基于深度学习的核系统未知故障诊断方法研究.pdf

基于深度学习的核系统未知故障诊断方法研究

摘要

核能因其清洁高效的特性，在能源供应方面已成为重要来源之一。但是，核系统的

长期运行可能会对设备性能产生不利的影响甚至带来安全风险。因此，及时且准确地识

别并处理潜在的故障对保障核电安全尤为重要。

目前，一些故障诊断方法在闭集识别中已经取得不错的成绩，但其在面对未知故障

时仍有不足之处。因此，随着现实场景更加开放，需要开发新的方法以准确分类已知故

障，同时也要提高模型对未知故障的识别能力。本文对开集场景下的核电站热工水力系

统（简称：核系统）故障数据进行研究，基于互易点的思想提出了一个在开集情况下的

故障诊断模型，使已知故障与未知故障的特征空间分布进行有效分离，主要研究内容如

下：

为了将核系统故障数据特征进行有效提取，本文利用滑动窗口技术对样本数据进行

切割，将时序数据转化为二维矩阵形式；并利用二维卷积神经网络以及融合残差网络和

注意力机制后的两种方法分别对故障数据进行特征提取。通过将SENet模块嵌入到

ResNet50残差网络的权重层之后，对各卷积层中特征图的每个通道权重进行有效学习，

进一步提高对关键特征通道的识别效率。

为了满足开集场景下对未知故障的有效识别，本文引入互易点框架对特征空间进一

步优化，通过对抗性边界约束使已知故障都被推到特征空间的外围，而未知故障则集中

在特征空间的内部，从而实现已知故障和未知故障的有效分离。

为了进一步减少未知空间带来的风险，本文提出了基于实例化对抗增强的开集识别

方法。通过实例化对抗增强策略生成一些混淆样本，提高了分类器对各种未知故障的区

分能力；同时，利用自适应批归一化方法为不同来源的特征分配独立的批归一化层，有

效解开已知故障样本与生成样本的混合分布，提高了模型对已知故障的识别能力以及增

强模型在面对未知故障时的稳定性；此外，通过特征转移策略，对已知故障类别进行重

点训练，有效提升模型的识别能力。

最后，为了评估模型的有效性，本文在手写数字数据集和核系统故障工况数据上进

行实验，并利用多指标评价体系进行结果分析。结果验证了本文提出模型的有效性及鲁

棒性。

关键词：未知故障识别；互易点；特征分离；开集识别

基于深度学习的核系统未知故障诊断方法研究

ABSTRACT

Nuclearenergy,characterizingcleanlinessandefficiency,hasbecomeoneoftheimportant

sourcesofenergysupply.However,thelong-termoperationofnuclearsystemsmayhave

adverseimpactsonequipmentperformanceandevenposesafetyrisks.Therefore,timelyand

accurateidentificationandhandlingofpotentialfaultsareparticularlycrucialforensuring

nuclearpowersafety.

Atpresent,muchprogresshasbeenmadeinfaultidentificationofclosedsetrecognition,

buttherearestillshortcomingswhendealingwithunknownfaults.Therefore,asreal-world

scenariosbecomeincreasinglyopen,itisnecessarytodevelopnewmethodstoaccurately

classifyknownfaults,whilealsoimprovingtheabilitytoi