一種核電廠工藝系統健康狀態監測和診斷方法及系統與流程
1.本發明涉及健康狀態監測技術領域，尤其涉及一種核電廠工藝系統健康狀態監測和診斷方法及系統。
背景技術：
2.本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。
3.核電廠工藝系統運行過程中，需要采用有效的方法對系統運行狀態和關鍵物項的狀態進行監測和診斷，從而實現對系統的監督，提供真實、清晰且完整的系統狀態信息，是掌握系統和設備的實際運行狀況并作出正確決策的前提，也是整個核電廠能夠安全、穩定運行的保障。
4.傳統的核電廠工藝系統運行狀態監測和診斷方法是閾值監測法，該方法雖然能夠給操作員提供被監測參數偏離正常運行的狀態，但難以提供導致運行參數異常的原因以及發展趨勢，操作員難以對系統故障和設備性能進行預判和及時診斷。
5.故障分類作為系統檢測過程的一個重要環節，采取適當的分類算法是至關重要的。傳統的分類算法有樸素貝葉斯算法、決策樹算法、支持向量機算法、k近鄰算法等。由于核電廠實際運行過程中，長期處于正常運行狀態，系統異常的故障數據之間的差異非常微小，正常的分類算法無法很好的識別其中的差異，使得對工藝系統的故障檢測不準確。
技術實現要素：
6.本發明為了解決上述問題，提出了一種核電廠工藝系統健康狀態監測和診斷方法及系統，在通過cnn神經網絡算法進行故障識別時，截取了一段時間的數據整體作為一張圖片作為輸入，特征相比單個點更豐富，更容易識別其中的特征差異，在故障數據差異微小的情況下，故障也能夠被準確識別，使故障識別的準確率得到大幅提升。
7.為實現上述目的，本發明采用如下技術方案：
8.第一方面，提出了一種核電廠工藝系統健康狀態監測和診斷方法，包括：
9.獲取核電廠運行數據；
10.采用功率臺階識別模型對運行數據進行識別，確定運行數據所屬工況；
11.根據所屬工況，通過異常檢測識別模型對運行數據進行異常檢測，獲得運行數據中的異常數據；
12.對異常數據進行故障識別，獲得故障識別結果；
13.根據運行數據對系統的健康狀態進行評估，獲得系統的健康狀態評估結果。
14.第二方面，提出了一種核電廠工藝系統健康狀態監測和診斷系統，包括：
15.數據獲取模塊，用于獲取核電廠運行數據；
16.電廠運行工況識別模塊，用于采用功率臺階識別模型對運行數據進行識別，確定運行數據所屬工況；
17.系統異常檢測識別模塊，用于根據所屬工況，通過異常檢測識別模型對運行數據進行異常檢測，獲得運行數據中的異常數據；
18.故障識別模塊，用于對異常數據進行故障識別，獲得故障識別結果；
19.系統健康狀態評估模塊，用于根據運行數據對系統的健康狀態進行評估，獲得系統的健康狀態評估結果。
20.第三方面，提出了一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成一種核電廠工藝系統健康狀態監測和診斷方法所述的步驟。
21.第四方面，提出了一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，完成一種核電廠工藝系統健康狀態監測和診斷方法所述的步驟。
22.與現有技術相比，本發明的有益效果為：
23.1、本發明能夠實現對核電廠工藝系統故障的準確識別，并能夠根據識別的故障結果，進行系統的健康狀態評估，提高核電廠的安全性。
24.2、本發明在進行故障識別時，獲取了一段時間的異常數據，將這一段時間的異常數據形成圖片作為cnn神經網絡的輸入，進行故障識別，特征相比單個點更豐富，更容易識別其中的特征差異，在故障數據差異微小的情況下，故障也能夠被準確識別，使故障識別的準確率得到大幅提升。
25.3、本發明可以實時監測系統的運行情況，大大提升了識別系統異常狀態的工作效率；可以實時計算出工藝系統的健康狀況，提出不同級別的預警信息，有效提升了系統的安全和可靠性；還提供了一個可視化的界面，實時在線顯示各個工藝系統的健康數據，方便不同專業的人員快速了解該系統的健康狀況，以及核電廠的安全水平。
26.本發明附加方面的優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。
附圖說明
27.構成本技術的一部分的說明書附圖用來提供對本技術的進一步理解，本技術的示意性實施例及其說明用于解釋本技術，并不構成對本技術的不當限定。
28.圖1為實施例1公開方法的流程圖。
具體實施方式
29.下面結合附圖與實施例對本發明作進一步說明。
30.應該指出，以下詳細說明都是例示性的，旨在對本技術提供進一步的說明。除非另有指明，本文使用的所有技術和科學術語具有與本技術所屬技術領域的普通技術人員通常理解的相同含義。
31.需要注意的是，這里所使用的術語僅是為了描述具體實施方式，而非意圖限制根據本技術的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數形式也意圖包括復數形式，此外，還應當理解的是，當在本說明書中使用術語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。
32.實施例1
33.在該實施例中，公開了一種核電廠工藝系統健康狀態監測和診斷方法，如圖1所示，包括：
34.獲取核電廠運行數據；
35.采用功率臺階識別模型對運行數據進行識別，確定運行數據所屬工況；
36.根據所屬工況，通過異常檢測識別模型對運行數據進行異常檢測，識別運行數據是否異常，并獲得運行數據中的異常數據；
37.對異常數據進行故障識別，獲得故障識別結果；
38.根據運行數據對系統的健康狀態進行評估，獲得系統的健康狀態評估結果。
39.分步驟介紹如下：
40.由于獲取的核電廠運行數據具備不同的維度，故在確定運行數據所屬工況時，首先對核電廠運行數據進行預處理，預處理包括數據歸一化、數據降維等；其次，采用功率臺階識別模型對預處理后數據進行識別，確定運行數據的所屬工況。
41.功率臺階識別模型為從決策樹算法模型、集成學習算法模型、支持向量機算法模型和神經網絡模型中選取對運行數據識別效果最優的算法模型構建獲得。具體過程為：獲取已有的核電廠運行數據樣本，將已有的核電廠運行數據樣本按照電廠運行工況進行分類標記，獲得訓練用數據集，將訓練用數據集劃分為訓練集和驗證集，通過訓練集分別對構建的決策樹算法模型、集成學習算法模型、支持向量機算法模型和神經網絡模型進行訓練，通過驗證集對訓練后的各模型進行效果驗證，從訓練好的決策樹算法模型、集成學習算法模型、支持向量機算法模型和神經網絡模型中選取分類效果最優的模型為功率臺階識別模型。
42.由于實際運行時健康數據較少，因此需要對正常樣本數據進行擴充，將訓練用數據集中樣本數據的80％作為訓練數據，樣本數據的20％作為測試數據，將訓練好的模型應用于實時運行數據的工況預測中。
43.當對決策樹算法模型進行訓練時，參數為默認值，常用參數如下：
44.criterion(特征選擇)使用gini(cart算法)；
45.splitter(特征劃分)，默認使用best適用于樣本量不大的時候在特征的所有劃分點中出最優點，random隨機的在部分劃分點中出局部最優點；
46.max_depth(決策樹最大深度)，默認值是none適用于樣本或特征少的時候，如果樣本量大或者特征多，設定一個數值限制樹的深度，通常取值10-100之間解決過擬合問題；
47.min_samples_split(內部節點在劃分所需最小樣本數),默認值是2，如果是int，則傳入值本身作為最小樣本數，如果是float，則取float*樣本數量作為最小樣本數；
48.min_samples_leaf(葉子節點最小樣本數)，如果是int，則取傳入值本身作為最小樣本數，如果是float，則取float*樣本數量作為最為最小樣本數，這個值限制了葉子節點最少的樣本數，如果某葉子節點數目小于樣本數，則會和兄弟節點一起被減枝；
49.max_features(劃分數據集時考慮的最多的特征數量)，int表示在每次劃分時的最大特征數，float表示百分數。
50.根據所屬工況，通過異常檢測識別模型對運行數據進行異常檢測，識別運行數據是否異常，并獲得運行數據中的異常數據。
51.其中，異常檢測識別模型從決策樹、集成學習、支持向量機和神經網絡算法中選取
對異常數據檢測效果最優的算法構建獲得。
52.采用cnn神經網絡算法對異常數據進行故障識別，獲得故障識別結果，具體的：獲取連續的設定時間段的異常數據，將所有異常數據生成一張灰度圖；采用cnn神經網絡算法對灰度圖進行識別，獲得故障識別結果。
53.由于單個點包含特征有限，采用單個點的數據進行故障識別時，故障識別的準確率不能保證，故在進行故障識別時，采集連續的設定時間段的異常數據；將該時間段的異常數據進行歸一化處理，將所有維度的數據畫在一張圖上，生成一張灰度圖，對該張灰度圖進行故障識別，確定故障種類。
54.cnn神經網絡算法模型的架構為：由3個卷積核大小為3的卷積層、3個批量歸一化層、3個激活層、2個矩形區域大小為2的池化層、1個全連接層、1個對全連接層的輸出進行歸一化的softmax層和1個分類層組成。
55.其中，涉及的參數為：
56.plots：默認值(none)表示訓練期間不顯示進程，
‘
training-progress’顯示訓練進展；
57.verbose：true表示在命令窗口中顯示訓練進度信息，false則不顯示；
58.validationfrequency：50(默認值)或其他數值，表示驗證度量值之間的迭代次數；
59.validationdata：用于驗證網絡性能的數據，即驗證集；
60.maxepochs：用于訓練的最大迭代次數；
61.solvername：指定求解器。
62.在對cnn神經網絡算法模型訓練時，將數據樣本的80％數據作為訓練樣本用來訓練模型，20％作為測試樣本用來測試模型。通過數據樣本中的異常數據對cnn神經網絡算法模型進行訓練，將訓練好的cnn神經網絡算法模型用于異常數據的故障診斷。
63.根據運行數據對系統的健康狀態進行評估，具體的：
64.根據工況對獲取的運行數據進行聚類，獲得每一類的運行數據；
65.計算每一類運行數據與健康基線的距離；
66.根據距離確定系統的健康狀態。
67.健康基線的獲取過程為：
68.獲取已有的核電廠多個運行工況下的健康數據；
69.將這些健康數據按照工況進行聚類，獲得多類健康數據；
70.確定每一類健康數據的中心點，將所有健康數據的中心點相連，形成健康基線。
71.具體為：
72.獲取已有的核電廠所有運行工況下的健康數據，將每個運行工況下的健康數據整合在一張表上，若數據量少，可以對樣本進行擴充，使用pca算法對這些健康數據進行歸一化和降維處理，使用kmeans聚類算法將這些健康數據按照工況進行聚類,獲得多類健康指標序列,即將這n個工況的數據聚類為n個聚簇,獲得n類健康指標序列，每一類健康指標序列屬于同一個工況。計算這n個類簇的中心點和半徑作為基線模型，將所有中心點相連形成健康基線。
73.計算每一類運行數據與同工況健康數據的中心點的距離，根據距離確定健康指
標；
74.對健康指標進行識別，確定系統的健康狀態。
75.健康指標區間為0～1，0表示距離健康基線很近，1表示距離健康基線很遠，距離中心越遠，表示系統故障程度越嚴重。
76.本實施例公開的一種核電廠工藝系統健康狀態監測和診斷方法，能夠實現對核電廠工藝系統故障的準確識別，并能夠根據運行數據，進行系統的健康狀態評估，提高核電廠的安全性；在進行故障識別時，獲取了一段時間的異常數據，將這一段時間的異常數據形成圖片作為cnn神經網絡的輸入，特征相比單個點更豐富，更容易識別其中的特征差異，在故障數據差異微小的情況下，故障也能夠被準確識別，使故障識別的準確率得到大幅提升，此外，本實施例在進行工況識別和運行數據的異常數據檢測時，還對于功率臺階識別模型和異常檢測識別模型進行了最優模型選取，使得選取出的模型在工況識別效果和異常數據檢測效果上最優。
77.本實施例公開方法可以實時監測系統的運行情況，大大提升了識別系統異常狀態的工作效率；可以實時計算出工藝系統的健康狀況，提出不同級別的預警信息，有效提升了系統的安全和可靠性。
78.實施例2
79.在該實施例中，公開了一種核電廠工藝系統健康狀態監測和診斷系統，包括：
80.數據獲取模塊，用于獲取核電廠運行數據；
81.電廠運行工況識別模塊，用于采用功率臺階識別模型對運行數據進行識別，確定運行數據所屬工況；
82.系統異常檢測識別模塊，用于根據所屬工況，通過異常檢測識別模型對運行數據進行異常檢測，獲得運行數據中的異常數據；
83.故障識別模塊，用于對異常數據進行故障識別，獲得故障識別結果；
84.系統健康狀態評估模塊，用于根據運行數據對系統的健康狀態進行評估，獲得系統的健康狀態評估結果。
85.還包括：顯示模塊，用于對運行數據、運行數據所屬工況、運行數據的檢測結果和系統的健康狀態評估結果進行顯示。
86.實施例3
87.在該實施例中，公開了一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成實施例1公開的一種核電廠工藝系統健康狀態監測和診斷方法所述的步驟。
88.實施例4
89.在該實施例中，公開了一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，完成實施例1公開的一種核電廠工藝系統健康狀態監測和診斷方法所述的步驟。
90.最后應當說明的是：以上實施例僅用以說明本發明的技術方案而非對其限制，盡管參照上述實施例對本發明進行了詳細的說明，所屬領域的普通技術人員應當理解：依然可以對本發明的具體實施方式進行修改或者等同替換，而未脫離本發明精神和范圍的任何修改或者等同替換，其均應涵蓋在本發明的權利要求保護范圍之內。
