核探测器的故障诊断方法、装置、计算机设备和存储介质与流程

1.本发明属于设备管理技术领域，更具体地说，本发明涉及一种核探测器的故障诊断方法、装置、计算机设备和存储介质。


背景技术：

2.nai核探测器具有对y射线探测效率高、灵敏度强、室温下稳定工作等特点，所以在核电站辐射防护与放射性监测中应用广泛。然而nai核探测器输出信号信噪比低，背景杂波强，又常工作在高温、高辐射的恶劣环境中，受到温度，湿度或者辐照的影响，致使nai核探测器容易出现闪烁体老化，光电倍增管异常，输出模拟电路rc异常等故障，使得核探测器不能提供准确的测量。
3.目前，在核电站中，对核探测器的故障诊断主要采取硬件冗余的方法。该方法的原理是使用多个同类型的核探测器测量同一个物理量，当某个核探测器测量值出现明显的差值时，则判断出该核探测器出现故障。该方法虽然检测原理简单，但是，需要大量的重复设备，对系统安装要求高且需要投入较高的费用。


技术实现要素：

4.本发明的发明目的在于：克服现有技术中的至少一个缺陷，提供一种能够快速检测故障、同时提高故障检测效率的核探测器故障诊断方法、装置、计算机设备和存储介质。
5.为了实现上述发明目的，本发明提供了一种核探测器的故障诊断方法，其包括以下步骤：
6.获取所述核探测器的输出信号；
7.将所述输出信号输入至预先训练好的深度置信网络中进行故障识别，得到所述输出信号对应的故障参数；
8.采用广义似然比检验分类模型对所述故障参数进行故障分类，得到所述输出信号对应的故障类别。
9.根据本发明核探测器的故障诊断方法的一个实施例，所述深度置信网络包括无监督网络模型以及反向传播网络模型；所述生成深度置信网络的步骤包括：
10.获取样本数据和对应的样本类别；所述样本数据包括样本故障数据和样本无故障数据；所述样本类别包括样本故障类别和样本无故障类别；
11.将所述样本数据输入至所述无监督网络模型进行无监督训练，得到所述无监督网络模型的模型参数以及对应的样本数据特征；
12.将所述样本数据特征和对应的样本故障类别输入至所述反向传播网络模型中进行有监督学习训练，得到输出结果；
13.根据所述输出结果反向调整所述无监督网络模型的模型参数，直至训练结束。
14.根据本发明核探测器的故障诊断方法的一个实施例，所述无监督网络模型包括多个堆叠的深度学习层；所述将所述样本数据输入至所述无监督网络模型进行无监督训练，
得到所述无监督网络模型的模型参数以及对应的样本数据特征包括：
15.将位于所述无监督网络模型的首层的深度学习层作为当前深度学习层；
16.将所述样本数据输入所述当前深度学习层中进行特征提取，得到所述当前深度学习层的层样本数据特征和层模型参数；
17.将下一层深度学习层作为当前深度学习层，返回至将所述样本数据输入所述当前深度学习层中进行特征提取，得到所述当前深度学习层的层样本数据特征和层模型参数的步骤，直至当前深度学习层为最后一层时停止迭代，得到所述无监督网络模型的模型参数以及所述样本数据对应的样本数据特征。
18.根据本发明核探测器的故障诊断方法的一个实施例，所述无监督网络模型包括多个堆叠的深度学习层；所述根据所述输出结果反向调整所述无监督网络模型的模型参数包括；
19.将所述样本数据特征和对应的样本故障类别输入至所述反向传播网络模型中进行有监督学习训练，得到输出结果；
20.根据所述输出结果按照所述深度学习层在所述无监督网络模型中的倒序，对每层深度学习层的层模型参数进行调整，得到调整后的层模型参数。
21.根据本发明核探测器的故障诊断方法的一个实施例，所述获取样本故障数据和对应的样本故障类别包括：
22.获取通过信号采集装置采集的输出信号集；所述输出信号集包括多个历史输出信号；
23.采用双指函数表示各个所述历史输出信号；
24.根据不同的故障类别，对所述双指函数的函数参数进行调整，生成各个故障类别对应的故障数据；所述故障数据包括信号幅度、信号时间、信号间隔和信号上升时间；
25.将每个故障类别对应的故障数据作为样本故障数据，并将所述故障类别作为样本故障类别。
26.根据本发明核探测器的故障诊断方法的一个实施例，所述故障类别包括闪烁体老化故障、光电倍增管故障、rc偏离正常值故障、rc趋于无穷大故障。
27.为了实现上述发明目的，本发明还提供了一种核探测器的故障诊断装置，其包括：
28.信号采集模块，用于获取所述核探测器的输出信号；
29.故障参数获取模块，用于将所述输出信号输入至预先训练好的深度置信网络中进行故障识别，得到所述输出信号对应的故障参数；
30.故障类别确定模块，用于采用广义似然比检验分类模型对所述故障参数进行故障分类，得到所述输出信号对应的故障类别。
31.根据本发明核探测器的故障诊断装置的一个实施例，所述深度置信网络包括无监督网络模型以及反向传播网络模型；所述装置还包括深度置信网络生成模块，用于获取样本数据和对应的样本类别；所述样本数据包括样本故障数据和样本无故障数据；所述样本类别包括样本故障类别和样本无故障类别；将所述样本数据输入至所述无监督网络模型进行无监督训练，得到所述无监督网络模型的模型参数以及对应的样本数据特征；将所述样本数据特征和对应的样本故障类别输入至所述反向传播网络模型中进行有监督学习训练，得到输出结果；根据所述输出结果反向调整所述无监督网络模型的模型参数，直至训练结
束。
32.为了实现上述发明目的，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述核探测器的故障诊断方法中的步骤。
33.为了实现上述发明目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述核探测器的故障诊断方法中的步骤。
34.本发明核探测器的故障诊断方法、装置、计算机设备和存储介质，通过采集核探测器的输出信号，将输出信号输入至预先训练好的深度置信网络中进行故障识别，以此得到对应的故障参数，进而采用广义似然比检测算法根据故障参数确定对应的故障类别，以此实现对核探测器的故障诊断。通过深度置信网络确定输出信号对应的故障参数，进一步采用广义似然比将故障参数与阈值进行判断，以此得到故障类别，可以快速准确的检测核探测器的故障。
35.本发明构建的深度置信网络包括无监督网络模型和反向传播网络模型，采用大量正常运行状态的样本数据作为无标签样本对无监督网络模型进行预训练，然后通过反向传播网络模型反向优化无监督网络模型的模型参数；并通过虚拟仿真技术对核探测器的各种故障进行仿真得到仿真数据集，将仿真数据集作为样本数据对无监督网络模型的模型参数进行调优。以此确保该深度置信网络对多维、异构的核信号进行准确的特征提取，从而对核探测器进行有效准确的故障诊断；进一步，通过构建的广义似然比检验分类模型克服核探测器故障的变异性、复杂性等特点，具有较高的诊断精度；且不需要建立复杂的数学模型就可以提取深度特征，同时也克服诊断过于模糊，或非线性效率低，或收敛速率不受控制的问题。
附图说明
36.下面结合附图和具体实施方式，对本发明核探测器故障诊断方法、装置、计算机设备和存储介质进行详细说明，其中：
37.图1为本发明的一个实施例中，核探测器的故障诊断方法的应用场景图；
38.图2为本发明的一个实施例中，核探测器的故障诊断方法的流程示意图；
39.图3为本发明的一个实施例中，核探测器的故障诊断方法中深度置信网络的流程示意图；
40.图4为本发明的另一个实施例中，核探测器的故障诊断方法的流程示意图；
41.图5为本发明的一个实施例中，核探测器的故障诊断装置的结构框图；
42.图6为本发明的一个实施例中，计算机设备的内部结构图。
具体实施方式
43.为了使本发明的发明目的、技术方案及其技术效果更加清晰，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并非为了限定本发明。
44.本发明提供的核探测器的故障诊断方法，可以应用于如图1所示的应用环境中。该
核探测器的故障诊断方法应用于核探测器的故障诊断系统中。该核探测器的故障诊断系统包括核探测器102、信号采集装置104、虚拟仿真装置106、故障诊断装置108。其中核探测器102与信号采集装置104相互连接；故障诊断装置108分别与虚拟仿真装置106以及信号采集装置104相互连接；连接方式可以是有线连接也可以是网络连接。其中，核探测器102可以是nai核探测器；信号采集装置104可以是高速采集卡，虚拟仿真装置106用于对采集的历史输出信号进行故障类别编码得到样本故障类别，并生成对应的样本故障数据。信号采集装置104采集核探测器的输出信号，并将采集的输出信号发送给故障处理模块108，故障诊断装置108将输出信号输入至预先训练好的深度置信网络中进行故障识别，得到对应的故障参数；进而采用广义似然比检验分类模型对故障参数进行故障分类，得到该输出信号对应的故障类别。故障诊断装置108可以是终端，也可以是服务器；其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
45.核探测器的故障诊断系统比如是krt系统。krt是电厂运行工况直接相关的辐射监测系统，是核电站必不可少的组成部分，核辐射的探测对象主要包括区域γ放射性监测、气载气溶胶α、β放射性监测、惰性气体β、γ放射性监测、放射性碘γ监测以及液体(水)γ放射性监测等，常用的核探测器为nai探测器，根据使用情况或多或少都存在通讯故障、探测器闪发报警，而且故障频繁，出现误判误报，影响正常生产。
46.因此，krt故障诊断系统建立后，主要用于来监控关注核探测器的运行状态，在故障发生或即将发生时能够及时完成检测，达到了快速故障定位的目的，系统投运后大大扩展了krt系统故障排查思路，提升了系统处理效率，并且避免了系统发生灾难性的事故，该系统成为防止故障蔓延的第一道防线，并能帮助维修人员争取时间及时查找出故障源，从而进行排除。
47.在本发明的一个实施例中，如图2所示，提供了一种核探测器的故障诊断方法，以该方法应用于图1中的故障诊断装置108为例进行说明，包括以下步骤：
48.步骤202，获取核探测器的输出信号。
49.其中，核探测器用于在核电站中探测核电站的辐射、以及反射性物质，在核电站辐射防护与放射性监测中应用广泛。核探测器具有对y射线探测效率高、灵敏度强、在室温下稳定工作的特点。
50.信号采集装置按照预设频率采集核探测器的输出信号，并将采集的输出信号传输给故障诊断装置，通过故障诊断装置对输出信号进行故障诊断。
51.步骤204，将输出信号输入至预先训练好的深度置信网络中进行故障识别，得到输出信号对应的故障参数。
52.其中，深度置信网络包括无监督网络模型以及反向传播网络模型，在一个实施例中，生成深度置信网络的步骤包括：获取样本数据和对应的样本类别；样本数据包括样本故障数据和样本无故障数据；样本类别包括样本故障类别和样本无故障类别；将样本数据输入至无监督网络模型进行无监督训练，得到无监督网络模型的模型参数以及对应的样本数据特征；将样本数据特征和对应的样本故障类别输入至反向传播网络模型中进行有监督学习训练，得到输出结果；根据输出结果反向调整无监督网络模型的模型参数，直至训练结束。
53.在本发明的一个实施例中，无监督网络模型包括多个堆叠的深度学习层；将样本数据输入至无监督网络模型进行无监督训练，得到无监督网络模型的模型参数以及对应的样本数据特征包括：将位于无监督网络模型的首层的深度学习层作为当前深度学习层；将样本数据输入当前深度学习层中进行特征提取，得到当前深度学习层的层样本数据特征和层模型参数；将下一层深度学习层作为当前深度学习层，返回至将样本数据输入当前深度学习层中进行特征提取，得到当前深度学习层的层样本数据特征和层模型参数的步骤，直至当前深度学习层为最后一层时停止迭代，得到无监督网络模型的模型参数以及样本数据对应的样本数据特征。
54.在本发明的一个实施例中，无监督网络模型包括多个堆叠的深度学习层；根据输出结果反向调整无监督网络模型的模型参数包括；将样本数据特征和对应的样本故障类别输入至反向传播网络模型中进行有监督学习训练，得到输出结果；根据输出结果按照深度学习层在无监督网络模型中的倒序，对每层深度学习层的层模型参数进行调整，得到调整后的层模型参数。
55.步骤206，采用广义似然比检验分类模型对故障参数进行故障分类，得到输出信号对应的故障类别。
56.其中，深度学习层用于对输入信号进行特征提取，可以是限制玻尔兹曼机rbm；每层深度学习层包括显层与隐层。层模型参数包括层间权重和神经元偏置，即显层与隐层之间的权重以及当前层的神经元的偏置。反向传播网络模型可以是bp神经网络，用于对无监督网络模型的模型参数进行调优。
57.具体地，如图3所示，示出了深度置信网络的流程示意图。图中示出了3层深度学习层，即3层rbm层，包括rbm1、rbm2以及rbm3。采用rbm堆叠形成多层网络，然后利用对比分歧算法对输入进行数据重构和参数更新，以此构建预训练的深度学习模型，进行无监督的深度学习。比如，将位于无监督网络模型中的首层rbm1作为当前深度学习层，将样本数据输入至当前深度学习层进行特征提取，得到当前深度学习层的层样本数据特征和层模型参数。然后将下一层rbm2作为当前深度学习层，将rbm1层输出的层样本数据特征输入至rbm2层中进行特征提取得到对应的层样本数据特征和层模型参数；进一步，将rbm2层输出的层样本数据特征输入至rbm3层中进行特征提取，得到对应的层样本数据特征和层模型参数。至此，停止迭代，得到了无监督网络模型的所有层的层模型参数，以及将最后一层输出的层样本数据特征作为无监督网络模型的样本数据特征。然后通过反向传播网络模型对无监督网络模型进行模型参数调优。将无监督网络模型输出的样本数据特征以及对应的样本故障类别输出值反向传播网络模型中进行有监督学习训练，得到输出结果；进而根据输出结果依次调整rbm3中的层模型参数，得到调整后的rbm3中的层模型参数；然后调整rbm2中的层模型参数，最后调整rbm1中的层模型参数。
58.在本发明的一个实施例中，提供了一种核探测器的故障诊断方法，包括如下步骤：
59.(1)以nai探测器为研究目标，建立探测实验装置，通过高速数据采集卡实现探测器输出信号的采集，将采集的信号进行归一化处理，构建正常运行状态下采集的无故障的输出信号作为样本数据，作为深度学习模型的无监督学习训练输入。
60.(2)对探测器常见故障进行编码分类，具体包括探测器闪烁体老化或损伤故障，光电倍增管故障，输出模拟电路中rc故障。nai探测器利用闪烁体原子分子激发后退激时会发
出荧光的原理，并将光信号变为电脉冲来实现探测辐射粒子的目的。闪烁体探测器的主要构件有：闪烁体、光学收集系统(包括反射层)、光电倍增管(pmt)和给光电倍增管各级供电的分压器。它们被密封在一个不透光的暗盒里，上述设备统称为探头。探测器通常探测工作于辐射场环境中，工作环境恶劣，长期或过剂量的辐射容易导致各种各样的故障，且故障频发，造成闪发报警，出现误判误报，影响正常生产。
61.故障1：闪烁体老化或损伤故障，nai闪烁体是一种透明的晶体，t1含量一般为0.1％-0.5％，长期工作于高温辐照环境下会使闪烁体探测器老化、闪烁体发光效率下降、光输出减少。一般以t1闪烁体的光输出降低50％作为闪烁体老化或损伤故障。
62.故障2：光电倍增管故障，由闪烁体发出的光电子在pmt的光阴极上打出光电子，这些光电子在pmt的倍增极逐级倍增产生一个电脉冲信号。其中，光电倍增管为高压电真空管，外力冲击或振动会造成倍增管密封性变差，也会造成高压失效。在使用探测器的过程中，因为使用不当，导致探测器出现震动、冲击、从高处跌落等事故。这样会使得探测器的光电倍增管出现故障。光电倍增管易出现以下几种故障：
63.a.光电倍增管内残余的气体的电离和激发，在工作电压较高和倍增系数较大时，会使噪声数目变多幅度变大。
64.b.当光电倍增管管脚、管座受潮或玷污时，漏电流会产生噪声脉冲当光电倍增管出现上述故障时，输出信号中噪声的幅度和数量将会增加数倍。nai探测器噪声数量和幅度变为原来5倍左右，且因为噪声加剧，脉冲的能量分辨率变得糟糕。输出模拟电路中rc故障，电路中的电子元件探测器的电路回路中包含多种电子原件，可分为电阻和电容。由于这些元件的材料在辐照条件下可能会出现晶体裂缝、老化等现象。还有一些工艺上的损坏，例如氧化层厚度不足、焊脚不够紧密。这些现象都会导致这些原件的阻值或容值发生改变，甚至出现断路。因此，可将这类故障分类为rc故障。
65.探测器将入射粒子能量转变为电荷数，形成电流脉冲，经rc回路阻抗输出电压脉冲。当探测器用于能量测量时，其脉冲幅度可近似表示为：
[0066][0067]
其中：q0为阳极收集的总电荷；τ为受激原子(或分子)的衰减时间常数；v(t)为输出电压脉冲。
[0068]
故障3：rc偏离正常值，电路模型中常用元件参数变化50％作为软故障模型，设等效电路中rc值变为原来的5倍，脉冲的形状已经发生畸变。
[0069]
故障4：rc趋于无穷大，已经无法辨别这些信号为核脉冲信号。当rc＝0时，探测器出现短路现象，此时探测器不能输出信号，此种故障在此不做讨论。
[0070]
(3)构建数据预训练的深度学习模型，以数据采集卡采集的正常运行状态下的无故障的输出信号数据集作为无标签数据，以此为输入，采用rbm(限制波尔兹曼机)堆叠形成多层网络，利用contrastive divergence(对比分歧)算法对数据进行重构及参数更新，进行无监督的深度学习。
[0071]
如图3所示，dbn由多个rbm堆叠而成组成，rbm模型由显层和隐层组成，网络神经元两种状态：未激活状态与激活状态，分别用0、1表示。规定层内的神经元之间无自连接，层与层之间的神经元相互全连接，即rbm1的隐层是rbm2的显层，rbm2的隐层是rbm3的显层，以此
类推。网络的输入是rbm1的显层，输出是rbm3的隐层。
[0072]
rbm源于mrf(马尔可夫随机场)无向图模型。根据马尔可夫随机场hammersley-clifford定理得出：
[0073][0074]
其中c是mrf中的最大团(maximal clique)，z是归一化因子，即配分函数。
[0075][0076]
其中，e(x)＝∑
i∈c lnφi(xi)被称为能量函数(energy function)，指数表示被称为玻尔兹曼分布(boltzmann distribution)。能量函数是一种描述整个系统的测度，概率分布越集中，则表示系统的能量越小，系统能量为最小的状态即为最为稳定的状态。
[0077]
令m和l分别表示显层和隐层所包含的神经元个数，显层变量v＝(v1,
…
,vm),隐层变量h＝(h1,
…
,hl)。其状态(v，h)的联合概率分布为：
[0078][0079]
因为
[0080][0081]
所以关于v，h的边缘概率分布为：
[0082][0083][0084]
能量函数定义如下：
[0085][0086]
其中w
ij
表示显层第i个神经元与隐层第j个神经元之间的权重；b＝(b1,b2,
…
,bm)表示显层神经元的偏置；c＝(c1,c2,
…
,cl)表示隐层神经元的偏置。
[0087]
设能量函数参数θ＝{w
ij
,bj,ci}，表示该层rbm的参数。利用对数似然估计，函数梯度表示为:
[0088]
[0089][0090]
此处为rbm条件分布。δ(.)表示sigmoid函数，是神经网络中常用的激活函数。
[0091][0092]
其中《.》表示数学期望，《v
jhi
》
data
是样本数据的期望，《v
jhi
》
model
是重构后可视层模型的期望。
[0093]
dbn由多个rbm堆叠而成组成。每个rbm有两层，即显层和隐层。每一层都有许多神经元，同层内的神经元之间无自连接，神经元之间没有权重联系。rbm的参数是层间权重和神经元偏置。预训练技术用于初始化权重和偏置。在预训练过程中，首先去初始化显层，然后通过公式10条件分布计算隐层，；然后，再根据隐层，同样，通过公式12用条件分布来计算显层。这样产生的结果是对输入的一个重构，通过规定误差最小化将重建更新参数：
[0094]
δw
ij
＝ε
·
(《v
jhi
》
data-《v
jhi
》
model
)(12
[0095]
其中，ε表示学习速率。
[0096]
预培训数据集分为小批量。每个小批量包含少量数据。在处理每个小批量数据后更新参数。dbn通过对rbms堆栈进行顺序预训练。rbm1第一隐层从输入数据中提取特征并传递给rbm2，第二隐层从第一隐层中提取特征，依此类推。利用rbm的预训练权值和偏置，采用反向传播学习算法进行训练。
[0097]
(4)对常见核探测器故障进行模拟仿真，将故障仿真数据作为无监督网络模型的调优训练数据。
[0098]
核探测器输出的脉冲波形依赖于核探测器的特性、探头结构、电子学、以及入射粒子种类与能量。核探测器信号统计特性：
[0099]
脉冲幅度分布满足正态分布：
[0100][0101]
其中，p(a)为脉冲幅度的概率，为平均幅度，σa为幅度标准差，由探测器固有能量分辨率决定，
[0102][0103]
输出的脉冲波形可近似由双指数函数表示：
[0104][0105]
其中：u(t)表示阶跃函数；a为信号幅度；τ2和τ1分别是双指数函数的快慢时间常
数，信号脉冲的衰减时间τf和上升时间τr是由τ1、τ2共同决定的。根据不同故障类型，进行参数调整，从而生成故障仿真数据。
[0106]
探测器将入射粒子能量转变为电荷数，形成电流脉冲，经rc回路阻抗输出电压脉冲。当探测器用于能量测量时，其脉冲幅度可近似表示为：
[0107][0108]
根据(2)中故障分类，调整参数，模拟仿真各故障波形。建立故障信息特征库，由此构建带标签的训练数据集，用于辅助调优训练。
[0109]
(5)采用bp神经网络算法对深度学习模型进行辅助调优，实现对故障的识别与定义。将故障仿真数据作为标签样本，对深度学习模型进行有监督的学习。通过预训练阶段初始化的参数在训练步骤中针对目标进行调整。通过使用梯度公式更新参数，使误差最小化。在预训练阶段，一次训练一个rbm，而在bp(反向传播)神经网络算法所有层同时训练。
[0110]
这样就形成了完整的深度置信网络(dbn)，如图3所示，由多层rbm堆叠而，前一层rbm的输出为后一层rbm的输入，最顶层采用标签样本进行辅助调优。
[0111]
对深度置信网络进行训练，如图3所示，包括预训练和调优两个阶段。预训练阶段采用无监督的逐层贪心训练方法来训练每层rbm，先训练网络的第1个隐层，训练好的第1个隐层的输出作为第2个隐层的输入，接训练第2个隐层，以此类推直到最后一层隐层训练结束。微调阶段，对预训练好的网络，采用有监督学习的bp算法对整个网络进行微调，使其达到全局最优。
[0112]
(6)采用广义似然比检验(glrt)对故障进行分类。
[0113]
广义似然比检验(glrt)是一种复合假设检验，通过参数的大小进行故障检测和分类。为了对故障进行分类，定义三种假设，h0：θ＝θ0，h1：θ＝θ1，h2：θ＝θ2。θ0，θ1，θ2分别表示没有故障，渐变故障(故障3)，突变故障(故障1，故障4)。
[0114]
参数空间定义为：
[0115][0116]
定义高斯分布：
[0117]
h0＝{x～n(0，σ
2 in)}
[0118]
h1＝{x～n(θ1，σ
2 in)}
[0119]
h2＝{x～n(θ2，σ
2 in)}
[0120]
对参数θ进行最大似然估计，得到似然比
[0121][0122]
λ称为glrt的检验统计量。根据walds定理，可化解为
[0123][0124]
其中为x的统计平均值。
[0125]
在广义似然比检验中，故障的检测分类取决于决定是h0或hi假设的决策函数。
[0126][0127]
其中h(α)表示广义似然比的阀值
[0128]
p0(δ(x)≥h(α))＝α(20)
[0129]
其中p0(b)定义事件b属于零假设h0分布参数x的概率。α允许误报的概率。
[0130]
在本发明的一个实施例中，故障类别包括闪烁体老化故障、光电倍增管故障、rc偏离正常值故障、rc趋于无穷大故障。
[0131]
在渐变故障时，其故障参数的数值大于正常时，下于突变故障的参数值。根据深度置信网络模型的δw
ij
判断模型的诊断正确率，根据深度置信网络模型提取数据特征，例如脉冲幅度值，根据辐度值与正常状态下平均值的差值，以及广义似然比的阀值联合对故障进行分类。如下表1所示。
[0132]
表1
[0133][0134]
在本发明的一个实施例中，如图4所示，示出了核探测器的故障诊断方法的流程示意图。首先将多维度信号和样本输入到虚拟仿真装置中，通过虚拟仿真装置对核探测器的常见故障类别进行编码生成样本故障类别和对应的样本故障数据；将生成的样本故障类别和样本故障数据、以及样本无故障数据输入至深度置信网络种进行故障识别，初始化深度置信网络的深度学习层的层数、每层隐含层的神经元个数、以及最大迭代次数。假设设定层数为i，通过深度置信网络对输入数据进行训练，通过对比分歧算法对当前rbm层进行非监督学习得到当前层的输出和层模型参数，然后保存当前层中显层和隐层的层间权重、以及当前层的神经元的偏置；直到到达最后一层，将最后一层rbm的输出作为无监督网络模型的输出；然后利用bp神经网络进行有监督学习，进一步调整优化无监督网络模型中的各层的层模型参数；最后用广义似然比检验分类模型对深度置信网络输出的故障参数进行故障分
类，得到对应的故障类别。
[0135]
上述核探测器的故障诊断方法中，通过构建的深度置信网络包括无监督网络模型和反向传播网络模型，采用大量正常运行状态的样本数据作为无标签样本对无监督网络模型进行预训练，然后通过反向传播网络模型反向优化无监督网络模型的模型参数；并通过虚拟仿真技术对核探测器的各种故障进行仿真得到仿真数据集，将仿真数据集作为样本数据对无监督网络模型的模型参数进行调优。以此确保该深度置信网络对多维、异构的核信号进行准确的特征提取，从而对核探测器进行有效准确的故障诊断；进一步，通过构建的广义似然比检验分类模型克服核探测器故障的变异性、复杂性等特点，具有较高的诊断精度；且不需要建立复杂的数学模型就可以提取深度特征，同时也克服诊断过于模糊，或非线性效率低，或收敛速率不受控制的问题。
[0136]
应该理解的是，虽然图2-4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，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0137]
在本发明的一个实施例中，如图5所示，提供了一种核探测器的故障诊断装置500，包括：信号采集模块502、故障参数获取模块504和故障类别确定模块506，其中：
[0138]
信号采集模块502，用于获取核探测器的输出信号。
[0139]
故障参数获取模块504，用于将输出信号输入至预先训练好的深度置信网络中进行故障识别，得到输出信号对应的故障参数。
[0140]
故障类别确定模块506，用于采用广义似然比检验分类模型对故障参数进行故障分类，得到输出信号对应的故障类别。
[0141]
在本发明的一个实施例中，深度置信网络包括无监督网络模型以及反向传播网络模型；装置还包括深度置信网络生成模块，用于获取样本数据和对应的样本类别；样本数据包括样本故障数据和样本无故障数据；样本类别包括样本故障类别和样本无故障类别；将样本数据输入至无监督网络模型进行无监督训练，得到无监督网络模型的模型参数以及对应的样本数据特征；将样本数据特征和对应的样本故障类别输入至反向传播网络模型中进行有监督学习训练，得到输出结果；根据输出结果反向调整无监督网络模型的模型参数，直至训练结束。
[0142]
在本发明的一个实施例中，深度置信网络生成模块还用于将位于无监督网络模型的首层的深度学习层作为当前深度学习层；将样本数据输入当前深度学习层中进行特征提取，得到当前深度学习层的层样本数据特征和层模型参数；将下一层深度学习层作为当前深度学习层，返回至将样本数据输入当前深度学习层中进行特征提取，得到当前深度学习层的层样本数据特征和层模型参数的步骤，直至当前深度学习层为最后一层时停止迭代，得到无监督网络模型的模型参数以及样本数据对应的样本数据特征。
[0143]
在本发明的一个实施例中，深度置信网络生成模块还用于将样本数据特征和对应的样本故障类别输入至反向传播网络模型中进行有监督学习训练，得到输出结果；根据输
出结果按照深度学习层在无监督网络模型中的倒序，对每层深度学习层的层模型参数进行调整，得到调整后的层模型参数。
[0144]
在本发明的一个实施例中，深度置信网络生成模块还用于获取通过信号采集装置采集的输出信号集；输出信号集包括多个历史输出信号；采用双指函数表示各个历史输出信号；根据不同的故障类别，对双指函数的函数参数进行调整，生成各个故障类别对应的故障数据；故障数据包括信号幅度、信号时间、信号间隔和信号上升时间；将每个故障类别对应的故障数据作为样本故障数据，并将故障类别作为样本故障类别。
[0145]
在本发明的一个实施例中，故障类别包括闪烁体老化故障、光电倍增管故障、rc偏离正常值故障、rc趋于无穷大故障。
[0146]
本实施例中，通过构建的深度置信网络包括无监督网络模型和反向传播网络模型，采用大量正常运行状态的样本数据作为无标签样本对无监督网络模型进行预训练，然后通过反向传播网络模型反向优化无监督网络模型的模型参数；并通过虚拟仿真技术对核探测器的各种故障进行仿真得到仿真数据集，将仿真数据集作为样本数据对无监督网络模型的模型参数进行调优。以此确保该深度置信网络对多维、异构的核信号进行准确的特征提取，从而对核探测器进行有效准确的故障诊断；进一步，通过构建的广义似然比检验分类模型克服核探测器故障的变异性、复杂性等特点，具有较高的诊断精度；且不需要建立复杂的数学模型就可以提取深度特征，同时也克服诊断过于模糊，或非线性效率低，或收敛速率不受控制的问题。
[0147]
关于核探测器的故障诊断装置的具体限定可以参见上文中对于核探测器的故障诊断方法的限定，在此不再赘述。上述核探测器的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。
[0148]
在本发明的一个实施例中，提供了一种计算机设备，该计算机设备可以是故障诊断装置，其内部结构图可以如图6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、网络接口和数据库。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、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探测器的故障诊断数据。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探测器的故障诊断方法。
[0149]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明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。
[0150]
在本发明的一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述核探测器的故障诊断方法的步骤。
[0151]
在本发明的一个实施例中，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上述核探测器的故障诊断方法的步骤。
[0152]
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，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，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0153]
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。以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种核探测器的故障诊断方法，其特征在于，所述故障诊断方法包括以下步骤：获取所述核探测器的输出信号；将所述输出信号输入至预先训练好的深度置信网络中进行故障识别，得到所述输出信号对应的故障参数；采用广义似然比检验分类模型对所述故障参数进行故障分类，得到所述输出信号对应的故障类别。2.根据权利要求1所述的故障诊断方法，其特征在于，所述深度置信网络包括无监督网络模型以及反向传播网络模型；所述生成深度置信网络的步骤包括：获取样本数据和对应的样本类别；所述样本数据包括样本故障数据和样本无故障数据；所述样本类别包括样本故障类别；其中样本无故障数据没有对应的样本类别；将所述样本数据输入至所述无监督网络模型进行无监督训练，得到所述无监督网络模型的模型参数以及对应的样本数据特征；将所述样本数据特征和对应的样本故障类别输入至所述反向传播网络模型中进行有监督学习训练，得到输出结果；根据所述输出结果反向调整所述无监督网络模型的模型参数，直至训练结束。3.根据权利要求2所述的故障诊断方法，其特征在于，所述无监督网络模型包括多个堆叠的深度学习层；所述将所述样本数据输入至所述无监督网络模型进行无监督训练，得到所述无监督网络模型的模型参数以及对应的样本数据特征包括：将位于所述无监督网络模型的首层的深度学习层作为当前深度学习层；将所述样本数据输入所述当前深度学习层中进行特征提取，得到所述当前深度学习层的层样本数据特征和层模型参数；将下一层深度学习层作为当前深度学习层，返回至将所述样本数据输入所述当前深度学习层中进行特征提取，得到所述当前深度学习层的层样本数据特征和层模型参数的步骤，直至当前深度学习层为最后一层时停止迭代，得到所述无监督网络模型的模型参数以及所述样本数据对应的样本数据特征。4.根据权利要求2所述的故障诊断方法，其特征在于，所述无监督网络模型包括多个堆叠的深度学习层；所述根据所述输出结果反向调整所述无监督网络模型的模型参数包括：将所述样本数据特征和对应的样本故障类别输入至所述反向传播网络模型中进行有监督学习训练，得到输出结果；根据所述输出结果按照所述深度学习层在所述无监督网络模型中的倒序，对每层深度学习层的层模型参数进行调整，得到调整后的层模型参数。5.根据权利要求2所述的故障诊断方法，其特征在于，所述获取样本故障数据和对应的样本故障类别包括：获取通过信号采集装置采集的输出信号集；所述输出信号集包括多个历史输出信号；采用双指函数表示各个所述历史输出信号；根据不同的故障类别，对所述双指函数的函数参数进行调整，生成各个故障类别对应的故障数据；所述故障数据包括信号幅度、信号时间、信号间隔和信号上升时间；将每个故障类别对应的故障数据作为样本故障数据，并将所述故障类别作为样本故障类别。
6.根据权利要求1至5任意一项所述的故障诊断方法，其特征在于，所述故障类别包括闪烁体老化故障、光电倍增管故障、rc偏离正常值故障、rc趋于无穷大故障。7.一种核探测器的故障诊断装置，其特征在于，所述装置包括：信号采集模块，用于获取所述核探测器的输出信号；故障参数获取模块，用于将所述输出信号输入至预先训练好的深度置信网络中进行故障识别，得到所述输出信号对应的故障参数；故障类别确定模块，用于采用广义似然比检验分类模型对所述故障参数进行故障分类，得到所述输出信号对应的故障类别。8.根据权利要求7所述的故障诊断装置，其特征在于，所述深度置信网络包括无监督网络模型以及反向传播网络模型；所述装置还包括深度置信网络生成模块，用于获取样本数据和对应的样本类别；所述样本数据包括样本故障数据和样本无故障数据；所述样本类别包括样本故障类别和样本无故障类别；将所述样本数据输入至所述无监督网络模型进行无监督训练，得到所述无监督网络模型的模型参数以及对应的样本数据特征；将所述样本数据特征和对应的样本故障类别输入至所述反向传播网络模型中进行有监督学习训练，得到输出结果；根据所述输出结果反向调整所述无监督网络模型的模型参数，直至训练结束。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6中任一项所述方法的步骤。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6中任一项所述的方法的步骤。

技术总结
本发明属于设备管理技术领域，公开了一种核探测器的故障诊断方法、装置、计算机设备和存储介质。核探测器的故障诊断方法包括以下步骤：获取所述核探测器的输出信号；将所述输出信号输入至预先训练好的深度置信网络中进行故障识别，得到所述输出信号对应的故障参数；采用广义似然比检验分类模型对所述故障参数进行故障分类，得到所述输出信号对应的故障类别，可以快速准确的检测核探测器的故障。可以快速准确的检测核探测器的故障。可以快速准确的检测核探测器的故障。


技术研发人员：李广锋 沙洪伟 文艳辉 邵帅 胡纯
受保护的技术使用者：广东核电合营有限公司 岭澳核电有限公司 大亚湾核电运营管理有限责任公司 中国广核集团有限公司
技术研发日：2023.04.23
技术公布日：2023/8/13