[发明专利]一种核电Loca事件故障预测与诊断方法

权利要求书

1.一种基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，包括如下步骤：

(1)样本数据的采集与平衡：

通过仿真器模拟反应堆冷却系统管道在发生热段大破口、热段小破口、ADS4大破口和ADS4小破口四种故障前管道运行数据，与管道正常运行数据；样本标签数量不均衡时，采用smote进行过采样处理标签不混合问题；

(2)数据增强与预处理；

(3)LSTM模型训练与优化：

将四种故障与正常运行共五类数据进行数据集的等比例划分，70％数据作为训练数据集，30％作为测试数据集；将样本数据的标签进行独热编码；采用一层LSTM网络加2层全连接层构建网络；

(4)实时预测与诊断：

通过定时任务，构建一个从实时数据采集、处理、预测的任务，定期计算。实时计算设备当前状态。

2.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(1)中，数据的范围与格式的步骤如下：

1)故障数据与正常数据包含各种功率台阶，包括0％，5％，20％，30％，50％，60％，70％，80％，90％，100％；

2)模拟破口尺寸大小包括1％，2％，3％，4％，5％，20％，40％，60％，80％，100％；

3)采集冷却系统管道63个传感器，仿真故障发生前的5分钟数据，每个样本均为一个(300，63)的二维矩阵。

4)组合不同破口尺寸、不同功率台阶下工况，模拟不同工况下的故障与不同工况下的正常运行数据，生成样本数据。

3.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(1)中，样本标签均衡的步骤如下：

1)对于热段小破口中每一个样本x，以矩阵差范数为标准计算它到热段小破口样本集中所有样本的距离，得到其5个近邻；

2)根据样本不平衡比例10：1设置一个采样比例以确定采样倍率N，对于每一个小破口样本x，从其5个近邻中随机选择若干个样本，假设选择的近邻为xn；

3)对于随机选出的近邻xn，分别与原样本按照如下的公式构建新的样本，将新的样本加入原有样本集：

4)多次重复上述步骤，使得热段小破口样本数量与正常运行样本数量保持近似。

4.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(2)中，数据增强的步骤如下：

1)用以下公式计算一列时序信号数据的功率Ps：

2)设定50db信噪比噪声用以下公式得到噪声信号数据Xn：

Xn＝rand(0，1)*sqrt(Ps/10⁵)

3)原始信号X与Xn相加得到增强后的信号数据；

4)对该样本下每一列信号数据均进行上述步骤；

5)将计算得到增强样本加入到样本集。

5.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(2)中，数据处理的步骤如下：

1)计算一列时序信号数据的最大最小值；

2)用以下公式归一化该列数据；

3)对每列重复上述步骤，得到新样本Xn；

4)用新样本X替代原来的X。

6.如权利要求1所述的基于多元实时数据流与长短期记忆网络的核电Loca事件故障预测与诊断方法，其特征在于，步骤(4)中，具体步骤如下：

1)采集当前时间点向前5分钟的63个测点数据，与样本数据一致；

2)对采集到的实时数据进行最大最小归一化；

3)将数据输入模型得到设备当前运行状态预测结果，并写入数据库；

4)定时计算，重复上述步骤，不断预测最新设备运行状态。