多源数据融合动态系统情景行为推演和可靠性预计分析方法及系统

1.本发明属于复杂数字化过程控制系统仿真和动态可靠性安全分析领域，特别涉及一种多源数据融合动态系统情景行为推演和可靠性预计分析方法、系统、计算机设备和存储介质。


背景技术：

2.近年来，各行各业都在实现数字化转型，即便是对于新兴技术不太敏感的核工业系统，也在开启数字化技术升级改造和全面应用。而随着数字化智能传感技术、分布式通信网络技术和计算机技术的快速发展，核电也因此迎来了大数据时代。数字化仪表与控制系统，作为核电厂的神经中枢，对于核电厂运行安全至关重要。然而，核电厂先进数字化系统技术升级在带来明显优越性的同时，也因系统的强交互动态特性、软件控制算法的嵌入以及系统部件之间的强耦合相关性等系列问题，使得系统验证和确认及其动态可靠性安全分析变得复杂困难。以美国核管会为代表的核电监管机构率先开展了对核电厂数字化仪控系统及其软件可靠性预计分析方法研究，通过基准系统对比分析指出传统的静态故障树/事件树分析方法难以有效地实现数字化仪控系统动态可靠性建模和风险分析，必须寻求新的动态可靠性预计分析方法或集成类方法以实现对数字化仪控系统复杂动态交互过程、多状态、非线性、有时序和高度不确定性等多重复合特征可靠性建模和综合安全分析。
3.目前，针对新型动态可靠性和风险评价方法的研究主要围绕动态故障树/事件树、markov/ccmt、动态流图法(dfm)、贝叶斯置信网、petri网、蒙特卡罗模拟等方法进行，但由于数字化过程控制系统的高度复杂性，相关技术研究进展缓慢，诸多方法普遍存在计算复杂性瓶颈问题，相关算法理论研究仍停留在简单案例系统论证说明阶段，难以拓展应用于大型复杂系统动态可靠性和安全评价。


技术实现要素：

4.本发明针对大型复杂非线性数字化控制系统动态交互过程难以精准建模和高效计算等现实问题，提供了一种多源数据融合动态系统情景行为推演和可靠性预计分析方法、装置、计算机设备和存储介质，通过对数据同化后系统状态转移概率映射矩阵模型自更新构造和系统状态点合并降维处理，可有效消除系统动态行为模拟过程中的不确定性，提高建模精度和矩阵空间搜索效率，实现对系统情景行为的超前预测及动态可靠性预计，用于指导核电厂运行安全。
5.本发明的第一个目的在于提供一种多源数据融合动态系统情景行为推演和可靠性预计分析方法。
6.本发明的第二个目的在于提供一种多源数据融合动态系统情景行为推演和可靠性预计分析系统。
7.本发明的第三个目的在于提供一种计算机设备。
8.本发明的第四个目的在于提供一种存储介质。
9.本发明的第一个目的可以通过采取如下技术方案达到：
10.一种多源数据融合动态系统情景行为推演和可靠性预计分析方法，所述方法包括：
11.根据系统状态初值输入或假设，通过高斯抽样得到系统同化初始状态的粒子群分布，导入至系统仿真模型模拟粒子群的轨迹变化，结合对系统状态的实时监测输入，通过数据同化得到当前时刻系统状态粒子群的后验分布，并作为下一时刻系统同化初始状态的粒子群分布；
12.根据数据同化过程得到的当前时刻系统状态粒子群的后验分布范围，确定系统状态始发栅元的上、下边界值，并以此作为新的栅元标尺对系统状态空间进行离散化划分，通过数字编码，完成对系统状态空间模型的重构；
13.针对系统状态始发栅元进行均匀抽样，得到系统动态行为推演初始状态粒子群分布，将所述系统动态行为推演初始状态粒子群导入至系统仿真模型，模拟所取粒子群的轨迹变化，根据粒子群落入不同栅元的数量统计估计得到当前系统组态配置下的系统状态的条件转移概率矩阵；条件转移概率矩阵结合系统物理部件状态转移概率矩阵，得到markov/ccmt系统状态转移概率映射矩阵模型；
14.基于构造的markov/ccmt系统状态转移概率映射矩阵模型，应用系统状态情景行为动态推演算法进行系统状态超前预测分析，进一步对相同的系统状态进行合并，将合并约化后的独有系统状态压入搜索序列结构中，重复markov/ccmt系统状态转移概率映射矩阵模型构造更新和迭代搜索过程，直至达到指定搜索深度；
15.根据合并后系统状态发生的概率大小，排序预测系统状态情景序列动态演化发展，通过界面图形化显示，指引系统安全运行。
16.进一步的，根据系统设备实时状态监测输入对系统组态结构进行配置，根据配置后的初始化扩展系统状态构造所述搜索序列结构；
17.扩展系统状态包括系统状态及其伴随参量，伴随参量状态为系统状态变化的关联系统参量，系统状态及其伴随参量以及系统物理部件状态相互耦合，但不直接影响系统的动态行为特性，通过对系统状态变化的影响间接反应。
18.进一步的，所述系统状态情景行为动态推演算法包括：
19.将同化后的当前时刻系统状态及其伴随参量作为系统状态始发点并将其加入搜索序列结构中，同时对系统初始状态概率、搜索深度、时间步长参数进行初始化；
20.逐一提取搜索序列结构中的每一系统状态，分别通过对其同化更新后的markov/ccmt系统状态转移概率映射矩阵模型中不为零的元素的搜索，得到系统状态下一转移点，搜索过程中通过概率计算得到每一系统状态转移序列路径的发生概率；根据需要，在系统状态每一步转移过程中设置事前截断准则；
21.每一次完成对搜索序列结构中系统状态的遍历之后，将终状态相同的系统状态转移序列路径集合并，并将合并后的系统状态作为新的父节点加入至搜索序列结构中进入下一次迭代搜索；
22.针对每一个新的父节点，在进入下一次系统状态转移序列分支搜索之前，均需通过蒙特卡罗系统状态栅元代表点随机抽样、模拟和统计分析重新构造markov/ccmt系统状
态转移概率映射矩阵模型，以响应伴随参量的变化。
23.进一步的，所述系统状态情景行为动态推演算法在每一次迭代搜索步之后会对相同的系统状态点加以集总合并，避免了每次迭代过程中系统状态序列分支数目的指数型增长，使系统状态点数目始终不会超过全系统状态空间大小，有效缩小了系统状态搜索空间，搜索效率明显提高。
24.进一步的，在所述系统状态情景行为动态推演过程中，对每一次同化后的系统状态潜在转移进行演化发展，并在每一次矩阵迭代搜索过程中通过累积概率求和的方式得到演化后不同系统状态的发生概率，实现动态系统可靠性预计分析，包括：
25.通过列表将每一次迭代搜索得到的预计系统状态按其发生概率大小进行排序，概率值越大，代表系统状态发生的可能性越大；
26.将每一搜索步上集总排序后的数字编码系统状态向量转变为系统运行人员能够理解的通用语言描述，通过人机界面展示系统状态的动态演化过程；同时，将得到的系统状态失效概率与系统运行安全限值可接受准则进行比较，指引系统安全运行。
27.进一步的，对于复杂非线性过程控制系统，所述条件转移概率矩阵难以获取准确的解析解，系统状态转移概率映射矩阵模型采用基于蒙特卡罗模拟的系统状态取样点移动分布精确抽样方法，通过系统状态迁移轨迹模拟和示踪进行统计分析得到。
28.进一步的，所述系统状态取样点移动分布精确抽样方法包括：
29.结合基于粒子滤波的数据同化过程，通过初始时刻系统状态监测输入或者假设，确定系统初始状态位置，对系统初始状态位置点进行高斯抽样，围绕系统状态及其伴随参量中的每一变量生成n个粒子，所述系统初始状态位置点包括其伴随参量；
30.将采样粒子的系统状态及其伴随参量导入至系统仿真模型，模拟预测粒子轨迹变化及粒子的终值分布；
31.读入系统实时状态观测数据，利用基于粒子滤波的数据同化算法完成对所述模拟预测粒子的权重值计算和重采样；
32.根据重采样后粒子群的移动分布情况，重构系统状态空间，以更准确地模拟和反映系统动态行为特性。
33.进一步的，所述方法还包括对markov/ccmt系统状态转移概率映射矩阵模型的自更新构造过程，通过对当前系统状态潜在的转移映射关系子矩阵中符合元素的搜索和相同系统状态集总处理，实现系统状态情景行为快速推演和动态可靠性预计分析，包括系统物理部件状态转移概率矩阵的更新以及条件转移概率矩阵的更新，其中：
34.所述系统物理部件状态转移概率矩阵的更新以系统设备实际状态监测作为输入，对系统物理部件状态转移概率矩阵的无关系统组态配置及其状态转移映射关系进行零化稀疏处理；
35.所述条件转移概率矩阵的更新以系统设备实际状态和系统过程变量状态监测作为输入，通过对同化更新后的系统初始状态所处栅元空间进行粒子群均匀抽样，并在系统仿真模型上模拟粒子群轨迹变化，统计粒子终值位置在不同栅元空间中的分布情况，通过等权点积法近似估计和更新得到当前系统组态配置下的系统状态条件转移概率；
36.在完成对本轮次系统状态转移概率映射矩阵自更新构造的同时，对本轮次迭代搜索步上随机抽样和模拟统计分析得到的不同落入栅元代表点系统状态伴随参量进行平均
化处理，以适应下一轮次迭代搜索对markov/ccmt系统状态转移概率映射矩阵模型的重新构造。
37.进一步的，所述markov/ccmt系统状态转移概率映射矩阵模型q的动态搜索范围仅局限于当前系统状态潜在的转移映射关系子矩阵，即在markov/ccmt系统状态转移概率映射矩阵模型q自更新构造过程中仅考虑当前系统组态下系统状态的条件转移概率，其余系统状态之间的条件转移概率自动赋值为0，降低条件转移概率矩阵g构造的复杂度，并且只对搜索过程中的不为零的元素进行遍历和存储，提升搜索速度。
38.本发明的第二个目的可以通过采取如下技术方案达到：
39.一种多源数据融合动态系统情景行为推演和可靠性预计分析系统，所述系统包括：
40.粒子群分布获取模块，用于基于系统状态时空耦合模型，根据系统状态初值输入或假设，通过高斯抽样得到系统同化初始状态的粒子群分布，导入至系统仿真模型模拟粒子群的轨迹变化，结合对系统状态的实时监测输入，通过数据同化得到当前时刻系统状态粒子群的后验分布，并作为下一时刻系统同化初始状态的粒子群分布；
41.系统状态空间模型重构模块，用于根据数据同化过程得到的当前时刻系统状态粒子群的后验分布范围，确定系统状态始发栅元的上、下边界值，并以此作为新的栅元标尺对系统状态空间进行离散化划分，通过数字编码，完成对系统状态空间模型的重构；
42.markov/ccmt系统状态转移概率映射矩阵模型生成模块，用于针对系统状态始发栅元进行均匀抽样，得到系统动态行为推演初始状态粒子群分布，将系统动态行为推演初始状态粒子群导入至系统仿真模型，模拟所取粒子群的轨迹变化，根据粒子群落入不同栅元的数量统计估计得到当前系统组态配置下的系统状态的条件转移概率矩阵；条件转移概率矩阵结合系统物理部件状态转移概率矩阵，得到markov/ccmt系统状态转移概率映射矩阵模型；
43.系统状态情景行为动态推演算法和可靠性预计分析模块，用于基于构造的markov/ccmt系统状态转移概率映射矩阵模型，应用系统状态情景行为动态推演算法进行系统状态超前预测分析，进一步对相同的系统状态进行合并，将合并约化后的独有系统状态压入搜索序列结构中，重复markov/ccmt系统状态转移概率映射矩阵模型构造更新和迭代搜索过程，直至达到指定搜索深度；
44.系统分析结果展示模块，用于根据合并后系统状态发生的概率大小，排序预测系统状态情景序列动态演化发展，通过界面图形化显示，指引系统安全运行。
45.本发明的第三个目的可以通过采取如下技术方案达到：
46.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的多源数据融合动态系统情景行为推演和可靠性预计分析方法。
47.本发明的第四个目的可以通过采取如下技术方案达到：
48.一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的多源数据融合动态系统情景行为推演和可靠性预计分析方法。
49.本发明相对于现有技术具有如下的有益效果：
50.1、本发明提供的方法，在现有基于蒙特卡罗模拟的等权点积法基础上设计了一种
基于数据同化的系统状态取样点移动分布精确抽样方法，可根据同化后的系统状态及其伴随参量粒子群后验分布，重塑系统状态空间栅元结构，避免固定栅元结构划分造成的采样点偏差问题，从而更准确地描述和预测系统动态行为特性。
51.2、本发明提供的方法，融合了系统仿真数据、系统实时观测数据以及设备可靠性特征数据等多源数据，并通过基于粒子滤波的数据同化算法实现对系统状态及其伴随参量的更准确映射，结合系统状态概率映射矩阵模型生成和自更新构造过程，精准地预测系统动态演变过程。
52.3、本发明提供的基于矩阵编码的系统状态情景行为动态推演算法和可靠性预计分析方法，在模型构建过程中实现了对高维系统状态空间矩阵模型的低维稀疏化改进，并在后续搜索分析过程通过对相同的系统状态点的集并规约化处理，有效抑制了系统状态空间爆炸问题，搜索效率得以很大的提升，满足超前/超实时预测分析需求，可为核电厂等大型复杂关键安全系统智能运维提供前摄性安全指引。
附图说明
53.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
54.图1为本发明实施例1的多源数据融合动态系统情景行为推演和可靠性预计分析方法的原理图。
55.图2为本发明实施例1的多源数据融合动态系统情景行为推演和可靠性预计分析方法的流程图。
56.图3为本发明实施例2的核电厂蒸汽发生器水位控制系统的结构框图。
57.图4为本发明实施例2的核电厂蒸汽发生器水位控制系统控制过程的示意图。
58.图5为本发明实施例2的基于数据同化的系统状态采样点移动分布精确抽样算法流程图。
59.图6为本发明实施例2的系统状态空间矩阵编码过程的展示图。
60.图7为本发明实施例2的不同搜索深度下的系统状态演化结果。
61.图8为本发明实施例3的多源数据融合动态系统情景行为推演和可靠性预计分析系统的结构框图。
62.图9为本发明实施例4的计算机设备的结构框图。
具体实施方式
63.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
64.本发明提供的多源数据融合动态系统情景行为推演和可靠性预计分析方法，主要
是模拟复杂过程控制系统的轨迹生成，实现系统动态可靠性和情景序列推演分析。涉及的算法程序和软件应用平台分别是以matlab/simulink 2021和eclipse 4.18平台编写实现。
65.实施例1：
66.如图1、2所示，本实施例提供的多源数据融合动态系统情景行为推演和可靠性预计分析方法，包括以下步骤：
67.(1)根据系统运行设计要求和设备故障模式及影响分析，对系统被控连续过程变量状态和系统控制设备状态进行离散化定义，并以数字矩阵编码表示，构建初始化系统状态时空耦合模型。
68.系统状态时空耦合模型是对不同时刻点上离散化被控系统过程变量状态空间和系统物理控制部件状态空间的耦合，其中：
69.系统物理控制部件状态空间依据系统设备故障模式及影响分析确定，包括设备正常状态、设备故障状态1、设备故障状2、
……
有限多个状态；
70.系统连续过程变量状态空间的离散化过程需综合权衡考虑系统运行设计要求和建模分析应用精度要求，将每一维度上的系统过程变量划分为多个连续但互不重叠的离散化栅元空间；
71.时间维度的离散化定义反映为时间步长的设置，原则上系统时间步长的设置应根据系统建模分析应用精度特定要求结合系统状态空间栅元划分共同确定，以满足单位时间步长内相邻栅元之间系统状态转移可能性最大化原则，从而准确地描述和表征系统的动态行为特性。本发明提供的多源数据融合动态系统情景行为推演和可靠性预计分析方法所采用的矩阵搜索时间步长与系统仿真时间步长一致。
72.将不同时刻点上系统状态通过chapman-kolmogorov方程关联，实现系统物理部件状态离散化栅元空间和系统过程变量状态离散化栅元空间的交互耦合，通过数字编码得到系统状态时空耦合模型。
73.(2)根据系统动态运行方程和控制法则建立系统的数学仿真模型，依据系统部件的失效模式和失效机制构建设备故障注入模型，将设备故障注入模型嵌入至系统仿真模型。
74.系统仿真模型包括正常模拟模型和设备故障注入模型，其中：
75.正常模拟模型构建以系统运行动态偏微分方程组和控制法则作为建模基础输入，通过matlab函数和simulink模拟模块实现；
76.设备故障注入模型构建建立在设备失效模式和失效机理分析基础之上，设备失效模式反映为设备参量输入-输出之间的外显映射关系，其内在映射函数则通过设备失效机理确定，同样在matlab/simulink模拟环境下实现。
77.(3)基于初始化的系统状态时空耦合模型，根据系统状态初值输入或假设，确定并对初始时刻系统初始状态及其伴随参量(s0(t0)，s
’0(t0))进行方差为σ的高斯采样n次，得到初始时刻系统初始状态粒子群分布(s
ss
(t0)，s
s’s
(t0))，并在系统仿真模型上模拟预计所采样粒子在不同时刻ti上的运行轨迹和终值位置点分布(s
se
(ti)，s’se
(ti))。
78.(4)根据下一次时刻系统状态及其伴随参量的实际观测数值配对(sm(ti)，s’m
(ti))输入，通过系统状态所采样粒子模拟预测值(s
se
(ti)，s’se
(ti))与实际观测值(sm(ti)，s’m
(ti))之间的距离计算出每一系统初始状态所采样粒子的权重值wn和w
′n。
79.系统状态所采样粒子模拟预测值相对于实际观测值的离散程度分布(表现为距离)通过以下公式计算得到：
[0080][0081]
根据系统状态粒子权重值(重要度)进行重采样，得到同化后更为准确的系统状态及其伴随参量后验估计分布(sr(ti)，s’r
(ti))，并重新作为系统初始状态粒子群输入在系统仿真模型上进一步用于模拟预测下一时刻t
i+1
的系统状态及其伴随参量粒子后验估计分布(s
se
(t
i+1
)，s’se
(t
i+1
))。
[0082]
(5)根据同化后的系统状态(sr(ti))粒子群分布，重构系统状态空间栅元结构；与此同时，将同化后的系统状态作为当前时刻系统同化初始状态用于系统状态情景行为推演分析，对重采样后的系统状态伴随参量s’r
(ti)进行平均初始化处理，以适应同化后的系统初始状态
[0083]
系统状态空间栅元结构重构是将系统状态粒子群中距离相隔最远的两个粒子分别作为同化后系统初始状态栅元的上下边界值，并以此作为新的标尺对系统状态空间进行重新划分定义，位于系统正常区间边界的栅元则在其余栅元确定以后，根据正常区间所剩空间进行适应性调整，以最终完成对系统状态空间中栅元结构的重构；
[0084]
对重构后的系统状态空间栅元进行重新数字编码，得到新的系统状态空间矩阵模型；
[0085]
系统状态伴随参量s’r
(ti)的平均化处理是对所有n个系统状态伴随参量采样粒子模拟预测值的求平均，通过以下公式计算得到：
[0086][0087]
式中，s’r
(ti)表示当前时刻系统状态伴随参量重采样后的粒子值，n为系统初始状态所采样粒子的总数。
[0088]
(6)将同化更新后的系统状态和及其平均伴随参量作为当前时刻系统同化初始状态s0(ti)及其伴随参量s
’0(ti)并将其加入系统状态搜索序列结构，对当前时刻系统状态的发生概率p0、搜索深度k和系统组态配置m
′
进行初始设置。
[0089]
系统组态通过系统物理设备实时监测状态进行配置，并将配置后的扩展系统状态构造成初始的搜索序列结构。
[0090]
(7)逐次提取搜索序列结构中的扩展系统状态，并根据当前扩展系统状态所处栅元位置，对当前扩展系统状态始发点进行均匀采样，通过系统数学仿真模型模拟特定系统组态配置下的随机抽样点在不同系统状态空间栅元之间的动态轨迹迁移变化；进一步地，均匀采样是指均匀化地从当前扩展系统状态所处栅元空间中随机地抽取u个代表点粒子，并在系统仿真模型上模拟u次。
[0091]
(8)统计分析系统状态运行轨迹在不同栅元空间中的落入点分布情况，计算给出系统状态的条件转移概率，耦合系统物理部件状态转移概率，生成系统状态转移概率映射矩阵模型q；与此同时，采用以下公式(3)对落入不同空间栅元中的系统状态伴随参量终值
进行局部平均化处理，作为下一次迭代搜索过程中对应初始栅元的系统状态伴随参量；
[0092][0093]
式中，s
′s为相同系统状态所属集合下的不同伴随参量粒子值，∑ss
′s表示对相同系统状态所属集合下的所有伴随参量粒子值求和，ns为集合中相同系统状态粒子数，表示落入不同栅元中的系统状态参量局部平均值。
[0094]
系统状态转移概率映射矩阵模型包括系统物理部件状态转移概率矩阵(h矩阵)和系统状态条件转移概率矩阵(g矩阵)，其中：
[0095]
系统物理部件状态转移概率矩阵构造基于系统部件失效模式及影响分析和有限状态机建模实现，在部件失效相互独立和运行时间跨度很小的前提假设下，系统物理部件状态转移概率可以简单地处理为单一部件失效概率的乘积；模型自更新构造过程可根据系统实时运行监测数据对系统物理设备状态的反馈，及时更新系统物理部件状态转移概率矩阵h，将与当前系统组态配置无关的状态转移概率零化，实现对h矩阵的低维稀疏化处理；
[0096]
系统状态条件转移概率矩阵的自更新构造通过基于蒙特卡罗模拟的等权点积法实现，在前述系统仿真模型的构建、系统状态栅元代表点精确抽样、系统状态迁移轨迹模拟、示踪和统计分析的基础上，利用如下等权点积法计算得到系统状态条件转移概率：
[0097][0098]
式中，u(j|j')为给定系统组态配置m'下系统状态由栅元j'转移至栅元j的数量，u为总的采样粒子数。
[0099]
系统状态在不同栅元空间的转移概率可以通过具体栅元落入点的数量与总的采样点数量之比近似估计得到；
[0100]
最后将矩阵g与矩阵h相乘，便可得到更新后的系统状态转移概率矩阵q。
[0101]
(9)通过对同步系统状态转移概率矩阵模型的前向搜索分析，识别出系统状态的潜在转移路径序列，并计算系统状态转移序列路径的发生概率。
[0102]
系统状态空间搜索分析核心是实现对系统状态转移概率映射矩阵q中非零或者符合元素(适用于截断准则ε应用)的识别；序列路径的发生概率为序列路径上不同分支段的转移概率的乘积。
[0103]
(10)在每一搜索步(遍历完搜索序列结构中的所有扩展系统状态)完成之后，对具有相同终状态的系统状态转移分支进行合并，合并后的系统状态发生概率等于相同系统状态所属集合下所有系统状态转移分支概率之和。
[0104]
(11)将合并后的独有系统状态作为新的父结点重新加入搜索序列结构中，并针对搜索序列结构中的每一扩展系统状态通过蒙特卡罗随机抽样模拟和统计分析重新构造其系统状态转移概率映射概率子矩阵q，进入下一次迭代搜索，直至达到指定推演搜索深度k或是特定退出条件，并等待下一时刻系统状态同化值更新输入。
[0105]
(12)将系统状态情景序列动态演化发展过程以向量矩阵的形式进行界面图形化显示，并按概率风险对系统状态情景序列发展的可能性进行排序，用以前摄性指引核电厂运行安全。
[0106]
本实施例提供的方法，通过在markov/ccmt动态可靠性预计分析方法基础上，结合
多源数据(系统状态实时监测数据流输入、仿真模拟数据、系统设备可靠性特征数据等)融合和同化方法，利用蒙特卡罗概率模型随机抽样思想对强交互耦合、非线性和高度不确定性下的数字化过程控制复杂动态行为特征进行模拟和统计分析，并在此基础上通过对系统状态转移概率矩阵模型的动态搜索分析，实现系统运行状态前向推演分析和可靠性预计，解决非线性动态过程控制系统解析解难以获取并缓解系统状态空间搜索爆炸等关键技术难题，从而为大型复杂核电厂数字化仪控系统精准建模、高效分析计算和智能运维管理奠定基础。
[0107]
实施例2：
[0108]
如图3、4所示，本实施例以一简化的核电厂蒸汽发生器水位控制系统为例，开展数字化过程控制系统动态可靠性建模和情景序列推演分析，验证本发明所述方法的有效性，实施步骤具体包括：
[0109]
第一步：针对示例系统中的数字化控制单元进行故障模式及影响分析，定义系统物理控制单元的状态。本实施例核电厂蒸汽发生器水位控制系统由一个水位传感器、一个蒸汽流量传感器、一个给水流量传感器、一个pi控制器、一个给水流量调节阀和一个蒸汽流量调节阀等设备组成。假设传感器单元包含运行、卡死、恒增益变化和恒偏差失效四种状态，pi控制单元和给水流量调节单元包含运行、卡死、输出高、输出低四种状态。由于实际应用中蒸汽发生器水位主要依靠给水流量调节阀实现调控，因此本实施例暂不考虑蒸汽流量调节阀的动作和失效模式。
[0110]
系统物理控制部件的状态以以下向量矩阵[s1,s2,s3,s4,s5]表示。其中，s1表示水位传感器的状态，s2表示蒸汽流量传感器的状态，s3表示给水流量传感器的状态，s4表示pi控制器的状态，s5表示给水流量调节阀的状态。不同系统设备状态相对应的数字编码如表1所示。
[0111]
表1不同设备状态的数字编码定义
[0112][0113]
第二步：根据图1和图2所示核电厂蒸汽发生器水位控制系统结构、控制法则及其
运行特性分析，建立系统动态方程如下：
[0114][0115][0116][0117][0118][0119][0120][0121][0122][0123][0124][0125][0126][0127][0128][0129]
其中：
[0130][0131]
[0132][0133]wso
＝c
so
·
psꢀꢀ
(23)
[0134][0135][0136][0137]
det＝trc11
·
trc3+trc12
·
trc2
ꢀꢀ
(27)
[0138][0139][0140][0141][0142][0143][0144]
trc2＝vs·
(ρs·
trc7+hs·
trc9)+he·
cfdr4
ꢀꢀ
(34)
[0145]
trc3＝vs·
(ρs·
trc8+hs·
trc10)-he·
cfdr5
ꢀꢀ
(35)
[0146][0147][0148][0149][0150]
[0151][0152][0153]
trc11＝vs·
trc9+cfdr4
ꢀꢀ
(43)
[0154]
trc12＝vs·
trc10+cfdr5
ꢀꢀ
(44)
[0155][0156][0157][0158][0159][0160]
he＝hf+xe·hfg
ꢀꢀ
(50)
[0161][0162]
l＝l
sb
+lbꢀꢀ
(52)
[0163]
基于以上系统动态方程组，在matlab/simulink仿真环境下建立系统数学仿真模型；并针对数字化部件建立其故障注入模型，嵌入至系统仿真模型。模型中相关参量的符号及含义见表2。
[0164]
表2实施例中相关变量及符号含义
[0165]
[0166]
[0167][0168]
第三步：由系统部件失效率和修复率等可靠性特征参数计算得到系统物理部件状态转移概率矩阵h(m|m’,j
’→
j,δt)。
[0169]
第四步：根据系统运行状态处置输入确定系统初始状态及其伴随参量。
[0170]
假设系统初始水位为l
dw
＝3.299m，系统初始状态伴随参量包括一次侧上升段流体平均温度t
p1
＝302.415℃、一次侧下降段流体平均温度t
p2
＝295.470℃、一次侧上升段管壁体平均温度t
m1
＝296.707℃、一次侧下降段管壁体平均温度t
m2
＝291.053℃、气液混合区工作压力ps＝5.699mpa、u型管加热区出口处的含气率xe＝0.2253、给水腔室中流体的平均温度t
dw
＝261.236℃、下降通道流体的平均温度td＝261.230℃、滤波器输出信号v＝2.542e-5、pi控制器1输出信号u＝1.189e-5、pi控制器2输出信号w＝-0.264、蒸汽流量与给水流量差m＝-26.209kg/s、给水阀输出信号r＝-3.027e-10、给水流量w
fi
＝457.218kg/s。
[0171]
第五步：通过高斯分布随机抽样得到系统初始状态及其伴随参量值的粒子群分布(n＝100)，高斯分布随机抽样的方差为σ＝diag(0.0001,0.001,0.001,0.001,0.001,0.0001,0.001,0.025,0.001)，设置系统仿真模拟仿真步长δt＝0.1s，将系统初始状态及其伴随参量所采样粒子代入系统数学仿真模型模拟系统状态的轨迹变化，并统计分析得到初始时刻系统初始状态及其伴随参量所采样粒子群的模拟预测移动分布；读入当期时刻系统系统状态实际观测值，通过基于粒子滤波的数据同化算法实现对当前时刻系统初始水位及其伴随参量精确值求解。基于数据同化的系统状态采样点移动分布精确抽样分布方法实施流程参见附图5。
[0172]
基于粒子滤波数据同化后的系统初始水位以及伴随参量的精确值列写如下：
[0173]
l
dw
＝3.2403m，t
p1
＝302.4184℃、t
p2
＝295.4658℃、t
m1
＝296.7055℃、t
m2
＝291.0511℃、ps＝5.6992mpa、xe＝0.2253、t
dw
＝261.2309℃、td＝261.2289℃、v＝2.542e-5、u＝1.189e-5、w＝-0.264、m＝-26.209kg/s、r＝-3.027e-10、w
fi
＝457.218kg/s。
[0174]
第六步：根据重采样同化后的系统水位状态及其伴随参量后验估计分布，重构系统状态栅元空间，并将重采样后的系统状态粒子群中距离相隔最远的两个粒子分别作为当前时刻系统初始状态始发栅元的上下边界值，以此作为标尺重新定义和划分系统状态空间栅元结构。
[0175]
假设系统水位有效控制区间为：3m≤x≤5m，同化后的系统状态粒子群分布区间为(3.144，3.324]，以此作为新标尺重构系统水位状态定义如下：
[0176]
x1《3m，3m≤x2≤3.144m，3.144m《x3≤3.324m，3.324m《x4≤3.504m，3.504m《x5≤3.684m，3.684m《x6≤3.864m，3.864m《x7≤4.044m，4.044m《x8≤4.224m，4.224m《x9≤4.404m，4.404m《x
10
≤4.584m，4.584m《x
11
≤4.764m，4.764m《x
12
≤4.944m，4.944m《x
13
≤5.0m，x
14
》5m。
[0177]
第七步：将同化后的系统状态作为系统初始状态加入系统状态搜索序列结构中用于系统状态情景行为迭代推演分析，基于矩阵编码数据同化的系统状态情景行为动态推演方法实施流程参见附图2，其中矩阵编码过程见图6。
[0178]
设置系统仿真模拟仿真步长δt＝0.1s，推演深度k＝5，系统初始状态概率p0＝1，截断概率ε＝10-5
。逐次提取系统状态搜索序列结构中的系统状态元素，并针对提取出来的当前系统状态，在其所处栅元空间上均匀随机地抽取u＝100个粒子，将抽样后的当前系统状态栅元代表点注入系统仿真模型中模拟预测当前系统状态所采样粒子的轨迹变化，统计采样粒子在每一栅元中的落入点数量fpj，通过等权点积法近似估计得到当前系统状态的条件转移概率，并将其余栅元之间的系统状态条件转移概率设置为0，从而得到系统状态条件转移概率矩阵g(j|j’,m’,δt)。通过将系统状态条件转移概率矩阵g与系统物理控制部
件状态转移概率矩阵h相乘，得到系统状态转移概率矩阵q。
[0179]
第八步：基于对系统状态概率映射矩阵模型的自更新构造和前向搜索，实现系统状态动态演化推演分析。系统状态推演分析结果见图7。
[0180]
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。
[0181]
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
[0182]
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0183]
实施例3：
[0184]
如图8所示，本实施例提供了一种多源数据融合动态系统情景行为推演和可靠性预计分析系统，该系统包括粒子群分布获取模块801、系统状态空间模型重构模块802、系统状态转移概率映射矩阵模型生成模块803、系统状态情景行为动态推演算法和可靠性预计分析模块804和系统分析结果展示模块805，其中：
[0185]
粒子群分布获取模块801，用于基于系统状态时空耦合模型，根据系统状态初值输入或假设，通过高斯抽样得到系统同化初始状态的粒子群分布，导入至系统仿真模型模拟粒子群的轨迹变化，结合对系统状态的实时监测输入，通过数据同化得到当前时刻系统状态粒子群的后验分布，并作为下一时刻系统同化初始状态的粒子群分布；
[0186]
系统状态空间模型重构模块802，用于根据数据同化过程得到的当前时刻系统状态粒子群的后验分布范围，确定系统状态始发栅元的上、下边界值，并以此作为新的栅元标尺对系统状态空间进行离散化划分，通过数字编码，完成对系统状态空间模型的重构；
[0187]
系统状态转移概率映射矩阵模型生成模块803，用于针对系统状态始发栅元进行均匀抽样，得到系统动态行为推演初始状态粒子群分布，将系统动态行为推演初始状态粒子群导入至系统仿真模型，模拟所取粒子群的轨迹变化，根据粒子群落入不同栅元的数量统计估计得到当前系统组态配置下的系统状态的条件转移概率矩阵；条件转移概率矩阵结合系统物理部件状态转移概率矩阵，得到markov/ccmt系统状态转移概率映射矩阵模型；
[0188]
系统状态情景行为动态推演算法和可靠性预计分析模块804，用于基于构造的markov/ccmt系统状态转移概率映射矩阵模型，应用系统状态情景行为动态推演算法进行系统状态超前预测分析，进一步对相同的系统状态进行合并，将合并约化后的独有系统状态压入搜索序列结构中，重复markov/ccmt系统状态转移概率映射矩阵模型构造更新和迭代搜索过程，直至达到指定搜索深度；
[0189]
系统分析结果展示模块805，用于根据合并后系统状态发生的概率大小，排序预测系统状态情景序列动态演化发展，通过界面图形化显示，指引系统安全运行。
[0190]
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能
模块，以完成以上描述的全部或者部分功能。
[0191]
实施例4：
[0192]
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图9所示，其通过系统总线901连接的处理器902、存储器、输入装置903、显示器904和网络接口905，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质906和内存储器907，该非易失性存储介质906存储有操作系统、计算机程序和数据库，该内存储器907为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器902执行存储器存储的计算机程序时，实现上述实施例1的多源数据融合动态系统情景行为推演和可靠性预计分析方法，如下：
[0193]
根据系统状态初值输入或假设，通过高斯抽样得到系统同化初始状态的粒子群分布，导入至系统仿真模型模拟粒子群的轨迹变化，结合对系统状态的实时监测输入，通过数据同化得到当前时刻系统状态粒子群的后验分布，并作为下一时刻系统同化初始状态的粒子群分布；
[0194]
根据数据同化过程得到的当前时刻系统状态粒子群的后验分布范围，确定系统状态始发栅元的上、下边界值，并以此作为新的栅元标尺对系统状态空间进行离散化划分，通过数字编码，完成对系统状态空间模型的重构；
[0195]
针对系统状态始发栅元进行均匀抽样，得到系统动态行为推演初始状态粒子群分布，将所述系统动态行为推演初始状态粒子群导入至系统仿真模型，模拟所取粒子群的轨迹变化，根据粒子群落入不同栅元的数量统计估计得到当前系统组态配置下的系统状态的条件转移概率矩阵；条件转移概率矩阵结合系统物理部件状态转移概率矩阵，得到markov/ccmt系统状态转移概率映射矩阵模型；
[0196]
基于构造的markov/ccmt系统状态转移概率映射矩阵模型，应用系统状态情景行为动态推演算法进行系统状态超前预测分析，进一步对相同的系统状态进行合并，将合并约化后的独有系统状态压入搜索序列结构中，重复markov/ccmt系统状态转移概率映射矩阵模型构造更新和迭代搜索过程，直至达到指定搜索深度；
[0197]
根据合并后系统状态发生的概率大小，排序预测系统状态情景序列动态演化发展，通过界面图形化显示，指引系统安全运行。
[0198]
实施例5：
[0199]
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的多源数据融合动态系统情景行为推演和可靠性预计分析方法，如下：
[0200]
根据系统状态初值输入或假设，通过高斯抽样得到系统同化初始状态的粒子群分布，导入至系统仿真模型模拟粒子群的轨迹变化，结合对系统状态的实时监测输入，通过数据同化得到当前时刻系统状态粒子群的后验分布，并作为下一时刻系统同化初始状态的粒子群分布；
[0201]
根据数据同化过程得到的当前时刻系统状态粒子群的后验分布范围，确定系统状态始发栅元的上、下边界值，并以此作为新的栅元标尺对系统状态空间进行离散化划分，通过数字编码，完成对系统状态空间模型的重构；
[0202]
针对系统状态始发栅元进行均匀抽样，得到系统动态行为推演初始状态粒子群分
布，将所述系统动态行为推演初始状态粒子群导入至系统仿真模型，模拟所取粒子群的轨迹变化，根据粒子群落入不同栅元的数量统计估计得到当前系统组态配置下的系统状态的条件转移概率矩阵；条件转移概率矩阵结合系统物理部件状态转移概率矩阵，得到markov/ccmt系统状态转移概率映射矩阵模型；
[0203]
基于构造的markov/ccmt系统状态转移概率映射矩阵模型，应用系统状态情景行为动态推演算法进行系统状态超前预测分析，进一步对相同的系统状态进行合并，将合并约化后的独有系统状态压入搜索序列结构中，重复markov/ccmt系统状态转移概率映射矩阵模型构造更新和迭代搜索过程，直至达到指定搜索深度；
[0204]
根据合并后系统状态发生的概率大小，排序预测系统状态情景序列动态演化发展，通过界面图形化显示，指引系统安全运行。
[0205]
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0206]
综上所述，本发明构建系统数学仿真模型，栅元化系统状态空间；根据系统运行状态初值输入或假设确定初始时刻系统状态及其伴随参量，基于高斯分布对初始时刻系统初始状态及其伴随参量配对进行随机抽样，利用系统仿真模型模拟预测初始时刻系统初始状态所采样粒子在不同时刻上的轨迹变化和终值位置点移动分布；结合系统运行状态实际观测数据输入，通过数据同化算法实现对系统状态模拟预测点粒子群的权重计算和重采样，得到同化后的系统状态及其伴随参量后验估计分布；根据重采样同化后的系统状态粒子群分布，重构系统状态空间栅元结构，并将同化后的系统状态作为系统初始状态用于后续系统状态情景行为推演分析；与此同时，对同化后的系统状态伴随参量进行初始平均化，以适应同化后系统状态粒子群的归一化和初始化；对当前时刻系统同化初始状态概率p0、推演深度k、系统组态m
′
进行初始化设置，将当前时刻系统同化初始状态加入搜索序列结构中，从搜索序列结构中逐次提取出系统状态，通过均匀分布对当前系统状态所处栅元空间代表点进行随机抽样，同样在系统仿真模型上对当前系统状态所采样粒子群进行运行轨迹模拟预测和统计分析；基于系统状态采样粒子群在不同栅元空间中的落入点统计分布，利用等权点积法实现对当前时刻系统状态条件转移概率矩阵g的估计，通过与系统物理设备状态转移概率矩阵h的耦合，实现对系统状态转移概率矩阵模型q的自更新构造；基于系统状态概率映射矩阵模型，利用系统状态情景行为动态演化分析算法对矩阵模型中的非零符合元素进行搜索，并通过概率累乘计算得到当前系统状态潜在的转移路径序列发生概率；在完成每一次迭代推演搜索之后，集并相同的系统状态点及其转移路径序列，通过所属集合下所有转移路径序列分支的概率求和预计系统状态的演化发生概率；将集并约简后的独有系统状态作为新的父结点加入搜索序列结构进行下一迭代推演搜索，直至指定推演深度k，等待下一时刻系统状态同化更新输入，以此动态推演和预计系统状态的演化发展。本发明可实现大型复杂数字化过程控制系统状态转移概率矩阵的自适应更新构造以及情景行为动
态推演分析，通过矩阵低维稀疏化以及系统状态数据同化和集约化处理，避免高维系统状态空间搜索爆炸问题，同时结合基于数据同化的系统状态采样点移动分布精确抽样，精准地模拟和映射系统动态行为特性，实现系统动态可靠性预计分析。
[0207]
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。