一种松脱部件监测系统触发数据智能分类的方法与流程

本发明涉及反应堆及一回路松脱部件监测领域，具体地，涉及一种松脱部件监测系统触发数据智能分类的方法。

背景技术：

核反应堆压力容器内部包括堆内构件和燃料组件，堆内构件主要由压紧组件、吊篮组件、堆芯下支承组件等组成，各组件中的部件和零件大部分通过螺钉、销钉等连接。在堆长期连续运行条件下，因水流冲击和流致振动的影响，可能会使某些零件产生松动甚至脱落，从而在一回路中形成松脱件。而在施工、换料或维修时，也有在一回路系统内遗留金属件(称外来件)的可能性。这些松脱部件若不及时发现并处置，轻者造成巨大的经济损失，重者将严重影响核电站安全运行，后果不堪设想。因此，国内所有核电站均安装了松脱部件监测系统，用于在线实时监测反应堆及一回路的松脱部件。

核电站反应堆及一回路松脱部件监测系统的原理是当反应堆，主管道，主泵，蒸汽发生器出现冷却剂内的游动件和设备的松动件时，松脱件将与设备器壁或内部构件发生碰撞，产生“弯曲波”信号，信号沿器壁和管壁传播，利用安装在器壁上的加速度计来探测这种声波信号，并对信号进行处理和分析，由此判断松脱部件是否存在。由于反应堆及一回路系统存在干扰和机组外部操作(如控制棒驱动机构运动、外部操作或阀门动作、噪声水平升高、系统自检等等)，可能会引起系统“误触发”，产生大量的触发数据，从而产生了来两个问题：

第一，真实的松脱部件撞击数据可能被淹没在这些“误触发”数据中，影响了松脱部件的分析及时性和准确性；

第二，系统运维人员对日常松脱部件系统触发数据分析的工作量大且机械。

综上所述，本申请发明人在实现本申请发明技术方案的过程中，发现上述技术至少存在如下技术问题：

在现有技术中，现有的松脱部件监测系统存在容易引起误触发，分析及时性和准确性较差，触发数据分析效率较低的技术问题。

技术实现要素：

本发明提供了一种松脱部件监测系统触发数据智能分类的方法，将干扰或系统自检产生的数据自动剔除，以提高松脱部件系统触发信号数据的分析效率和智能化水平。

为实现上述发明目的，本申请提供了一种松脱部件监测系统触发数据智能分类的方法，所述方法包括：

获得松脱部件监测系统原始触发数据；

基于原始触发数据，获得每个通道对应的数据；

对每个通道的数据进行波形特征提取，获得每个通道的特征向量；

建立单通道分类模型，基于单通道分类模型和每个通道的特征向量，获得每个通道的数据分类结果。

本发明针对海量的松脱部件监测系统触发数据，提取有效的特征量，利用机器学习的方法建立松脱部件监测系统触发数据智能分类模型，将真实的松脱部件撞击信号数据与“误触发”数据智能的进行区分、统计和管理，提升松脱部件数据分析的效率。

通过本方法能够实现如下功能：

(1)松脱部件监测系统触发数据的智能分类；

(2)松脱部件监测系统触发数据分类统计、显示与管理；

(3)智能分类软件能够在同一主机上同时开启多个程序进程，并且进程间不相互影响。

松脱部件监测系统触发数据一个完整的波形数据(松脱部件监测系统触发数据存储格式是二进制dat型式文件)由13个通道数据构成，每个通道包含5000个数据点。因此，对整个波形数据的预测依赖于对每个单通道数据的预测。为此，采用机器学习的方法，针对单个通道的不同波形数据进行学习，训练分类模型。最终使用该模型对波形数据的每个通道的预测结果进行合并，形成最终对完整波形数据的预测结果。

松脱部件监测系统触发数据特征量提取：

在研究复杂对象时，一般会通过特征提取将原始对象映射至特征向量空间中。特征向量的每一个维度对应于原始对象的一个特征。将原始对象映射至特征向量空间有两个主要好处：

1)通过特征提取，可以有效地降低原始对象的维度。松脱部件监测系统触发数据一个原始通道数据有5000个点，通过特征提取能够将数据维度降低至46维。低维度的数据能够让机器学习算法更容易地进行训练，从而产生更高质量的模型。

2)特征提取能够方便地将预设条件或数据融入到机器学习算法中。特征常常是技术人员对研究对象关键要素的定义，在机器学习任务中扮演着重要的角色。利用技术人员提供的预设高质量特征，机器学习算法能够获得更好的结果。

3)通过特征数据训练得到的模型具有更高的可解释性。

松脱部件监测系统触发数据智能模型建立：

通过机器学习算法产生能够对单通道波形数据进行分类的模型。本发明采用随机森林(randomforest)算法进行分类模型训练。随机森林算法采用集成学习技术学习生成多棵决策树，并将所有决策树的预测结果进行融合，得到结果。将专家知识转化为逻辑规则，与单通道的预测结果进行融合，最终形成松脱部件监测系统触发数据的智能分类模型。

性能指标如表1所示：

表1

本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过结合本领域技术知识库信息，设计并实现了49个基于时域和频域的波形特征。这些波形特征均具有高度可解释性，对于验证、解释模型效果具有重要意义；

将波形的特征与机器学习中特有的随机森林算法有效的结合起来，波形中不同的特征通过不同的决策形式表现出来，并融合技术知识库信息，得到最后的分类模型；

将模型进行软件化，并开发人机交互界面，实现松脱部件触发数据的智能分类、数据管理和显示。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

附图1松脱部件触发数据单通道波形识别模型训练过程；

附图2松脱部件触发数据分类过程；

附图3数据分类软件流程。

具体实施方式

本发明提供了一种松脱部件监测系统触发数据智能分类的方法，将干扰或系统自检产生的数据自动剔除，以提高松脱部件系统触发信号数据的分析效率和智能化水平。

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

整个算法训练流程如图1所示，模型应用流程如图2所示。

有效通道数据提取：

松脱部件监测系统触发数据类别有控制棒撞击信号、典型零部件脱落撞击信号、系统自检信号、脉冲尖峰、水利波动和外部干扰共六类信号。这些数据的标注也是以整个波形数据为单位进行标注的，例如，一条松脱部件触发数据由13个通道组成，每个通道5000个数据点，一个被标注为水利波动的波形数据可能只有1个通道为水利波动信号，而其它12个通道均为正常的噪声信号，从而把真正能够代表波形数据类别的通道数据称为有效通道数据。

特征提取：

通过特征提取将松脱部件触发数据映射至特征向量空间中。特征向量的每一个维度对应于原始对象的一个特征。将原始对象映射至特征向量空间有三个主要好处：

通过特征提取，可以有效地降低原始对象的维度。例如，一个原始通道数据有5000个点，通过特征提取能够将数据维度降低至49维。低维度的数据能够让机器学习算法更容易地进行训练，从而产生更高质量的模型。

特征提取能够方便地将本领域技术知识库信息融入到机器学习算法中。特征常常是本领域技术人员对研究对象关键要素的定义，在机器学习任务中扮演着重要的角色。利用本领域技术知识库信息提供的高质量特征，机器学习算法能够获得更好的结果。

通过特征数据训练得到的模型具有更高的可解释性。

对松脱部件触发信号，基于专家知识，提取触发区间响应的基本通道的峰幅度、上升时间、延迟时间、主频，最小时差通道和次小时差通道的峰幅度、上升时间、延迟时间、时差等事件特征量。针对波形自身的特征分析，提取一些不具备松脱部件撞击物理意义，但能有效区分波形的特征量，因为每个特征分别对应一个时域和一个频域特征，所有特征数量为49个

模型训练：

通过机器学习算法产生能够建立松脱部件触发数据的单通道波形数据分类模型。然后基于本领域技术知识库信息，将单通道的预测结果进行融合，形成最终对原始波形数据的预测结果。

本发明采用随机森林(randomforest)算法进行模型训练。随机森林采用集成学习技术学习生成多棵决策树，并将所有决策树的预测结果进行融合，形成最终结果。机森林算法一共训练了n棵决策树，然后最后样本instance的输出结果是对所有n棵决策树对instance的结果进行投票得出的。这里需要注意的是，随机森林算法在训练每个决策树时使用的特征是不一样的(数量也可能不一样)。例如，在训练第一棵决策树时，使用的可能是前10个特征，而在训练第二棵决策树使用的可能是第9到15的特征。

通过上述模型，实现了松脱部件触发数据单通道数据的智能分类，对于13个通道的数据，结合了专家知识对单通道数据结果进行判断，针对不属于上文所述的6类型号，将该数据类型定义为其他，最终实现数据的最终分类。

请参考图3，软件实现：

波形智能分类是一个免安装、跨平台、无需网络、具有图形用户界面(gui)的桌面应用程序。它向用户提供一个友好的交互界面，用于辅助进行大批量波形的识别和实时结果统计。

该应用基于先进的桌面应用构建技术，使用单一编程语言、开源技术框架，结合流行的web技术，屏蔽不同操作系统间的差异，可以实现一次编码、多平台运行。

用户解压对应平台及cpu架构的应用压缩包后，双击可执行程序打开应用图形界面。在该界面中，用户需要配置两个参数：待预测的波形数据文件夹和预测结果输出路径。

程序自动读取待预测的波形数据文件夹，显示该文件夹下所有文件和一级子文件夹名称，并统计它们的数量。用户也可将鼠标指向某个文件查看其创建时间、修改时间和文件大小。

用户点击开始预测按钮后，程序校验两个输入参数，随后调用javacli并传入用户输入参数信息，同时提供内置的模型文件路径，预测过程交由java程序处理。

java收到预测指令后，开始进行波形预测，不断在输出路径中产生预测结果。程序启动计时器、轮询预测结果，并实时显示波形类别、数量、运行状态、开始/结束时间、已识别波数量、平均识别耗时信息。

由于反应堆及一回路系统存在干扰和机组外部操作，会引起松脱部件监测系统“误触发”，利用针对海量的触发数据，本发明利用机器学习的方法，通过对触发数据波形的分析，提取了有效的特征量，采用了随机森林算法，通过不断的训练并结合专家知识，建立了松脱部件监测系统触发数据智能分类模型，将该模型软件化，有效的实现了松脱部件撞击信号数据与“误触发”数据智能的区分、统计和管理，提升松脱部件数据分析的效率。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。