随机缺失数据下的核动力管道破口大小评估方法研究
发布时间：2021-10-21 23:48
针对核动力系统监测参数受噪声干扰出现随机丢失,影响操纵员判断事故严重程度的问题,提出了容忍参数缺失的破口评估模型。选定已知破口大小的多元序列作为标准序列,并在标准序列上按事故机理选定若干采样点,对待诊断多元时间序列上各时间点使用滑动动态时间弯曲算法寻找与标准序列采样点的最小累积距离,将得到的最小累积距离作为破口评估模型的特征值,使用支持向量机作为预测模型对破口进行评估,并通过集成学习策略优化诊断结果。以右侧主蒸汽管道破口为例进行验证,结果表明,该方法对待测序列的完整性要求不高,参数随机缺失的破口评估误差在10%以内,能够更好地辅助操纵员进行破口的评估。
【文章来源】：核动力工程. 2020,41(06)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
数据缺失下破口评估方法可行性分析Fig.1FeasibilityAnalysisofFractureAssessmentunderRandomMissingData
赵鑫等：随机缺失数据下的核动力管道破口大小评估方法研究189a时间序列X和Yb序列X、Y中点对匹配结果图2DTW算法的基本原理Fig.2FundamentalPrincipleofDTWAlgorithm当w2时为2-范数，即欧式距离。而2条时间序列的DTW距离是通过距离矩阵mnA去寻找一条距离最小的弯曲路径minp为：min12,,,kpppp（3）式中，kmax(m,n),m+n+1。该路径的寻找过程必须满足3个以下约束条件：（1）路径起始点固定：搜索路径的起点为a11，终点为mna。（2）路径的单调性：设dp搜索的当前点为ija，d1dijppa，则i≥i，j≥j。（3）路径的连续性：设dp搜索的当前点为ija，d1dijppa，则i≤i1，j≤j1。根据这3个条件，第1条确定搜索路径的起始点；第2、第3条确定搜索路径的下一个点是当前点的上方、右方或者右上方中的一个（图3），其中当前点为dp，并假设此时正在搜索的当前点为ija，到下一个点d1p的递推关系为：1(+1)(+1)(+1)(+1)minddiijjppa,a,a（4）经过计算，得到最终的计算结果minp，为了解决序列长度不同导致的累积距离存在差异性，需要通过式（5）对累积距离进行平均化处理：图3pd到pd+1的递推关系Fig.3RecursiveRelationsbetweenpdandpd+1minpp=k（5）在整个搜索过程中，根据3条约束条件，DTW算法遍历了2条时间序列中所有观测点，且2条序列中的每个点在另一条序列中找到相对应
担?蟛畹闹饕??蚴鞘鹿史⑸?初期监测参数波动的不确定性对模型预测精度产生较大的影响，如果随机缺失的数据为原始序列波动曲线的极值位置，会对最小累积距离的计算a完整数据b缺失率10%图10参数缺失情况下单个学习器的诊断结果Fig.10FaultDiagnosisResultofSingleLearnerunderParameterLoss产生较大的影响；监测参数的波动相对稳定后，最小累积距离的波动受缺失参数影响所产生的特征值向量与相邻破口的特征值向量有所相似，导致诊断结果出现了少量偏差。集成学习采用式（6）计算，图11为监测参数在完整数据和数据缺失10%情况下经过集成学习后的诊断结果曲线，整体误差在10%范围内，在前500s范围内无较大偏差，多个体学习器降a完整数据b缺失率10%图11集成学习后故障诊断结果曲线Fig.11FaultDiagnosisResultCurveafterEnsembleLearning
【参考文献】：
期刊论文
[1]基于滑动平均与分段线性回归的时间序列相似性[J]. 冯玉伯,丁承君,高雪,朱雪宏,刘强. 计算机科学. 2018(S1)
[2]时间序列数据挖掘中的动态时间弯曲研究综述[J]. 李海林,梁叶,王少春. 控制与决策. 2018(08)
[3]基于分量属性近邻传播的多元时间序列数据聚类方法[J]. 李海林,王成,邓晓懿. 控制与决策. 2018(04)
[4]流式时间序列的实时相似度研究[J]. 屈振新,王宏宇. 计算机工程与科学. 2017(06)
[5]基于集成学习的核电站故障诊断方法[J]. 慕昱,夏虹,刘永阔. 原子能科学技术. 2012(10)
[6]基于时序数据挖掘的核电厂故障诊断技术研究[J]. 慕昱,夏虹,刘永阔. 核动力工程. 2011(05)
[7]基于DTW的多元时间序列模式匹配方法[J]. 李正欣,张凤鸣,李克武. 模式识别与人工智能. 2011(03)
本文编号：3449958
【文章来源】：核动力工程. 2020,41(06)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
数据缺失下破口评估方法可行性分析Fig.1FeasibilityAnalysisofFractureAssessmentunderRandomMissingData
赵鑫等：随机缺失数据下的核动力管道破口大小评估方法研究189a时间序列X和Yb序列X、Y中点对匹配结果图2DTW算法的基本原理Fig.2FundamentalPrincipleofDTWAlgorithm当w2时为2-范数，即欧式距离。而2条时间序列的DTW距离是通过距离矩阵mnA去寻找一条距离最小的弯曲路径minp为：min12,,,kpppp（3）式中，kmax(m,n),m+n+1。该路径的寻找过程必须满足3个以下约束条件：（1）路径起始点固定：搜索路径的起点为a11，终点为mna。（2）路径的单调性：设dp搜索的当前点为ija，d1dijppa，则i≥i，j≥j。（3）路径的连续性：设dp搜索的当前点为ija，d1dijppa，则i≤i1，j≤j1。根据这3个条件，第1条确定搜索路径的起始点；第2、第3条确定搜索路径的下一个点是当前点的上方、右方或者右上方中的一个（图3），其中当前点为dp，并假设此时正在搜索的当前点为ija，到下一个点d1p的递推关系为：1(+1)(+1)(+1)(+1)minddiijjppa,a,a（4）经过计算，得到最终的计算结果minp，为了解决序列长度不同导致的累积距离存在差异性，需要通过式（5）对累积距离进行平均化处理：图3pd到pd+1的递推关系Fig.3RecursiveRelationsbetweenpdandpd+1minpp=k（5）在整个搜索过程中，根据3条约束条件，DTW算法遍历了2条时间序列中所有观测点，且2条序列中的每个点在另一条序列中找到相对应
担?蟛畹闹饕??蚴鞘鹿史⑸?初期监测参数波动的不确定性对模型预测精度产生较大的影响，如果随机缺失的数据为原始序列波动曲线的极值位置，会对最小累积距离的计算a完整数据b缺失率10%图10参数缺失情况下单个学习器的诊断结果Fig.10FaultDiagnosisResultofSingleLearnerunderParameterLoss产生较大的影响；监测参数的波动相对稳定后，最小累积距离的波动受缺失参数影响所产生的特征值向量与相邻破口的特征值向量有所相似，导致诊断结果出现了少量偏差。集成学习采用式（6）计算，图11为监测参数在完整数据和数据缺失10%情况下经过集成学习后的诊断结果曲线，整体误差在10%范围内，在前500s范围内无较大偏差，多个体学习器降a完整数据b缺失率10%图11集成学习后故障诊断结果曲线Fig.11FaultDiagnosisResultCurveafterEnsembleLearning
【参考文献】：
期刊论文
[1]基于滑动平均与分段线性回归的时间序列相似性[J]. 冯玉伯,丁承君,高雪,朱雪宏,刘强. 计算机科学. 2018(S1)
[2]时间序列数据挖掘中的动态时间弯曲研究综述[J]. 李海林,梁叶,王少春. 控制与决策. 2018(08)
[3]基于分量属性近邻传播的多元时间序列数据聚类方法[J]. 李海林,王成,邓晓懿. 控制与决策. 2018(04)
[4]流式时间序列的实时相似度研究[J]. 屈振新,王宏宇. 计算机工程与科学. 2017(06)
[5]基于集成学习的核电站故障诊断方法[J]. 慕昱,夏虹,刘永阔. 原子能科学技术. 2012(10)
[6]基于时序数据挖掘的核电厂故障诊断技术研究[J]. 慕昱,夏虹,刘永阔. 核动力工程. 2011(05)
[7]基于DTW的多元时间序列模式匹配方法[J]. 李正欣,张凤鸣,李克武. 模式识别与人工智能. 2011(03)
本文编号：3449958
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3449958.html
