【技術實現步驟摘要】
本專利技術涉及核電安全防護，尤其涉及一種核電站泵體異常檢測方法及裝置。
技術介紹
1、核電站在正常運行過程中，可能會由于工藝設備帶病工作或失效、儀控系統故障、電網故障、火災、人員技能不足、人因失誤等原因導致非預期的保護動作，例如甩負荷、停機、停堆等。
2、泵是核電站的重要動力裝置，是用來使液體流動的驅動機構。如果泵發生故障，可能會導致整個系統非預期宕機，造成嚴重經濟損失。因此，及時發現并排除泵體故障具有較高的現實意義。
3、當前泵體運行時的異常情況發現主要依賴于dcs系統的報警信息，只有當單一測量值或多個測量值的組合量到達相應閾值時才會觸發相應報警，缺乏對趨勢的分析，異常預警能力較差。
技術實現思路
1、本專利技術要解決的技術問題是：提供一種核電站泵體異常檢測方法及裝置，使用回歸算法和重構算法計算泵體的預測工作參數，并與真實工作參數進行比較，進而及時、準確識別出泵體運行時參數異常；同時還結合統計量模型實現泵整體狀態的異常檢測。
2、本專利技術提供了一種核電站泵體異常檢測方法，包括以下步驟：
3、步驟s100：獲取泵體特征曲線，基于所述泵體特征曲線、業務知識以及儀表布置情況初步確定所述泵體的影響因子；
4、步驟s200：獲取泵體的若干段歷史工作數據，根據所述歷史工作數據的種類對所述歷史工作數據進行分類，并采用數據分析法對每類歷史工作數據進行分析，以確定所述泵體的最終影響因子后，生成穩態訓練集和變化態訓練集；
5、
6、步驟s400：建立第二模型，采用所述變化態訓練集對所述回歸模型進行訓練，以得到訓練完備的第二預測模型以及第二預警閾值，其中，第二模型為回歸模型；
7、步驟s500：獲取當前泵體的工作數據以及影響因子數據，判斷當前泵體的狀態，基于當前泵體的狀態將當前泵體的對應數據輸入至該狀態下的第一預測模型或第二預測模型中，以獲取當前泵體在當前狀態下的預測數據后，基于第一預警閾值或第二預警閾值，判斷所述泵體是否存在異常。
8、本專利技術一具體實施方式中，所述重構模型采用主成分分析pca重構、自編碼器ae、變分自編碼器vae。
9、本專利技術一具體實施方式中，所述回歸模型是多項式回歸模型、線性回歸模型、決策樹回歸模型、支持向量機回歸模型、k近鄰回歸模型、隨機森林回歸模型、adaboost回歸模型、梯度增強隨機森林回歸模型、bagging回歸模型、extra?tree回歸模型中的一種。
10、本專利技術一具體實施方式中，所述統計量模型采用主成分分析算法。
11、本專利技術一具體實施方式中，還包括：
12、當判定泵體異常報警的原因為誤報或者漏報時，獲取最新的歷史數據，采用最新的歷史數據對該狀態下的模型進行更新。
13、本專利技術一具體實施方式中，所述工作數據至少包括溫度參數、電流參數以及振動參數，所述影響因子數據至少包含泵流體溫度、體積流量、泵密封工質的溫度、流量和冷卻電機工質的溫度、流量。
14、本專利技術一具體實施方式中，所述溫度參數包括電機軸承溫度、線圈溫度、泵軸承溫度，所述電流參數包括電機電流等參數，所述振動參數包括軸承振動。
15、本專利技術提供了一種核電站泵體異常檢測裝置，包括：
16、影響因子初步確定模塊，獲取泵體特征曲線，基于所述泵體特征曲線、業務知識以及儀表布置情況初步確定所述泵體的影響因子；
17、訓練集生成模塊，用于獲取泵體的若干段歷史工作數據，根據所述歷史工作數據的種類對所述歷史工作數據進行分類，并采用數據分析法對每類歷史工作數據進行分析，以確定所述泵體的最終影響因子后，生成穩態訓練集和變化態訓練集；
18、第一模型建立模塊，用于建立第一模型，采用所述穩態訓練集對所述第一模型進行訓練，以得到訓練完備的泵相關參數的第一預測模型以及第一預警閾值，其中，第一模型包括重構模型和統計量模型中的至少一種；
19、第二模型建立模塊，用于建立第二模型，采用所述變化態訓練集對所述回歸模型進行訓練，以得到訓練完備的第二預測模型以及第二預警閾值，其中，第二模型為回歸模型；
20、異常檢測模塊，用于獲取當前泵體的工作數據以及影響因子數據，判斷當前泵體的狀態，基于當前泵體的狀態將當前泵體的對應數據輸入至該狀態下的第一預測模型或第二預測模型中，以獲取當前泵體在當前狀態下的預測數據后，基于第一預警閾值或第二預警閾值，判斷所述泵體是否存在異常。
21、本專利技術提供了一種電子設備，包括：處理器和存儲器；
22、所述存儲器上存儲有可被所述處理器執行的計算機程序；
23、所述處理器執行所述計算機程序時實現所述的核電站泵體異常檢測方法中的步驟。
24、本專利技術提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現所述的核電站泵體異常檢測方法中的步驟。
25、與現有技術相比，本專利技術的核電站泵體異常檢測方法及裝置，通過獲取泵體異常的影響因子，分別采用統計量算法、重構模型和回歸算法來構建泵體的三種異常檢測模型，進而選擇性的運用合適的模型來判斷泵體的異常，簡單方便。
本文檔來自技高網...【技術保護點】
1.一種核電站泵體異常檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，所述重構模型采用主成分分析PCA重構、自編碼器AE、變分自編碼器VAE。
3.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，所述回歸模型是多項式回歸模型、線性回歸模型、決策樹回歸模型、支持向量機回歸模型、K近鄰回歸模型、隨機森林回歸模型、Adaboost回歸模型、梯度增強隨機森林回歸模型、bagging回歸模型、ExtraTREE回歸模型中的一種。
4.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，所述統計量模型采用主成分分析算法。
5.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，還包括：
6.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，所述工作數據至少包括溫度參數、電流參數以及振動參數，所述影響因子數據至少包含泵流體溫度、體積流量、泵密封工質的溫度、流量和冷卻電機工質的溫度、流量。
7.根據權利要求6所述的核電站泵體異常檢測方法，其特征在于，所述
8.一種核電站泵體異常檢測裝置，其特征在于，包括：
9.一種電子設備，其特征在于，包括：處理器和存儲器；
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現權利要求1～7任意一項所述的核電站泵體異常檢測方法中的步驟。
...【技術特征摘要】
1.一種核電站泵體異常檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，所述重構模型采用主成分分析pca重構、自編碼器ae、變分自編碼器vae。
3.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，所述回歸模型是多項式回歸模型、線性回歸模型、決策樹回歸模型、支持向量機回歸模型、k近鄰回歸模型、隨機森林回歸模型、adaboost回歸模型、梯度增強隨機森林回歸模型、bagging回歸模型、extratree回歸模型中的一種。
4.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，所述統計量模型采用主成分分析算法。
5.根據權利要求1所述的核電站泵體異常檢測方法，其特征在于，還包括：
6.根據權利要求...
【專利技術屬性】
技術研發人員：王健生，李曉剛，薛威，施劍雄，陳代鑫，陳路標，吳錦財，鄭銘穎，於豪，吳昫江，
申請(專利權)人：福建福清核電有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。