一种用于核电机组运行监控的实时数据异常诊断方法与流程

技术特征：

1.一种用于核电机组运行监控的实时数据异常诊断方法，其特征在于，具体包括如下步骤：

(1)选择多个与故障有关的重要变量构成实时数据异常诊断变量集，在此基础上，在线采集核电机组生产过程的重要变量的运行数据，得到建立数据异常诊断模型的原始训练数据集X0；

(2)对所得到的原始训练数据集X0进行建模前的标准化、归一化处理，得到实际应用的建模训练数据集X；

(3)对训练数据集进行“白化”处理，即对所得到的建模训练数据集X进行主元分析，并根据交叉检验方法确定主元个数，得到主元矩阵T和负荷矩阵P；

(4)根据步骤(3)得到的主元矩阵T和负荷矩阵P，运用独立元分析建立实时数据异常诊断模型；

(5)通过限定记忆的块式递推校正技术对实时数据异常诊断模型进行更新和维护；

(6)在建立的实时数据异常诊断模型的基础上，利用核密度估计方法确定核密度估计函数方程，通过核密度估计函数方程确定“异常事件”是否发生的控制限

(7)实时采集一组当前重要变量的运行数据集并进行标准化，得到的标准化检测数据集为X_new；

(8)将检测数据集为X_new代入步骤4实时数据异常诊断模型中，得到当前检测数据的独立元矩阵S_new；

(9)利用步骤6中的核密度估计函数方程和95％或99％置信度，代入独立元矩阵S_new，得到其中为核密度估计函数方程，H为带宽矩阵；将与正常运行范围控制限进行比较，如果则表示生产装置在正常运行范围内，否则表示属异常状况或产生了故障。

2.根据权利要求1所述的实时数据异常诊断方法，其特征在于，所述步骤(4)具体为：根据步骤(3)主元分析得到的主元矩阵T和负荷矩阵P，进行独立元分析，以求取独立元解合矩阵方程形式的故障诊断模型其中，S为独立元矩阵，W为变换矩阵的伪逆，为基于主元分析的解合矩阵；独立元个数取为主元个数k。

3.根据权利要求2所述的实时数据异常诊断方法，其特征在于，所述独立元分析的具体过程如下：

(4.1)取主元矩阵T和负荷矩阵P，并令a＝1，a为迭代步数；

(4.2)任取一个范数为1的初始列向量w_a(0)，若a≥2，则令其中W_a-1＝[w₁,w₂,…w_a-1]，并作归一化处理w_i(0)＝w_i(0)/||w_i(0)||，令b＝0,b为内层迭代步数；

(4.3)对w_a进行迭代更新，式中：μ＝0.1或0.01为学习率，其中的期望E由样本值进行估计获得。

(4.4)对w_a(b+1)进行分解投影得并进行归一化处理w_a(b+1)＝w_a(b+1)/||w_a(b+1)||。

(4.5)若|w_a(b+1)^Tw_a(b)|≈1，则继续步骤(4.6)，否则，令b＝b+1并转至步骤(4.3)。

(4.6)令w_a＝w_a(b+1)，a＝a+1，然后转至步骤(4.2)并一直迭代计算至a＝k。

(4.7)将得到的W＝[w₁w₂……w_k]与步骤(3)得到的P按构成解合矩阵，即得到了故障诊断模型

4.根据权利要求1所述的实时数据异常诊断方法，其特征在于，所述步骤(5)具体为：设原建模训练数据集为{X_j}，j为当前迭代步数，经过一段时间运行后新鲜数据集为{X_j+1}，则{X_j}经过主元分析和独立元分析后得到的实时数据异常诊断模型为其中分别为原建模训练数据集X_j的均值、方差和主元个数，P_j为对X_j主元分析后得到的负荷矩阵，W_j为独立元分析后得到的变换矩阵的伪逆。根据新鲜数据集{X_j+1}和得到更新后的实时数据异常诊断模型其中P_j+1＝P_j+α_PΔFP(||X_j+1-X_j||,γ_P,P_j),W_j+1＝W_j+α_WΔF_W(||X_j+1-X_j||,γ_W,W_j)，ΔF_P,ΔF_W为块式递推校正函数，γ_P,γ_W为校正遗忘因子，α_P,α_W为加权系数，分别为新鲜数据集的均值、方差和主元个数。

5.根据权利要求1所述的实时数据异常诊断方法，其特征在于，所述步骤(6)具体为：

由诊断模型得到的独立元数据矩阵为X0＝[x₁,x₂,…x_n]^T，n为独立元个数，x_n为第n个独立元，则密度函数f(x)的核估计为其中，i＝1,2，…n，H为带宽矩阵，|H|为H的行列式，K(·)为核函数，且由上述核密度估计函数和95％或99％置信度可求得表征正常运行范围的控制限