核能系统故障诊断方法、装置、计算机设备和存储介质与流程

1.本技术涉及核能源技术领域，特别是涉及一种核能系统故障诊断方法、装置、计算机设备和存储介质。


背景技术：

2.目前核能系统的故障诊断方法是获取核能系统的运行参数，并将获取的运行参数与预设参数阈值比较，若超过，则触发报警，同时结合相关的专家知识和经验来进行故障诊断，判断故障类型。
3.采用此种故障诊断方法，容易出现误报和漏报的情况，诊断精确性低，同时信号触发后专家经验知识的诊断过程需要较长时间，不利于故障的早发现早处理。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种可自动且准确诊断故障类型的核能系统故障诊断方法、装置、计算机设备和存储介质。
5.第一方面，本技术提供了一种核能系统故障诊断方法。该方法包括：
6.通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
7.通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
8.根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
9.在其中一个实施例中，第一故障诊断模型包括lstm诊断网络和sae诊断网络；
10.通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率，包括：
11.从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据；
12.通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率；
13.通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二概率；
14.根据第一概率和第二概率，确定核能系统属于各候选故障类型的初始概率。
15.在其中一个实施例中，当前运行数据包括至少一种类型的探测器采集的当前运行数据；
16.从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据，包括：
17.从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。
18.在其中一个实施例中，该方法，还包括：
19.根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
20.在其中一个实施例中，根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
21.根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序；
22.根据排序结果，确定排在前两位的候选故障类型的目标概率的差值；
23.若目标概率的差值小于差值阈值，则根据选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
24.在其中一个实施例中，根据各候选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
25.根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重；
26.根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断。
27.在其中一个实施例中，若目标概率的差值大于或等于差值阈值，则根据排序结果，对核能系统进行故障诊断。
28.第二方面，本技术还提供了一种核能系统故障诊断装置。该装置包括：
29.第一确定模块，用于通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
30.第二确定模块，用于通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
31.诊断模块，用于根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
32.第三方面，本技术还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
33.通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
34.通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
35.根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
36.第四方面，本技术还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
37.通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
38.通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
39.根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候
选故障类型的预测精度，对核能系统进行故障诊断。
40.第五方面，本技术还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
41.通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
42.通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
43.根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
44.上述核能系统故障诊断方法、装置、计算机设备和存储介质，根据核能系统的当前运行数据和第一故障诊断模型，确定核能系统属于各候选故障类型的初始概率，再根据核能系统属于各候选故障类型的初始概率和第二故障诊断模型，确定核能系统属于各候选故障类型的目标概率，最后根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，可自动对核能系统进行故障诊断，准确的识别核能系统的故障类型，有效解决了采用专家经验知识诊断时不仅耗时长，且准确度低的问题。
附图说明
45.图1为本实施例提供的核能系统故障诊断方法的应用环境图；
46.图2为本实施例提供的第一种核能系统故障诊断方法的流程示意图；
47.图3为本实施例提供的确定核能系统属于各候选故障类型的初始概率的流程示意图；
48.图4为本实施例提供的lstm诊断网络和sae诊断网络预测准确性示意图；
49.图5为本实施例提供的第二种核能系统故障诊断方法的流程示意图；
50.图6为本实施例提供的对核能系统进行故障诊断的流程示意图；
51.图7为本实施例提供的第三种核能系统故障诊断方法的流程示意图；
52.图8为本实施例提供的核能系统故障诊断方法的流程框图；
53.图9为本实施例提供的第一种核能系统故障诊断装置的结构框图；
54.图10为本实施例提供的第二种核能系统故障诊断装置的结构框图；
55.图11为本实施例提供的计算机设备的内部结构图。
具体实施方式
56.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
57.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备
的数据库用于存储异常数据的获取数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种核能系统故障诊断方法。
58.在其中一个实施例中，提供了一种核能系统故障诊断方法，如图2所示，包括以下步骤：
59.s201，通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率。
60.其中，第一故障诊断模型是指用于对核能系统进行故障诊断的模型，在诊断时需要结合核能系统的当前运行数据，并输出核能系统属于各候选故障类型的初始概率。当前运行数据是指当前时刻基于核能系统中的各类探测器采集得到的核能系统的运行数据。候选故障类型是指由第一故障诊断模型输出的概率较大的几个故障类型。初始概率是指由第一故障诊断模型输出的各候选故障类型的概率。
61.本实施例一种可选的实施方式为：将核能系统的当前运行数据输入至第一故障诊断模型，由第一故障诊断模型输出核能系统属于各候选故障类型的初始概率。
62.本实施例另一种可选的实施方式为：根据核能系统的当前运行数据，确定目标运行数据，将目标运行数据输入至第一故障诊断模型，由第一故障诊断模型输出核能系统属于各候选故障类型的初始概率。本实施例中确定目标运行数据的可选实施方式为：从核能系统的当前运行数据中随机或针对性的选取部分当前运行数据，作为目标运行数据。针对性的选取是指根据核能系统的探测器的型号或编号，选取对应的探测器采集到的核能系统的当前运行数据作为目标运行数据。
63.s202，通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率。
64.其中，第二故障诊断模型是指用于确定核能系统各候选故障类型目标概率的模型，第二故障诊断模型可以采用但不限于线性回归模型或多层前向神经网络。目标概率是指由第二故障诊断模型基于初始概率确定的，可用于确定核能系统所属故障类型的概率。
65.可选的，本实施例中将核能系统属于各候选故障类型的初始概率输入至第二故障诊断模型，由第二故障诊断模型输出核能系统属于各候选故障类型的目标概率。
66.s203，根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
67.其中，预测精度是指用于判断第二故障诊断模型预测的准确性的指标，预测的越准确，则预测精度越高。
68.本实施例一种可选的实施方式为：将核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，输入至训练好的神经网络模型中，由神经网络模型对核能系统进行故障诊断。
69.本实施例另一种可选的实施方式为：根据核能系统属于各候选故障类型的目标概率，结合第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的综合分值，再根据综合分值，对核能系统进行故障诊断。
70.确定各候选故障类型的综合分值的可选实施方式为：可通过计算各候选故障类型的目标概率与对应的候选故障类型的预测精度的乘积，确定综合分值。
71.根据综合分值，对核能系统进行故障诊断的可选实施方式为：对综合分值进行排
序，根据排序结果，对核能系统进行故障诊断。例如，选取综合分值排在第一位的故障类型，作为核能系统的故障类型。
72.本实施例根据核能系统的当前运行数据和第一故障诊断模型，确定核能系统属于各候选故障类型的初始概率，再根据核能系统属于各候选故障类型的初始概率和第二故障诊断模型，确定核能系统属于各候选故障类型的目标概率，最后根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，可自动对核能系统进行故障诊断，准确的识别核能系统的故障类型，有效解决了采用专家经验知识诊断时不仅耗时长，且准确度低的问题。
73.在其中一个实施例中，为了准确的确定各候选故障类型的初始概率，本实施例中第一故障诊断模型至少包括lstm诊断网络和sae诊断网络，在此基础上，如图3所示，s201中，一种可选实施方式，包括：
74.s301，从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据。
75.其中，第一输入数据是指从核能系统的当前运行数据中抽取的，用于输入lstm诊断网络的数据。第二输入数据是指从核能系统的当前运行数据中抽取的，用于输入sae诊断网络的数据。lstm诊断网络是一种长短时记忆神经网络主要包括lstm层和全连接层，其中lstm层包括输入层和三个隐藏层，第一输入数据按照时间顺序输入至输入层，经过三个隐藏层后，输入至全连接层，由全连接层输出第一概率。sae诊断网络是一种稀疏编码解码器网络主要包括编码器、解码器和回归器，以第二输入数据作为输入参数输入至编码器的第一全连接层，第一全连接层的输出结果，输入至编码器的第二全连接层，第二全连接层的输出结果输入至解码器的全连接层和回归器的全连接层，由回归器的全连接层输出第二概率。
76.本实施例一种可选的实施方式为：从核能系统的当前运行数据中，随机抽取两组数据分别作为第一输入数据和第二输入数据。
77.本实施例另一种可选的实施方式为：从核能系统的当前运行数据中获取第一目标探测器采集的当前运行数据，作为第一输入数据。从核能系统的当前运行数据中获取第二目标探测器采集的当前运行数据，作为第二输入数据。其中第一目标探测器是指从核能系统的各探测器中指定的探测器，用于获取输入至lstm诊断网络的第一输入数据。第二目标探测器是指从核能系统的各探测器中指定的探测器，用于获取输入至sae诊断网络的第一输入数据。
78.本实施例又一种可选的实施方式为：从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。具体的，预先根据探测器的类型对核能系统的各探测器进行分组(例如，将核能系统中的功率探测器分为一组，将温度探测器分为一组等)。预先设定第一故障诊断模型中各诊断网络的从各组探测器(即各类型探测器)抽取的数量(例如lstm诊断网络对应的是第一数量，sae诊断网络对应的是第二数量)，从每组探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。
79.s302，通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率。
80.本实施例一种可选的实施方式为：将第一输入数据输入至lstm诊断网络，由lstm诊断网络输出核能系统属于各候选故障类型的第一概率。
81.本实施例另一种可选的实施方式为：将第一输入数据进行归一化处理，并将处理后的第一输入数据输入至lstm诊断网络，由lstm诊断网络输出核能系统属于各候选故障类型的第一概率。其中，可通过如下公式(1)对第一输入数据进行归一化处理：
82.a
i,j
＝(x
i,j-meanj)/stdj(1)
83.其中，公式(1)中x
i,j
表示第i种类型中第j个探测器采集的当前运行数据；meanj表示第j个探测器在正常运行时的平均值；stdj为第j个探测器在正常运行时的标准差；a
i,j
表示第i种类型中第j个探测器采集的当前运行数据进行归一化处理后得到的数据。
84.s303，通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二概率。
85.本实施例一种可选的实施方式为：将第二输入数据输入至sae诊断网络，由sae诊断网络输出核能系统属于各候选故障类型的第二概率。
86.本实施例另一种可选的实施方式为：将第二输入数据进行归一化处理，并将处理后的第二输入数据输入至sae诊断网络，由sae诊断网络输出核能系统属于各候选故障类型的第二概率。其中，对第二输入数据进行归一化处理的方法在上述实施例中具有详细记载，在此不再赘述。
87.s304，根据第一概率和第二概率，确定核能系统属于各候选故障类型的初始概率。
88.本实施例一种可选的实施方式为：对第一概率和第二概率添加对应的诊断网络标记(例如第一概率标记为lstm诊断网络输出的概率，第二概率为sae诊断网络数据的概率)，确定核能系统属于各候选故障类型的初始概率。
89.本实施例另一种可选的实施方式为：将各候选故障类型对应的第一概率和第二概率进行合并，并进行排序，若存在重复的候选故障类型，则保留重复的候选故障类型中值较大的概率，将合并后的第一概率和第二概率，作为核能系统属于各候选故障类型的初始概率。
90.需要说明的是，本实施例中第一故障诊断模型在选择各诊断网络时，可基于各诊断网络对各故障预测的准确性选取。具体的，预先获取多个系统故障对应的故障运行数据，确定多个系统故障对应的范数值，根据各故障类型的范数值可大致确定故障的参考概率(范数值越接近于0，参考概率越小，反之参考概率大)，再将各系统故障对应的故障运行数据输入至候选诊断网络中，确定候选诊断网络对各系统故障的预测概率，根据范数值和预测考虑可确定候选诊断网络的诊断的准确性。可通过如下公式(2)确定各系统故障的范数值：
[0091][0092]
其中，公式(2)中，norm2k表示范数值；sk表示第k个系统故障的故障运行数据；x
i,j
表示第i种类型中第j个探测器采集的故障运行数据。
[0093]
如图4所示，图4中长虚线(包括虚线和圆点的线条)为范数值，短虚线为sae诊断网络预测的各系统故障的预测概率，实线为lstm诊断网络预测的各系统故障的预测概率，图4
中的横坐标中normal表示系统正常，fault0表示，某一故障类型下第一系统故障，fault1表示某一故障类型下的第二系统故障，fault2表示某一故障类型下的第三系统故障，纵坐标表示数值(可表征范数值和预测概率的大小)，如图所示，三个线条的变化趋势接近相同，即当范数值越大时，预测概率越大，由此可见，lstm诊断网络和sae诊断网络对各系统故障预测的准确性较高，因此，优先选取这两个诊断网络作为第一故障预测模型的诊断网络。
[0094]
本实施例中从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据，通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率，通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二概率，根据第一概率和第二概率，可准确的确定核能系统属于各候选故障类型的初始概率。
[0095]
在其中一个实施例中，为了准确确定第二故障诊断模型预测各候选故障类型的预测精度，如图5所示，一种核能系统故障诊断方法的可选实施方式：
[0096]
s501，根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
[0097]
其中，样本运行数据是指从核能系统中各探测器采集的，用于确定第二故障诊断模型预测精度的数据。样本概率是指基于样本运行数据，第二故障诊断模型预测的各候选故障类型的概率。混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，用于确定第二故障诊断模型的预测精度。
[0098]
可选的，本实施例中将样本运行数据输入至第一故障诊断模型，由第一故障诊断模型输出各候选故障类型的初始样本概率，将各候选故障类型的初始样本概率输入至第二故障诊断模型，由第二故障诊断模型输出核能系统属于各候选故障类型的样本概率，根据核能系统属于各候选故障类型的样本概率，确定核能系统的预测故障类型，根据预测故障类型、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
[0099]
s502，通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率。
[0100]
s503，通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率。
[0101]
s504，根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0102]
本实施例中根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，可准确的确定第二故障诊断模型预测各故障类型的预测精度。
[0103]
在其中一个实施例中，更加准确的对核能系统进行故障诊断，如图6所示，s203一种可选的实施方式为：
[0104]
s601，根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序。
[0105]
可选的，根据核能系统属于各候选故障类型的目标概率的大小，按照降序的方式对各候选故障类型进行排序。
[0106]
s602，根据排序结果，确定排在前两位的候选故障类型的目标概率的差值。
[0107]
其中，排序结果是指根据核能系统属于各候选故障类型的目标概率的大小，按照降序的方式排序得到的结果。
[0108]
可选的，根据排序结果，抽取排序结果中处于前两位的目标概率，并计算排在第一位的目标概率与排在第二位的目标概率的差值，即确定排在前两位的候选故障类型的目标概率的差值。
[0109]
s603，判断前两位候选故障类型的目标概率的差值是否小于差值阈值。若是，则执行s604；若否，则执行s605。
[0110]
s604，若目标概率的差值小于差值阈值，则根据选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0111]
其中，差值阈值是一种限定条件，用于确定差值是否超过预设条件。
[0112]
本实施例一种可选的实施方式为：根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重，根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断。其中，概率权重是指用于确定各候选故障类型目标概率重要性的指标。
[0113]
本实施例中根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重的可选实施方式为：根据排序结果，确定第一权重(排序越靠前第一权重的值越大)，根据第二故障诊断模型预测各候选故障类型的预测精度，确定第二权重(预测精度越高，第二权重的值越大；或将预测精度作为第二权重)，根据第一权重和第二权重，采用求和或求乘积的方式，确定各候选故障类型的概率权重。
[0114]
本实施例中根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断的可选实施方式为：将各候选故障类型的目标概率乘以对应的候选故障类型的概率权重，得到各候选故障类型的综合分值，将综合分值最大的候选故障类型作为预测故障类型，进而实现对核能系统的故障诊断。
[0115]
s605，若目标概率的差值大于或等于差值阈值，则根据排序结果，对核能系统进行故障诊断。
[0116]
可选的，本实施例中若目标概率的差值大于或等于差值阈值，则将排序结果中位于第一位的候选故障类型作为预测故障类型，进而实现对核能系统的故障诊断。
[0117]
本实施例根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序，根据排序结果，确定排在前两位的候选故障类型的目标概率的差值，若目标概率的差值小于差值阈值，则根据选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，若目标概率的差值大于或等于差值阈值，则根据排序结果，可更加准确的对核能系统进行故障诊断。
[0118]
在其中一个实施例中，如图7，图8所示，一种核能系统故障诊断方法可选的实施方式，包括：
[0119]
s701，根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
[0120]
s702，从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数
据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。
[0121]
s703，通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率。
[0122]
s704，通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二概率。
[0123]
s705，根据第一概率和第二概率，确定核能系统属于各候选故障类型的初始概率。
[0124]
s706，通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率.
[0125]
s707，根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序。
[0126]
s708，根据排序结果，确定排在前两位的候选故障类型的目标概率的差值。
[0127]
s709，判断前两位候选故障类型的目标概率的差值是否小于差值阈值。若是，则执行s7010；若否，则执行s7012。
[0128]
s7010，根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重。并执行s7011。
[0129]
s7011，根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断。
[0130]
s7012，根据排序结果，对核能系统进行故障诊断。
[0131]
本实施例根据核能系统的当前运行数据和第一故障诊断模型，确定核能系统属于各候选故障类型的初始概率，再根据核能系统属于各候选故障类型的初始概率和第二故障诊断模型，确定核能系统属于各候选故障类型的目标概率，最后根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，可自动对核能系统进行故障诊断，准确的识别核能系统的故障类型，有效解决了采用专家经验知识诊断时不仅耗时长，且准确度低的问题。
[0132]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0133]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的核能系统故障诊断方法的核能系统故障诊断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个核能系统故障诊断装置实施例中的具体限定可以参见上文中对于核能系统故障诊断方法的限定，在此不再赘述。
[0134]
在其中一个实施例中，如图9所示，提供了一种核能系统故障诊断装置1，包括：第一确定模块10、第一确定模块20和诊断模块30，其中：
[0135]
第一确定模块10，用于通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
[0136]
第二确定模块20，用于通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
[0137]
诊断模块30，用于根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0138]
在其中一个实施例中，上图9中的第一确定模块10的第一故障诊断模型第包括lstm诊断网络和sae诊断网络，在此基础上，上图7中的第一确定模块10，进一步包括：
[0139]
抽取单元，用于从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据。
[0140]
第一确定单元，用于通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率。
[0141]
第二确定单元，用于通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二概率。
[0142]
第三确定单元，用于根据第一概率和第二概率，确定核能系统属于各候选故障类型的初始概率。
[0143]
在其中一个实施例中，若当前运行数据包括至少一种类型的探测器采集的当前运行数据，在此基础上，抽取单元还具体用于：从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。
[0144]
在其中一个实施例中，在上图9的基础上，如图10所述，上图9中的第三确定模块40，进一步包括：
[0145]
第三确定模块40，用于根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
[0146]
在其中一个实施例中，上图9中的诊断模块30，进一步包括：
[0147]
排序单元，用于根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序。
[0148]
第四确定单元，用于根据排序结果，确定排在前两位的候选故障类型的目标概率的差值。
[0149]
第一诊断单元，用于若目标概率的差值小于差值阈值，则根据选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0150]
在其中一个实施例中，诊断单元还具体用于：根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重；根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断。
[0151]
在其中一个实施例中，上图9中的诊断模块30，还包括：
[0152]
第二诊断单元，用于若目标概率的差值大于或等于差值阈值，则根据排序结果，对核能系统进行故障诊断。
[0153]
上述核能系统故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软
件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0154]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储核能系统的运行和诊断数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种核能系统故障诊断方法。
[0155]
本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0156]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0157]
通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
[0158]
通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
[0159]
根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0160]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：第一故障诊断模型包括lstm诊断网络和sae诊断网络；
[0161]
通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率，包括：
[0162]
从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据；
[0163]
通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率；
[0164]
通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二概率；
[0165]
根据第一概率和第二概率，确定核能系统属于各候选故障类型的初始概率。
[0166]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当前运行数据包括至少一种类型的探测器采集的当前运行数据；
[0167]
从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据，包括：
[0168]
从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。
[0169]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该方法，还包括：
[0170]
根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
[0171]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
[0172]
根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序；
[0173]
根据排序结果，确定排在前两位的候选故障类型的目标概率的差值；
[0174]
若目标概率的差值小于差值阈值，则根据选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0175]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各候选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
[0176]
根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重；
[0177]
根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断。
[0178]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若目标概率的差值大于或等于差值阈值，则根据排序结果，对核能系统进行故障诊断。
[0179]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0180]
通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
[0181]
通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
[0182]
根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0183]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：第一故障诊断模型包括lstm诊断网络和sae诊断网络；
[0184]
通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率，包括：
[0185]
从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据；
[0186]
通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率；
[0187]
通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二概率；
[0188]
根据第一概率和第二概率，确定核能系统属于各候选故障类型的初始概率。
[0189]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当前运行数据包括至少一种类型的探测器采集的当前运行数据；
[0190]
从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据，包括：
[0191]
从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。
[0192]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法，还包括：
[0193]
根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
[0194]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
[0195]
根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序；
[0196]
根据排序结果，确定排在前两位的候选故障类型的目标概率的差值；
[0197]
若目标概率的差值小于差值阈值，则根据选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0198]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据各候选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
[0199]
根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重；
[0200]
根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断。
[0201]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若目标概率的差值大于或等于差值阈值，则根据排序结果，对核能系统进行故障诊断。
[0202]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0203]
通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率；
[0204]
通过第二故障诊断模型，根据核能系统属于各候选故障类型的初始概率，确定核能系统属于各候选故障类型的目标概率；
[0205]
根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0206]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：第一故障诊断模型包括lstm诊断网络和sae诊断网络；
[0207]
通过第一故障诊断模型，根据核能系统的当前运行数据，确定核能系统属于各候选故障类型的初始概率，包括：
[0208]
从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据；
[0209]
通过lstm诊断网络，根据第一输入数据，确定核能系统属于各候选故障类型的第一概率；
[0210]
通过sae诊断网络，根据第二输入数据，确定核能系统属于各候选故障类型的第二
概率；
[0211]
根据第一概率和第二概率，确定核能系统属于各候选故障类型的初始概率。
[0212]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当前运行数据包括至少一种类型的探测器采集的当前运行数据；
[0213]
从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据，包括：
[0214]
从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。
[0215]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法，还包括：
[0216]
根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。
[0217]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
[0218]
根据核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序；
[0219]
根据排序结果，确定排在前两位的候选故障类型的目标概率的差值；
[0220]
若目标概率的差值小于差值阈值，则根据选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。
[0221]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据各候选故障类型的目标概率、排序结果和第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断，包括：
[0222]
根据排序结果和第二故障诊断模型预测各候选故障类型的预测精度，确定各候选故障类型的概率权重；
[0223]
根据各候选故障类型的目标概率和各候选故障类型的概率权重，对核能系统进行故障诊断。
[0224]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若目标概率的差值大于或等于差值阈值，则根据排序结果，对核能系统进行故障诊断。
[0225]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据
库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0226]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0227]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种核能系统故障诊断方法，其特征在于，所述方法包括：通过第一故障诊断模型，根据核能系统的当前运行数据，确定所述核能系统属于各候选故障类型的初始概率；通过第二故障诊断模型，根据所述核能系统属于各候选故障类型的初始概率，确定所述核能系统属于各候选故障类型的目标概率；根据所述核能系统属于各候选故障类型的目标概率，以及所述第二故障诊断模型预测各候选故障类型的预测精度，对所述核能系统进行故障诊断。2.根据权利要求1所述的方法，其特征在于，所述第一故障诊断模型包括长短时记忆神经网络lstm诊断网络和稀疏编码解码器网络sae诊断网络；通过第一故障诊断模型，根据核能系统的当前运行数据，确定所述核能系统属于各候选故障类型的初始概率，包括：从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据；通过lstm诊断网络，根据第一输入数据，确定所述核能系统属于各候选故障类型的第一概率；通过sae诊断网络，根据第二输入数据，确定所述核能系统属于各候选故障类型的第二概率；根据所述第一概率和所述第二概率，确定所述核能系统属于各候选故障类型的初始概率。3.根据权利要求2所述的方法，其特征在于，所述当前运行数据包括至少一种类型的探测器采集的当前运行数据；从核能系统的当前运行数据中，抽取第一输入数据和第二输入数据，包括：从每种类型的探测器采集的当前运行数据中，抽取第一数量的当前运行数据作为第一输入数据，以及抽取第二数量的当前运行数据作为第二输入数据。4.根据权利要求1所述的方法，其特征在于，所述的方法，还包括：根据第二故障诊断模型基于样本运行数据预测的核能系统属于各候选故障类型的样本概率、所述样本运行数据对应的实际故障类型，以及混淆矩阵，确定第二故障诊断模型预测各故障类型的预测精度。5.根据权利要求1所述的方法，其特征在于，所述根据所述核能系统属于各候选故障类型的目标概率，以及所述第二故障诊断模型预测各候选故障类型的预测精度，对所述核能系统进行故障诊断，包括：根据所述核能系统属于各候选故障类型的目标概率，对各候选故障类型进行排序；根据排序结果，确定排在前两位的候选故障类型的目标概率的差值；若所述目标概率的差值小于差值阈值，则根据各候选故障类型的目标概率、所述排序结果和所述第二故障诊断模型预测各候选故障类型的预测精度，对所述核能系统进行故障诊断。6.根据权利要求5所述的方法，其特征在于，所述根据各候选故障类型的目标概率、所述排序结果和所述第二故障诊断模型预测各候选故障类型的预测精度，对所述核能系统进行故障诊断，包括：根据所述排序结果和所述第二故障诊断模型预测各候选故障类型的预测精度，确定各
候选故障类型的概率权重；根据各候选故障类型的目标概率和各候选故障类型的概率权重，对所述核能系统进行故障诊断。7.根据权利要求5所述的方法，其特征在于，若目标概率的差值大于或等于差值阈值，则根据排序结果，对所述核能系统进行故障诊断。8.一种核能系统故障诊断装置，其特征在于，包括：第一确定模块，用于通过第一故障诊断模型，根据核能系统的当前运行数据，确定所述核能系统属于各候选故障类型的初始概率；第二确定模块，用于通过第二故障诊断模型，根据所述核能系统属于各候选故障类型的初始概率，确定所述核能系统属于各候选故障类型的目标概率；诊断模块，用于根据所述核能系统属于各候选故障类型的目标概率，以及所述第二故障诊断模型预测各候选故障类型的预测精度，对核能系统进行故障诊断。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的核能系统故障诊断方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的核能系统故障诊断方法的步骤。11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的核能系统故障诊断方法的步骤。

技术总结
本申请涉及一种核能系统故障诊断方法、装置、计算机设备和存储介质。属于核能源技术领域，所述方法包括：根据核能系统的当前运行数据和第一故障诊断模型，确定核能系统属于各候选故障类型的初始概率；根据核能系统属于各候选故障类型的初始概率和第二故障诊断模型，确定核能系统属于各候选故障类型的目标概率；根据核能系统属于各候选故障类型的目标概率，以及第二故障诊断模型预测各候选故障类型的预测精度，可自动对核能系统进行故障诊断，准确的识别核能系统的故障类型，有效解决了采用专家经验知识诊断时不仅耗时长，且准确度低的问题。题。题。


技术研发人员：李文淮 李瀚生 胡硕文 丁鹏 刘敏 陈澍 夏文卿 于枫婉 崔大伟 段承杰
受保护的技术使用者：中国广核集团有限公司 中国广核电力股份有限公司
技术研发日：2023.04.21
技术公布日：2023/7/25