所述真实故障运行数据和/或所述模拟正常运行数据、所述模拟故障运行数据分别划分为多个目标域数据集；
12、提取所述源域数据集中的最大值与最小值，以所述最大值与所述最小值为标准对所述源域数据集与所述目标域数据集进行归一化操作，生成所述源域数据和所述目标域数据。
13、进一步地，在所述步骤s2中，所述多变量的编码门控循环单元模型包括独立变量编码门控循环单元与混合注意力机制；
14、所述独立变量编码门控循环单元，对所述源域数据与所述目标域数据的隐藏状态进行编码；
15、所述混合注意力机制，连接于所述独立变量编码门控循环单元，用于整合所述隐藏状态，输出全局变量贡献度；
16、所述独立变量编码门控循环单元，根据所述全局变量贡献度求取最优贡献度阈值，并根据所述最优贡献度阈值进行模型结构的简化构建。
17、进一步地，所述的步骤s2包括以下步骤：
18、步骤s21、将输入的所述源域数据与所述目标域数据按照时间步划分后与对应的权重进行矩阵点乘得到第一输出矩阵；
19、步骤s22、将所述隐藏状态和对应的权重矩阵进行矩阵乘法计算得到第二输出矩阵；
20、步骤s23、通过时间步的循环进行所述隐藏状态的累积，生成用于表示整体隐藏状态的整体序列；
21、步骤s24、将所述隐藏状态经过所述混合注意力机制进行整合与特征提取，输入所述独立变量编码门控循环单元的更新门、重置门、候选隐藏状态和隐藏状态的数据以进行模型结构的简化构建。
22、进一步地，所述混合注意力机制包括逐变量时间注意力子机制和特征注意力子机制，所述步骤s24包括：
23、将所述整体隐藏状态通过所述逐变量时间注意力子机制生成所述整体序列中各个时间步的影响权重和各个时间步的隐藏状态的贡献度；
24、通过所述特征注意力机制对所述贡献度进行动态调整。
25、进一步地，所述的通过特征注意力机制对贡献度进行动态调整，具体为：
26、将所述贡献度与当前时间步的隐藏状态进行拼接后，计算出特征的注意力权重，根据所述注意力权重计算置信度，将所述置信度用于调整所述混合注意力机制。
27、进一步地，所述混合注意力机制的混合注意力层中通过单个变量的所述注意力权重量化计算所述全局变量贡献度；
28、剔除低于初始贡献度阈值的特征变量，再次利用所本文档来自技高网...
【技术保护点】
1.一种基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，在所述步骤S1中，将真实正常运行数据、真实故障运行数据和/或模拟正常运行数据、模拟故障运行数据，根据其对应的功率水平进行划分和预处理生成源域数据与目标域数据包括：
3.根据权利要求1所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，在所述步骤S2中，所述多变量的编码门控循环单元模型包括独立变量编码门控循环单元与混合注意力机制；
4.根据权利要求3所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，所述的步骤S2包括以下步骤：
5.根据权利要求3所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，所述混合注意力机制包括逐变量时间注意力子机制和特征注意力子机制，所述步骤S24包括：
6.根据权利要求5所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，所述的通过特征注意力机制对贡献度进行动态调整，具体为：
7.根据权利要求
8.根据权利要求1所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，所述步骤S3包括如下步骤：
9.根据权利要求1至8任一项所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，在所述步骤S4中，所述自适应焦点混合最大均值差异损失函数包括自适应焦点损失策略和最大均值差异策略。
10.根据权利要求1至8任一项所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，所述的核电厂多工况故障诊断系统包括所述源域核电厂故障诊断模型、所述目标域核电厂故障诊断模型与数据分配器；
...【技术特征摘要】
1.一种基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，在所述步骤s1中，将真实正常运行数据、真实故障运行数据和/或模拟正常运行数据、模拟故障运行数据，根据其对应的功率水平进行划分和预处理生成源域数据与目标域数据包括：
3.根据权利要求1所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，在所述步骤s2中，所述多变量的编码门控循环单元模型包括独立变量编码门控循环单元与混合注意力机制；
4.根据权利要求3所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，所述的步骤s2包括以下步骤：
5.根据权利要求3所述的基于可解释深度迁移学习的核电厂故障诊断方法，其特征在于，所述混合注意力机制包括逐变量时间注意力子机制和特征注意力子机制，所述步骤s24包括：
6.根据权...
【专利技术属性】
技术研发人员：马战国，贾文豪，田龙，崔京，郑迪昊，崔梓旸，
申请(专利权)人：哈尔滨理工大学，
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。