一种基于LSTM的压水堆核电厂失水事故诊断方法及系统

一种基于lstm的压水堆核电厂失水事故诊断方法及系统
技术领域
1.本发明属于核电厂的智能事故诊断技术领域，具体涉及一种基于lstm(long short-term memory，长短期记忆网络)的压水堆核电厂失水事故诊断方法及系统。


背景技术：

2.核安全是核能开发和利用的生命线。在核电厂事故发生时，能够快速准确地诊断出事故发生的位置及严重程度等信息对于事故应急和缓解具有至关重要的作用。但核反应堆系统具有高复杂性，运行过程中各观测参数间又有很强的耦合性，在突发事故发生时，往往会有上百个报警仪器同时发出警告，操纵员难以第一时间锁定事故的位置并确定事故的严重程度，容易引发误操作或错失最佳补救时机，造成严重的后果。因此，研究并开发核电厂事故监测及诊断系统，并通过该系统自动去识别事故信息具有重要的应用价值。
3.事故诊断可基于传统解析模型、基于专家系统和基于数据驱动三种途径实现。由于核电厂本身具有高复杂性、时变性等特性，精确建模较为困难，基于传统解析模型的事故诊断方法难取得令人满意的结果。在对核电厂应用基于专家系统的诊断方法时，知识库中的知识获取难度较大，诊断的准确程度较大程度依赖于专家经验的丰富程度和知识水平的高低，当规则较多时在推理过程中存在匹配冲突、组合爆炸的问题，因而该诊断方法也难以取得令人满意的结果。基于数据驱动的事故诊断方法不需要知道系统的精确解析模型，应用非常方便且诊断准确率较高，因此本发明采用此种方法进行压水堆核电厂失水事故的诊断。
4.基于深度学习的事故诊断方法通过提取信号特征及对不同事故特征的学习得到最优的网络权值和阈值，依据该权值和阈值对信号特征进行合理的分类，从而实现复杂系统端到端的高效准确事故诊断。这种智能诊断方法能够快速有效地对海量且耦合性强的数据进行处理，有效提高事故类型诊断的准确率，提高压水堆核电厂运行安全性。


技术实现要素：

5.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于lstm的压水堆核电厂失水事故诊断方法及系统，用于解决传统诊断方法诊断困难、诊断效率低、诊断效果差的技术问题。
6.本发明采用以下技术方案：
7.一种基于lstm的压水堆核电厂失水事故诊断方法，包括以下步骤：
8.s1、采集压水堆核电厂在一回路冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并将特征数据划分为训练集和测试集；
9.s2、对步骤s1得到的训练集和测试集进行预处理及标准化；
10.s3、构建基于lstm的压水堆核电厂失水事故诊断模型；
11.s4、利用步骤s2得到的训练集对步骤s3构建的压水堆核电厂失水事故诊断模型进行训练，将步骤s2得到的测试集数据输入训练好的压水堆核电厂失水事故诊断模型中，实
现对压水堆核电厂不同位置不同严重程度失水事故的诊断。
12.具体的，步骤s1中，特征数据为压水堆核电厂的主要物理热工数据。
13.具体的，步骤s1中，将特征数据按6:2的比例划分为训练集和测试集。
14.具体的，步骤s3中，基于lstm的压水堆核电厂失水事故诊断模型包括输入层、由lstm网络构成的序列层、激活函数层、规范化层、遗忘层、全连接层、softmax层和输出层。
15.进一步的，输入层：接收经标准化处理后的时间序列训练样本，设置特征值的维度为36；
16.序列层：包含lstm模块，设置网络隐藏层神经元个数为160；
17.激活函数层：引入非线性因素，增强模型的表达能力；
18.规范化层：加快网络训练速度；
19.遗忘层：在训练过程中随机丢弃神经网络中的神经元信息，确保模型训练的鲁棒性；
20.全连接层：把遗忘层得到的数据特征作为输入值，将网络学习到的分布式特征表示映射到类别的编号代码，输出值为能够表示事故种类特征的单维向量；
21.softmax层：使用softmax函数，将任意大小一维向量的所有值进行压缩，处理后向量大小不变；
22.输出层：输出模型最终的预测结果。
23.更进一步的，序列层中的lstm隐藏层包括160个神经元。
24.更进一步的，遗忘层的遗忘率设置为50％。
25.更进一步的，softmax层中所有元素的值都被压缩到[0，1]之间，并且所有的元素之和为1。
[0026]
具体的，步骤s4中，训练过程的最大迭代次数为2000，每经过500次迭代学习率衰减为原来的40％。
[0027]
第二方面，本发明实施例提供了一种基于lstm的压水堆核电厂失水事故诊断系统，包括：
[0028]
数据模块，采集压水堆核电厂在一回路冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并将特征数据划分为训练集和测试集；
[0029]
预处理模块，对数据模块得到的训练集和测试集进行预处理及标准化；
[0030]
构建模块，构建基于lstm的压水堆核电厂失水事故诊断模型；
[0031]
诊断模块，利用预处理模块得到的训练集对构建模块构建的压水堆核电厂失水事故诊断模型进行训练，将预处理模块得到的测试集数据输入训练好的压水堆核电厂失水事故诊断模型中，实现对压水堆核电厂不同位置不同严重程度失水事故的诊断。
[0032]
与现有技术相比，本发明至少具有以下有益效果：
[0033]
一种基于lstm的压水堆核电厂失水事故诊断方法，通过z-score方法对获取的样本数据进行预处理；标准化处理后的数据消除了量级对数据分析带来的不便，使结果分析免受量级的影响，数量级差异较大的数据都能独立展示出其隐藏的特征，大大提高数据之间的可比性，同时加快网络训练收敛的速度。构建基于lstm网络的失水事故诊断模型，能够准确地识别出破口的位置和严重程度。
[0034]
进一步的，通过仿真方法获取压水堆核电厂在发生失水事故时的特征参数，通过
这些物理热工参数在发生事故后不同的变化历程对不同位置及严重程度的失水事故进行识别。
[0035]
进一步的，利用simulink中的数据记录模块采集并保存事故仿真数据，其中75％的数据作为训练集，包括在不同位置不同时间发生不同程度破口事故的运行数据，保证训练集的多样性。
[0036]
进一步的，lstm隐藏层包括多个神经元，神经元数目过高会导致模型过拟合，降低模型泛化能力且会使网络结构复杂化，增加训练时间；神经元数目过低会导致欠拟合，降低模型预测准确率，无法满足实际要求，基于经验选择合适的神经元个数可兼顾模型泛化能力和预测准确率，使最终的诊断效果最优。
[0037]
进一步的，采用激活函数层，引入非线性因素，增强模型的表达能力；采用规范化层和遗忘层，规范化层可加快网络的训练速度；遗忘层在训练过程中随机丢弃神经网络中的神经元信息；对网络模型结构进行合理地设置，选取最优超参数，提高预测准确度，全连接层可以将提取的特征很好地对应到事故类型，从而实现对多种事故类型的高效准确诊断。
[0038]
进一步的，采用lstm网络层并设置神经元个数为160，能够有效地对失水事故的运行数据进行特征提取，大大提高预测模型的准确率。
[0039]
进一步的，设置遗忘率为50％，确保模型训练的鲁棒性。
[0040]
进一步的，softmax层中所有元素的值都被压缩到[0，1]之间，并且所有的元素之和为1。该层将一个数值向量归一化为一个概率分布向量，将多个神经元的输出映射到[0，1]区间内，可以避免出现负数或者大于1的数值，方便进行概率解释和比较；同时所有元素之和为1满足概率分布的性质并避免出现数值溢出或者下溢的问题；softmax层可以增强输出向量中最大元素的值，同时减小其他元素的值，放大了分类结果的差异，提高分类的准确性。
[0041]
进一步的，训练过程最大迭代次数设置为2000，设置足够多的迭代次数保证模型训练时的损失函数收敛。设置可变学习率，学习率过大会导致过拟合现象发生，学习率过小会使网络收敛速度变慢，不利于网络训练，本发明设置初始学习率为0.01，每迭代500次，学习率变为原来的40％，可以保证模型在反向传播更新权值参数时更快更平滑地找到最优值，从而避免损失函数在训练过程中的过度震荡。
[0042]
可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0043]
综上所述，本发明通过建立基于lstm的神经网络架构，准确地对压水堆核电厂失水事故进行诊断；面对一些未知的事故，预测的结果为与其特征最接近的现有事故，从而达到实时有效地诊断压水堆核电厂失水事故的目的。
[0044]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0045]
图1为本发明逻辑流程图；
[0046]
图2为仿真平台图；
[0047]
图3为破口设置图；
[0048]
图4为lstm细胞单元结构图；
[0049]
图5为lstm网络结构图；
[0050]
图6为loca工况类型设置信息图；
[0051]
图7为诊断模型在训练过程中训练集和测试集对比示意图，其中，(a)为模型训练准确率曲线，(b)为模型训练损失曲线；
[0052]
图8为某一测试工况在时间维度上的诊断结果图；
[0053]
图9为不同测试集诊断准确率图。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0056]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0057]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0058]
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
[0059]
取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0060]
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0061]
本发明提供了一种基于lstm的压水堆核电厂失水事故诊断方法，以冷却剂主管道截面积为标准对小破口进行划分，将小于1/50主管道截面积的破口列为小尺寸小破口；将位于1/50至1/10主管道截面积的破口列为中等尺寸小破口。由于小尺寸小破口发生的可能
性较大且较难识别，中等尺寸小破口危害较为严重，本发明选用以上两种尺寸小破口为诊断对象，破口发生位置选取一回路冷管段、热管段和蒸汽发生器传热管三个位置。由于真实压水堆核电厂事故数据很难得到，本发明通过仿真平台对失水事故进行模拟，得到样本数据。在该样本数据中选取一回路压力、冷却剂平均温度等36个特征数据，建立基于lstm的压水堆核电厂失水事故诊断模型，对失水事故的位置及严重程度做出准确诊断。
[0062]
请参阅图1，本发明一种基于lstm的压水堆核电厂失水事故诊断方法，包括以下步骤：
[0063]
s1、请参阅图2，(a)图为仿真平台结构图，(b)图为其中feedwater system model内部具体细节展示。利用仿真平台采集压水堆核电厂在冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并划分得到训练集和测试集，其中仿真平台采用relap5和simulink耦合建模的方式搭建，压水堆一、二回路主要设备及主要辅助系统模型通过relap5建立，启停堆及事故发生时各辅助系统投入与否的控制逻辑基于simulink建模；
[0064]
不同位置指破口发生位置分别选取一回路热管段、一回路冷管段和蒸汽发生器传热管三个位置，对小尺寸小破口和中等尺寸小破口进行划分，本发明实施例中压水堆冷却剂主管道尺寸为0.4536m2，破口尺寸选择范围为20cm2至200cm2，每间隔20cm2设置一种工况，此种工况设置方法符合小尺寸和中等尺寸小破口的要求，破口设置方式请参阅图3，将240与993通过一个类型为valve的卡片连接，阀门属于触发阀(trpvlv)。
[0065]
根据上述事故类型，每种类型选取36维特征数据，时间序列长度为200s，每0.1s记录一次数据，破口开启时间分别选取仿真开始后10/20/30/40/50/60/70/80s，并按照6:2的比例分为训练集和测试集。
[0066]
s2、对步骤s1中采集到的训练集和测试集进行预处理及标准化，预处理即将多维信号处理成所用训练框架能接收的格式；
[0067]
标准化的方法为：
[0068][0069]
其中，μi是第i个数据样本的平均值；σi是第i个数据样本的标准差。
[0070]
进行标准化处理一方面有利于加快网络训练收敛的速度，另一方面也使得数量级差异较大的数据都能独立展示出其隐藏的特征。
[0071]
s3、构建基于lstm的压水堆核电厂失水事故诊断模型；
[0072]
请参阅图4，单个lstm细胞单元由遗忘门f
t
、输入门i
t
和输出门o
t
三个门限单元组成，每个lstm细胞单元通过这三个门限单元对前一个时刻细胞结构输出h
t-1
、上一个时刻细胞状态c
t-1
和当前时刻输入x
t
进行处理，再通过tanh函数得到当前lstm细胞单元的输出，关键计算过程如下：
[0073]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0074]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0075][0076]
[0077]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0078]ht
＝o
t
·
tanh(c
t
)
[0079]
其中，σ表示sigmoid激活函数，wf、wi、wc和wo表示遗忘门、输入门、计算细胞状态和输出门的权重矩阵；bf、bi、bc和bo表示遗忘门、输入门、计算细胞状态和输出门的偏置项；
[0080]
请参阅图5，lstm网络由一般网络结构sequenceinputlayer(输入层)、lstmlayer(序列层)、fullyconnectedlayer(全连接层)、softmaxlayer、classificationlayer(输出层)以及本发明所特有的三层relulayer(激活函数层)、batchnormalizationlayer(归一化层)、dropoutlayer(丢弃层)，具体如下：
[0081]
输入层：接收经过标准化处理后的36
×
2001时间序列训练样本；
[0082]
lstm层：设置隐藏层神经元个数为160；
[0083]
激活函数层：选取激活函数为relu函数，加入激活函数引入非线性因素，增强模型表达能力；
[0084]
丢弃层：设置丢弃率为50％；
[0085]
全连接层：输入值为经过丢弃层处理后的数据特征，输出值为能够表示事故种类特征的单维向量；
[0086]
softmax层：通过softmax函数，将任意大小一维向量的所有值映射为(0,1)之间的实数，并保证所有元素之和为1。
[0087]
softmax函数如下：
[0088][0089]
其中：k表示类别个数，该函数实现了上述映射过程，增强了输出向量中最大元素的值，同时减小其他元素的值，放大了分类结果的差异，提高分类的准确性。
[0090]
s4、利用步骤s2得到的训练集数据对步骤s3构建的压水堆核电厂loca诊断模型进行训练，将步骤s2得到的测试集数据输入训练好的诊断模型中，事故诊断模型给出最终的诊断结果。在压水堆实际运行过程中，通过各测量仪器采集与训练集相同维度的特征数据输入诊断模型，实现对压水堆核电厂不同位置不同严重程度失水事故的诊断。
[0091]
将训练集样本输入基于lstm的压水堆核电厂失水事故诊断模型进行训练，lstm网络需要从大量样本中不断提取特征并优化网络权值参数以达到理想的分类效果，另外学习率过大会导致过拟合现象发生，还可能导致网络中大量神经元无法被激活而坏死；学习率过小会使网络收敛速度变慢，不利于网络训练。因此，本发明设置可变学习率，初始学习率为0.01，每经过500轮迭代，学习率变为原来的40％。
[0092]
本发明再一个实施例中，提供一种基于lstm的压水堆核电厂失水事故诊断系统，该系统能够用于实现上述基于lstm的压水堆核电厂失水事故诊断方法，具体的，该基于lstm的压水堆核电厂失水事故诊断系统包括数据模块、预处理模块、构建模块以及诊断模块。
[0093]
其中，数据模块，采集压水堆核电厂在一回路冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并将特征数据划分为训练集和测试集；
[0094]
预处理模块，对数据模块得到的训练集和测试集进行预处理及标准化；
[0095]
构建模块，构建基于lstm的压水堆核电厂失水事故诊断模型；
[0096]
诊断模块，利用预处理模块得到的训练集对构建模块构建的压水堆核电厂失水事故诊断模型进行训练，将预处理模块得到的测试集数据输入训练好的压水堆核电厂失水事故诊断模型中，实现对压水堆核电厂不同位置不同严重程度失水事故的诊断。
[0097]
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于lstm的压水堆核电厂失水事故诊断方法的操作，包括：
[0098]
采集压水堆核电厂在一回路冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并将特征数据划分为训练集和测试集；对训练集和测试集进行预处理及标准化；构建基于lstm的压水堆核电厂失水事故诊断模型；利用训练集对压水堆核电厂失水事故诊断模型进行训练，将测试集数据输入训练好的压水堆核电厂失水事故诊断模型中，实现对压水堆核电厂不同位置不同严重程度失水事故的诊断。
[0099]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0100]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于lstm的压水堆核电厂失水事故诊断方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
[0101]
采集压水堆核电厂在一回路冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并将特征数据划分为训练集和测试集；对训练集和测试集进行预处理及标准化；构建基于lstm的压水堆核电厂失水事故诊断模型；利用训练集对压水堆核电厂失水事故诊断模型进行训练，将测试集数据输入训练好的压水堆核电厂失水事故诊断模型中，实现对压水堆核电厂不同位置不同严重程度失水事故的诊断。
[0102]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明
的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0103]
实施例
[0104]
由于真实反应堆事故数据难以获取，本发明通过仿真平台对压水堆失水事故工况进行模拟，并对其不同位置不同严重程度失水事故工况的仿真数据进行采集，得到包含一回路压力、冷却剂平均温度等36个特征参数的样本数据集，并将其划分为训练集和测试集。
[0105]
请参阅图6，为本发明在仿真平台中采集的样本数据，包括冷管段、热管段和蒸汽发生器传热管分别在10:10:80s发生不同程度(20:20:200cm2)的破口事故，共9种破口类型，选取时间序列长度为2001。
[0106]
根据上述故障类型，将样本数据集按照6:2的比例划分为训练集和测试集，使用训练集数据对所建立的失水事故诊断模型进行训练，并用测试集数据来评判模型的训练效果。
[0107]
请参阅图7，图(a)为所建立的失水事故诊断模型的诊断准确率随迭代次数的变化，图(b)中为交叉熵损失随迭代次数的变化。交叉熵损失越小表示误差越小，预测值与实际值越接近，分类效果越好。可以看到随着迭代次数的增加，模型在训练集和测试集上的损失值呈下降趋势，诊断准确率呈上升趋势，最后选取交叉熵损失最小对应的诊断准确率作为最终准确率，并将其对应的网络权值和阈值作为最终网络模型的权值和阈值。
[0108]
请参阅图8，横轴表示时间序列，纵轴表示事故类型，两条曲线分别表示实际事故类型和通过网络诊断得到的事故类型，两条曲线重合说明得到的网络诊断模型具有较高的精度。
[0109]
请参阅图9，横轴表示不同测试集事故，纵坐标表示在2001个序列长度中准确诊断(即实际事故类型与网络诊断类型相同)的时间点占总时间点的比例，图中可以看出每种失水事故工况诊断准确率均在80％以上，绝大部分诊断准确率在95％以上，说明训练得到的网络模型具有较高的精度。
[0110]
综上所述，本发明一种基于lstm的压水堆核电厂失水事故诊断方法及系统，通过仿真平台仿真得到模型所需要的训练集和测试集数据，构建基于lstm的压水堆核电厂失水事故诊断模型，通过训练使其能够有效地学习和提取失水事故工况的运行特征，实现对不同类型失水事故的准确诊断，验证了所提出的方法能够对不同位置不同严重程度失水事故进行准确诊断的目的。
[0111]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0112]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记
载的部分，可以参见其它实施例的相关描述。
[0113]
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0114]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0115]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0116]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0117]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(randomaccess memory，ram)、电载波信号、电信信号以及软件分发介质等，需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0118]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0119]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0120]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0121]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

技术特征：
1.一种基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，包括以下步骤：s1、采集压水堆核电厂在一回路冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并将特征数据划分为训练集和测试集；s2、对步骤s1得到的训练集和测试集进行预处理及标准化；s3、构建基于lstm的压水堆核电厂失水事故诊断模型；s4、利用步骤s2得到的训练集对步骤s3构建的压水堆核电厂失水事故诊断模型进行训练，将步骤s2得到的测试集数据输入训练好的压水堆核电厂失水事故诊断模型中，实现对压水堆核电厂不同位置不同严重程度失水事故的诊断。2.根据权利要求1所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，步骤s1中，特征数据为压水堆核电厂的主要物理热工数据。3.根据权利要求1所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，步骤s1中，将特征数据按6:2的比例划分为训练集和测试集。4.根据权利要求1所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，步骤s3中，基于lstm的压水堆核电厂失水事故诊断模型包括输入层、由lstm网络构成的序列层、激活函数层、规范化层、遗忘层、全连接层、softmax层和输出层。5.根据权利要求4所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，输入层：接收经标准化处理后的时间序列训练样本，设置特征值的维度为36；序列层：包含lstm模块；激活函数层：引入非线性因素，增强模型的表达能力；规范化层：加快网络训练速度；遗忘层：在训练过程中随机丢弃神经网络中的神经元信息，确保模型训练的鲁棒性；全连接层：把遗忘层得到的数据特征作为输入值，将网络学习到的分布式特征表示映射到类别的编号代码，输出值为能够表示事故种类特征的单维向量；softmax层：使用softmax函数，将任意大小一维向量的所有值进行压缩，处理后向量大小不变；输出层：输出模型最终的预测结果。6.根据权利要求5所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，序列层中的lstm隐藏层包括160个神经元。7.根据权利要求5所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，遗忘层的遗忘率设置为50％。8.根据权利要求5所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，softmax层中所有元素的值都被压缩到[0，1]之间，并且所有的元素之和为1。9.根据权利要求1所述的基于lstm的压水堆核电厂失水事故诊断方法，其特征在于，步骤s4中，训练过程的最大迭代次数为2000，每经过500次迭代学习率衰减为原来的40％。10.一种基于lstm的压水堆核电厂失水事故诊断系统，其特征在于，包括：数据模块，采集压水堆核电厂在一回路冷却剂管道不同位置发生不同严重程度失水事故工况及正常工况下的特征数据，并将特征数据划分为训练集和测试集；预处理模块，对数据模块得到的训练集和测试集进行预处理及标准化；构建模块，构建基于lstm的压水堆核电厂失水事故诊断模型；
诊断模块，利用预处理模块得到的训练集对构建模块构建的压水堆核电厂失水事故诊断模型进行训练，将预处理模块得到的测试集数据输入训练好的压水堆核电厂失水事故诊断模型中，实现对压水堆核电厂不同位置不同严重程度失水事故的诊断。

技术总结
本发明公开了一种基于LSTM的压水堆核电厂失水事故诊断方法及系统，构建用于核电厂失水事故诊断的LSTM模型，利用预处理及标准化后的训练集数据对其进行训练，再基于测试集数据对模型的诊断准确率和泛化能力进行验证；将压水堆核电厂运行数据输入该模型中，在线检测系统是否发生失水事故，并诊断出破口发生的位置及严重程度。本发明能够实现压水堆核电厂一回路冷却剂管道不同位置、不同严重程度失水事故的在线准确诊断，为事故缓解提供有价值的信息。息。息。


技术研发人员：王鹏飞 祝泽 万甲双 吴世发
受保护的技术使用者：西安交通大学
技术研发日：2023.06.16
技术公布日：2023/9/16