一种核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法及系统与流程

本发明涉及核电站松脱部件诊断领域，更具体地，涉及一种核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法及系统。

背景技术：

用于核电站的松脱部件诊断与振动监测系统(LPMS，Loose Parts Monitoring System)，国内称为KIR，是目前压水堆核电站的标准配置，用于判断核电站一回路系统的可能发生的部件松脱，以及在安装、换料或维修时遗留在一回路中的金属部件。

松脱部件如果反复撞击会造成材料磨损，同时还会造成燃料通道内流体的部分阻塞，基脚的损坏，以及控制棒被卡住的隐患，也会造成一回路中放射性物质的积累，以及一回路到二回路的泄露隐患。

目前现有的松脱部件诊断系统对除了分析RMS事件触发功能以及基本的滤波功能外，还可以对背景噪声历史进行趋势分析，通过对比背景噪声对已知时间做精确的分类，同时可以自动忽略控制棒运动所产生的报警；而且可以自定义正常波形与撞击波形，由此降低报警的虚警率和漏警率。同时，为防止误报，软件报警后并不将报警触发直接送达主控室，而是送到给报警箱，由现场工程师人工确认后再做处理。

但是，现有这些系统的松脱部件判断逻辑与报警参数均为出厂前预设。在实际运行中，有经验的现场工程师其实可以根据实际情况对报警参数做设定和调整，通过调整参数变化确定对应的物理特征，之后根据这些物理特征变化再去搜寻优化的报警参数设定。因为现有的系统无法融合工程师的经验，从而更加精确的进行松脱部件判断以及改进报警参数的精准度，导致在实际运行中，工程师每次都需要在已有系统的基础上再加上实际的经验判断，才能很好的做出最后的松脱部件判断，而这部分工作伴随着大量的重复劳动，严重降低了核电站的运行效率。

技术实现要素：

本发明要解决的技术问题在于，针对现有系统无法融合工程师的经验而导致无法改进报警参数的精准度，提供一种能够融合工程师的实际判断经验，优化报警参数的核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法及系统。

本发明解决其技术问题所采用的技术方案是：提供一种核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法，包括以下步骤：

S1、计算运行周期中多个时间点的运行参数；

S2、将多个所述时间点的运行参数分别映射到高维向量空间，每个所述时间点在所述高维向量空间中分别以点来表示；

S3、根据核电工作日志记录和运行参数分别对多个所述时间点添加状态标签；

S4、在所述高维向量空间中对多个所述时间点进行分类；

S5、录入并计算新时间点的运行参数，并将所述新时间点的运行参数映射到所述高维向量空间，所述新时间点在所述高维向量空间中以点来表示；

S6、若所述新时间点与任何添加状态标签的多个所述时间点的向量空间距离小于设定阈值，则确定所述新时间点代表的是已知事件，并对所述新时间点添加状态标签；若所述向量空间距离大于或等于设定阈值，则执行步骤S7；

S7、发出报警，然后提醒现场工程师检查所述新时间点的核电工作日志记录或对设备进行现场检查。

优选地，所述步骤S7还包括以下子步骤：

S71、若检查后判断设备运行正常，则对所述新时间点添加状态标签，并将步骤S5中录入的所述新时间点的运行参数进行性质判定，判定为非报警事件；

S72、若检查后判断设备运行异常，则对所述新时间点添加包含异常内容的状态标签，并将步骤S5中录入的所述新时间点的运行参数进行性质判定，判定为报警事件；

S73、若检查后无法判断设备运行是否异常，则对所述新时间点添加包含不确定状态的状态标签，并将步骤S5中录入的所述新时间点的运行参数进行性质判定，判定为报警事件。

优选地，执行步骤S7之后，连续地重复执行步骤S5、S6和S7，实现对松脱部件识别正确率的优化。

优选地，在步骤S1中，所述运行参数包括频谱、信号谐波、冲击信号频率、冲击信号频次、冲击信号衰减时间以及传感器信号延时，RMS幅值以及RMS长短有效值之比；

所述运行参数还包括运行周期中每个时间点前后1小时、1天、1周的运行参数(即频谱、信号谐波、冲击信号频率、冲击信号频次、冲击信号衰减时间以及传感器信号延时，RMS幅值，RMS长短有效值之比)的中位数和方差，以及运行周期中每个时间点的运行参数和前后1小时、1天、1周的运行参数的中位数的距离。

优选地，在步骤S3和S6中，所述状态标签包括是/否部件松脱事件、是/否设备异常、热试、启动、关停冷却泵以及升降温升降压的各个温度压力台阶。

本发明还提供一种核电站一回路部件松脱诊断系统信号特征识别的辅助学习系统，包括以下模块：

计算模块，用于计算运行周期中多个时间点的运行参数；

映射模块，用于将多个所述时间点的运行参数分别映射到高维向量空间，每个所述时间点在所述高维向量空间中分别以点来表示；

状态标签模块，用于根据核电工作日志记录和运行参数分别对多个所述时间点添加状态标签；

分类模块，用于在所述高维向量空间中对多个所述时间点进行分类；

录入模块，用于录入并计算新时间点的运行参数，并将所述新时间点的运行参数映射到所述高维向量空间，所述新时间点在所述高维向量空间中以点来表示；

判断模块，用于若所述新时间点与任何添加状态标签的多个所述时间点的向量空间距离小于设定阈值，则确定所述新时间点代表的是已知事件，并对所述新时间点添加状态标签；若所述向量空间距离大于或等于设定阈值，则执行报警模块；

报警模块，用于发出报警，然后提醒现场工程师检查所述新时间点的核电工作日志记录或对设备进行现场检查。

优选地，所述报警模块包括以下子模块：

第一判断报警模块，用于若检查后判断设备运行正常，则对所述新时间点添加状态标签，并将录入模块中录入的所述新时间点的运行参数进行性质判定，判定为非报警事件；

第二判断报警模块，用于若检查后判断设备运行异常，则对所述新时间点添加包含异常内容的状态标签，并将录入模块中录入的所述新时间点的运行参数进行性质判定，判定为报警事件；

第三判断报警模块，用于若检查后无法判断设备运行是否异常，则对所述新时间点添加包含不确定状态的状态标签，并将录入模块中录入的所述新时间点的运行参数进行性质判定，判定为不确定事件。

优选地，在执行报警模块之后，连续地重复执行录入模块、判断模块以及报警模块，实现对松脱部件识别正确率的优化。

优选地，在所述计算模块中，所述运行参数包括频谱、信号谐波、冲击信号频率、冲击信号频次、冲击信号衰减时间以及传感器信号延时，RMS幅值以及RMS长短有效值之比；

所述运行参数还包括运行周期中每个时间点前后1小时、1天、1周的运行参数(即频谱、信号谐波、冲击信号频率、冲击信号频次、冲击信号衰减时间以及传感器信号延时，RMS幅值，RMS长短有效值之比)的中位数和方差，以及运行周期中每个时间点的运行参数和前后1小时、1天、1周的运行参数的中位数的距离。

优选地，在所述状态标签模块和判断模块中，所述状态标签包括是/否部件松脱事件、是/否设备异常、热试、启动、关停冷却泵以及升降温升降压的各个温度压力台阶。

本发明的有益效果在于，该辅助学习方法及系统能够在实际运行中，让有经验的现场工程师根据实际情况对报警参数做设定和调整，通过调整参数变化确定对应的物理特征，之后根据这些物理特征变化再去调整和优化报警参数设定。本发明的方法及系统融合了工程师的实际判断经验，降低了大量不必要的重复劳动，并优化了报警参数，极大地提高了松脱部件诊断效率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法的流程示意图；

图2是本发明核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法中步骤S7的子步骤流程示意图；

图3是本发明核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法一实施例中运行参数映射到高维向量空间的示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

图1是本发明核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法的流程示意图。该辅助学习方法包括以下步骤：

S1、计算运行周期中多个时间点的运行参数；

S2、将多个所述时间点的运行参数分别映射到高维向量空间，每个所述时间点在所述高维向量空间中分别以点来表示；

S3、根据核电工作日志记录和运行参数分别对多个所述时间点添加状态标签；

S4、在所述高维向量空间中对多个所述时间点进行分类；

S5、录入并计算新时间点的运行参数，并将所述新时间点的运行参数映射到所述高维向量空间，所述新时间点在所述高维向量空间中以点来表示；

S6、若所述新时间点与任何添加状态标签的多个所述时间点的向量空间距离小于设定阈值，则确定所述新时间点代表的是已知事件，并对所述新时间点添加状态标签；若所述向量空间距离大于或等于设定阈值，则执行步骤S7；

S7、发出报警，然后提醒现场工程师检查所述新时间点的核电工作日志记录或对设备进行现场检查。

其中，运行周期指的是核电站从换料，升温升压，降温降压以及大修的整个过程为一个周期。多个时间点是通过时间间隔预先根据需要设定好并且通过连续采样得到的时间点，时间点之间的时间间隔是相同的，时间间隔长短可以根据需要而自由设定，时间间隔可以是30秒、一分钟、五分钟、或半小时等。

在步骤S1中，所述运行参数包括频谱、信号谐波、冲击信号频率、冲击信号频次、冲击信号衰减时间、传感器信号延时，RMS幅值以及RMS长短有效值之比。

所述运行参数还包括运行周期中每个时间点前后1小时、1天、1周的运行参数(即频谱、信号谐波、冲击信号频率、冲击信号频次、冲击信号衰减时间以及传感器信号延时，RMS幅值，RMS长短有效值之比)的中位数和方差，以及运行周期中每个时间点的运行参数和前后1小时、1天、1周的运行参数的中位数的距离。例如，如果一个时间点的信号频谱，与前后1小时、1天、1周运行参数的中位数距离较小，且属于某个特定工况，则可以排除这是部件松脱的情况；如果该时间点的冲击信号频次以及冲击信号衰减时间，分别与前后1小时、1天、1周的时间点冲击信号频次以及冲击信号衰减时间的中位数的距离接近，且在设定阈值的区间范围内，则发生部件松脱状况的概率较大。

在步骤S3和S6中，所述状态标签包括是/否部件松脱事件、是/否设备异常、热试、启动、关停冷却泵以及升降温升降压的各个温度压力台阶。

在步骤S2中，如果所映射到的高维向量空间不包含时间轴，则每个时间点在该高维向量空间中分别以点来表示，如果所映射到的高维向量空间包含时间轴，则每个时间点在时间轴上有对应的时刻，其余的运行参数在该高维向量空间中分别以点来表示。

图2是本发明核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法中步骤S7的子步骤流程示意图。步骤S7还包括以下子步骤：

S71、若检查后判断设备运行正常，则对所述新时间点添加状态标签，并将步骤S5中录入的所述新时间点的运行参数进行性质判定，判定为非报警事件；

S72、若检查后判断设备运行异常，则对所述新时间点添加包含异常内容的状态标签，并将步骤S5中录入的所述新时间点的运行参数进行性质判定，判定为报警事件；

S73、若检查后无法判断设备运行是否异常，则对所述新时间点添加包含不确定状态的状态标签，并将步骤S5中录入的所述新时间点的运行参数进行性质判定，判定为不确定事件。

执行步骤S7之后，连续地重复执行步骤S5、S6和S7，实现对松脱部件识别正确率的优化。在现有系统中，核电站的KIR松脱部件诊断系统仅对时域波形的RMS幅值进行判断和报警。报警参数设定后就不会改变，导致诊断系统对一回路中的松脱部件的识别率是固定的，无法随着系统运行时间的增加以及历史数据的积累而提高识别的精准度。本发明的方法通过增加现场工程师对报警时刻信号的标记和判断，进而积累历史数据并基于日渐增加的历史数据提高松脱部件或其他异常事件识别率的精准度。

而且本发明方法另一个重要的意义在于将有丰富经验的高级工程师对历史数据的标记和判断增加到方法和系统中后，能够大大降低日后经验较少的工程师再次面对报警及判断时出错的概率，对核电运行的安全形成了关键性的保障。

在应用本发明的方法时，步骤S1中的多个时间点的基数越大，不断重复运行步骤S5-S7的迭代次数越多，则对下一个新时间点是否出现部件松脱现象或其他异常的识别会越精确。

步骤S1中多个时间点包含了整个运行周期。

一个步骤S1中多个时间点的列表实施例如下表所示：

表1

本发明的步骤S2将每个表1中的时间点的运行参数映射到高维向量空间，每个时间点在向量空间中用点来表示。在步骤S4中对时间点按照向量空间中的距离进行分类。若一个时间点与其向量空间距离最近的时间点之间的空间距离小于设定阈值，则这两个点归为一类；若一个时间点与其向量空间距离最近的时间点之间的空间距离大于或等于设定阈值，则这两个点被认定为不同类。

图3是本发明核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法一实施例中运行参数映射到高维向量空间的示意图。图3的实施例中只采用了每个时间点的三个运行参数进行映射，因此映射出的是三维向量空间。第一运行参数是RMS长短有效值之比，第二运行参数是冲击信号频次，第三运行参数是冲击信号频谱。在图3中对多个时间点应用步骤S4中的方法进行分类后，可以看出图中的多个时间点根据空间距离可以分为三类。

本发明还提供了一种核电站一回路部件松脱诊断系统信号特征识别的辅助学习系统，包括以下模块：

计算模块，用于计算运行周期中多个时间点的运行参数；

映射模块，用于将多个所述时间点的运行参数分别映射到高维向量空间，每个所述时间点在所述高维向量空间中分别以点来表示；

状态标签模块，用于根据核电工作日志记录和运行参数分别对多个所述时间点添加状态标签；

分类模块，用于在所述高维向量空间中对多个所述时间点进行分类；

录入模块，用于录入并计算新时间点的运行参数，并将所述新时间点的运行参数映射到所述高维向量空间，所述新时间点在所述高维向量空间中以点来表示；

判断模块，用于若所述新时间点与任何添加状态标签的多个所述时间点的向量空间距离小于设定阈值，则确定所述新时间点代表的是已知事件，并对所述新时间点添加状态标签；若所述向量空间距离大于或等于设定阈值，则执行报警模块；

报警模块，用于发出报警，然后提醒现场工程师检查所述新时间点的核电工作日志记录或对设备进行现场检查。

该报警模块包括以下子模块：

第一判断报警模块，用于若检查后判断设备运行正常，则对所述新时间点添加状态标签，并将录入模块中录入的所述新时间点的运行参数进行性质判定，判定为非报警事件；

第二判断报警模块，用于若检查后判断设备运行异常，则对所述新时间点添加包含异常内容的状态标签，并将录入模块中录入的所述新时间点的运行参数进行性质判定，判定为报警事件；

第三判断报警模块，用于若检查后无法判断设备运行是否异常，则对所述新时间点添加包含不确定状态的状态标签，并将录入模块中录入的所述新时间点的运行参数进行性质判定，判定为不确定事件。

在执行完报警模块之后，连续地重复执行录入模块、判断模块以及报警模块，实现对松脱部件识别正确率的优化。

在所述计算模块中，所述运行参数包括频谱、信号谐波、冲击信号频率、冲击信号频次、冲击信号衰减时间以及传感器信号延时。

在所述状态标签模块和判断模块中，所述状态标签包括是/否部件松脱事件、是/否设备异常、热试、启动、关停冷却泵以及升降温升降压的各个温度压力台阶。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。