一种核动力装置运行监测数据异常检测与校正一体化方法

摘要

本发明采用的技术方案是：一种核动力装置运行监测数据异常检测与校正一体化方法，包括以下步骤：读取当前时刻的核动力装置运行监测数据的采集值；GRU模型生成当前时刻的核动力装置运行监测数据的预测值；MLP模型根据当前时刻的核动力装置运行监测数据的预测值和采集值判定当前时刻的核动力装置运行监测数据的采集值是否正常；如果判定为正常，则将当前时刻的核动力装置运行监测数据的采集值作为该时刻的核动力装置运行监测数据的核定值进行存储；如果判定为不正常，则将当前时刻的核动力装置运行监测数据的预测值作为该时刻的核动力装置运行监测数据的核定值进行存储。

权利要求

1.一种核动力装置运行监测数据异常检测与校正一体化方法，其特征在于：包括以下步骤：

读取当前时刻的核动力装置运行监测数据的采集值；

GRU模型生成当前时刻的核动力装置运行监测数据的预测值；

MLP模型根据当前时刻的核动力装置运行监测数据的预测值和采集值判定当前时刻的核动力装置运行监测数据的采集值是否正常；

如果判定为正常，则将当前时刻的核动力装置运行监测数据的采集值作为该时刻的核动力装置运行监测数据的核定值进行存储；

如果判定为不正常，则将当前时刻的核动力装置运行监测数据的预测值作为该时刻的核动力装置运行监测数据的核定值进行存储;将当前时刻的核动力装置运行监测数据的核定值存储至历史数据库；GRU模型从历史数据库中获取终点为当前时刻的窗口时间段对应的核动力装置运行监测数据的核定值，用于生成下一时刻的核动力装置运行监测数据的预测值。

2.根据权利要求1所述的一种方法，其特征在于：所述GRU模型基于当前时刻对应的历史时间段的核动力装置运行监测数据的核定值生成当前时刻的核动力装置运行监测数据的预测值。

3.根据权利要求1所述的一种方法，其特征在于：所述核动力装置运行监测数据具有时变特征且易波动，是核动力装置系统与设备运行过程中产生的反映其运行状态的参数值，包括管道内流体的温度、压力、流量，旋转机械的转速以及电器设备的运行电流。

4.根据权利要求3所述的一种方法，其特征在于：分别构建核动力装置运行监测数据中每个参数对应的GRU模型和MLP模型，将每个参数的采集值输入其对应GRU模型，得到该参数的预测值；将每个参数的采集值和预测值输入其对应MLP模型，得到该参数是否正常的判定结果，并根据该判定结果选择该参数的采集值或者预测值作为核定值。

5.根据权利要求4所述的一种方法，其特征在于：单个参数GRU模型的构建过程包括：获取核动力装置运行监测数据中某参数的历史数据a(t)，其数据采样周期为τ，以长度为q的窗口沿时间顺序向后滑动，设窗口的起点为t=t0，则终点为t=t0+(q‑1)τ；将窗口内数据a(t0)~a(t0+(q‑1)τ)输入GRU模型，以a(t0+qτ)为结果标记，进行迭代训练；时间窗口按照时间顺序向后滑动，每次滑动一个时间单位τ，依次进行训练，直至最后该GRU模型收敛达到预期，作为该参数的GRU模型；所述该参数的历史数据为预先设定为正确的无偏差的用于反映核动力装置运行客观实际状态的值；采用上述过程构建核动力装置运行监测数据中所有参数对应的GRU模型。

6.根据权利要求5所述的一种方法，其特征在于：单个参数的MLP模型的构建过程包括：

获取核动力装置运行监测数据中某参数的历史数据a(t)某段窗口数据作为该段窗口数据的真实值以及采集值；将该参数的真实值输入完成训练的GRU模型，得到该段窗口数据的预测值；基于该段窗口数据构建样本集；样本集的单个样本包括输入数据以及与其对应训练标签两部分；输入数据包括GRU模型对某参数在某一时刻的预测值和该参数在此时刻的采集值，训练标签是该参数在此时刻是否发生异常的标志；通过样本集对MLP模型进行训练，得到该参数的MLP模型；采用上述过程构建核动力装置运行监测数据中所有参数对应的MLP模型。

7.根据权利要求6所述的一种方法，其特征在于：MLP模型的训练过程中，首先求取单个训练样本中的预测值与采集值的差值，将该差值和训练样本中的训练标签输入MLP模型进行训练，待其收敛后完成MLP模型的训练；

MLP模型使用过程中，首先求取输入的预测值与采集值的差值，将该差值输入经过训练的MLP模型，即可得出识别结论。

说明书

一种核动力装置运行监测数据异常检测与校正一体化方法

技术领域

[0001] 本发明属于核动力装置技术领域，具体涉及一种核动力装置运行监测数据异常检测与校正一体化方法。

背景技术

[0002] 处理与分析能力也日益增强。近年来，随着机器学习、深度学习等技术的日益成熟，基于数据分析的核动力装置运行故障诊断与预测方法成为研究热点。分析目前所提出的各种方法可以看出，其普遍的应用前提假设都是I&C系统所采集的运行数据是准确而完备的。但是，I&C系统中的数据采集、传输以及存储设备工作环境较为恶劣，设备故障和外界干扰会导致运行监测数据出现缺失、漂移和跳跃等数据质量问题。依据错误的运行监测数据得到的分析结果可能会导致操作人员对装置的运行状态产生误判断，或导致自动控制器输出错误的控制信号。因此，需要研究可行且高效的方法，对核动力装置运行参数监测数据中出现的异常值进行检测和校正。

[0003] 目前，针对核动力装置运行监测数据异常检测方法方面的研究尚不多见，有的方案采用多变量状态估计(MSET)和序贯概率比(SPRT)技术，对装置系统的变量进行估计预测和异常判断。有的方案通过监测多个相关设备的内在可靠性关联，建立系统可靠性模型，从而预测整个系统的可靠性状态，进而发现系统参数的异常状态。何亚南等通过监测多个相关设备的内在可靠性关联，建立系统可靠性模型，从而预测整个系统的可靠性状态，进而发现系统参数的异常状态。有的方案使用时间序列模型预测分析方法，对蒸汽发生器泄漏工况所产生的噪声信号进行预测，通过对预测信号与原始信号进行比较判断发现数据异常，从而进一步确定传热管路泄漏发生的具体时间。现有技术中还存在一种基于动态Hopfield人工神经网络的核动力装置异常运行状态监测方法，具有良好的参数异常变化检测能力。

[0004] 然而，数据异常检测的目的是发现数据异常并对其进行校正，因此对异常数据的检测与校正算法应当同时被研究，当前研究的方法多数将异常检测与校正功能剥离，占用计算资源较大，效率相对较低。

发明内容

[0005] 本发明的目的就是为了解决上述背景技术存在的不足，提供一种核动力装置运行监测数据异常检测与校正一体化方法。

[0006] 本发明采用的技术方案是：一种核动力装置运行监测数据异常检测与校正一体化方法，包括以下步骤：

[0007] 读取当前时刻的核动力装置运行监测数据的采集值；

[0008] GRU模型生成当前时刻的核动力装置运行监测数据的预测值；

[0009] MLP模型根据当前时刻的核动力装置运行监测数据的预测值和采集值判定当前时刻的核动力装置运行监测数据的采集值是否正常；

[0010] 如果判定为正常，则将当前时刻的核动力装置运行监测数据的采集值作为该时刻的核动力装置运行监测数据的核定值进行存储；

[0011] 如果判定为不正常，则将当前时刻的核动力装置运行监测数据的预测值作为该时刻的核动力装置运行监测数据的核定值进行存储。

[0012] 上述技术方案中，所述GRU模型基于当前时刻对应的历史时间段的核动力装置运行监测数据的核定值生成当前时刻的核动力装置运行监测数据的预测值。

[0013] 上述技术方案中，所述核动力装置运行监测数据具有时变特征，且易波动，是核动力装置系统与设备运行过程中产生的反映其运行状态的参数值，包括管道内流体的温度、压力、流量，旋转机械的转速以及电器设备的运行电流。

[0014] 上述技术方案中，分别构建核动力装置运行监测数据中每个参数对应的GRU模型和MLP模型，将每个参数的采集值输入其对应GRU模型，得到该参数的预测值；将每个参数的采集值和预测值输入其对应MLP模型，得到该参数是否正常的判定结果，并根据该判定结果选择该参数的采集值或者预测值作为核定值。

[0015] 上述技术方案中，单个参数GRU模型的构建过程包括：获取核动力装置运行监测数据中某参数的历史数据a(t)，其数据采样周期为τ，以长度为q的窗口沿时间顺序向后滑动，设窗口的起点为t=t0，则终点为t=t0+(q‑1)τ；将窗口内数据a(t0)~a(t0+(q‑1)τ)输入GRU模型，以a(t0+qτ)为结果标记，进行迭代训练；时间窗口按照时间顺序向后滑动，每次滑动一个时间单位τ，依次进行训练，直至最后该GRU模型收敛达到预期，作为该参数的GRU模型；所述该参数的历史数据为预先设定为正确的无偏差的用于反映核动力装置运行客观实际状态的值；采用上述过程构建核动力装置运行监测数据中所有参数对应的GRU模型。

[0016] 上述技术方案中，单个参数的MLP模型的构建过程包括：获取核动力装置运行监测数据中某参数的历史数据a(t)某段窗口数据作为该段窗口数据的真实值以及采集值；将该参数的真实值输入完成训练的GRU模型，得到该段窗口数据的预测值；基于该段窗口数据构建样本集；样本集的单个样本包括输入数据以及与其对应训练标签两部分；输入数据包括GRU模型对某参数在某一时刻的预测值和该参数在此时刻的采集值，训练标签是该参数在此时刻是否发生异常的标志；通过样本集对MLP模型进行训练，得到该参数的MLP模型；采用上述过程构建核动力装置运行监测数据中所有参数对应的MLP模型。

[0017] 上述技术方案中，当前时刻的核动力装置运行监测数据的核定值存储至历史数据库；GRU模型从历史数据库中获取终点为当前时刻的窗口时间段对应的核动力装置运行监测数据的核定值，用于生成下一时刻的核动力装置运行监测数据的预测值。

[0018] 上述技术方案中，MLP模型的训练过程中，首先求取单个训练样本中的预测值与采集值的差值，将该差值和训练样本中的训练标签输入MLP模型进行训练，待其收敛后完成MLP模型的训练；

[0019] MLP模型使用过程中，首先求取输入的预测值与采集值的差值，将该差值输入经过训练的MLP模型，即可得出识别结论。

[0020] 本发明的有益效果是：本发明有效改善核动力装置仪控系统采集或存储的运行数据中出现的缺失、飘移和跳跃等数据质量问题，以便为运行数据分析和自动控制器提供更可靠的输入。本发明提出了基于门控循环单元与多层感知机混合模型（GRU‑MLP）的核动力装置运行监测参数异常检测与校正方法。首先，提出了基于GRU模型的运行监测数据短时预测算法，为运行监测数据异常检测和校正提供参考依据，并且设计实时校正机制，以提高GRU模型对包含异常的运行数据的预测准确率。然后，利用MLP模型的非线性拟合能力，优化“预测‑异常检测”机制下使用的固定阈值为动态阈值，通过所使用的MLP模型的非线性拟合能力体现，提高所设计方法的异常检测准确率。本发明提出了一种核动力装置监测数据预测、异常检测于校正一体化发方法，有效节约计算资源，提高了整体运算效率。

附图说明

[0021] 图1为本发明的流程示意图；

[0022] 图2为本发明的逻辑示意图；

[0023] 图3为随机跳变下稳压器压力三种曲线示意图；

[0024] 图4为随机跳变下数据异常检测准确率曲线示意图；

[0025] 图5为固定偏移下稳压器水位三种曲线示意图；

[0026] 图6为固定偏移下数据异常检测准确率曲线示意图；

[0027] 图7为线性增长下稳压器压力三种曲线示意图；

[0028] 图8为线性增长下数据异常检测准确率曲线示意图；

[0029] 图9为多项式增长下一回路平均温度三种曲线示意图；

[0030] 图10为多项式增长下数据异常检测准确率曲线示意图；

[0031] 图11为对数增长下稳压器压力三种曲线示意图；

[0032] 图12为对数增长下数据异常检测准确率曲线示意图；

[0033] 图13为稳压器压力真实值曲线示意图；

[0034] 图14为稳压器压力采集值曲线示意图；

[0035] 图15为未实时校正的GRU模型预测效果示意图；

[0036] 图16为实时校正GRU模型的预测效果示意图。

具体实施方式

[0037] 下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。

[0038] 如图1所示，本发明提供了一种核动力装置运行监测数据异常检测与校正一体化方法，包括以下步骤：

[0039] 读取当前时刻的核动力装置运行监测数据的采集值；

[0040] GRU模型生成当前时刻的核动力装置运行监测数据的预测值；所述GRU模型基于当前时刻对应的历史时间段的核动力装置运行监测数据的核定值生成当前时刻的核动力装置运行监测数据的预测值；当前时刻的核动力装置运行监测数据的核定值存储至历史数据库；GRU模型从历史数据库中获取终点为当前时刻的窗口时间段对应的核动力装置运行监测数据的核定值，用于生成下一时刻的核动力装置运行监测数据的预测值；

[0041] MLP模型根据当前时刻的核动力装置运行监测数据的预测值和采集值判定当前时刻的核动力装置运行监测数据的采集值是否正常；

[0042] 如果判定为正常，则将当前时刻的核动力装置运行监测数据的采集值作为该时刻的核动力装置运行监测数据的核定值进行存储；

[0043] 如果判定为不正常，则将当前时刻的核动力装置运行监测数据的预测值作为该时刻的核动力装置运行监测数据的核定值进行存储。

[0044] 核动力装置运行数据是典型的时间序列数据。所述核动力装置运行监测数据是核动力装置系统与设备运行过程中产生的反映其运行状态的参数值，例如管道内流体的温度、压力、流量，旋转机械的转速，以及电气设备的运行电流等参数值。该数据具有时变特征，且易波动。该数据存在真实值与采集值两种表现形式。真实值指某核动力装置运行参数的客观实际数据状态，采集值指通过传感器、变送器等数据采集设备对该运行参数进行观测得到的数据值。采集值与真实值之间存在偏差。当传感器、变送器等设备工作正常时，该偏差被认为是可接受的，因此通常使用采集值作为真实值。当探测器、传感器等数据采集设备出现故障时，采集值与真实值出现较大偏离，此时采集值被视为异常。

[0045] 本具体实施例中使用的真实值为预先设定为正确的无偏差的值，采集值为探测设备出现故障时采集到的值。模型训练使用采集值与预测值。

[0046] GRU模型使用重置门r提取历史隐藏信息中包含的短时记忆信息；使用更新门z将新时刻的内容更新至历史隐藏信息中，z与r的开度计算如式(1)、(2)所示：

[0047]

[0048] 其中， ，Wr、Wz分别是为GRU单元更新门和重置门的权重矩阵，t t‑1
为输入向量x与上一时刻输出的隐状态向量h 的拼接矩阵。z∈(0,1)，(1‑z)表示遗忘，(1‑z)∈(0,1)，从而实现“记忆‑遗忘”步骤的合并。GRU模型最终输出为当前时刻结论t t
y与传递至下一时刻的隐藏信息h，如式(3)、(4)。

[0049]

[0050]

[0051] 其中，“⊙”表示矩阵元素对应相乘，“+”表示矩阵加法。 ，表示隐 藏的历 史信息 经过重 置门r处 理后 提取的 短时记 忆内容 ；
，表示整合短时记忆 与当前时刻外部输入信息 后形成的当前
时刻信息。

[0052] GRU方法侧重对于时序数据的处理预测，而不适用于对数据异常进行直接检测。因此使用多层感知机(MLP)方法对其进行改进。MLP是最简单的BP神经网络模型之一，由大量最简单的神经元结构组成，利用大量神经元的功能叠加，实现从输入状态空间到输出状态空间非线性映射的逼近。相较于传统异常识别方法中，使用固定的阈值对数据是否发生异常进行判断，本发明采用GRU模型提高其非线性判定能力。

[0053] 分别构建核动力装置运行监测数据中每个参数对应的GRU模型和MLP模型，将每个参数的真实值输入其对应GRU模型，得到该参数的预测值；将每个参数的采集值和预测值输入其对应MLP模型，得到该参数是否正常的判定结果，并根据该判定结果选择该参数的采集值或者预测值作为核定值。

[0054] 通过GRU模型对核动力装置参数进行预测的目的有两个 ：一是为采集值异常检测提供对照依据；二是对确定为异常值的数据点进行修复。所设计的预测算法的基本策略为：使用某参数本身的历史数据为依据对该参数的未来值进行预测，采用滑动窗口方法对GRU模型进行训练。

[0055] 单个参数的GRU模型构建过程包括：假设核动力装置运行监测数据中某个参数为a(t)，其数据采样周期为τ，以时间长度为q的时间窗口沿时间顺序向后滑动，设窗口的起点时刻为t=t0，则终点时刻为t=t0+(q‑1)τ。将窗口内数据a (t0)~ a (t0+(q‑1)τ)输入GRU模型，以a (t0+qτ)为结果标记，进行迭代训练。即GRU模型的训练集的单个样本包括作为输入元的该参数的某一时刻真实值以及与作为的训练标签的该参数的下一时刻真实值。时间窗口按照时间顺序向后滑动，每次滑动一个时间单位τ，依次进行训练，直至最后该GRU模型收敛达到预期，即得到该参数对应的GRU模型。采用上述过程构建核动力装置运行监测数据中所有参数对应的GRU模型。

[0056] 执行GRU模型训练完成预测功能时，输入一段以当前时刻为终点的长度为l的该参数的核定值数据，即可得出该参数下一个时刻的预测值。

[0057] 单个参数的MLP模型的构建过程包括：获取核动力装置运行监测数据中某参数的历史数据a(t)某段窗口数据作为该段窗口数据的真实值；将该参数的历史数据输入完成训练的GRU模型，得到该段窗口数据的预测值；基于该段窗口数据构建样本集；样本集的单个样本包括输入数据以及与其对应训练标签两部分；输入数据包括GRU模型对某参数在某一时刻的预测值和该参数在此时刻的采集值，训练标签是该参数在此时刻是否发生异常的标志；通过样本集对MLP模型进行训练，得到该参数的MLP模型；采用上述过程构建核动力装置运行监测数据中所有参数对应的MLP模型。所述训练标签通过人工进行设定。

[0058] MLP模型的训练过程中，首先求取单个训练样本中的预测值与采集值的差值，将该差值和训练样本中的训练标签输入MLP模型进行训练，待其收敛后完成MLP模型的训练；

[0059] MLP模型使用过程中，首先求取输入的预测值与采集值的差值，将该差值输入经过训练的MLP模型，即可得出识别结论。

[0060] 在得出采集值异常检测结论的基础上，使用GRU模型的预测结果替换被识别出的异常值，从而实现对核动力装置运行参数异常采集值的校正。整体算法流程如图2所示。

[0061] 核动力装置运行监测数据的异常，通常表现为数据值的随机跳变、固定值漂移、增长性漂移，其中增长性漂移最常见的三种表现为线性增长漂移、多项式增长漂移和对数增长漂移。

[0062] 本具体实施例使用某型核动力装置的实际运行数据作为实验数据进行实验，验证本发明的正确性，实验具体设计如表1所示。为便于观察比较，所使用的运行监测数据的真实值、采集指和预测值均进行归一化处理。归一化公式如式(6)所示：

[0063]  (6)

[0064] 其中，X表示原数据，包括真实值、采集值、预测值；Y表示归一化后的数据a为最大值，b为最小值。

[0065] 采用真实值训练GRU模型。采用采集值和预测值，以及人工设定的标签作为MLP模型的样本数据集，并将其分割，取其中65%的数据构成训练集训练MLP模型；剩余35%构成测试集，测试其识别异常的能力。

[0066] 最终，数据异常检测的效果使用检测准确率来评价，检测准确率的值为异常状态判断正确点数与总异常数据点数的比值。

[0067] 表1 异常数据检测实验设置

[0068]

[0069] 其中，异常变化形式不用于应用于模型构建阶段，是为了说明本算法对各类异常都可以得出很高的异常检测准确率，突出优越性。分析图3、5、7、9、11中的图像可见，本具体实施例的预测算法准确度高，所有实验过程中出现的最大相对误差为0.001487645。由图4、6、8、10、12中呈现的数据异常检测实验结果可见，所设计的GRU‑MLP算法对随机跳变漂移异常与固定值漂移异常检测的准确率很高，对增长性漂移的检测效果稍次之，但最终的准确率绝大多数超过90%，最低不会低于85%，并且随着数据量的积累，数据变化模式增多，准确率会得到进一步提升。其中训练曲线用于展示MLP和GRU模型的构建时的训练过程。测试曲线由于展示训练好的MLP和GRU模型的使用效果展示过程。

[0070] 通过设计对比实验来验证本发明实时校正算法的校正效果和重要作用。图13、14分别显示了600秒内稳压器压力的采集值和真实值。依据此段数据开展实验。

[0071] 图15、16为两组实验结果对比图。图15为未实时校正的GRU模型预测效果。图16显示了对预测过程中检测到的异常数据采用MLP算法进行实时校正的情况下，使用GRU模型的预测效果。通过对比两组实验结果可以看出，本发明设计的实时校正算法能够有效减少离群值对预测效果的干扰，提高预测精度。

[0072] 通过对比实验验证所设计算法在性能上的优越性。共设计两组对比实验，实验内容设置如表2所示。

[0073] 表2 实验设置

[0074]

[0075] 使用所设计的GRU‑MLP法与窗口中心(WinCen)值法和ARIMA法进行对比，指标分别为状态判断正确率和异常数据检出率。实验结果如表3、4所示。其中状态判断正确率为判断正确（包括正常状态与异常状态）的点数与总数据数的比值。异常数据检出率表示检测到的异常数据点的个数与总异常点个数的比值。

[0076] 表3 状态判断正确率

[0077]

[0078] 表4 异常检出率

[0079]

[0080] 对比表3、4可以看出，所设计的GRU‑MLP方法性能上要远强于其他两种方法。特别是在异常数据的检出率方面。主要原因如下:

[0081] (1)与常用方法相比，所设计的GRU‑MLP方法利用预测值对检测到的异常数据进行实时校正，以减弱异常数据对预测算法层输出结论的干扰。然而，WinCen算法和ARIMA算法没有及时对异常数据进行校正，导致预测结果错误。具体表现为，WinCen算法和ARIMA算法对定值偏移实验中的正常数据预测得很好，但异常检测率很低。

[0082] (2) WinCen算法和ARIMA算法在进行异常数据检测时采用固定阈值策略。因此，在其设计过程中，设计者必须放宽判定准则，以避免将数据的正常波动被认定为异常。在本发明设计的方法中，采用MLP模型动态非线性拟合方式实现检测阈值的动态调整，提高了异常检测的准确性。

[0083] 综上所述，本发明研究的基于GRU‑MLP模型的核动力装置运行参数预测与异常检测方法相较于WinCen、ARIMA等传统方法具有准确率高，可实时校正数据等显著的优势。本发明可以有效应用于核动力装置监测数据的异常检测和校正的工程实践，从而提高监测数据的质量，并可用于测量通道故障的容错控制。

[0084] 本发明的创新之处在于对其运行机制的改进。核动力装置运行数据特性的补充在前述回答中已经阐明。核动力装置运行数据的强时变性特征使其对算法的实时性有很高的要求。本方法改进了传统异常检测与数据校正分离的运行机制，在异常检测的同时，对判定为异常的数据进行实时校正。通用的GRU模型的输入数据为静态数据，当数据出现异常时，错误的数据采集值会被用于GRU模型的输入，从而产生错误的预测结果，进而影响异常检测的准确率。这种机制应用于强时变性的核动力装置运行数据会产生不可接受的偏差，影响核安全。本方法针对这一问题进行了GRU模型在运行机制上的改进，将“预测‑异常检测”机制改进为“预测‑异常检测‑实时校正”机制，使得GRU模型的预测结果既可以用于MLP模型进行异常检测的输入，同时也可作为MLP模型识别为异常的数据的校正的依据，使之适用于核动力装置运行数据的数据异常检测与校正的需求。

[0085] 本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。