針對核動力系統(tǒng)監(jiān)測參數(shù)受噪聲干擾出現(xiàn)隨機(jī)丟失,影響操縱員判斷事故嚴(yán)重程度的問題,提出了容忍參數(shù)缺失的破口評估模型。選定已知破口大小的多元序列作為標(biāo)準(zhǔn)序列,并在標(biāo)準(zhǔn)序列上按事故機(jī)理選定若干采樣點(diǎn),對待診斷多元時間序列上各時間點(diǎn)使用滑動動態(tài)時間彎曲算法尋找與標(biāo)準(zhǔn)序列采樣點(diǎn)的最小累積距離,將得到的最小累積距離作為破口評估模型的特征值,使用支持向量機(jī)作為預(yù)測模型對破口進(jìn)行評估,并通過集成學(xué)習(xí)策略優(yōu)化診斷結(jié)果。以右側(cè)主蒸汽管道破口為例進(jìn)行驗(yàn)證,結(jié)果表明,該方法對待測序列的完整性要求不高,參數(shù)隨機(jī)缺失的破口評估誤差在10%以內(nèi),能夠更好地輔助操縱員進(jìn)行破口的評估。 

【文章來源】：核動力工程. 2020,41(06)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

數(shù)據(jù)缺失下破口評估方法可行性分析Fig.1FeasibilityAnalysisofFractureAssessmentunderRandomMissingData

趙鑫等：隨機(jī)缺失數(shù)據(jù)下的核動力管道破口大小評估方法研究189a時間序列X和Yb序列X、Y中點(diǎn)對匹配結(jié)果圖2DTW算法的基本原理Fig.2FundamentalPrincipleofDTWAlgorithm當(dāng)w2時為2-范數(shù)，即歐式距離。而2條時間序列的DTW距離是通過距離矩陣mnA去尋找一條距離最小的彎曲路徑minp為：min12,,,kpppp（3）式中，kmax(m,n),m+n+1。該路徑的尋找過程必須滿足3個以下約束條件：（1）路徑起始點(diǎn)固定：搜索路徑的起點(diǎn)為a11，終點(diǎn)為mna。（2）路徑的單調(diào)性：設(shè)dp搜索的當(dāng)前點(diǎn)為ija，d1dijppa，則i≥i，j≥j。（3）路徑的連續(xù)性：設(shè)dp搜索的當(dāng)前點(diǎn)為ija，d1dijppa，則i≤i1，j≤j1。根據(jù)這3個條件，第1條確定搜索路徑的起始點(diǎn)；第2、第3條確定搜索路徑的下一個點(diǎn)是當(dāng)前點(diǎn)的上方、右方或者右上方中的一個（圖3），其中當(dāng)前點(diǎn)為dp，并假設(shè)此時正在搜索的當(dāng)前點(diǎn)為ija，到下一個點(diǎn)d1p的遞推關(guān)系為：1(+1)(+1)(+1)(+1)minddiijjppa,a,a（4）經(jīng)過計(jì)算，得到最終的計(jì)算結(jié)果minp，為了解決序列長度不同導(dǎo)致的累積距離存在差異性，需要通過式（5）對累積距離進(jìn)行平均化處理：圖3pd到pd+1的遞推關(guān)系Fig.3RecursiveRelationsbetweenpdandpd+1minpp=k（5）在整個搜索過程中，根據(jù)3條約束條件，DTW算法遍歷了2條時間序列中所有觀測點(diǎn)，且2條序列中的每個點(diǎn)在另一條序列中找到相對應(yīng)

擔(dān)?蟛畹鬧饕??蚴鞘鹿史⑸?初期監(jiān)測參數(shù)波動的不確定性對模型預(yù)測精度產(chǎn)生較大的影響，如果隨機(jī)缺失的數(shù)據(jù)為原始序列波動曲線的極值位置，會對最小累積距離的計(jì)算a完整數(shù)據(jù)b缺失率10%圖10參數(shù)缺失情況下單個學(xué)習(xí)器的診斷結(jié)果Fig.10FaultDiagnosisResultofSingleLearnerunderParameterLoss產(chǎn)生較大的影響；監(jiān)測參數(shù)的波動相對穩(wěn)定后，最小累積距離的波動受缺失參數(shù)影響所產(chǎn)生的特征值向量與相鄰破口的特征值向量有所相似，導(dǎo)致診斷結(jié)果出現(xiàn)了少量偏差。集成學(xué)習(xí)采用式（6）計(jì)算，圖11為監(jiān)測參數(shù)在完整數(shù)據(jù)和數(shù)據(jù)缺失10%情況下經(jīng)過集成學(xué)習(xí)后的診斷結(jié)果曲線，整體誤差在10%范圍內(nèi)，在前500s范圍內(nèi)無較大偏差，多個體學(xué)習(xí)器降a完整數(shù)據(jù)b缺失率10%圖11集成學(xué)習(xí)后故障診斷結(jié)果曲線Fig.11FaultDiagnosisResultCurveafterEnsembleLearning

【參考文獻(xiàn)】：
期刊論文
[1]基于滑動平均與分段線性回歸的時間序列相似性[J]. 馮玉伯,丁承君,高雪,朱雪宏,劉強(qiáng).  計(jì)算機(jī)科學(xué). 2018(S1)
[2]時間序列數(shù)據(jù)挖掘中的動態(tài)時間彎曲研究綜述[J]. 李海林,梁葉,王少春.  控制與決策. 2018(08)
[3]基于分量屬性近鄰傳播的多元時間序列數(shù)據(jù)聚類方法[J]. 李海林,王成,鄧曉懿.  控制與決策. 2018(04)
[4]流式時間序列的實(shí)時相似度研究[J]. 屈振新,王宏宇.  計(jì)算機(jī)工程與科學(xué). 2017(06)
[5]基于集成學(xué)習(xí)的核電站故障診斷方法[J]. 慕昱,夏虹,劉永闊.  原子能科學(xué)技術(shù). 2012(10)
[6]基于時序數(shù)據(jù)挖掘的核電廠故障診斷技術(shù)研究[J]. 慕昱,夏虹,劉永闊.  核動力工程. 2011(05)
[7]基于DTW的多元時間序列模式匹配方法[J]. 李正欣,張鳳鳴,李克武.  模式識別與人工智能. 2011(03)



本文編號：3449958