[发明专利]一种跨功率水平的核动力装置故障诊断方法及系统

权利要求书

1.一种跨功率水平的核动力装置故障诊断方法，其特征在于：步骤如下：

步骤1：采集核动力装置在不同功率水平下的不同运行工况的监测数据；

步骤2：对采集到的监测数据进行参数降维、参数归一化及参数-图像转换等数据预处理操作；

步骤3：在开展故障诊断之前，进行迁移任务的数据标定及整理工作，对于不同迁移任务明确源功率水平和目标功率水平，并将划分带标签的训练集和无标签的测试集数据；

步骤4：开展不同功率水平下的迁移学习故障诊断任务，基于训练集数据获取训练好的跨功率水平的故障诊断模型；

步骤5：利用训练好的故障诊断模型根据目标功率水平下的采集运行数据辨识此时的运行工况。

2.根据权利要求1所述的一种跨功率水平的核动力装置故障诊断方法，其特征在于：步骤1中的采集的运行监测参数中包含的工况有正常工况、冷却剂丧失事故、冷却剂丧失事故、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故、蒸汽发生器传热管破裂事故以及甩负荷事故。

3.根据权利要求1或2所述的一种跨功率水平的核动力装置故障诊断方法，其特征在于：步骤2中的获取核动力装置监测参数包括：

步骤21：对所述运行参数及所选故障进行基于Pearson相关系数的相关性分析，剔除与故障低相关的参数；

步骤22：所述的数据归一化采用最大差分方法，其计算公式如下：

式中，x(n)为该参数在同一工况下所有运行状态的数据集合，x^*(n)为归一化后的参数值，x_min(n)及x_max(n)为参数的最小及最大值；

步骤23：将归一化后的数据转换为二维矩阵，最终映射为二维图像中的不同颜色。

4.根据权利要求3所述的一种跨功率水平的核动力装置故障诊断方法，其特征在于：步骤4中的基于子领域差异缩减的迁移学习故障诊断模型建立包含以下步骤：

步骤41：对于核动力装置源功率水平下的参数集服从概率分布P_s(x)，目标功率水平下的参数集服从概率分布P_t(x)，将其输入至深度卷积神经网络提取特征；

步骤42：为了在缩减特征分布差异的同时减小分类损失，计算模型的优化目标为：

其中，表示源域分类标签，表示源域分类器输出的预测概率，交叉熵损失函数权重系数λ＞0，用于协调总损失中分类损失与子领域自适应损失的比例；D_H(X^s,X^t)表示计算1个网络层的子领域特征分布差异；

步骤43：对于得到的模型优化目标，基于随机梯度下降的优化算法进行卷积神经网络参数θ_f及故障分类器参数θ_c的反向传播迭代更新。

5.一种跨功率水平的核动力装置故障诊断系统，其特征在于：包括：

数据采集模块，用于获取核动力装置在不同功率水平下的不同运行工况的监测数据，采集的运行监测参数中包含的工况有正常工况、冷却剂丧失事故(冷管段)、冷却剂丧失事故(热管段)、安全壳外蒸汽管道破裂事故、安全壳内蒸汽管道破裂事故、蒸汽发生器传热管破裂事故以及甩负荷事故；

数据预处理模块，用于对采集到的监测数据进行参数降维、参数归一化及参数-图像转换等数据预处理操作；

迁移任务数据整理模块，用于针对不同功率水平间的迁移任务，对预处理数据进行整理及划分安排，以输入至迁移学习模型构建模块；

迁移学习故障诊断模型构建模块，用于建立基于深度卷积神经网络和子领域缩减迁移学习的故障诊断模型；

故障类别输出模块，用于根据所述的迁移学习故障诊断模型对所述的核动力装置在目标功率水平下进行故障诊断，输出运行工况类别。