[发明专利]一种基于LSTM的核动力装置故障诊断方法

权利要求书

1.一种基于LSTM的核动力装置故障诊断方法，其特征在于，包括以下步骤：

S1、采集正常工况下反应堆一回路压力控制系统、液位控制系统和功率控制系统中的传感器信号；

S2、依照目标故障类型和程度，设置传感器和执行器故障；根据欲分类的故障类型和程度分别于不同位置引入故障，采集反应堆一回路压力控制系统，液位控制系统和功率控制系统中的传感器信号；

S3、将步骤S1和步骤S2采集到的传感器信号的原始时间序列数据进行离散采样，预处理及归一化，作为训练数据集；

S4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；

S5、将步骤S3预处理及归一化后的训练样本集放入步骤S4构建的多层长短时记忆LSTM网络中进行神经网络训练；

S6、重新采集压力控制系统、液位控制系统和功率控制系统中不同故障类型和程度运行下的传感器信号，将采样的传感器信号经预处理和归一化处理后作为测试样本集，将测试样本集放入步骤S5训练完的LSTM网络中对测试样本集的故障类型进行诊断，实现故障诊断。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，传感器信号包括反应堆功率设定值和实际输出功率，冷却剂进口和出口温度，蒸汽发生器给水流量、蒸汽流量和蒸汽压力，汽轮机进汽流量，控制棒棒速，给水阀开度和压降以及旁排阀开度信号。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，采集大于一百万的数据点作为训练样本集，训练样本集包括在不同时间点发生的各个类型的故障情况。

4.根据权利要求3所述的方法，其特征在于，故障情况包括恒偏差、卡死和恒增益，恒偏差和恒增益包括28种故障工况，故障信息以故障字典的形式给出。

5.根据权利要求1所述的方法，其特征在于，步骤S3中，归一化处理具体为：

其中，是第i个传感器信号的平均值，σ_i是第i个传感器信号的标准差。

6.根据权利要求1所述的方法，其特征在于，步骤S4中，多层LSTM网络包括输入层、多层LSTM隐含层，全连接层，Softmax层和输出层；多层LSTM网络中设置梯度阈值为2；多层LSTM网络中单个LSTM单元包含一个遗忘门f^t，一个输入门i^t，一个输出门o^t和一个细胞门C^t，每个门通过有选择地筛选前一个隐含层信息h^t-1和当前输入x^t；由tanh函数确定单个LSTM单元的输出h^t。

7.根据权利要求6所述的方法，其特征在于，输入层：接受归一化处理后的单个12维时间序列训练样本；

隐含层：包括256层LSTM模块，每一层通过连接多层隐含层使得网络的深度增加，提取输入信号中的隐藏特征；

全连接层：把隐含层的12个输出值作为输入值，输出值是29个元素，代表28种传感器和执行器故障情况以及一种正常运行状态；

Softmax层：采用Softmax函数，把任意一个K维向量压缩到另一个K维向量，使得每一个元素的范围都在(0,1)之间，并且所有的元素之和为1。