[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

说明书

本发明提供一种跨功率水平的核动力装置故障诊断方法及系统，具体涉及一种在训练集和测试集数据概率分布差异下开展核动力装置故障诊断的迁移学习方法及系统。本发明包括：核动力装置监测参数采集、核动力装置监测参数预处理、核动力装置迁移故障诊断任务数据整理、不同领域的可迁移特征提取模型构建、迁移故障诊断模型构建及目标领域故障的辨识。本发明解决传统数据驱动模型在不同功率水平引起的数据概率分布差异下泛化性能降低的问题，能够将源功率水平的故障知识可靠地应用于目标功率水平的故障辨识。

技术领域

本发明涉及一种跨功率水平的核动力装置故障诊断方法及系统，属于故障诊断技术领域。

背景技术

核动力装置集成了众多系统及组件，比如反应堆冷却剂系统、核辅助系统及汽轮机组等，其安全性在核动力装置整个工艺过程中至关重要。然而，核动力装置中关键组件的失效可能引起系统的异常，进而影响核动力装置的安全运行，消耗大量维修成本。作为核动力装置的重要组成部分，仪表与控制系统的性能水平很大程度上决定着机组的安全性及经济性。仪控系统能够实现核动力装置各组成系统及工艺设备运行状态的监测及诊断等功能，并为操作员提供有效的运行支持信息。随着核动力装置仪控技术由模拟技术向数字技术的转化，促成了核动力装置运行状态监测及诊断的实现。因此，越来越多的智能故障诊断方法被研究和应用于核动力装置中，进而改善传统故障诊断中存在的人工干预过多、准确性差及效率低等问题。

众所周知，核动力装置故障诊断技术经历了漫长的发展历史。通常故障诊断方法分为基于模型、基于信号及数据驱动三种类型，分别在不同场景中得到了合适的应用。由于近年仪控系统对数字化及可靠性的需要增大，以及人工智能的飞速发展，基于数据驱动的故障诊断技术蓬勃发展，得到了广泛研究。Abiodun Ayodeji等人为了克服数学统计推理方法故障检测能力不足的问题，提出了一种数据驱动支持向量机(SVM)的核动力装置部件级故障诊断方法，并基于Qinshan I堆型蒸汽发生器模拟故障数据验证了提出的MulticlassSVM方法的有效性。然而，浅层机器学习仅能在一定应用场景上取得好的故障辨识效果。随着深度学习的发展，使得智能故障诊断模型能够深度挖掘多维监测参数与故障的对应规律，从而提高故障诊断精度。Peng等人结合相关分析及深度置信网络用于核动力装置系统级故障诊断，并验证了相对于BP神经网络及SVM在故障诊断性能上的优越性。

尽管深度学习在过去几年取得了很有希望的故障诊断结果，但是在核动力装置故障诊断的应用中仍然存在着两个挑战：(1)通常核动力装置故障诊断任务均是基于训练集与测试集服从同一分布的假设开展的。然而，在实际核动力装置复杂的监测环境中，工况的波动、环境噪声干扰以及部件材料差异均会导致监测数据分布不一致。数据分布差异会降低训练好的模型在测试数据上的分类准确率。(2)核动力装置的高安全性要求不允许出现组件级或系统级故障，使得可供研究的核动力装置监测数据稀有，尤其是带有标签的系统级故障数据更是难以获取。基于传统智能方法为所有分布下的数据都建立故障诊断模型是不现实的。

为了解决上述核动力装置故障诊断中的数据分布差异及无标签导致模型泛化能力低下的问题，需要一种可行的智能技术能够将训练模型可靠地应用于不同概率分布的测试数据的故障辨识中。作为机器学习领域的新兴技术，迁移学习是一种解决办法，近年来在图像识别、文本分类及故障诊断领域得到了飞速发展和广泛研究。迁移学习技术的关键在于如何缩减源域与目标域数据的概率分布差异。Long Wen等人针对旋转机械变工况故障诊断问题提出了一种迁移学习方法，基于Maximum Mean Discrepancy(MMD)来衡量源工况与目标工况的数据分布差异，并结合源工况的分类损失来组成神经网络优化目标，测试表明基于迁移学习的方法在变工况故障诊断任务中明显优于无迁移学习的方法。Bin Yang等人提出了一种基于polynomial kernel induced MMD(PK-MMD)的深度迁移学习方法，能够更加准确衡量并缩减不同工况间的特征分布差异，测试表明该方法提高了迁移诊断模型的计算效率及准确率。然而，在核动力装置变工况故障诊断中，当将源工况的故障知识迁移至目标工况的故障识别时，不同工况下的故障特征分布具有较大差异。仅仅缩减领域间整体的数据分布差异容易忽略领域内部的细节特征空间结构。