一种核电厂工艺系统健康状态监测和诊断方法及系统与流程
1.本发明涉及健康状态监测技术领域，尤其涉及一种核电厂工艺系统健康状态监测和诊断方法及系统。
背景技术：
2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.核电厂工艺系统运行过程中，需要采用有效的方法对系统运行状态和关键物项的状态进行监测和诊断，从而实现对系统的监督，提供真实、清晰且完整的系统状态信息，是掌握系统和设备的实际运行状况并作出正确决策的前提，也是整个核电厂能够安全、稳定运行的保障。
4.传统的核电厂工艺系统运行状态监测和诊断方法是阈值监测法，该方法虽然能够给操作员提供被监测参数偏离正常运行的状态，但难以提供导致运行参数异常的原因以及发展趋势，操作员难以对系统故障和设备性能进行预判和及时诊断。
5.故障分类作为系统检测过程的一个重要环节，采取适当的分类算法是至关重要的。传统的分类算法有朴素贝叶斯算法、决策树算法、支持向量机算法、k近邻算法等。由于核电厂实际运行过程中，长期处于正常运行状态，系统异常的故障数据之间的差异非常微小，正常的分类算法无法很好的识别其中的差异，使得对工艺系统的故障检测不准确。
技术实现要素：
6.本发明为了解决上述问题，提出了一种核电厂工艺系统健康状态监测和诊断方法及系统，在通过cnn神经网络算法进行故障识别时，截取了一段时间的数据整体作为一张图片作为输入，特征相比单个点更丰富，更容易识别其中的特征差异，在故障数据差异微小的情况下，故障也能够被准确识别，使故障识别的准确率得到大幅提升。
7.为实现上述目的，本发明采用如下技术方案：
8.第一方面，提出了一种核电厂工艺系统健康状态监测和诊断方法，包括：
9.获取核电厂运行数据；
10.采用功率台阶识别模型对运行数据进行识别，确定运行数据所属工况；
11.根据所属工况，通过异常检测识别模型对运行数据进行异常检测，获得运行数据中的异常数据；
12.对异常数据进行故障识别，获得故障识别结果；
13.根据运行数据对系统的健康状态进行评估，获得系统的健康状态评估结果。
14.第二方面，提出了一种核电厂工艺系统健康状态监测和诊断系统，包括：
15.数据获取模块，用于获取核电厂运行数据；
16.电厂运行工况识别模块，用于采用功率台阶识别模型对运行数据进行识别，确定运行数据所属工况；
17.系统异常检测识别模块，用于根据所属工况，通过异常检测识别模型对运行数据进行异常检测，获得运行数据中的异常数据；
18.故障识别模块，用于对异常数据进行故障识别，获得故障识别结果；
19.系统健康状态评估模块，用于根据运行数据对系统的健康状态进行评估，获得系统的健康状态评估结果。
20.第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种核电厂工艺系统健康状态监测和诊断方法所述的步骤。
21.第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种核电厂工艺系统健康状态监测和诊断方法所述的步骤。
22.与现有技术相比，本发明的有益效果为：
23.1、本发明能够实现对核电厂工艺系统故障的准确识别，并能够根据识别的故障结果，进行系统的健康状态评估，提高核电厂的安全性。
24.2、本发明在进行故障识别时，获取了一段时间的异常数据，将这一段时间的异常数据形成图片作为cnn神经网络的输入，进行故障识别，特征相比单个点更丰富，更容易识别其中的特征差异，在故障数据差异微小的情况下，故障也能够被准确识别，使故障识别的准确率得到大幅提升。
25.3、本发明可以实时监测系统的运行情况，大大提升了识别系统异常状态的工作效率；可以实时计算出工艺系统的健康状况，提出不同级别的预警信息，有效提升了系统的安全和可靠性；还提供了一个可视化的界面，实时在线显示各个工艺系统的健康数据，方便不同专业的人员快速了解该系统的健康状况，以及核电厂的安全水平。
26.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
27.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
28.图1为实施例1公开方法的流程图。
具体实施方式
29.下面结合附图与实施例对本发明作进一步说明。
30.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.实施例1
33.在该实施例中，公开了一种核电厂工艺系统健康状态监测和诊断方法，如图1所示，包括：
34.获取核电厂运行数据；
35.采用功率台阶识别模型对运行数据进行识别，确定运行数据所属工况；
36.根据所属工况，通过异常检测识别模型对运行数据进行异常检测，识别运行数据是否异常，并获得运行数据中的异常数据；
37.对异常数据进行故障识别，获得故障识别结果；
38.根据运行数据对系统的健康状态进行评估，获得系统的健康状态评估结果。
39.分步骤介绍如下：
40.由于获取的核电厂运行数据具备不同的维度，故在确定运行数据所属工况时，首先对核电厂运行数据进行预处理，预处理包括数据归一化、数据降维等；其次，采用功率台阶识别模型对预处理后数据进行识别，确定运行数据的所属工况。
41.功率台阶识别模型为从决策树算法模型、集成学习算法模型、支持向量机算法模型和神经网络模型中选取对运行数据识别效果最优的算法模型构建获得。具体过程为：获取已有的核电厂运行数据样本，将已有的核电厂运行数据样本按照电厂运行工况进行分类标记，获得训练用数据集，将训练用数据集划分为训练集和验证集，通过训练集分别对构建的决策树算法模型、集成学习算法模型、支持向量机算法模型和神经网络模型进行训练，通过验证集对训练后的各模型进行效果验证，从训练好的决策树算法模型、集成学习算法模型、支持向量机算法模型和神经网络模型中选取分类效果最优的模型为功率台阶识别模型。
42.由于实际运行时健康数据较少，因此需要对正常样本数据进行扩充，将训练用数据集中样本数据的80％作为训练数据，样本数据的20％作为测试数据，将训练好的模型应用于实时运行数据的工况预测中。
43.当对决策树算法模型进行训练时，参数为默认值，常用参数如下：
44.criterion(特征选择)使用gini(cart算法)；
45.splitter(特征划分)，默认使用best适用于样本量不大的时候在特征的所有划分点中出最优点，random随机的在部分划分点中出局部最优点；
46.max_depth(决策树最大深度)，默认值是none适用于样本或特征少的时候，如果样本量大或者特征多，设定一个数值限制树的深度，通常取值10-100之间解决过拟合问题；
47.min_samples_split(内部节点在划分所需最小样本数),默认值是2，如果是int，则传入值本身作为最小样本数，如果是float，则取float*样本数量作为最小样本数；
48.min_samples_leaf(叶子节点最小样本数)，如果是int，则取传入值本身作为最小样本数，如果是float，则取float*样本数量作为最为最小样本数，这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被减枝；
49.max_features(划分数据集时考虑的最多的特征数量)，int表示在每次划分时的最大特征数，float表示百分数。
50.根据所属工况，通过异常检测识别模型对运行数据进行异常检测，识别运行数据是否异常，并获得运行数据中的异常数据。
51.其中，异常检测识别模型从决策树、集成学习、支持向量机和神经网络算法中选取
对异常数据检测效果最优的算法构建获得。
52.采用cnn神经网络算法对异常数据进行故障识别，获得故障识别结果，具体的：获取连续的设定时间段的异常数据，将所有异常数据生成一张灰度图；采用cnn神经网络算法对灰度图进行识别，获得故障识别结果。
53.由于单个点包含特征有限，采用单个点的数据进行故障识别时，故障识别的准确率不能保证，故在进行故障识别时，采集连续的设定时间段的异常数据；将该时间段的异常数据进行归一化处理，将所有维度的数据画在一张图上，生成一张灰度图，对该张灰度图进行故障识别，确定故障种类。
54.cnn神经网络算法模型的架构为：由3个卷积核大小为3的卷积层、3个批量归一化层、3个激活层、2个矩形区域大小为2的池化层、1个全连接层、1个对全连接层的输出进行归一化的softmax层和1个分类层组成。
55.其中，涉及的参数为：
56.plots：默认值(none)表示训练期间不显示进程，
‘
training-progress’显示训练进展；
57.verbose：true表示在命令窗口中显示训练进度信息，false则不显示；
58.validationfrequency：50(默认值)或其他数值，表示验证度量值之间的迭代次数；
59.validationdata：用于验证网络性能的数据，即验证集；
60.maxepochs：用于训练的最大迭代次数；
61.solvername：指定求解器。
62.在对cnn神经网络算法模型训练时，将数据样本的80％数据作为训练样本用来训练模型，20％作为测试样本用来测试模型。通过数据样本中的异常数据对cnn神经网络算法模型进行训练，将训练好的cnn神经网络算法模型用于异常数据的故障诊断。
63.根据运行数据对系统的健康状态进行评估，具体的：
64.根据工况对获取的运行数据进行聚类，获得每一类的运行数据；
65.计算每一类运行数据与健康基线的距离；
66.根据距离确定系统的健康状态。
67.健康基线的获取过程为：
68.获取已有的核电厂多个运行工况下的健康数据；
69.将这些健康数据按照工况进行聚类，获得多类健康数据；
70.确定每一类健康数据的中心点，将所有健康数据的中心点相连，形成健康基线。
71.具体为：
72.获取已有的核电厂所有运行工况下的健康数据，将每个运行工况下的健康数据整合在一张表上，若数据量少，可以对样本进行扩充，使用pca算法对这些健康数据进行归一化和降维处理，使用kmeans聚类算法将这些健康数据按照工况进行聚类,获得多类健康指标序列,即将这n个工况的数据聚类为n个聚簇,获得n类健康指标序列，每一类健康指标序列属于同一个工况。计算这n个类簇的中心点和半径作为基线模型，将所有中心点相连形成健康基线。
73.计算每一类运行数据与同工况健康数据的中心点的距离，根据距离确定健康指
标；
74.对健康指标进行识别，确定系统的健康状态。
75.健康指标区间为0～1，0表示距离健康基线很近，1表示距离健康基线很远，距离中心越远，表示系统故障程度越严重。
76.本实施例公开的一种核电厂工艺系统健康状态监测和诊断方法，能够实现对核电厂工艺系统故障的准确识别，并能够根据运行数据，进行系统的健康状态评估，提高核电厂的安全性；在进行故障识别时，获取了一段时间的异常数据，将这一段时间的异常数据形成图片作为cnn神经网络的输入，特征相比单个点更丰富，更容易识别其中的特征差异，在故障数据差异微小的情况下，故障也能够被准确识别，使故障识别的准确率得到大幅提升，此外，本实施例在进行工况识别和运行数据的异常数据检测时，还对于功率台阶识别模型和异常检测识别模型进行了最优模型选取，使得选取出的模型在工况识别效果和异常数据检测效果上最优。
77.本实施例公开方法可以实时监测系统的运行情况，大大提升了识别系统异常状态的工作效率；可以实时计算出工艺系统的健康状况，提出不同级别的预警信息，有效提升了系统的安全和可靠性。
78.实施例2
79.在该实施例中，公开了一种核电厂工艺系统健康状态监测和诊断系统，包括：
80.数据获取模块，用于获取核电厂运行数据；
81.电厂运行工况识别模块，用于采用功率台阶识别模型对运行数据进行识别，确定运行数据所属工况；
82.系统异常检测识别模块，用于根据所属工况，通过异常检测识别模型对运行数据进行异常检测，获得运行数据中的异常数据；
83.故障识别模块，用于对异常数据进行故障识别，获得故障识别结果；
84.系统健康状态评估模块，用于根据运行数据对系统的健康状态进行评估，获得系统的健康状态评估结果。
85.还包括：显示模块，用于对运行数据、运行数据所属工况、运行数据的检测结果和系统的健康状态评估结果进行显示。
86.实施例3
87.在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种核电厂工艺系统健康状态监测和诊断方法所述的步骤。
88.实施例4
89.在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种核电厂工艺系统健康状态监测和诊断方法所述的步骤。
90.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
