[发明专利]一种核动力装置故障的诊断方法及系统

权利要求书

1.一种核动力装置故障的诊断方法，其特征在于，包括：

获取核动力装置的历史运行数据以及实际运行数据，并基于所述历史运行数据对所述实际运行数据的故障状态进行分类，确定所述实际运行数据的状态类别；其中，所述实际运行数据包括反应堆冷却剂系统中稳压器的压力、波动管的温度、蒸汽发生器一次侧出口的流量、堆芯进出口的温度、蒸汽发生器二次侧水位、给水温度和给水流量、蒸汽产量和蒸汽温度、化容系统的上充流量、下泄流量以及容积控制箱的水位；所述故障类别包括冷管段微破裂、热管段微破裂LOCA、稳压器汽空间破裂、下泄管线泄漏、再生式热交换器管侧泄漏、稳压器误喷淋、稳压器加热器误启动、上充管线泄漏、再生式热交换器管侧泄漏以及容控箱泄漏；

对所述实际运行数据进行相空间重构，确定重构后的实际运行数据；

建立小卷积核堆叠形成的时间卷积网络模型；

基于所述时间卷积网络模型，利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器；

根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集；

利用所述次级分类器训练集对所述次级分类器进行训练，利用所述次级分类器测试集对所述次级分类器进行测试，确定堆栈泛化集成学习模型；

根据所述堆栈泛化集成学习模型对所述核动力装置进行故障诊断，输出故障类别。

2.根据权利要求1所述的核动力装置故障的诊断方法，其特征在于，所述对所述实际运行数据进行相空间重构，确定重构后的实际运行数据，之前还包括：

对所述实际运行数据进行归一化处理，将同一实际运行数据的数据值映射到[0,1]之间。

3.根据权利要求1所述的核动力装置故障的诊断方法，其特征在于，所述基于所述时间卷积网络模型，利用所述重构后的实际运行数据以及所述状态类别构建时间卷积网络基分类器，具体包括：

将所述时间卷积网络模型内的激活函数调整为Leaky ReLU激活函数，确定调整后的时间卷积网络模型；所述小卷积核为低于卷积核尺寸阈值的卷积核；

对所述调整后的时间卷积网络模型进行的dropout操作，并将残差卷积结构添加到dropout操作后的时间卷积网络模型中，将输入数据和输出结果形成串并联结构；所述输入数据包括所述重构后的实际运行数据的时序长度、单个所述重构后的实际运行数据的长度以及单个所述重构后的实际运行数据的宽度；所述输出结果为经含有所述残差卷积结构的时间卷积网络模型处理后的实际运行数据；

采用交叉熵损失函数作为含有串并联结构的时间卷积网络模型的损失函数，并利用所述重构后的实际运行数据以及所述状态类别对所述含有串并联结构的时间卷积网络模型训练，构建时间卷积网络基分类器。

4.根据权利要求1所述的核动力装置故障的诊断方法，其特征在于，所述时间卷积网络模型利用公式进行特征提取；其中，其中l为第l卷积层，k^l为卷积核，b^l为偏置参数，x^l为第l层的输出，x^l-1为第l-1层的输入，M为特征图，f为映射函数，x为输入的实际运行数据。

5.根据权利要求1所述的核动力装置故障的诊断方法，其特征在于，所述根据5个所述时间卷积网络基分类器确定次级分类器的次级分类器训练集以及次级分类器测试集，具体包括：

将所述重构后的实际运行数据以及所述状态类别作为训练样本集划分为所述时间卷积网络基分类器的基分类器训练集以及基分类器测试集；

利用所述基分类器训练集对所述时间卷积网络基分类器进行训练，确定所述基分类器训练集的预测值，并将所述基分类器训练集的预测值作为次级分类器训练集；

利用所述基分类器测试集对所述时间卷积网络基分类器进行测试，确定所述基分类器测试集的预测值，并将每个所述时间卷积网络基分类器对应的所述基分类器测试集的预测值的加权平均值作为次级分类器测试集。