本發(fā)明涉及電廠故障診斷領(lǐng)域，具體地，涉及一種基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、目前基于人工智能算法的故障診斷模型已經(jīng)應用在諸多領(lǐng)域，且在核電廠中已經(jīng)有了算法應用，如基于卷積神經(jīng)網(wǎng)絡的故障分類與基于長短時記憶網(wǎng)絡的狀態(tài)參數(shù)預測等。但大多數(shù)核電廠故障診斷方法基于離線訓練的模型進行已知單一故障的診斷，而核電廠實時運行中可能存在單一故障引發(fā)的多重復合故障，或由于工況變換產(chǎn)生的未知運行狀態(tài)等，若無法針對復合故障和未知故障進行檢測，則會產(chǎn)生誤報、漏報，嚴重影響核電廠故障診斷模型的準確性。

2、在公開號為cn115436057a的中國專利文獻中，公開了一種高噪聲下列車輪對軸承智能診斷的對比膠囊網(wǎng)絡方法，該方法包括：采集列車輪軸承振動信號；建立對比膠囊網(wǎng)絡，對高噪聲下的特征信號進行過濾和篩選，提取更具代表性的信息；將采集到的軸承信號輸送到網(wǎng)絡模型中，能夠識別出軸承內(nèi)圈故障、外圈故障等單一故障，外圈+內(nèi)圈復合故障、內(nèi)圈+滾動體復合故障等。該專利文獻雖然能夠?qū)α熊囕嗇S承進行復合故障診斷，但無法應用在更復雜的系統(tǒng)級故障診斷，且無法適用于工況變化帶來的未知狀態(tài)。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法。

2、根據(jù)本發(fā)明提供的一種基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，包括以下步驟：

3、步驟s1：采集核電廠歷史運行過程中的特征參數(shù)，并進行工況信息標注，儲存在故障數(shù)據(jù)庫中；

4、步驟s2：采用基于高斯噪聲擴展的數(shù)據(jù)增廣方法對數(shù)據(jù)庫中的特征參數(shù)進行初始化；

5、步驟s3：構(gòu)建基于殘差膠囊網(wǎng)絡的復合故障診斷模型，實現(xiàn)從輸入特征到故障種類的映射；

6、步驟s4：將訓練好的故障診斷模型與核電廠主控平臺相結(jié)合，進行在線測試，給出診斷結(jié)果。

7、優(yōu)選地，所述特征參數(shù)包括：核電廠運行狀態(tài)下的全部模擬量特征，使用滑動窗口方法劃分不同的數(shù)據(jù)樣本；每個數(shù)據(jù)樣本均包含所有模擬量的時序信息，反映對應工況下的運行特征。

8、優(yōu)選地，所述步驟s2中，使用信噪比snr衡量所加入高斯噪聲的強度，其計算公式如下：

9、

10、其中ps為信號的功率，pn為噪聲的功率，單位為db；

11、所述步驟s2還包括：初始化后對所有特征進行數(shù)據(jù)歸一化處理，記錄各參數(shù)的歸一化信息表；所述歸一化處理包括：

12、分別將每個特征線性變換至[0,1]范圍內(nèi)，其計算公式如下：

13、

14、式中，x為初始特征值，x*為歸一化后特征值，xmax為該特征值最大值，xmin為該特征值最小值。

15、優(yōu)選地，所述復合故障診斷模型采用resnet18作為特征提取器，膠囊神經(jīng)網(wǎng)絡作為復合故障分類器，其中resnet18包含1個用于輸入的卷積層和8個殘差連接塊，并將最后的全連接層替換為膠囊神經(jīng)網(wǎng)絡層。

16、優(yōu)選地，復合故障診斷模型采用邊際分類損失函數(shù)作為代價函數(shù)進行訓練，其計算公式為：

17、

18、其中j表示邊際損失函數(shù)值，lc表示第c類樣本的邊際損失函數(shù)值，c為所有已知故障種類數(shù)目，tc表示類別指標函數(shù)，即當tc＝1時表示當前樣本發(fā)生了第c類故障，tc＝0表示未發(fā)生第c類故障，m+與m-分別表示可靠置信度的上界和下界，λ為非故障類別損失的權(quán)重，表示模型預測樣本屬于第c類的置信度。

19、優(yōu)選地，所述復合故障診斷模型的訓練方式包括：

20、將特征參數(shù)按照8：1：1的比例劃分訓練數(shù)據(jù)集、驗證數(shù)據(jù)集、測試數(shù)據(jù)集；

21、所述訓練數(shù)據(jù)集使用標簽信息進行復合故障診斷模型的訓練，并在每一個訓練步中使用驗證數(shù)據(jù)集驗證，實時保存準確率最高的模型，在所有訓練步結(jié)束后，使用保存的模型在測試數(shù)據(jù)集上檢驗診斷效果。

22、優(yōu)選地，所述步驟s4中在線測試包括：通過實時獲取現(xiàn)場dcs系統(tǒng)采集到的在線運行狀態(tài)參數(shù)，將所有參數(shù)經(jīng)過歸一化信息表預處理后，傳入復合故障診斷模型進行測試。

23、優(yōu)選地，所述診斷結(jié)果包括：

24、-檢測核電廠當前處于正常狀態(tài)，機組正常運行，不做處理；

25、-檢測核電廠當前處于已知單一故障或已知復合故障，給出當前所屬的故障種類，輔助操作員操作，記錄故障數(shù)據(jù)至數(shù)據(jù)庫；

26、-檢測核電廠當前處于未知故障，提示操作員核對機組所處運行狀態(tài)，記錄未知故障數(shù)據(jù)至緩存區(qū)，待專家標注后以增量學習方式更新到已有復合故障診斷模型中，實現(xiàn)模型的持續(xù)更新。

27、根據(jù)本發(fā)明提供的一種基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷系統(tǒng)，包括以下模塊：

28、模塊m1：采集核電廠歷史運行過程中的特征參數(shù)，并進行工況信息標注，儲存在故障數(shù)據(jù)庫中；

29、模塊m2：采用基于高斯噪聲擴展的數(shù)據(jù)增廣方法對數(shù)據(jù)庫中的特征參數(shù)進行初始化；

30、模塊m3：構(gòu)建基于殘差膠囊網(wǎng)絡的復合故障診斷模型，實現(xiàn)從輸入特征到故障種類的映射；

31、模塊m4：將訓練好的故障診斷模型與核電廠主控平臺相結(jié)合，進行在線測試，給出診斷結(jié)果。

32、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

33、1、本發(fā)明通過采用基于高斯噪聲擴展的數(shù)據(jù)增廣方法拓寬樣本特征域，使得故障診斷模型能夠更好的泛化到多種運行工況下，從而減少誤判漏判等現(xiàn)象；

34、2、本發(fā)明通過采用基于殘差膠囊網(wǎng)絡的故障分類器同時實現(xiàn)核電廠單一故障、復合故障、未知故障的檢測，為操作員提供更詳細可分辨的診斷結(jié)果。

技術(shù)特征：

1.一種基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，所述特征參數(shù)包括：核電廠運行狀態(tài)下的全部模擬量特征，使用滑動窗口方法劃分不同的數(shù)據(jù)樣本；每個數(shù)據(jù)樣本均包含所有模擬量的時序信息，反映對應工況下的運行特征。

3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，所述步驟s2中，使用信噪比snr衡量所加入高斯噪聲的強度，其計算公式如下：

4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，所述復合故障診斷模型采用resnet18作為特征提取器，膠囊神經(jīng)網(wǎng)絡作為復合故障分類器，其中resnet18包含1個用于輸入的卷積層和8個殘差連接塊，并將最后的全連接層替換為膠囊神經(jīng)網(wǎng)絡層。

5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，復合故障診斷模型采用邊際分類損失函數(shù)作為代價函數(shù)進行訓練，其計算公式為：

6.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，所述復合故障診斷模型的訓練方式包括：

7.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，所述步驟s4中在線測試包括：通過實時獲取現(xiàn)場dcs系統(tǒng)采集到的在線運行狀態(tài)參數(shù)，將所有參數(shù)經(jīng)過歸一化信息表預處理后，傳入復合故障診斷模型進行測試。

8.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，其特征在于，所述診斷結(jié)果包括：

9.一種基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷系統(tǒng)，其特征在于，包括以下模塊：

技術(shù)總結(jié)
本發(fā)明提供了一種基于數(shù)據(jù)增廣和殘差膠囊網(wǎng)絡的核電廠復合故障診斷方法，包括以下步驟：步驟S1：采集核電廠歷史運行過程中的特征參數(shù)，并進行工況信息標注，儲存在故障數(shù)據(jù)庫中；步驟S2：采用基于高斯噪聲擴展的數(shù)據(jù)增廣方法對數(shù)據(jù)庫中的特征參數(shù)進行初始化；步驟S3：構(gòu)建基于殘差膠囊網(wǎng)絡的復合故障診斷模型，實現(xiàn)從輸入特征到故障種類的映射；步驟S4：將訓練好的故障診斷模型與核電廠主控平臺相結(jié)合，進行在線測試，給出診斷結(jié)果。本發(fā)明通過采用基于高斯噪聲擴展的數(shù)據(jù)增廣方法拓寬樣本特征域，使得故障診斷模型能夠更好的泛化到多種運行工況下，從而減少誤判漏判等現(xiàn)象。

技術(shù)研發(fā)人員：林萌,周士祺,陳逸龍,李江寬,楊燕華,趙萌,張昊
受保護的技術(shù)使用者：上海交通大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15